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 
Integrasi Clustering Dan Boosting untuk Membangun Model Prediktif Diagnosis Penyakit Kardiovaskular Isnanto, Burham; Panca Juniawan, Fransiskus; Yuny Sylfania, Dwi; Hulvi, Alfajri; Juwariyah, Siti
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

Penyakit kardiovaskular (CVD) terus menjadi penyebab utama kematian dalam skala global, menyumbang lebih dari 70% kematian di seluruh dunia. Deteksi dini menjadi sangat penting untuk mengurangi risiko komplikasi dan kematian, metode konvensional kerap mengalami kesulitan dalam mengidentifikasi pola kompleks dalam data medis berukuran besar. Untuk mengatasi masalah ini, penelitian ini menawarkan pendekatan kombinatif berbasis machine learning yang mengintegrasikan teknik unsupervised learning seperti k-modes clustering dengan algoritma supervised learning berbasis boosting, seperti Adaptive Boost (Adaboost), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), dan Category Boost (CatBoost). Kontribusi utama dari penelitian ini terletak pada penggunaan segmentasi data melalui clustering sebelum proses klasifikasi, yang bertujuan meningkatkan akurasi dan ketahanan model terhadap kompleksitas data medis. Dataset yang digunakan berasal dari Kaggle dengan total 70.000 data pasien. Hasil evaluasi menunjukkan bahwa algoritma LightGBM mengungguli algoritma lainnya, mencapai akurasi 91,49%, diikuti oleh CatBoost dan XGBoost. Sementara itu, AdaBoost menunjukkan kinerja terendah. Pendekatan ini secara signifikan meningkatkan kinerja prediksi dibandingkan dengan pendekatan sebelumnya yang hanya menggunakan metode klasifikasi tunggal. Dengan demikian, integrasi clustering dan boosting terbukti menjadi strategi yang efektif dalam mendeteksi CVD secara dini dan memiliki potensi besar untuk diimplementasikan dalam sistem pendukung keputusan klinis yang efisien dan akurat.   Abstract Cardiovascular disease (CVD) continues to be the top cause of fatality on a global scale, accounting for more than 70% of mortality worldwide. Early detection is crucial to reduce the risk of complications and death, but conventional methods often have difficulty identifying complex patterns in large medical data. To mitigate this issue, the current research offers a machine learning-based combinative approach that integrates unsupervised learning techniques such as k-modes clustering with boosting-based supervised classification algorithms, such as Adaptive Boost (Adaboost), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), and Category Boost (CatBoost). The core value of this research stems from its utilization of data segmentation through clustering before the classification process, which aims to refine the dependability and correctness of the model to the complexity of medical data. The dataset used comes from Kaggle with a total of 70,000 patient data. Evaluation findings demonstrate that the LightGBM algorithm outperforms others, achieving 91.49% accuracy, followed by CatBoost and XGBoost. Meanwhile, AdaBoost showed the lowest performance. This approach significantly improved the prediction performance compared to previous approaches that only used a single classification method. Thus, the integration of clustering and boosting proved to be an effective strategy in detecting CVD early and has great potential to be implemented in an efficient and accurate clinical decision support system.
