cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Agung Setia Budi
Contact Email
agungsetiabudi@ub.ac.id
Phone
+62341-577911
Journal Mail Official
jtiik@ub.ac.id
Editorial Address
Fakultas Ilmu Komputer Universitas Brawijaya Gedung F FILKOM Lt. 8, Ruang BPJ Jalan Veteran No. 8 Malang Indonesia - 65145
Location
Kota malang,
Jawa timur
INDONESIA
Jurnal Teknologi Informasi dan Ilmu Komputer
Published by Universitas Brawijaya
ISSN : 23557699     EISSN : 25286579     DOI : http://dx.doi.org/10.25126/jtiik
Core Subject : Science, Engineering,
Computer Science & IT Engineering
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) merupakan jurnal nasional yang diterbitkan oleh Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya (UB), Malang sejak tahun 2014. JTIIK memuat artikel hasil-hasil penelitian di bidang Teknologi Informasi dan Ilmu Komputer. JTIIK berkomitmen untuk menjadi jurnal nasional terbaik dengan mempublikasikan artikel berbahasa Indonesia yang berkualitas dan menjadi rujukan utama para peneliti. JTIIK di akreditasi oleh Kementerian Riset, Teknologi, dan Pendidikan Tinggi Republik Indonesia Nomor: 36/E/KPT/2019 yang berlaku sampai dengan Volume 11 Nomor 2 Tahun 2024.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 1,363 Documents
 133   134   135   136   137 
Pembangunan Model Speech Emotion Recognition Menggunakan SVM dan KNN pada Emosi Korban Kekerasan Berbasis Gender Setiyawati, Nina; Bangkalang, Dwi Hosanna
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026131

Abstract

Data terkini menunjukkan bahwa angka tindak kekerasan berbasis gender (KBG) di Indonesia masih tinggi. Oleh karena itu, optimalisasi layanan dukungan penanganan bagi korban KBG perlu dilakukan, bahkan hal ini menjadi salah satu tindakan prioritas. Salah satu yang dapat dilakukan adalah pemanfaatan machine learning untuk mengklasifikasi dan memonitor kondisi kesehatan mental berdasarkan deteksi dan pengenalan emosi. Pada penelitian ini diusulkan model Speech Emotion Recognition (SER) dengan menggunakan algoritma Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN). Alur pemodelan dimulai dari akuisisi dataset yang kemudian dilanjutkan dengan pre-processing data. Adapun class emosi dalam penelitian ini lebih spesifik pada spektrum emosi masalah kesehatan mental, yaitu: emosi terkejut, getir, tertekan, takut; dengan jumlah dataset sebanyak 1000.  Setelah itu dilakukan feature extraction yang pada penelitian ini menggunakan gabungan dari Short-Time Fourier Transform (STFT), Mel Frequency Cepstral Coefficient (MFCC), Chroma, Mel Spectogram, dan Tonnetz. Dari feature yang dihasilkan, dilanjutkan melakukan pemodelan dan simulasi menggunakan SVM dan KNN. Model yang dihasilkan kemudian dievaluasi dimana hasilnya menunjukkan bahwa model SER dengan akurasi tertinggi dihasilkan oleh SVM, yaitu 0,97. Hasil F1-score baik pada model SVM maupun KNN menunjukkan nilai yang cukup baik yaitu lebih dari 0.84. Hal ini dikarenakan persebaran dataset pada setiap class bersifat imbang. Dari kelima label yang digunakan, label depressed emotion memiliki presisi tertinggi baik pada model SVM maupun KNN.   Abstract Recent data shows that the number of gender-based violence (GBV) in Indonesia is still high. Therefore, optimization of support services for handling GBV victims needs to be done, in fact this is one of the priority actions. One that can be done is the use of machine learning to classify and monitor mental health conditions based on emotion detection and recognition. In this study, a speech emotion recognition (SER) model is proposed using the SVM and KNN algorithms. The modeling flow starts from dataset acquisition which is then continued with data pre-processing. The emotion class in this study is more specific to the spectrum of emotions of mental health problems, namely: emotions of surprise, bitterness, depression, fear; with a dataset of 1000. After that, feature extraction was carried out which in this study used a combination of Short-Time Fourier Transform (STFT), Mel Frequency Cepstral Coefficient (MFCC), Chroma, Mel Spectrogram, and Tonnetz. From the resulting features, modeling and simulation were continued using SVM and KNN. The resulting model was then evaluated where the results showed that the SER model with the highest accuracy was produced by SVM, which was 0.97. The F1-score results for both the SVM and KNN models showed quite good values, namely more than 0.84. This is because the distribution of the dataset in each class is balanced. Of the five labels used, the depressed emotion label has the highest precision in both the SVM and KNN models.
