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 
Klasifikasi Penyakit Acute Lymphoblastic Leukemia Menggunakan Convolutional Neural Network Efficientnet B4 Dan B7  Kusumastuti , Rajnaparamitha; Wariyanto Abdullah, Robi; Handoko
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

Leukemia Limfoblastik Akut (ALL) merupakan leukemia paling umum pada anak-anak sehingga memerlukan deteksi dini berbasis analisis citra yang cepat dan akurat. Penelitian ini mengklasifikasikan citra apusan darah tepi (Peripheral Blood Smear/PBS) menggunakan Convolutional Neural Network (CNN) berarsitektur EfficientNet B4 dan EfficientNet B7. Dataset terdiri atas 5.733 citra dari 89 pasien, diproses pada ukuran input 224 × 224 piksel, kemudian dibagi menjadi data latih, validasi, dan uji dengan rasio 80:10:10, dengan jumlah 4.586 data pelatihan, 573 data validasi, dan 574 data uji. Pelatihan dilakukan dengan pendekatan transfer learning dan augmentasi data untuk meningkatkan kemampuan generalisasi model. Evaluasi dilakukan menggunakan akurasi, precision, recall, F1-score, training loss, dan validation loss. Hasil terbaik menunjukkan bahwa EfficientNet B4 pada skenario 100 epoch mencapai akurasi 99,50%, precision 98,41%, recall 98,43%, dan F1-score 99,20%. Model ini mampu memberikan performa kompetitif terhadap EfficientNet B7 dengan kebutuhan komputasi lebih rendah serta stabilitas lebih baik terhadap overfitting. Kontribusi penelitian ini terletak pada analisis trade-off antara akurasi, stabilitas validasi, risiko overfitting, dan efisiensi komputasi model sebagai dasar pemilihan arsitektur yang lebih tepat untuk deteksi dini leukemia.   Abstract Acute Lymphoblastic Leukemia (ALL) is the most common type of leukemia in children, requiring early detection through fast and accurate image-based analysis. This study classifies peripheral blood smear (PBS) images using a Convolutional Neural Network (CNN) with EfficientNet B4 and EfficientNet B7 architectures. The dataset consists of 5,733 images from 89 patients, processed at an input size of 224 × 224 pixels, and divided into training, validation, and testing sets with an 80:10:10 ratio, comprising 4,586 training images, 573 validation images, and 574 testing images. Training was conducted using transfer learning and data augmentation to improve the model’s generalization ability. Evaluation was performed using accuracy, precision, recall, F1-score, training loss, and validation loss. The best result was achieved by EfficientNet B4 in the 100-epoch scenario, with an accuracy of 99.50%, precision of 98.41%, recall of 98.43%, and F1-score of 99.20%. This model provides competitive performance compared with EfficientNet B7 while requiring lower computational resources and demonstrating better stability against overfitting. The contribution of this study lies in analyzing the trade-off between accuracy, validation stability, overfitting risk, and computational efficiency as a basis for selecting a more appropriate architecture for early leukemia detection.
Skrining Leukemia Limfoblastik Akut (LLA-B) Berbasis Citra Apus Darah Menggunakan Mobilenetv2 Dengan Evaluasi Multi-Kelas Kasih, Patmi; Nasrul Saifudin; Made Ayu Dusea Widyadara
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