Clustering Berbasis K-Means dan Pca untuk Segmentasi Spasial Universitas Global Menggunakan Metrik The Kamalia, Antika Zahrotul; Herlianto, Hemdani Rahendra
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

Penelitian ini melakukan segmentasi universitas dunia berdasarkan metrik Times Higher Education World University Rankings (THE WUR) menggunakan K-Means clustering. Dataset hasil web scraping terdiri dari 2.672 entri, dan setelah penanganan ketidaklengkapan data diperoleh 1.907 universitas untuk analisis. Segmentasi dilakukan menggunakan indikator Research, Citations, Industry Income, International Outlook, serta rank, dengan seluruh fitur numerik distandardisasi menggunakan z-score (StandardScaler). Jumlah cluster optimal ditentukan melalui Elbow method dan Silhouette score, sementara kualitas segmentasi divalidasi menggunakan Davies–Bouldin Index(DBI) dan Calinski–Harabasz Index(CHI). Untuk interpretasi, digunakan Principal Component Analysis (PCA) sebagai reduksi dimensi visualisasi dan pemetaan spasial distribusi cluster. Hasil menunjukkan terbentuknya empat cluster dengan profil kinerja yang berbeda, mulai dari universitas riset kelas dunia hingga institusi berkembang yang berorientasi lokal/regional, serta variasi komposisi cluster antar benua yang mendukung kebutuhan peer-based benchmarking dan strategi peningkatan mutu berbasis data.   Abstract This study segmented Global Universities based on the Times Higher Education World University Rankings (THE WUR) metrics using K-Means clustering. The web scraping dataset consisted of 2,672 entries, and after handling incomplete data, 1,907 Universities were obtained for analysis. Segmentation was performed using indicators such as Research, Citations, Industry Income, International Outlook, and rank, with all numeric features standardized using a z-score (StandardScaler). The optimal number of clusters was determined using the Elbow and Silhouette methods, while segmentation quality was validated using the Davies–Bouldin and Calinski–Harabasz Indices. Principal Component Analysis (PCA) was used for interpretation to visualize dimensionality reduction and map spatial distribution clusters. The results show the formation of four clusters with different performance profiles, ranging from World-Class Research Universities to developing institutions with local/regional orientations, and variations in cluster composition across continents, supporting the need for peer-based benchmarking and data-driven quality improvement strategies.
Perbandingan Klasifikasi Stres Berbasis Electroencephalography Dengan Kombinasi Ekstraksi dan Seleksi Fitur Menggunakan Metode Tunggal dan Ensemble Sifaunnufus Ms, Fi; Bachtiar, Fitra; Pramukantoro, Eko
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

Deteksi stres menggunakan sinyal Electroencephalography (EEG) memiliki potensi besar untuk pemantauan kesehatan mental secara objektif. Namun, tantangan pada permasalahan ini adalah ketidakseimbangan kelas dan pemilihan fitur yang representative dari sinyal EEG yang kompleks. Variasi metode dalam alur kerja pemrosesan, dimulai dari ekstraksi fitur hingga klasifikasi, menciptakan ketidakpastian mengenai kombinasi teknik yang paling efektif. Oleh karena itu, penelitian ini melakukan analisis komparatif sistematis terhadap berbagai skenario untuk mengidentifikasi alur kerja yang optimal. Metode penelitian ini membandingkan kinerja fitur tunggal, Power Spectral Density (PSD) dengan fitur kombinasi (PSD, Parameter Hjorth, Higuchi Fractal Dimension). Untuk mengatasi ketidakseimbangan kelas dan dimensi fitur, penelitian ini menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) dan seleksi fitur Particle Swarm Optimization (PSO). Beberapa model klasifikasi, termasuk Random Forest, XGBoost, SVM, Logistic Regression, dan sebuah arsitektur ensemble, dievaluasi menggunakan metrik akurasi dan F1-score. Hasil utama menunjukkan bahwa konfigurasi yang paling optimal adalah yang paling sederhana, yaitu model Random Forest yang hanya menggunakan fitur PSD, tanpa penerapan SMOTE maupun PSO. Konfigurasi ini berhasil mencapai akurasi tertinggi sebesar 0.77 dan F1-score 0.77. Ditemukan bahwa penambahan fitur, penerapan SMOTE, dan penggunaan arsitektur ensemble justru cenderung menurunkan performa pada konfigurasi terbaik. Kesimpulan dari penelitian ini adalah bahwa untuk deteksi stres pada dataset yang digunakan, pendekatan yang lebih sederhana lebih unggul. Penelitian ini berhasil memetakan kinerja berbagai skenario dan memberikan rekomendasi alur kerja yang efektif, sekaligus menunjukkan bahwa penambahan kompleksitas tidak selalu menjamin peningkatan akurasi.   Abstract Stress detection using Electroencephalography (EEG) signals has great potential for objective mental health monitoring. However, the challenges in this problem are class imbalance and the selection of representative features from complex EEG signals. Variations in processing workflow methods, from feature extraction to classification, create uncertainty regarding the most effective combination of techniques. Therefore, this study conducted a systematic comparative analysis of various scenarios to identify the optimal workflow. The research method compares the performance of a single feature Power Spectral Density (PSD) with a combination of features (PSD, Hjorth Parameter, Higuchi Fractal Dimension). To overcome class imbalance and feature dimension, this study uses the Synthetic Minority Over-sampling Technique (SMOTE) and Particle Swarm Optimization (PSO) feature selection. Several classification models, including Random Forest, XGBoost, SVM, Logistic Regression, and an ensemble architecture, were evaluated using accuracy and F1-score metrics. The main results show that the most optimal configuration is the simplest one, which is a Random Forest model that only uses PSD features, without applying SMOTE or PSO. This configuration successfully achieved the highest accuracy of 0.77 and an F1-score of 0.77. It was found that the addition of features, the application of SMOTE, and the use of ensemble architecture actually tend to degrade performance in the best configuration. The conclusion of this study is that for stress detection on the dataset used, a simpler approach is superior. This research successfully mapped the performance of various scenarios and provided effective workflow recommendations, while showing that increasing complexity does not always guarantee increased accuracy.