Peningkatan Sensitivitas Support Vector Machine Pada Klasifikasi Kalimat Baku Dan Tidak Baku Bahasa Indonesia Rianto, Rianto; Humanika, Eko Setyo; Tri Untoro, Iwan Hartadi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Kalimat dalam bahasa Indonesia dapat diklasifikasikan menjadi dua jenis, yaitu kalimat baku dan tidak baku. Kalimat baku digunakan sebagai bahasa resmi dalam acara formal, sementara kalimat tidak baku umum ditemukan dalam komunikasi sehari-hari. Perkembangan teknologi digital turut mendorong pergeseran penggunaan bahasa, sehingga banyak kalimat tidak baku muncul dalam konteks formal. Penelitian ini bertujuan untuk meningkatkan akurasi model klasifikasi kalimat baku dan tidak baku berbahasa Indonesia. Metode yang digunakan adalah supervised learning dengan Support Vector Machine (SVM) menggunakan dataset berjumlah 2.000 kalimat. Peningkatan akurasi dilakukan melalui TF-IDF Vectorizer dan augmentasi data. Hasil penelitian menunjukkan bahwa sebelum improvisasi, akurasi model mencapai 98.6% dengan total empat kesalahan klasifikasi pada kalimat baku pendek dan ambigu. Setelah improvisasi, akurasi meningkat menjadi 99.3%, dengan jumlah kesalahan total menurun menjadi tiga. Kebaruan penelitian ini terletak pada fokus klasifikasi kalimat baku dan tidak baku dalam konteks bahasa Indonesia, yang masih jarang dieksplorasi. Kontribusinya adalah menyediakan model yang dapat menjadi dasar aplikasi pemeriksa tata bahasa atau sistem penyaringan teks formal. Namun, penelitian ini memiliki keterbatasan pada augmentasi data yang masih dilakukan secara manual. Penelitian selanjutnya diharapkan dapat mengembangkan sistem augmentasi otomatis serta menambah jumlah dataset untuk meningkatkan generalisasi model dan penerapan lebih luas dalam NLP Indonesia.   Abstract Sentences in Indonesian can be classified into two types: standard and non-standard. Standard sentences are used as the official language in formal events, while non-standard sentences are used in daily conversation. The development of digital technology has contributed to the language shift, which causes many non-standard sentences to be used in standard contexts. This study aims to improve the accuracy of the classification model for standard and non-standard sentences in Indonesian. The method used is supervised learning with a Support Vector Machine (SVM) using a dataset of 2,000 sentences consisting of standard and non-standard forms. Accuracy improvement is carried out through TF-IDF Vectorizer and data augmentation. The results showed that the model accuracy reached 98.6% before improvisation, with four misclassifications in short and ambiguous standard sentences. After improvisation, the accuracy increased to 99.3%, with the number of errors decreasing to three. The novelty of this study lies in its focus on addressing sentence classification into standard and non-standard forms in the Indonesian language, which has rarely been explored compared to other NLP tasks. Its practical contribution is to provide a baseline model that can support grammar-checking tools or text filtering systems in digital platforms. However, this study has limitations in data augmentation, which still needs to be done manually. Future research is expected to develop an automatic augmentation system and increase the number of datasets to improve model generalization and broaden its application in Indonesian NLP.
