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 1,388 Documents
 135   136   137   138   139 
Analisis Dampak Terhadap Pemanfaatan Platform Penentuan Tenaga Kerja Berbasis Kecerdasan Buatan Santiputri, Metta; Mayasari, Mega; Halim, Muhammad Irsyad; Mufida, Mir’atul Khusna; Sembiring, Evaliata Br.; Sartikha; Muchlis, Fauziah; Lestari, Nanik
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

Pemanfaatan kecerdasan buatan (AI) dalam proses rekrutmen membawa perubahan signifikan terhadap efektivitas, efisiensi, dan objektivitas penentuan tenaga kerja. Penelitian ini menganalisis dampak penggunaan platform TalentCerdas sebagai sistem pendukung rekrutmen berbasis AI yang digunakan oleh beberapa perusahaan pada kegiatan job fair di Politeknik Negeri Batam. Metode penelitian meliputi tinjauan pustaka, survei terhadap pengguna industri, wawancara mendalam, serta analisis hasil menggunakan pendekatan tematik, SWOT, dan analisis biaya-manfaat. Hasil survei menunjukkan bahwa mayoritas responden menilai sistem mampu menyediakan informasi yang relevan, akurat, mudah digunakan, serta memberikan data secara tepat waktu. Analisis tematik menunjukkan bahwa AI membantu mengurangi beban administrasi, meningkatkan objektivitas seleksi, dan mempersingkat waktu screening kandidat. Namun demikian, ditemukan beberapa kelemahan, seperti tingkat matching rate yang belum optimal, ketergantungan pada kelengkapan data pelamar, serta kebutuhan peningkatan antarmuka dan dokumentasi sistem. Analisis SWOT dan biaya-manfaat menunjukkan bahwa penggunaan TalentCerdas mampu mengurangi biaya rekrutmen secara signifikan serta meningkatkan kualitas keputusan berbasis data. Secara keseluruhan, platform AI seperti TalentCerdas berpotensi besar mendukung transformasi digital manajemen SDM, namun memerlukan pengembangan berkelanjutan pada aspek teknis dan pengalaman pengguna untuk memastikan akurasi dan keandalannya.
Analisis dan Implementasi Sistem Informasi Drone Log Book Berbasis Web Novita Muliawati, Kadek Dwi; Indra Iswara, Ida Bagus Ary; Bevi Libraeni, Luh Gede; Redy Winatha, Komang; Adnyana, I Gede
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 bertujuan merancang dan mengimplementasikan Sistem Informasi Drone Log Book berbasis web menggunakan metode Rapid Application Development (RAD) untuk mengatasi kendala pencatatan operasional manual di PT. Teknologi Arcom Mediaksa. Fokus utama pengembangan ini adalah integrasi fitur Asset Locking otomatis dan pencegahan double-booking untuk memastikan kelaikan armada dalam kasus spesifik layanan UAV lokal. Sistem dikembangkan melalui empat fase RAD, yaitu Requirement Planning, User Design, Construction, dan Cutover. Hasil pengujian melalui Black Box Testing membuktikan bahwa sistem 100% valid secara fungsional, khususnya dalam memverifikasi mekanisme kontrol ketersediaan aset secara otomatis dan validasi data wajib. Selain itu, pengujian User Acceptance Test (UAT) menunjukkan nilai rata-rata 4,83 dari 5,00, yang mengonfirmasi bahwa sistem dapat diterima dengan sangat baik oleh pengguna. Implementasi sistem ini memberikan solusi digital yang mampu mengeliminasi risiko penggunaan aset tidak layak terbang sebesar 100% dan meningkatkan efisiensi waktu administrasi hingga 80%.   Abstract This study aims to design and implement a web-based Drone Log Book Information System using the Rapid Application Development (RAD) method to overcome the constraints of manual operational recording at PT. Teknologi Arcom Mediaksa. The main focus of this development is the integration of automatic Asset Locking features and double-booking prevention to ensure fleet feasibility in specific cases of local UAV services. The system was developed through four RAD phases, namely Requirement Planning, User Design, Construction, and Cutover. The results of testing through Black Box Testing proved that the system is 100% functionally valid, particularly in verifying the automatic asset availability control mechanism and mandatory data validation. In addition, User Acceptance Test (UAT) testing showed an average score of 4.83 out of 5.00, confirming that the system is very well accepted by users. The implementation of this system provides a digital solution that can eliminate the risk of using unfit assets by 100% and increase administrative time efficiency by up to 80%.