Peningkatan Keamanan Siber Industri melalui Kerangka IoT Device-Trusted Remote Attestation dengan Arsitektur Zero Trust pada Operasional BREWERY Budiyanto, Alan; Salman, Muhammad
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

Pada era Industri 4.0, integrasi perangkat Industrial Internet of Things (IIoT) secara signifikan meningkatkan efisiensi operasional, namun juga membawa tantangan besar dalam hal keamanan siber/Cyber Security. Penelitian ini mengusulkan sebuah kerangka kerja keamanan siber yang tangguh dengan memanfaatkan pendekatan IoT Device-Trusted Remote Attestation (ID-TRA) yang dikombinasikan dengan prinsip Zero Trust Architecture (ZTA), guna memperkuat integritas dan keandalan perangkat IIoT di lingkungan industri. Studi kasus pada industri brewery menunjukkan efektivitas metode remote attestation dalam memverifikasi keamanan perangkat sebelum memperoleh akses ke jaringan. Hasil simulasi menunjukkan peningkatan yang signifikan dalam deteksi ancaman, pencegahan akses tidak sah, dan ketahanan sistem secara keseluruhan
Pengembangan Model IDS Berbasis Deep Reinforcement Learning untuk Prediksi dan Mitigasi Serangan Siber Dalam Network Traffic Analysis Martanto; Suarna, Nana; Kurnia Putri, Dede; Mardiana, Ana
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

Intrusion Detection System (IDS) merupakan komponen krusial dalam pertahanan jaringan modern, berfungsi mendeteksi dan merespons ancaman siber secara cepat dan akurat. Penelitian ini menawarkan kontribusi baru melalui perancangan lingkungan Markov Decision Process (MDP) yang lebih realistis, integrasi reward shaping adaptif, serta evaluasi komprehensif multi-algoritma Deep Reinforcement Learning (DRL) yaitu Proximal Policy Optimization (PPO), Deep Q-Network (DQN), Advantage Actor-Critic (A2C) dan perbandingannya dengan model supervised learning mutakhir . Dataset CICIDS2017 dan UNSW-NB15 digunakan sebagai sumber data lalu lintas jaringan, mencakup berbagai jenis serangan dan lalu lintas normal. Lingkungan pelatihan dirancang khusus untuk memungkinkan agen DRL belajar melalui interaksi langsung dengan data, dengan reward function yang memandu agen untuk meningkatkan akurasi deteksi dan meminimalkan kesalahan. Metodologi penelitian meliputi perancangan arsitektur model DRL, proses pelatihan selama 200.000 time steps, serta evaluasi kinerja model berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan DQN mencapai akurasi tertinggi pada pendekatan DRL (89–92%), namun secara keseluruhan model supervised learning seperti Random Forest dan CNN masih melampaui DRL dengan akurasi 98–99%. Temuan ini mengonfirmasi bahwa DRL memiliki potensi kuat dalam adaptasi dinamis, tetapi masih memerlukan optimasi lebih lanjut untuk menyaingi metode supervised pada klasifikasi statis. Penelitian ini juga menghadirkan blueprint integrasi IDS–DRL dengan SOC dan firewall adaptif, yang memberikan landasan implementatif pada sistem keamanan nyata. Penelitian ini berkontribusi pada pengembangan IDS adaptif yang mampu melakukan deteksi dan mitigasi secara real-time dengan tingkat akurasi tinggi. Keterbatasan penelitian mencakup kebutuhan komputasi yang tinggi dan potensi ketidakstabilan pelatihan, yang membuka peluang untuk penelitian lanjutan dengan optimasi arsitektur dan integrasi teknik transfer learning.   Abstract An Intrusion Detection System (IDS) is a crucial component of modern network defense, detecting and responding to cyber threats quickly and accurately. This research proposes the development of a Deep Reinforcement Learning (DRL)-based IDS for cyberattack prediction and mitigation using three main algorithms, namely Proximal Policy Optimization (PPO), Deep Q-Network (DQN), and Advantage Actor-Critic (A2C). The CICIDS2017 dataset is used as a source of network traffic data, covering various types of attacks and normal traffic. The training environment is specifically designed to allow DRL agents to learn through direct interaction with the data, with a reward function that guides the agent to improve detection accuracy and minimize errors. The research methodology includes designing the DRL model architecture, training for 20,000 time steps, and evaluating model performance based on accuracy, precision, recall, and F1-score metrics. The experimental results show that DQN has the best performance with