Prediksi Afinitas Ikatan Antibodi-Antigen Menggunakan Algoritma Vision Mamba Dengan Memanfaatkan Normal Mode Correlation Maps Ismanto, Matyus Garbela; Indriati; Rahman, Muh. Arif
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Antibodi dan antigen merupakan komponen penting dalam sistem kekebalan tubuh manusia. Kompleks antibodi-antigen memiliki peran krusial dalam respons imun, di mana kekuatan ikatan kompleks ini, yang dikenal sebagai afinitas, menjadi indikator kunci efektivitas pengembangan obat berbasis antibodi. Afinitas ikatan antibodi–antigen merupakan indikator penting dalam pengembangan obat berbasis antibodi, tetapi pengukurannya di laboratorium basah memerlukan waktu dan biaya tinggi. Oleh karena itu, pendekatan komputasional menjadi solusi alternatif untuk mempercepat dan menyederhanakan proses pengukuran tersebut. Penelitian ini mengajukan pertanyaan riset: sejauh mana model backbone vision modern (Vision Mamba) mampu memprediksi afinitas antibodi–antigen ketika dinamika struktur molekuler direpresentasikan sebagai citra. Metode yang digunakan meliputi: (1) pengambilan data struktur kompleks dari SAbDab, (2) pembersihan dan standarisasi struktur, (3) perhitungan dinamika menggunakan Elastic Network Model dan pembentukan Normal Mode Correlation Map sebagai input, (4) pelatihan Vision Mamba untuk regresi target afinitas dalam skala log10(Kd), dan (5) evaluasi menggunakan Pearson correlation (R) dan Mean Squared Error (MSE). Eksperimen dilakukan pada 634 data antibodi, dengan beberapa skenario pembagian data latih–uji. Hasil menunjukkan nilai korelasi R sebesar 0.724 dengan stabilitas pembelajaran yang cukup baik. Temuan ini menunjukkan bahwa reformulasi dinamika struktur sebagai citra memungkinkan Vision Mamba menangkap sinyal hubungan prediksi dan target, namun performa masih dipengaruhi keterbatasan data dan konfigurasi regularisasi. Penelitian ini membuka peluang eksplorasi state space model untuk tugas bioinformatika berbasis representasi citra pada data biologis non-natural.   Abstract Antibodies and antigens are essential components of the human immune system. Antibody–antigen complexes play a crucial role in immune responses, and the binding strength of these complexes (known as affinity) is a key indicator for the effectiveness of antibody-based drug development. However, measuring antibody–antigen binding affinity through wet-lab experiments is time-consuming and costly. Therefore, computational approaches offer an alternative solution to accelerate and simplify this measurement process. This study addresses the following research question: to what extent can a modern vision backbone model (Vision Mamba) predict antibody–antigen affinity when molecular structural dynamics are represented as images? The proposed method consists of: (1) collecting complex structural data from SAbDab, (2) cleaning and standardizing the structures, (3) computing structural dynamics using an Elastic Network Model and constructing Normal Mode Correlation Maps as model inputs, (4) training Vision Mamba for regression with affinity targets on the log10(Kd) scale, and (5) evaluating performance using Pearson correlation (R) and Mean Squared Error (MSE). Experiments were conducted on 634 antibody samples under several train–test split scenarios. The results show a correlation coefficient of R = 0.724 with reasonably stable learning behavior. These findings indicate that reformulating structural dynamics as images enables Vision Mamba to capture predictive signals related to affinity, although performance remains influenced by data limitations and regularization settings. This work opens opportunities to explore state space models for image-based bioinformatics tasks on non-natural biological data.
Identifikasi Biometrik Dengan Ekstraksi Fitur Telapak Tangan Berbasis Machine Learning Kusumadewa Tutuko, Aryo Bagus; Astiningrum, Mungki; Suarjuna Batubulan, Kadek
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Perkembangan teknologi memungkinkan akses cepat dan aman ke berbagai layanan dan perangkat melalui identifikasi biometrik yang mengandalkan fitur unik manusia seperti sidik jari, retina, wajah, dan telapak tangan. Penelitian ini bertujuan untuk mengidentifikasi telapak tangan menggunakan metode ekstraksi fitur garis telapak tangan dengan pendekatan ROI (Region of Interest). Ekstraksi fitur garis telapak tangan diharapkan menjadi suatu fitur dari identifikasi telapak tangan sehingga mendapatkan hasil dengan akurasi yang tinggi dengan bantuan pembelajaran mesin. Metode yang digunakan dalam penelitian ini adalah Neural Network. Studi ini membahas bagaimana ROI diterapkan untuk memfokuskan pada area tertentu dari citra telapak tangan yang berisi informasi biometrik relevan seperti garis utama, kerutan, dan punggung bukit. Hasil penelitian menunjukkan banyaknya fitur ekstraksi yang ada dalam telapak tangan dapat meningkatkan akurasi dalam proses identifikasi telapak tangan. Penelitian ini berkontribusi dalam pengembangan sistem identifikasi biometrik dengan memperkenalkan metode ekstraksi fitur garis telapak tangan berbasis ROI yang mampu meningkatkan akurasi identifikasi hingga 80% melalui penerapan Neural Network.   Abstract Technological developments enable quick and secure access to various services and devices through biometric identification that relies on unique human features such as fingerprints, retina, face, and palm. This research uses the palm line feature extraction method with the ROI (Region of Interest) approach to identify palms. Palm line feature extraction is expected to be a feature of palm identification to get results with high accuracy with the help of machine learning. The method used in this research is Neural Network. This study discusses how ROI is applied to focus on specific areas of the palm image that contain relevant biometric information, such as main lines, wrinkles, and ridges. The results show that the number of extracted features present in the palm can increase the accuracy in the palm identification process. This research contributes to the development of biometric identification systems by introducing an ROI-based palm line feature extraction method that is able to increase identification accuracy up to 80% through the application of Neural Network.