Evaluasi Usability Sistem Informasi Manajemen Kepegawaian Kalimantan Selatan Berdasarkan ISO 9241-11 Maulana, Syarif; Saputro, Setyo Wahyu; Abadi, Friska; Turianto Nugrahadi, Dodon; Reza Faisal, Mohammad
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 menyajikan evaluasi usability secara komprehensif terhadap Sistem Informasi Manajemen Kepegawaian (SIMPEG) Provinsi Kalimantan Selatan berdasarkan kerangka ISO 9241-11. Evaluasi dilakukan dengan mengintegrasikan Performance Measurement, System Usability Scale (SUS), dan Retrospective Think-Aloud (RTA) untuk menilai efektivitas, efisiensi, dan kepuasan pengguna. Sebanyak 25 partisipan menyelesaikan tujuh skenario tugas yang merepresentasikan fungsi utama sistem. Hasil pengujian menunjukkan tingkat Task Completion Rate sebesar 96% dan Overall Relative Efficiency sebesar 91%, yang mengindikasikan efektivitas dan efisiensi sistem yang tinggi. Skor rata-rata SUS sebesar 79,7 menempatkan sistem pada kategori “baik” dengan tingkat akseptabilitas “dapat diterima”. Analisis inferensial menggunakan uji korelasi Spearman menun-jukkan tidak terdapat hubungan signifikan antara efisiensi objektif dan kepuasan subjektif (r = 0,129; p = 0,538), yang mengindikasikan bahwa dimensi usability dapat bersifat independen dalam konteks sistem pemerintahan. Uji Friedman menunjukkan adanya perbedaan signifikan waktu penyelesaian antar skenario tugas (χ²(6) = 141,071; p < 0,001), yang mengidentifikasi adanya bottleneck usability pada modul tertentu. Temuan kualitatif dari RTA memperkuat hasil kuantitatif dengan mengungkap kendala pada aspek kemudahan belajar, konsistensi navigasi, dan integrasi fitur. Penelitian ini memberikan kontribusi melalui integrasi analisis deskriptif dan inferensial dalam evaluasi usability sistem pemerintahan sebagai baseline pengembangan sistem selanjutnya.   Abstract   This study presents a comprehensive usability evaluation of the Civil Service Management Information System (SIMPEG) of South Kalimantan Province, based on the ISO 9241-11 framework. The evaluation integrates Performance Measurement, the System Usability Scale (SUS), and the Retrospective Think-Aloud (RTA) protocol to assess the system's effectiveness, efficiency, and user satisfaction. A total of 25 participants completed seven task scenarios representing the system’s core functions. The testing results showed a Task Completion Rate of 96% and an Overall Relative Efficiency of 91%, indicating high levels of effectiveness and efficiency. The average SUS score of 79.7 places the system in the “Good” category with an “Acceptable” level of usability. Inferential analysis using Spearman’s correlation test revealed no significant relationship between objective efficiency and subjective satisfaction (r = 0.129; p = 0.538), suggesting that usability dimensions may be independent in the context of government systems. The Friedman test indicated a significant difference in task completion times across scenarios (χ²(6) = 141.071; p < 0.001), identifying specific modules as usability bottlenecks. Qualitative findings from the RTA supported the quantitative results by uncovering challenges related to learnability, navigation consistency, and feature integration. This study contributes by integrating descriptive and inferential analysis in the usability evaluation of government systems, serving as a baseline for future system development.
Studi Perbandingan Distance Measure Pada Fuzzy C-Means Untuk Klasterisasi Produksi Komoditas Perikanan Di Sulawesi Utara Budi Hartono Sakur, Stendy; Desmin Tuwohingide; Miske Silangen; Ella Helmy Israel
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 4: Agustus 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.134