an accuracy of 92.39%, a precision of 91.04%, a recall of 92.39%, and an F1-score of 91.50%, followed by A2C and PPO. Confusion matrix analysis and performance visualization show that DQN excels in detecting majority and minority classes with a low number of false positives and false negatives. Theoretical discussions link the results of this study to the fundamental principles of DRL, where agents learn adaptive detection strategies to attack dynamics, and their relevance to real-world applications such as Security Operation Centers (SOCs) and adaptive firewalls. Comparisons with previous research confirm that the DRL approach can offer significant improvements over traditional IDS and supervised learning methods. This research contributes to the development of an adaptive IDS capable of real-time detection and mitigation with high accuracy. Limitations include high computational requirements and potential training instability, which opens up opportunities for further research with architecture optimization and the integration of transfer learning techniques.
Evaluasi Penerimaan Aplikasi E-Puskesmas Menggunakan Model Technology Acceptance Model (TAM) yang Dimodifikasi Irawati, Apriana; Bagye, Wire; Saleh, Maemun
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

Transformasi digital dalam layanan kesehatan publik membutuhkan evaluasi sistematis terhadap faktor-faktor yang memengaruhi technology acceptance oleh tenaga kesehatan. studi sebelumnya masih terbatas dalam mengkaji penerimaan aplikasi e‑Puskesmas dengan pendekatan teoritis yang komprehensif. Penelitian ini bertujuan untuk mengevaluasi faktor-faktor yang memengaruhi penerimaan dan behavioral intention dalam penggunaan aplikasi e‑Puskesmas oleh tenaga kesehatan di Kabupaten Lombok Tengah. Model penelitian ini mengadaptasi Technology Acceptance Model (TAM) yang dimodifikasi dengan menambahkan empat variable eksternal yaitu Information Quality, System Quality, Service Quality , dan Computer Self-Efficacy serta satu variabel moderasi yaitu Digital Literacy. Metode yang digunakan adalah quantitative explanatory research dengan pengumpulan data dari 505 responden melalui teknik simple random sampling. Data dianalisis menggunakan pendekatan Partial Least Squares Structural Equation Modeling (PLS-SEM) dengan bantuan perangkat lunak SmartPLS. Hasil menunjukkan bahwa information quality, system quality, service quality, dan computer self-efficacy berpengaruh signifikan terhadap perceived ease of use dan perceived usefulness, yang kemudian berdampak pada user satisfaction, attitude toward using, dan behavioral intention. Digital literacy terbukti memoderasi hubungan antara persepsi terhadap kemudahan dan kegunaan dengan kepuasan serta sikap pengguna. Penelitian ini memberikan kontribusi teoritis dalam pengembangan model adopsi teknologi di bidang kesehatan digital, serta kontribusi praktis dalam merancang kebijakan peningkatan kualitas sistem, layanan, dan keterampilan digital tenaga kesehatan untuk mendukung adopsi aplikasi e‑Puskesmas secara lebih luas.   Abstract The digital transformation of Indonesia’s healthcare system demands rigorous evaluation of technology acceptance among healthcare professionals, particularly in the use of e-health applications such as e-Puskesmas. Despite increasing adoption, few studies have comprehensively assessed the acceptance of e-Puskesmas using an extended theoretical framework. This study aims to investigate the factors influencing the acceptance and behavioral intention to use the e-Puskesmas application among healthcare workers in Central Lombok. To address this gap, the research employs a modified Technology Acceptance Model (TAM) by integrating four external variables Information Quality, System Quality, Service Quality , and Computer Self-Efficacy as well as Digital Literacy as a moderating variable. A quantitative explanatory approach was used, involving 505 respondents selected through simple random sampling. Data were analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM) with the SmartPLS software. The findings reveal that information quality, system quality, service quality, and computer self-efficacy significantly affect both perceived ease of use and perceived usefulness. These, in turn, influence user satisfaction, attitude toward using, and behavioral intention to use the system. Furthermore, digital literacy significantly moderates the relationship between perceived usefulness and ease of use with satisfaction and attitude. This research contributes theoretically by extending the TAM framework in the e-health domain and provides practical insights for policymakers to enhance system quality, service delivery, and digital skills training for healthcare workers to improve digital health adoption at the regional level.