Komparasi Gaussian Process Regression Dan Long Short-Term Memory Dalam Prediksi Harga Saham Tiga Bank BUMN Kristananda, Raja Valentino; Prasetya, Dwi Arman; Hindrayani, Kartika Maulida
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Volatilitas saham bank BUMN berdampak signifikan terhadap stabilitas ekonomi Indonesia dan keputusan investor. Prediksi harga saham yang akurat dapat membantu investor dan pemangku kepentingan dalam membuat keputusan yang lebih baik. Penelitian sebelumnya menggunakan Support Vector Regression (SVR) untuk prediksi saham Bank BRI menghasilkan MAPE sebesar 4,61%, menunjukkan ruang untuk pengembangan metode yang lebih akurat. Penelitian ini bertujuan membandingkan efektivitas pendekatan probabilistik non-parametrik yaitu Gaussian Process Regression (GPR) dengan berbagai kernel terhadap pendekatan deep learning sequential yaitu Long Short-Term Memory (LSTM) dalam memprediksi harga saham tiga bank BUMN (BMRI, BBRI, BBNI). Perbandingan kedua pendekatan ini penting untuk mengevaluasi keunggulan masing-masing metode dalam konteks prediksi finansial yang kompleks. Penelitian ini menggunakan data historis harga saham dari September 2018 hingga September 2024. Data dibagi menjadi 80% untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian. Model GPR diimplementasikan dengan empat kernel (RBF, Matern, Rational Quadratic, dan Linear), sementara LSTM diimplementasikan dengan empat variasi (LSTM_50, LSTM_100, LSTM_50_higher_dropout, dan LSTM_stacked). Hasil menunjukkan bahwa model GPR dengan kernel Matern memberikan kinerja terbaik untuk ketiga saham bank dengan nilai RMSE terendah (BMRI: 88,34, BBRI: 73,94, BBNI: 70,38) dan skor R² tertinggi (BMRI: 0,92, BBRI: 0,90, BBNI: 0,96). Sementara itu, model LSTM terbaik menunjukkan kinerja lebih rendah dengan RMSE untuk BMRI: 116,80, BBRI: 111,67, dan BBNI: 94,46. Secara keseluruhan GPR dengan Kernel Matern mengungguli LSTM dalam memprediksi harga saham bank BUMN, memberikan landasan kuat untuk pengembangan sistem pendukung keputusan investasi di masa depan.   Abstract Accurate stock price prediction can assist investors and stakeholders in making better decisions. Previous research using Support Vector Regression (SVR) for Bank BRI stock prediction achieved a MAPE of 4.61%, indicating room for developing more accurate methods. This study aims to compare the effectiveness of a non-parametric probabilistic approach, namely Gaussian Process Regression (GPR) with various kernels, against a sequential deep learning approach, namely Long Short-Term Memory (LSTM), in predicting stock prices of three state-owned banks (BMRI, BBRI, BBNI). The comparison of these two approaches is important for evaluating the advantages of each method in the context of complex financial prediction. This study uses historical stock price data from September 2018 to September 2024. The data is divided into 80% for training, 10% for validation, and 10% for testing. The GPR model is implemented with four kernels (RBF, Matern, Rational Quadratic, and Linear), while LSTM is implemented with four variations (LSTM_50, LSTM_100, LSTM_50_higher_dropout, and LSTM_stacked). Results show that the GPR model with Matern kernel provides the best performance for all three bank stocks with the lowest RMSE values (BMRI: 88.34, BBRI: 73.94, BBNI: 70.38) and highest R² scores (BMRI: 0.9254, BBRI: 0.9089, BBNI: 0.9685). Meanwhile, the best LSTM models show lower performance with RMSE for BMRI: 116.80, BBRI: 111.67, and BBNI: 94.46. In conclusion, GPR with Matern Kernel outperforms LSTM in predicting state-owned bank stock prices, providing a strong foundation for developing investment decision support systems in the future.