Abstract

Budidaya perikanan adalah komoditas yang dapat meningkatkan taraf hidup masyarakat didaerah pesisir. Provinsi Sulawesi utara dengan luas perairan umum ± 26.500 ha yang berpotensi untuk pengembangan budidaya perikanan. Namun, dengan luasan tersebut belum terlihat pemerataan hasil produksi komoditas perikanan yang menyebabkan ketimpangan perekonomian sehingga perlu menjadi perhatian pemerintah oleh karena itu sangatlah penting untuk membagi daerah berdasarkan hasil produksi budidaya perikanan. Penelitian ini menitik beratkan kepada produksi budidaya perikanan untuk 10 komoditas yang ada di Sulawesi Utara yang bersumber dari data Badan Pusat Statistik Sulawesi Utara. Tujuan dari penelitian ini untuk membuat klaster daerah berdasarkan jumlah produksi komoditas yang ada menggunakan Metode Fuzzy C-Means dengan meminimalkan jarak antara titik data dengan pusat klaster dimana satu data dapat menjadi bagian dari beberapa klaster, sehingga terlihat pentingnya pengaruh pengukuran jarak terhadap metode ini. Dengan menggunakan beberapa pengukuran jarak yaitu euclidean, manhattan, minkowsky, chebysev dan canberra distance akan dievaluasi kinerja dari klaster menggunakan davies-bouldin index. Hasil penelitian menunjukkan nilai DBI yang normal terdapat pada jarak euclidean, manhattan, minkowsky dan chebysev dengan jumlah klaster sebanyak 5-klaster. Nilai DBI dan waktu eksekusi pada 5-klaster secara berurutan adalah 0.0087, 0.0097, 0.0087, 0.0087 dan 1.2843 detik, 1.3856 detik, 1.1778 detik, 1.2843 detik untuk euclidean, manhattan, minkowsky, chebysev distance. Dari klaster yang terbentuk terdapat dua jenis komoditas yang berada pada seluruh klaster yaitu ikan Nila dan ikan Mas, sedangkan untuk jenis komoditas Rumput Laut hanya berada pada dua klaster lainnya dan terdapat 6 jenis komoditas dengan nilai produksi yang sangat kecil dan perlu mendapat perhatian serius dari pemerintah daerah Sulawesi Utara yaitu ikan patin, lele, bandeng, karapu, udang dan ikan lainnya.   Abstract Aquaculture is a commodity that can improve the standard of living of coastal communities. North Sulawesi Province has approximately 26,500 hectares of public waters with potential for aquaculture Development. However, despite this vast area, there is no evidence of equitable distribution of fishery products, which has led to economic inequality. Therefore, the government needs to divide the region based on fishery production. This study focuses on the production of 10 fishery commodities in North Sulawesi, based on data from the North Sulawesi Central Statistics Agency. The purpose of this study is to create regional clusters based on the production volumes of existing commodities using the Fuzzy C-Means Method, which minimizes the distance between data points and cluster centers, allowing one data point to be part of several clusters, thereby highlighting the importance of distance measurement in this method. By using several distance measurements, namely Euclidean, Manhattan, Minkowski, Chebysev, and Canberra distance, the performance of the clusters will be evaluated using the Davies-Bouldin index. The results show that normal DBI values are observed in Euclidean, Manhattan, Minkowski, and Chebyshev distances, with a total of 5 clusters. The DBI values and execution times for 5 clusters are 0.0087, 0.0097, 0.0087, 1.2843, and 1.3856 seconds, respectively. From the clusters formed, there are two types of commodities found in all clusters, namely tilapia and carp, while seaweed is only found in two other clusters. There are six types of commodities with very low production values that require serious attention from the North Sulawesi regional government, namely patin fish, catfish, milkfish, karapu fish, shrimp, and other fish.  
Studi Komparatif Penerapan Machine Learning Model Dalam Prediksi Harga Rumah Di Wilayah Jabodetabek Fachrurrozi; Trihandaru, Suryasatriya; Parhusip, Hanna Arini
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 4: Agustus 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.134