Klasifikasi Emosi Pada Teks Berbahasa Indonesia Dengan Attention-Based BiLSTM Purwanti, Endah; Namara Akbar, Gamas; Mala Sari Rochman, Eka
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

Media sosial telah menjadi bagian integral dari komunikasi digital modern yang memungkinkan pengguna berbagi informasi dan mengekspresikan berbagai emosi melalui konten digital. Pemahaman emosi pengguna menjadi penting karena berperan dalam mendukung pengambilan keputusan di berbagai domain, seperti analisis respons konsumen, pengukuran sentimen publik, serta peningkatan kualitas dan personalisasi pengalaman pengguna pada layanan digital. Namun, klasifikasi emosi pada teks berbahasa Indonesia masih menjadi tantangan karena karakteristik linguistik dan kompleksitas ekspresi emosional yang tinggi. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model attention-based Bidirectional Long Short-Term Memory (BiLSTM) guna meningkatkan pemahaman kontekstual dan menangkap nuansa emosional dalam klasifikasi emosi teks berbahasa Indonesia. Dataset yang digunakan terdiri dari 7.080 tweet berbahasa Indonesia yang tersedia secara publik. Tahapan preprocessing meliputi tokenisasi, normalisasi, serta penghapusan stopword. Model yang diusulkan dibandingkan dengan dua model pembanding, yaitu BiLSTM tanpa attention dan attention-based LSTM. Hasil penelitian menunjukkan bahwa attention-based BiLSTM mencapai akurasi sebesar 72,5% dan macro F1-score sebesar 73,8%. Kinerja ini menunjukkan peningkatan performa hingga 3,54% pada akurasi dan 3,03% pada macro F1-score. Performa terbaik diperoleh pada kelas fear (F1 = 0,80) dan love (F1 = 0,76), sementara kelas neutral masih menunjukkan kinerja yang relatif lebih rendah (F1 = 0,62). Secara keseluruhan, penelitian ini menyimpulkan bahwa attention-based BiLSTM merupakan pendekatan yang efektif untuk klasifikasi emosi pada teks media sosial berbahasa Indonesia. Integrasi attention mechanism pada arsitektur BiLSTM terbukti meningkatkan kemampuan ekstraksi fitur kontekstual dan akurasi klasifikasi lintas kelas emosi.   Abstract   Social media has become integral to modern digital communication, enabling users to share information and express a range of emotions through digital content. Understanding user emotions is increasingly important because it supports decision-making across multiple domains, including consumer response analysis, public sentiment measurement, and the enhancement and personalization of user experiences in digital services. However, emotion classification in Indonesian-language text remains challenging due to linguistic characteristics and the complexity of emotional expressions. This study aims to develop and evaluate an attention-based Bidirectional Long Short-Term Memory (BiLSTM) model to improve contextual understanding and capture emotional nuances in emotion classification for Indonesian text. The dataset consists of 7,080 publicly available Indonesian tweets. Preprocessing includes tokenization, normalization, and stopword removal. The proposed model is compared with two baseline models: a BiLSTM without attention and an attention-based LSTM. The experimental results show that the attention-based BiLSTM achieves an accuracy of 72.5% and a macro F1-score of 73.8%, representing performance improvements of up to 3.54% in accuracy and 3.03% in macro F1-score. The best performance is observed in the fear class (F1 = 0.80) and the love class (F1 = 0.76), while the neutral class still exhibits relatively lower performance (F1 = 0.62). Overall, this study concludes that the attention-based BiLSTM is an effective approach for emotion classification in Indonesian social media text. The integration of an attention mechanism into the BiLSTM architecture has been shown to enhance contextual feature extraction and improve classification accuracy across emotion classes.