Penerapan Metode Stacking Ensemble Learning untuk Deteksi Penipuan pada Transaksi Finansial Izzaturrahim, Muh. Hafizh; Prayoga, Ida Bagus Peling; Hilmy, Andika Naufal; Utama, Nugraha Priya; Purwarianti, Ayu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Identifikasi fraud pada transaksi keuangan menjadi pekerjaan besar untuk mencegah kerugian yang dapat terjadi akibat fraud. Dengan perkembangan teknologi machine learning yang makin baik, eksperimen mengenai identifikasi fraud dapat dilakukan dengan menggunakan model machine learning. Sejumlah model machine learning dapat digunakan untuk identifikasi fraud, seperti logistic regression, XGBoost, LightGBM, dan Stacking. Penelitian ini untuk menunjukkan kinerja  dari stacking ensemble yang dipadukan dengan MLP sebagai meta learner. Identifikasi fraud memiliki tantangan tersendiri berupa banyak data yang tidak seimbang antara transaksi otentik dengan transaksi palsu. Meskipun demikian, eksperimen yang dilakukan menggunakan model dan evaluasi yang tahan terhadap data yang tidak seimbang. Eksperimen dilakukan dengan pengolahan data dan feature engineering untuk mengatasi permasalahan dalam dataset. Pengolahan data dan feature engineering ditujukan untuk mengurangi pencilan, fitur yang tak relevan, dan nilai-nilai pada data yang hilang atau terduplikasi. Kemudian, pembuatan model dilakukan dengan logistic regression, XGBoost, LightGBM, dan stacking ensemble dengan base learner dari XGBoost dan LightGBM serta meta-learner menggunakan MLP. Hasil dari eksperimen yang dilakukan menunjukkan bahwa stacking memiliki kinerja yang paling tinggi dengan nilai AUC-ROC mencapai 0,9663 dibandingkan model lain.
Perancangan Framework Tata Kelola Data Sebagai Strategi Peningkatan Kualitas Informasi Penyuluhan di Sektor Kelautan dan Perikanan Wibowo, Sandi; Karim, Abdullah; Herawati, Neng Ayu; Yulianty, Lenny Putri; Surendro, Kridanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.132

Abstract

Tata kelola data yang efektif menjadi fondasi utama dalam menjamin kualitas informasi, terutama di sektor kelautan dan perikanan yang memiliki distribusi aktor dan operasi secara geografis luas. Ketersediaan data yang akurat, dapat dilacak, dan relevan sangat penting untuk mendukung pengambilan keputusan berbasis bukti, khususnya dalam kegiatan penyuluhan yang membina lebih dari 48.000 kelompok di seluruh Indonesia. Penelitian ini bertujuan merancang Data Governance Framework penyuluhan di sektor kelautan dan perikanan guna meningkatkan kualitas data penyuluhan. Pendekatan yang digunakan adalah Design and Development Research (DDR), dengan landasan pada prinsip tata kelola data oleh Ladley serta model evaluasi kapabilitas organisasi Capability Maturity Model Integration (CMMI). Framework yang dikembangkan mencakup struktur peran formal (Data Owner, Data Steward, Data Custodian), kebijakan akses berbasis peran, validasi data, manajemen metadata, serta glosarium untuk menjamin konsistensi dan keterlacakan data. Selain itu, penelitian ini menghasilkan Minimum Sustainable Operating Model (MSOM) sebagai strategi implementasi bertahap yang realistis di tengah keterbatasan sumber daya organisasi. Hasil validasi menunjukkan bahwa framework ini tidak hanya konsisten dengan literatur dan prinsip tata kelola data publik, tetapi juga relevan dengan regulasi nasional seperti Undang-Undang Perlindungan Data Pribadi. Framework ini diharapkan dapat meningkatkan akurasi, efisiensi, dan akuntabilitas data penyuluhan, sekaligus memperkuat pengambilan keputusan strategis berbasis data di sektor publik.   