Abstract

Penelitian ini bertujuan untuk menguji dan membandingkan efektifitas berbagai model machine learning dalam memprediksi harga rumah di wilayah Jabodetabek, yang merupakan kawasan dinamis dan berkembang pesat di Indonesia. Data dikumpulkan dari marketplace properti di Indonesia dan dilengkapi dengan indikator sosial-ekonomi dari Badan Pusat Statistik (BPS). Penelitian ini menguji lima model yaitu Ridge Regression, Lasso Regression, Elastic Net Regression, Artificial Neural Network (ANN), dan Random Forest (RF) dengan fokus pada kinerja masing-masing di berbagai transformasi data. Di antara kelima model tersebut, Random Forest menunjukkan kinerja paling unggul dengan nilai R² sebesar 0,8715 pada skala log-transformed dan 0,8242 pada skala asli, yang masing-masing menjelaskan sekitar 87% dan 82% variasi harga perumahan. Faktor-faktor penentu utama, seperti luas bangunan, luas tanah, dan lokasi, diidentifikasi sebagai variabel yang paling berpengaruh. Hasil penelitian ini memberikan wawasan berharga bagi pengembang properti, investor, dan pembuat kebijakan untuk menyusun strategi dalam pasar perumahan.   Abstract This study aims to evaluate and compare the effectiveness of various machine learning models in predicting housing prices in the Jabodetabek region, a dynamic and rapidly developing area in Indonesia. Data were collected from Indonesia property marketplace and supplemented with socio-economic indicators from the Central Bureau of Statistics (BPS). The research examines five models—Ridge Regression, Lasso Regression, Elastic Net Regression, Artificial Neural Network (ANN), and Random Forest (RF)—with particular attention to model performance under different data transformations. Among these, the Random Forest model demonstrated superior performance, achieving an R² of 0.8715 on the log-transformed scale and 0.8242 on the original scale, thereby explaining approximately 87% and 82% of the variance in housing prices, respectively. Key determinants of housing prices, such as building area, land area, and location, were identified as the most influential factors. The findings offer valuable insights for property developers, investors, and policymakers to formulate more informed strategies in the housing market.
Tinjauan Sistematis Dan Validasi Praktis Generator Bilangan Acak Kuantum Menggunakan Analisis Statistik Dan Visual Setyowati, Danny; Danang Rimbawa; Achmad Farid Wadjdi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 4: Agustus 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.134