Prediksi Konsentrasi PM2.5 dan PM10 Menggunakan Lstm dengan Optimasi Hyperparameter Melalui Hyperband Chazar, Chalifa; Putra Darmawan, Rafi; Firdaus, Diash
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

  Polusi udara merupakan permasalahan lingkungan yang berdampak serius terhadap kesehatan masyarakat, terutama karena kandungan particulate matter seperti PM2.5 dan PM10. Permasalahan ini semakin mengkhawatirkan seiring dengan meningkatnya aktivitas industri dan transportasi di kawasan perkotaan. Paparan PM2.5 dan PM10 diketahui berkontribusi terhadap peningkatan risiko penyakit Infeksi Saluran Pernapasan Akut (ISPA). Berbagai penelitian sebelumnya telah memanfaatkan model Long Short-Term Memory (LSTM) untuk memprediksi kualitas udara dan menunjukkan hasil yang cukup baik. Namun, penelitian penelitian tersebut juga menunjukan bahwa performa model dapat ditingkatkan melalui optimasi hyperparameter. Penelitian ini menggunakan algoritma Hyperband untuk mengoptimalkan hyperparameter model LSTM dalam memprediksi konsentrasi PM2.5 dan PM10. Konfigurasi hyperparameter terbaik yang diperoleh dari optimasi menggunakan Hyperband terdiri atas 1 layer, 128 unit LSTM, dropout rate sebesar 0,5, learning rate sebesar 0,01, dan batch size sebesar 16. Hasil kinerja model dievaluasi menggunakan metrik Root Mean Square Error (RMSE) dan mendapatkan hasil sebesar sebesar 5,5148 untuk PM2.5 dan 11,1197 untuk PM10. Hasil ini lebih baik jika dibandingkan dengan model LSTM tanpa optimasi Hyperband, yang memperoleh nilai RMSE sebesar 6,6061 untuk PM2.5 dan 13,0133 untuk PM10. Hasil ini menunjukkan bahwa penggunaan Hyperband dalam optimasi hyperparameter mampu menurunkan tingkat kesalahan prediksi pada PM2.5 dan PM10.   Abstract Air pollution is an environmental problem that has serious impacts on public health, particularly due to particulate matter such as PM2.5 and PM10. This issue is becoming increasingly concerning with the rise of industrial and transportation activities in urban areas. Exposure to PM2.5 and PM10 is known to contribute to a higher risk of Acute Respiratory Infections (ARI). Previous studies have utilized Long Short-Term Memory (LSTM) models to predict air quality and showed fairly good results, but also indicated that model performance can be improved through hyperparameter optimization. This study employs the Hyperband algorithm to optimize the hyperparameters of the LSTM model in predicting PM2.5 and PM10 concentrations. The best hyperparameter configuration obtained from Hyperband optimization consists of 1 layer, 128 LSTM units, a dropout rate of 0.5, a learning rate of 0.01, and a batch size of 16. Model performance was evaluated using the Root Mean Square Error (RMSE), achieving 5.5148 for PM2.5 and 11.1197 for PM10, which is better compared to the LSTM model without Hyperband optimization that obtained RMSE values of 6.6061 for PM2.5 and 13.0133 for PM10. These results indicate that the use of Hyperband in hyperparameter optimization can reduce prediction errors for PM2.5 and PM10.