Abstract Effective data governance is a fundamental foundation for ensuring information quality, particularly in the marine and fisheries sector, which involves geographically dispersed actors and operations. The availability of accurate, traceable, and relevant data is essential to support evidence-based decision-making, especially in extension activities that serve over 48,000 community groups across Indonesia. This study aims to design a Data Governance Framework for extension services in the marine and fisheries sector to improve data quality. The research adopts a Design and Development Research (DDR) approach, grounded in Ladley’s data governance principles and the Capability Maturity Model Integration (CMMI) for evaluating organizational capabilities. The proposed framework includes formal role structures (Data Owner, Data Steward, Data Custodian), role-based access policies, data validation mechanisms, metadata management, and a glossary to ensure data consistency and traceability. Additionally, the study introduces a Minimum Sustainable Operating Model (MSOM) as a phased implementation strategy, suitable for organizations with limited resources. Validation results indicate that the framework aligns with existing literature and public data governance principles, while also complying with national regulations such as the Personal Data Protection Law. This framework is expected to enhance the accuracy, efficiency, and accountability of extension data, while strengthening strategic data-driven decision-making in the public sector.
Analisis Sentimen Ulasan Film pada IMDb Menggunakan Support Vector Machine dengan Penerapan Chi-Square dan Word Embedding Janto, Dwi; Marjuni, Aris; Budiman, Fikri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Analisis sentimen adalah metode untuk mendeteksi sentimen pada opini dalam teks. Tujuan dari penelitian ini adalah untuk menggabungkan pemilihan fitur chi-square dan teknik word embedding untuk meningkatkan akurasi analisis sentimen pada 50.000 data ulasan film dari IMDb. Chi-square digunakan untuk memilih fitur yang paling relevan dalam data teks, sementara word embedding seperti Word2Vec, FastText, dan GloVe digunakan untuk merepresentasikan kata dalam bentuk vektor numerik.Proses analisis diawali dengan pre-processing data, dilanjutkan dengan pemilihan fitur menggunakan uji chi-square, representasi fitur menggunakan word embedding, dan klasifikasi menggunakan Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa menggabungkan metode chi-square dengan word embedding meningkatkan kinerja model SVM dibandingkan tanpa feature selection dan word embedding. Hasil kinerja terbaik diperoleh dengan menggunakan gabungan SVM, Word2Vec, dan chi-square, dengan akurasi sebesar 88,63%, precision sebesar 87,64%, recall sebesar 89,61%, dan F1-score sebesar 88,61%. Penelitian ini juga menunjukkan bahwa pemilihan fitur chi-square dapat secara efektif mengurangi dimensionalitas data tanpa mengurangi kualitas informasi, dan word embedding meningkatkan akurasi dengan meningkatkan representasi kata-kata. Hasil penelitian ini menegaskan bahwa kombinasi metode-metode ini dapat digunakan secara efektif untuk analisis sentimen, khususnya pada kumpulan data besar seperti IMDb.   Abstract This study discusses sentiment analysis of movie reviews taken from the public IMDb dataset. The main objective of this research is to enhance the performance of the classification model in detecting positive and negative sentiments by utilizing the Chi-Square feature selection method and word embedding techniques. The classification model used is the Support Vector Machine (SVM). Three word embedding techniques tested in this study include Word2Vec, FastText, and GloVe. The study also examines the effectiveness of Chi-Square as a feature selection method to improve model accuracy. The experimental results show that the combination of SVM with Word2Vec supported by Chi-Square feature selection provides the best performance with an accuracy of 88.63%, precision of 87.64%, recall of 89.61%, and an F1-Score of 88.61%. Conversely, the use of GloVe resulted in the lowest performance with an accuracy of 71.92% before feature selection. After Chi-Square feature selection, the performance improved to 79.87%. This study reinforces the conclusion that the use of word embedding techniques together with the Chi-Square feature selection method can significantly enhance the performance of the SVM model in sentiment analysis. This research contributes to developing a more effective approach for sentiment analysis using SVM-based classification methods, by combining feature selection and word embedding as a performance improvement strategy.