Abstract

Generator Bilangan Acak Kuantum (Quantum Random Number Generators / QRNG) merupakan solusi canggih untuk menghasilkan bilangan acak sejati yang didasarkan pada prinsip mekanika kuantum. Keacakan semacam ini memainkan peran penting dalam berbagai bidang seperti kriptografi, keamanan siber, dan simulasi numerik. Penelitian ini bertujuan untuk mengevaluasi keandalan keluaran QRNG melalui tinjauan sistematis terhadap literatur terbaru yang dikombinasikan dengan validasi praktis menggunakan data waktu nyata. Data bilangan acak diperoleh melalui Application Programming Interface (API) yang disediakan oleh Australian National University (ANU). Data tersebut dianalisis menggunakan Dieharder test suite, yaitu kumpulan uji statistik yang secara luas diterima untuk mengevaluasi kualitas keacakan. Hasil menunjukkan bahwa lebih dari 99% uji statistik berhasil dilalui, dan analisis histogram pada level byte menunjukkan distribusi yang mendekati seragam. Untuk meningkatkan analisis dan replikasi, antarmuka pengguna grafis (GUI) berbasis Python dikembangkan guna mengotomatiskan proses visualisasi dan evaluasi. Penelitian ini menegaskan kekokohan dan keandalan QRNG yang diuji, serta mengusulkan kerangka kerja validasi yang terbuka dan dapat direplikasi, yang sesuai untuk pengembangan dan penerapan lebih lanjut, khususnya dalam konteks keamanan digital berbasis kuantum.   Abstract Quantum Random Number Generators (QRNGs) are advanced solutions for producing true random numbers based on quantum mechanics. Such randomness plays a critical role in fields such as cryptography, cybersecurity, and numerical simulations. This study aims to evaluate the reliability of QRNG outputs through a systematic review of recent literature combined with practical validation using real-time data. Random numbers were retrieved via the Application Programming Interface (API) provided by the Australian National University (ANU). The data was assessed using the Dieharder test suite, a widely accepted collection of statistical tests for randomness evaluation. The results indicated that over 99% of the statistical tests were passed successfully, and the byte-level histogram analysis demonstrated near-uniform distribution. To enhance the analysis and reproducibility, a Python-based graphical user interface (GUI) was developed to automate both visualization and evaluation tasks. This research confirms the robustness and reliability of the tested QRNG, and proposes an open and replicable validation framework suitable for further study and application, especially in the context of quantum-based digital security.
Analisis Algoritma Machine Learning Dalam Mengurangi False Negative Untuk Mendeteksi Serangan DDOS Pada Jaringan IoT Novel, Muhammad; Faris Taufiqillah Rahman; Zamah Sari
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 4: Agustus 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.134

Abstract

Perkembangan Internet of Things (IoT) meningkatkan konektivitas antar perangkat, namun juga memperluas risiko serangan siber, khususnya Distributed Denial of Service (DDoS). Salah satu tantangan utama dalam sistem deteksi serangan adalah tingginya tingkat false negative, yaitu serangan yang gagal terdeteksi oleh sistem. Penelitian ini bertujuan untuk menganalisis performa beberapa algoritma machine learning dalam meminimalkan false negative pada deteksi serangan DDoS di jaringan IoT berbasis gateway. Empat algoritma diuji, yaitu Random Forest, Multi-Layer Perceptron (MLP), LightGBM, dan Logistic Regression menggunakan dataset UNSW-NB15. Tahap prapemrosesan meliputi normalisasi MinMaxScaler, seleksi fitur SelectKBest (Chi-Square), serta penyeimbangan kelas menggunakan ADASYN. Hasil eksperimen menunjukkan bahwa Random Forest dan MLP memperoleh nilai AUC tertinggi sebesar 0,98, diikuti LightGBM (0,97) dan Logistic Regression (0,94). Analisis confusion matrix menunjukkan bahwa LightGBM menghasilkan false negative terendah, sementara Random Forest juga menunjukkan sensitivitas tinggi dengan performa stabil. Meskipun MLP memiliki akurasi tinggi dan mampu menangkap pola non-linear, ukuran model yang besar menjadi pertimbangan dalam implementasi pada perangkat dengan keterbatasan sumber daya. Berdasarkan hasil tersebut, LightGBM direkomendasikan sebagai model paling optimal karena mampu menyeimbangkan sensitivitas deteksi, efisiensi komputasi, dan ukuran model dalam implementasi pada IoT gateway.   Abstract The rapid growth of the Internet of Things (IoT) has significantly enhanced device connectivity but has also increased vulnerability to cyber threats, particularly Distributed Denial of Service (DDoS) attacks. One of the main challenges in intrusion detection systems is the high false negative rate, where attacks remain undetected. This study aims to evaluate the effectiveness of several machine learning algorithms in minimizing false negatives for DDoS detection within gateway-based IoT networks. Four algorithms were examined: Random Forest, Multi-Layer Perceptron (MLP), LightGBM, and Logistic Regression using the UNSW-NB15 dataset. Data preprocessing included MinMaxScaler normalization, SelectKBest (Chi-Square) feature selection, and ADASYN oversampling to address class imbalance. Experimental results indicate that Random Forest and MLP achieved the highest AUC scores of 0.98, followed by LightGBM (0.97) and Logistic Regression (0.94). Confusion matrix analysis reveals that LightGBM produced the lowest false negative rate, while Random Forest also demonstrated high sensitivity and stable performance. Although MLP showed strong classification capability in handling non-linear patterns, its larger model size may limit deployment in resource-constrained environments. Overall, LightGBM is recommended as the most optimal model due to its balance between detection sensitivity, computational efficiency, and compact model size for IoT gateway implementation.
Identifikasi Pola Risiko Akademik Dan Rekomendasi Peningkatan Kinerja Mahasiswa Menggunakan Metode Association Rules Mining Al Husaeni, Dwi Novia; Nabila, Ghina Firdha; Munir; Wahyudin, Asep; Wibisono, Yudi; Rasim; Riza, Lala Septem
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 4: Agustus 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.134