Adaptive Ensemble CNN–BiLSTM untuk Integrasi Citra Awan dan Data Meteorologi BMKG dalam Prediksi Cuaca Jangka Pendek di Manokwari Nur Fauzi, Ridho; P. P Naibaho, Julius; De Kweldju, Alex
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

Penelitian ini mengusulkan model Adaptive Ensemble CNN–BiLSTM untuk meningkatkan konsistensi dan performa rata-rata prakiraan cuaca jangka pendek (1–3 jam) di wilayah tropis Manokwari, Papua Barat. Model Adaptive Ensemble dibangun dengan mengintegrasikan citra awan multisumber, data meteorologi BMKG, serta metadata waktu dan lokasi. Convolutional Neural Network (CNN) digunakan untuk mengekstraksi fitur spasial, sedangkan Bidirectional Long Short-Term Memory (BiLSTM) memodelkan dinamika temporal deret waktu atmosfer. Mekanisme Adaptive Ensemble menggabungkan prediksi CNN dan BiLSTM dengan bobot dinamis, sehingga performa rata-rata meningkat signifikan dibandingkan baseline sederhana maupun Conditional Ensemble. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan macro F1 pada horizon H+1, H+2, dan H+3, serta uji statistik (McNemar, paired t-test, Wilcoxon, Cohen’s Kappa, dan Balanced Accuracy). Hasil menunjukkan bahwa BiLSTM unggul dalam global accuracy (88–89%, macro F1 0.88), sementara Adaptive Ensemble menghasilkan accuracy 87–90% dengan macro F1 0.84–0.88. Uji paired t-test signifikan (p = 0.017) menegaskan bahwa Adaptive Ensemble unggul secara rata-rata, dengan distribusi kesalahan yang lebih konsisten lintas horizon. Analisis metadata memperlihatkan bahwa Adaptive Ensemble lebih unggul pada siang hari (accuracy 0.90–0.94, F1 0.83–0.92), sedangkan Conditional Ensemble lebih stabil pada malam hari (accuracy 0.81–0.82, F1 0.80–0.81). Evaluasi antar kelurahan menunjukkan mayoritas accuracy Adaptive Ensemble berada pada kisaran 0.80–0.92, dengan pengecualian Udopi yang lebih rendah (0.652, F1 0.558). Hal ini menandakan distribusi relatif seimbang tanpa bias ekstrem, meskipun jumlah data memengaruhi variasi performa. Kontribusi utama penelitian ini adalah integrasi multimodal CNN–BiLSTM dengan Adaptive Ensemble serta evaluasi berbasis metadata, yang menghasilkan prakiraan cuaca lokal lebih akurat secara rata-rata sekaligus relevan lintas waktu dan lokasi.   Abstract This study proposes an Adaptive Ensemble CNN–BiLSTM model to improve the consistency and average performance of short-term weather forecasts (1–3 hours) in the tropical region of Manokwari, West Papua. The Adaptive Ensemble model is built by integrating multi-source cloud imagery, BMKG meteorological data, and time and location metadata. Convolutional Neural Network (CNN) is used to extract spatial features, while Bidirectional Long Short-Term Memory (BiLSTM) models the temporal dynamics of atmospheric time series. The Adaptive Ensemble mechanism combines CNN and BiLSTM predictions with dynamic weights, resulting in a significant improvement in average performance compared to the simple baseline and the Conditional Ensemble. Evaluation is carried out using accuracy, precision, recall, and macro F1 metrics at horizons H+1, H+2, and H+3, as well as statistical tests (McNemar, paired t-test, Wilcoxon, Cohen’s Kappa, and Balanced Accuracy). The results show that BiLSTM excels in global accuracy (88–89%, macro F1 0.88), while Adaptive Ensemble produces 87–90% accuracy with macro F1 0.84–0.88. A significant paired t-test (p = 0.017) confirms that Adaptive Ensemble is superior on average, with a more consistent error distribution across horizons. Metadata analysis shows that Adaptive Ensemble is superior during the day (accuracy 0.90–0.94, F1 0.83–0.92), while Conditional Ensemble is more stable at night (accuracy 0.81–0.82, F1 0.80–0.81). Evaluation between villages shows that the majority of Adaptive Ensemble accuracy is in the range of 0.80–0.92, with the exception of Udopi which is lower (0.652, F1 0.558). This indicates a relatively balanced distribution without extreme bias, although the amount of data influences performance variation. The main contribution of this research is the integration of multimodal CNN–BiLSTM with Adaptive Ensemble and metadata-based evaluation, which results in local weather forecasts that are more accurate on average and relevant across time and locations.