Forecasting Persediaan Kemasan Folding Box untuk Mitigasi Risiko Stock Out: Pendekatan Sarima, Prophet, Xgboost, dan Random Forest Prastiwinarti, Wiwi; Muliati, Sukma Ambar; Sari, Novi Purnama
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Ketepatan peramalan kebutuhan persediaan folding box menjadi faktor krusial dalam menjaga kelancaran produksi industri kosmetik, khususnya bagi perusahaan maklon dengan sistem produksi Make to Order (MTO). PT X sebagai salah satu perusahaan maklon menghadapi tantangan dalam pengelolaan persediaan kemasan folding box, yang selama ini masih dilakukan secara manual. Ketidakakuratan dalam perencanaan persediaan folding box berpotensi menimbulkan risiko stock out dan keterlambatan produksi. Penelitian ini bertujuan untuk membandingkan kinerja empat metode peramalan, yaitu SARIMA, Prophet, XGBoost, dan Random Forest, dalam memprediksi kebutuhan folding box berdasarkan data historis periode Januari 2023 hingga Desember 2024. Evaluasi kinerja model dilakukan menggunakan dua metrik utama, yaitu Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model Random Forest memberikan performa terbaik dengan RMSE sebesar 14.375,29 dan MAPE sebesar 0,66%, diikuti oleh XGBoost dan Prophet. Temuan ini memperlihatkan bahwa pendekatan machine learning lebih unggul dalam menangani pola data persediaan yang fluktuatif dibandingkan model statistik. Penerapan model prediktif ini diharapkan dapat mendukung PT X dalam menyusun strategi pengadaan folding box secara lebih tepat guna meminimalkan risiko stock out dan meningkatkan efisiensi produksi. Penelitian ini juga membuka peluang pengembangan metode lanjutan berbasis hybrid atau ensemble untuk meningkatkan akurasi prediksi di masa mendatang.   Abstract The accuracy of folding box inventory demand forecasting is a crucial factor in maintaining the smooth operation of the cosmetics industry, especially for contract manufacturing companies with a Make to Order (MTO) production system. PT X, as one of the contract manufacturing companies, faces challenges in managing folding box packaging inventory, which has been done manually until now. Inaccuracies in folding box inventory planning have the potential to cause stock-out risks and production delays. This study aims to compare the performance of four forecasting methods—SARIMA, Prophet, XGBoost, and Random Forest—in predicting folding box demand based on historical data from January 2023 to December 2024. Model performance evaluation was conducted using two primary metrics: Root Mean Squared Error (RMSE) and Mean Absolute Percentage Error (MAPE). The results indicate that the Random Forest model performed best with an RMSE of 14.375.29 and a MAPE of 0,66%, followed by XGBoost and Prophet. These findings indicate that machine learning approaches are more effective in handling fluctuating inventory data patterns compared to statistical models. The implementation of these predictive models is expected to support PT X in developing more effective procurement strategies for folding boxes, thereby minimizing the risk of stockouts and improving production efficiency. This research also opens up opportunities for the development of advanced hybrid or ensemble-based methods to enhance prediction accuracy in the future.