Abstract

Penelitian ini dilatarbelakangi oleh kompleksitas faktor non-akademik, seperti gaya hidup dan kondisi sosial ekonomi, yang berpotensi memengaruhi capaian akademik mahasiswa namun belum sepenuhnya dieksplorasi secara sistematis berbasis data. Penelitian ini bertujuan mengidentifikasi pola asosiasi antara gaya hidup, latar belakang keluarga, dan kondisi pembelajaran terhadap status kerja paruh waktu mahasiswa serta dampaknya pada kinerja akademik. Penelitian ini menggunakan pendekatan data mining dengan metode Association Rules Mining (ARM) melalui algoritma Apriori untuk mengekstraksi pola hubungan antarvariabel dari data mahasiswa. Dataset yang digunakan merupakan hasil penggabungan dua dataset akademik dan kebiasaan belajar mahasiswa yang telah melalui proses seleksi variabel, diskretisasi data numerik, serta validasi oleh ahli dan responden. Dengan algoritma Apriori dan validasi holdout, ditemukan 44 aturan asosiasi yang memenuhi kriteria minimum support 0,05 dan confidence 0,8. Kualitas aturan dievaluasi menggunakan metrik support, confidence, dan lift pada data pelatihan dan data pengujian untuk memastikan stabilitas dan konsistensi pola yang dihasilkan. Hasil analisis menunjukkan bahwa mahasiswa yang tidak bekerja paruh waktu umumnya memiliki kualitas tidur yang baik, frekuensi olahraga yang teratur, dukungan ekonomi dari keluarga menengah ke atas, serta akses internet yang memadai, yang merupakan faktor-faktor yang berkorelasi positif dengan performa akademik. Hasil pengujian pada data uji menunjukkan nilai confidence rata-rata di atas 0,8 dan nilai lift lebih besar dari 1, yang mengindikasikan adanya hubungan asosiasi positif antarvariabel. Temuan ini selaras dengan literatur yang menyebut pekerjaan paruh waktu berpotensi mengganggu capaian belajar. Disarankan intervensi berupa beasiswa berbasis kebutuhan, edukasi pola hidup sehat, konseling manajemen waktu, dan peningkatan infrastruktur digital. Penelitian ini berkontribusi pada kebijakan berbasis data untuk mendukung kesejahteraan dan prestasi mahasiswa.   Abstract This study is motivated by the complexity of non-academic factors, such as lifestyle and socioeconomic conditions, which have the potential to influence students’ academic performance but have not yet been systematically explored using data-driven approaches. The study aims to identify association patterns between lifestyle, family background, and learning conditions in relation to students’ part-time employment status and its impact on academic performance. A data mining approach was employed using Association Rules Mining (ARM) with the Apriori algorithm to extract patterns of relationships among variables from student data. The dataset used was obtained from the integration of two academic and learning habit datasets, which underwent variable selection, numerical data discretization, and validation by experts and respondents. Using the Apriori algorithm with holdout validation, 44 association rules were identified that met the minimum criteria of 0.05 support and 0.8 confidence. The quality of the rules was evaluated using support, confidence, and lift metrics on both training and testing datasets to ensure the stability and consistency of the extracted patterns. The results indicate that students who do not engage in part-time work generally exhibit good sleep quality, regular physical activity, sufficient economic support from middle- to high-income families, and adequate internet access—factors that are positively associated with academic performance. Testing results show an average confidence value above 0.8 and lift values greater than 1, indicating positive association relationships among the analyzed variables. These findings are consistent with existing literature suggesting that part-time employment may interfere with academic achievement. Accordingly, interventions such as need-based scholarships, healthy lifestyle education, time management counseling, and improvements in digital infrastructure are recommended. This study contributes to data-driven policymaking to support student well-being and academic success.
Analisis Perbandingan Kinerja Algoritma C4.5 Dan K-Nearest Neighbor (K-NN) Untuk Klasifikasi Penyakit Ispa Balita (Studi Kasus Puskesmas X) Roziqin, Mochammad Choirur; Riza Maretha Zalsabila Hidayat; Bakhtiyar Hadi Prakoso; Mudafiq Riyan Pratama
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 4: Agustus 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.134