Pengembangan Plugin Read-Aloud Pada Moodle Menggunakan Model Transfer Learning Whisper Yusuf, Maulana; Hulliyah, Khodijah; Eka Muzayyana Agustin, Fenty; Hakiem, Nashrul; Marzuki Shofi, Imam
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

Keterampilan berbicara dalam Bahasa Inggris merupakan kompetensi penting bagi mahasiswa, namun praktik pembelajaran di ruang kelas masih menghadapi berbagai kendala seperti keterbatasan waktu, tingginya rasio pengajar-mahasiswa, serta ketiadaan umpan balik yang cepat dan juga konsisten. Pusat Pengembangan Bahasa (PPB) UIN Syarif Hidayatullah Jakarta telah menggunakan Learning Management System (LMS) berbasis Moodle sebagai platform pembelajaran dalam program mereka. Namun demikian, saat ini LMS tersebut belum memiliki fitur latihan dan evaluasi otomatis terhadap keterampilan berbicara mahasiswa. Penelitian ini bertujuan untuk mengembangkan plugin latihan read-aloud berbasis Automatic Speech Recognition (ASR) menggunakan Whisper yang terintegrasi penuh dengan LMS Moodle. Pengembangan dilakukan dengan metode Rapid Application Development (RAD) dengan pendekatan client-server, dimana Moodle berperan sebagai client untuk antarmuka pengguna, serta layanan backend berbasis FastAPI menangani pemrosesan audio, transkripsi serta perhitungan skor. Mekanisme penilaian dirancang secara heuristik untuk menghasilkan skor Accuracy, Pronunciation, dan Fluency beserta umpan balik otomatis. Pengujian fungsionalitas dilakukan melalui 20 skenario black-box testing serta pengujian integrasi dilakukan untuk memverifikasi konsistensi data antara backend dan Moodle. Hasil pengujian menunjukkan bahwa seluruh fungsionalitas sistem berjalan sesuai dengan spesifikasi dan integrasi sistem berlangsung stabil. Dengan demikian, plugin yang dikembangkan layak digunakan sebagai media latihan read-aloud  Bahasa Inggris mandiri yang terintegrasi dengan LMS Moodle.   Abstract Speaking skills in English are a crucial competency for university students. However, classroom-based learning practices still face obstacles such as limited practice time, high teacher-student ratios, and the lack of fast and consistent feedback. The Language Development Center (PPB) of UIN Syarif Hidayatullah Jakarta has utilized a Moodle-based Learning Management System (LMS) platform for its program. However, this LMS currently lacks a feature for the automatic practice and evaluation of student speaking skills. This study aims to develop an automatic read-aloud practice plugin based on Automatic Speech Recognition (ASR) Whisper, fully integrated with the Moodle LMS. The system was developed using the Rapid Application Development (RAD) method, with a client-server approach, with Moodle acting as the client for the user interface, while a FastAPI-based backend service handles audio processing, transcription, and score computation. The assessment mechanism is heuristically designed to generate Accuracy, Pronunciation, and Fluency scores along with automated feedback. Functional testing was conducted through 20 black-box test scenarios and integration testing was performed to verify data consistency between the backend service and Moodle. The test results indicate that all system functionalities run according to specifications and the integration process ran reliably. Therefore, the developed plugin is feasible for use as a self-directed English read-aloud practice tool, fully integrated within the Moodle LMS.

Page 136 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