Analisis Performa Pre-Trained Model Convolutional Neural Network Dalam Klasifikasi Kulit Wajah Aras, Suhardi; Anam, Asyrofi; Jes, Billy; Sahar, Devid
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Klasifikasi jenis kulit wajah secara otomatis menjadi kebutuhan penting dalam mendukung pemilihan perawatan yang tepat dan objecktf. Pendekatan deep learning berbasis citra menawarkan solusi yang lebih akurat dibandingkan metode konvensional. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa tiga arsitektur model pre-trained Convolutional Neural Network (CNN), yaitu EfficientNetB7, ResNet50, dan MobileNetV3 untuk klasifikasi lima kategori. Dataset terdiri dari 1950 gambar wajah yang telah diproses melalui tahapan preprocessing serta augmentation. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, F1-score, confusion matrix, serta waktu komputasi. Hasil pengujian menunjukkan bahwa EfficientNetB7 memberikan performa terbaik dengan mencapai akurasi tertinggi sebesar 93%, diikuti oleh ResNet50 sebesar 91%, dan MobileNetV3 sebesar 87%. Dengan demikian, arsitektur EfficientNetB7 menunjukkan kemampuan ekstraksi fitur visual yang lebih unggul dan berpotensi diterapkan pada sistem identifikasi kulit wajah berbasis sistem cerdas.   Abstract Automatic classification of facial skin types has become an important requirement in supporting the selection of appropriate and objective skincare treatments. A deep learning approach based on image analysis offers a more accurate solution compared to conventional methods. This study aims to analyze and compare the performance of three pre-trained Convolutional Neural Network (CNN) architectures, namely EfficientNetB7, ResNet50, and MobileNetV3, for the classification of five categories. The dataset consists of 1,950 facial images that have been processed through preprocessing and augmentation stages. The evaluation was conducted using accuracy, precision, recall, F1-score, confusion matrix, and computational time metrics. The experimental results show that EfficientNetB7 achieves the best performance with the highest accuracy of 93%, followed by ResNet50 at 91%, and MobileNetV3 at 87%. Therefore, the EfficientNetB7 architecture demonstrates superior visual feature extraction capability and has strong potential to be implemented in intelligent facial skin identification systems.  

Page 135 of 137 | Total Record : 1363

 133   134   135   136   137 

Filter by Year

2014 2026


Reset
Filter By Issues
All Issue Vol 13 No 3: Juni 2026 Vol 13 No 2: April 2026 Vol 13 No 1: Februari 2026 Vol 12 No 6: Desember 2025 Vol 12 No 5: Oktober 2025 Vol 12 No 4: Agustus 2025 Vol 12 No 3: Juni 2025 Vol 12 No 2: April 2025 Vol 12 No 1: Februari 2025 Vol 11 No 6: Desember 2024 Vol 11 No 5: Oktober 2024 Vol 11 No 4: Agustus 2024 Vol 11 No 3: Juni 2024 Vol 11 No 2: April 2024 Vol 11 No 1: Februari 2024 Vol 10 No 6: Desember 2023 Vol 10 No 5: Oktober 2023 Vol 10 No 4: Agustus 2023 Vol 10 No 3: Juni 2023 Vol 10 No 2: April 2023 Vol 10 No 1: Februari 2023 Vol 9 No 7: Spesial Issue Seminar Nasional Teknologi dan Rekayasa Informasi (SENTRIN) 2022 Vol 9 No 6: Desember 2022 Vol 9 No 5: Oktober 2022 Vol 9 No 4: Agustus 2022 Vol 9 No 3: Juni 2022 Vol 9 No 2: April 2022 Vol 9 No 1: Februari 2022 Vol 8 No 6: Desember 2021 Vol 8 No 5: Oktober 2021 Vol 8 No 4: Agustus 2021 Vol 8 No 3: Juni 2021 Vol 8 No 2: April 2021 Vol 8 No 1: Februari 2021 Vol 7 No 6: Desember 2020 Vol 7 No 5: Oktober 2020 Vol 7 No 4: Agustus 2020 Vol 7 No 3: Juni 2020 Vol 7 No 2: April 2020 Vol 7 No 1: Februari 2020 Vol 6 No 6: Desember 2019 Vol 6 No 5: Oktober 2019 Vol 6 No 4: Agustus 2019 Vol 6 No 3: Juni 2019 Vol 6 No 2: April 2019 Vol 6 No 1: Februari 2019 Vol 5 No 6: Desember 2018 Vol 5 No 5: Oktober 2018 Vol 5 No 4: Agustus 2018 Vol 5 No 3: Juni 2018 Vol 5 No 2: April 2018 Vol 5 No 1: Februari 2018 Vol 4 No 4: Desember 2017 Vol 4 No 3: September 2017 Vol 4 No 2: Juni 2017 Vol 4 No 1: Maret 2017 Vol 3 No 4: Desember 2016 Vol 3 No 3: September 2016 Vol 3 No 2: Juni 2016 Vol 3 No 1: Maret 2016 Vol 2 No 2: Oktober 2015 Vol 2, No 2 (2015) Vol 2, No 1 (2015) Vol 2 No 1: April 2015 Vol 1, No 2 (2014) Vol 1 No 2: Oktober 2014 Vol 1, No 1 (2014) Vol 1 No 1: April 2014 More Issue