Abstract

Infeksi Saluran Pernapasan Akut (ISPA) merupakan salah satu penyebab utama morbiditas pada balita dan masih menjadi permasalahan kesehatan masyarakat, khususnya di fasilitas pelayanan kesehatan tingkat pertama. Tingginya jumlah kasus ISPA menuntut adanya sistem klasifikasi yang mampu mendukung deteksi dini secara cepat dan akurat berbasis data rekam medis. Pendekatan data mining dengan algoritma klasifikasi menjadi salah satu solusi yang dapat diterapkan untuk tujuan tersebut. Penelitian ini bertujuan untuk membandingkan performa algoritma C4.5 dan K-Nearest Neighbor (K-NN) dalam mengklasifikasikan penyakit ISPA pada balita. Data penelitian bersumber dari 618 rekam medis rawat jalan balita di Puskesmas X pada periode tahun 2023–2024, yang terdiri atas 93 kasus ISPA pneumonia dan 525 kasus ISPA non-pneumonia. Atribut yang digunakan dalam proses klasifikasi meliputi pilek, demam, sesak napas, nyeri telinga, batuk, penurunan kesadaran, mual, atau muntah, serta sakit tenggorokan. Data diolah menggunakan perangkat lunak RapidMiner melalui tahapan preprocessing, pembagian data menjadi data pelatihan, dan data pengujian dengan berbagai rasio pembagian, serta penerapan teknik sampling linear, shuffled, dan stratified sampling. Proses klasifikasi dilakukan menggunakan algoritma C4.5 dan K-NN dengan beberapa variasi nilai parameter. Evaluasi kinerja model dilakukan menggunakan confusion matrix dengan indikator akurasi, presisi, dan recall. Hasil penelitian menunjukkan adanya perbedaan performa antara algoritma C4.5 dan K-NN dalam mengklasifikasikan ISPA pada balita, yang dipengaruhi oleh karakteristik data dan parameter yang digunakan. Penelitian ini memberikan kontribusi dalam kajian komparatif algoritma klasifikasi ISPA serta mendukung pengembangan sistem deteksi dini ISPA berbasis data rekam medis di fasilitas pelayanan kesehatan.   Abstract Acute Respiratory Infection (ARI) is one of the leading causes of morbidity among toddlers and remains a public health problem, particularly in primary healthcare facilities. The high incidence of ARI cases highlights the need for a classification system capable of supporting rapid and accurate early detection based on medical record data. Data mining approaches using classification algorithms offer a potential solution to this challenge. This study aims to compare the performance of the C4.5 and K-Nearest Neighbor (K-NN) algorithms in classifying ARI among toddlers. The dataset consisted of 618 outpatient medical records of toddlers from Primary Health Center X during the 2023–2024 period, comprising 93 cases of pneumonia ARI and 525 cases of non-pneumonia ARI. The attributes used in the classification process included runny nose, fever, shortness of breath, ear pain, cough, decreased consciousness, nausea or vomiting, and sore throat. Data processing was conducted using RapidMiner through preprocessing stages, data partitioning into training and testing sets with various split ratios, and the application of linear, shuffled, and stratified sampling techniques. Classification was performed using the C4.5 and K-NN algorithms with several parameter variations. Model performance was evaluated using a confusion matrix with accuracy, precision, and recall as evaluation metrics. The results indicate performance differences between the C4.5 and K-NN algorithms in classifying ARI in toddlers, influenced by data characteristics and parameter settings. This study contributes to the comparative analysis of ARI classification algorithms and supports the development of medical record–based early detection systems for ARI in primary healthcare facilities.  
Identifikasi Tingkat Kematangan Buah Tomat Berdasarkan Warna Hsi Dan Hsv Menggunakan Convolutional Neural Network Rakasiwi, Sindhu; Yanuar Nurchasanah, Brilliani; Fitrianto, Yuli
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 4: Agustus 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.134

Abstract

Identifikasi tingkat kematangan tomat secara manual untuk menjaga kualitas pasca panen seringkali bersifat subjektif, inkonsisten, dan rentan terhadap kesalahan manusia. Penelitian ini mengusulkan pendekatan Deep Learning menggunakan arsitektur Convolutional Neural Network (CNN) kustom untuk mengklasifikasikan kematangan tomat ke dalam empat kategori: mentah (unripe), matang (ripe), tua (old), dan rusak (damaged). Fokus utama penelitian adalah mengevaluasi efektivitas transformasi ruang warna Hue Saturation Intensity (HSI) dan Hue Saturation Value (HSV) dibandingkan ruang warna standar Red Green Blue (RGB) dalam mengatasi variasi pencahayaan dan kemiripan visual antar kelas. Dataset yang digunakan berjumlah total 7.466 citra, terdiri dari gabungan dataset publik dan dataset privat kondisi nyata, yang dibagi menjadi 90% data latih dan 10% data validasi. Berbeda dengan penelitian terdahulu yang banyak menggunakan model berat (transfer learning) atau fitur manual, penelitian ini membuktikan bahwa CNN sekuensial ringan dengan pra-pemrosesan HSI mampu mencapai kinerja optimal. Hasil eksperimen menunjukkan model berbasis HSI mencapai akurasi validasi tertinggi sebesar 96% dengan rata-rata F1-Score 0.96, mengungguli model HSV (94%) dan RGB (95%). Secara spesifik, ruang warna HSI terbukti lebih unggul dalam membedakan kategori visual yang ambigu seperti tomat tua dan tomat rusak, memberikan solusi klasifikasi otomatis yang lebih akurat dan robust untuk industri pertanian.   Abstract Manual identification of tomato ripeness to maintain post-harvest quality is often subjective, inconsistent, and prone to human error. This study proposes a Deep Learning approach using a custom Convolutional Neural Network (CNN) architecture to classify tomato ripeness into four categories: unripe, ripe, old, and damaged. The primary focus is to evaluate the effectiveness of Hue Saturation Intensity (HSI) and Hue Saturation Value (HSV) color space transformations compared to standard RGB in overcoming lighting variations and visual similarities between classes. The dataset comprises 7,466 images, combining public datasets with real-world private datasets, split into 90% training and 10% validation data. Unlike previous studies relying on heavy transfer learning models or manual feature extraction, this research demonstrates that a lightweight sequential CNN with HSI preprocessing achieves optimal performance. Experimental results show that the HSI-based model attained the highest validation accuracy of 96% with an average F1-Score of 0.96, outperforming HSV (94%) and RGB (95%) models. Specifically, the HSI color space proved superior in distinguishing ambiguous visual categories such as old and damaged tomatoes, offering a more accurate and robust automated classification solution for the agricultural industry.

Page 137 of 139 | Total Record : 1388

 135   136   137   138   139 

Filter by Year

2014 2026


Reset
Filter By Issues
All Issue Vol 13 No 4: Agustus 2026 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 (2015) Vol 2 No 2: Oktober 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