Leukemia Limfoblastik Akut B (LLA-B) merupakan keganasan hematologi yang dominan pada populasi pediatrik dan membutuhkan identifikasi dini untuk menunjang keberhasilan terapi. Prosedur diagnostik baku, seperti flow cytometry dan pemeriksaan sumsum tulang, memiliki tingkat akurasi tinggi, tetapi memerlukan sumber daya, biaya, dan keahlian khusus yang tidak selalu tersedia secara merata. Penelitian ini menyajikan kajian eksperimental untuk menilai kinerja arsitektur Convolutional Neural Network (CNN) MobileNetV2 dalam mendukung skrining awal berbasis laboratorium menggunakan citra apus darah dari dataset publik. Alur sistem mencakup tahapan preprocessing, augmentasi data, serta klasifikasi multi-kelas ke dalam empat kategori, yaitu Benign, Pre-B, Pro-B, dan Early Pre-B. Tahap preprocessing dan augmentasi diterapkan untuk meningkatkan kualitas citra, memperkaya variasi data, serta mengurangi potensi overfitting. Hasil pengujian menunjukkan bahwa MobileNetV2 mampu memberikan performa klasifikasi yang tinggi dengan kebutuhan komputasi yang efisien. Berdasarkan hasil evaluasi menggunakan metrik klasifikasi, diperoleh nilai Mean Absolute Error (MAE) yang sangat rendah, yaitu sekitar 0,009 yang mengindikasikan bahwa rata-rata kesalahan prediksi model terhadap nilai aktual sangat kecil, menunjukkan tingkat presisi yang tinggi dalam proses klasifikasi. Sistem ini dirancang sebagai alat bantu skrining (pre-screening) dan tidak ditujukan untuk menggantikan diagnosis klinis, tetapi diharapkan dapat membantu tenaga laboratorium dalam menentukan prioritas sampel untuk pemeriksaan lanjutan.   Abstract Acute lymphoblastic leukemia B (ALL-B) is a hematological malignancy that predominantly affects the pediatric population and requires early identification to support successful treatment. Standard diagnostic procedures, such as flow cytometry and bone marrow examination, have a high degree of accuracy but require resources, costs, and specialized expertise that are not always equally available. This study presents an experimental investigation to evaluate the performance of the MobileNetV2 Convolutional Neural Network (CNN) architecture in supporting laboratory-based early screening using blood smear images from a public dataset. The system flow includes preprocessing, data augmentation, and multi-class classification into four categories, namely Benign, Pre-B, Pro-B, and Early Pre-B. The preprocessing and augmentation stages are applied to improve image quality, enrich data variation, and reduce the potential for overfitting. Test results show that MobileNetV2 is capable of providing high classification performance with efficient computational requirements. Based on the evaluation results using classification metrics, a very low Mean Absolute Error (MAE) value of approximately 0.009 was obtained, indicating that the average prediction error of the model against the actual value is very small, demonstrating a high level of precision in the classification process. This system is designed as a screening tool (pre-screening) and is not intended to replace clinical diagnosis, but it is expected to assist laboratory personnel in determining sample priorities for further examination.
Studi Komparatif Model Time Series Untuk Peramalan Suhu Dan Analisis Korelasi Faktor Iklim Menggunakan Metodologi CRISP-DM Gunawan, Angela Melia; Tan, Sharon; Andreas, Christopher
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

Perubahan iklim global telah memicu kebutuhan akan metode peramalan suhu yang lebih akurat dan adaptif. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa tiga model peramalan dalam memprediksi suhu rata-rata bulanan di Kota Delhi, India. Penelitian ini menggunakan pendekatan time series forecasting berbasis statistik (SARIMA dan Holt-Winters Additive) serta machine learning (Random Forest). Selain itu, dilakukan analisis korelasi menggunakan metode Pearson Correlation untuk mengukur hubungan linier antara suhu dengan variabel iklim lain seperti kelembapan, kecepatan angin, dan tekanan udara. Penelitian ini mengadopsi metodologi CRISP-DM yang mencakup tahap business understanding, data understanding, data preparation, modeling, dan evaluation. Dataset yang digunakan bersumber dari Kaggle dan mencakup data harian dari tahun 2013 hingga 2017 yang diolah menjadi data bulanan. Hasil evaluasi menunjukkan bahwa model SARIMA memiliki performa terbaik dengan nilai MSE sebesar 1.613 dan MAPE sebesar 3.73%, yang tergolong prediksi akurasi tinggi. Analisis korelasi Pearson menunjukkan bahwa kelembapan dan tekanan udara memiliki korelasi negatif terhadap suhu rata-rata, sedangkan kecepatan angin menunjukkan korelasi positif, dan seluruh hubungan tersebut signifikan secara statistik. Hasil ini mengindikasikan bahwa variasi suhu tidak berdiri sendiri, melainkan dipengaruhi oleh interaksi kompleks antar faktor iklim. Temuan ini menegaskan pentingnya mempertimbangkan variabel pendukung dalam pengembangan model peramalan suhu agar hasil prediksi menjadi lebih komprehensif. Secara keseluruhan, hasil penelitian ini berkontribusi pada pemilihan model peramalan yang optimal untuk wilayah tropis dan mendukung pengambilan keputusan berbasis data dalam mitigasi perubahan iklim dan perencanaan kota.   Abstract Global climate change has triggered the need for more accurate and adaptive temperature forecasting methods. This study aims to evaluate and compare the performance of three forecasting models in predicting the monthly average temperature in Delhi City, India. This study uses a statistical time series forecasting approach (SARIMA and Holt-Winters Additive) and machine learning (Random Forest). In addition, a correlation analysis was performed using the Pearson Correlation method to measure the linear relationship between temperature and other climate variables such as humidity, wind speed, and air pressure. This research adopts the CRISP-DM methodology which includes the stages of business understanding, data understanding, data preparation, modeling, and evaluation. The dataset used is sourced from Kaggle and includes daily data from 2013 to 2017 which is processed into monthly data. The evaluation results show that the SARIMA model has the best performance with an MSE value of 1.613 and a MAPE of 3.73%, which is classified as a high accurate prediction. Pearson's correlation analysis shows that humidity and air pressure have a negative correlation with temperature, while wind speed shows a positive correlation, and all of these relationships are statistically significant. These results indicate that temperature variations do not occur independently, but are influenced by complex interactions between climate factors. These findings emphasize the importance of considering supporting variables in the development of temperature forecasting models in order to produce more comprehensive predictions. Overall, the results of this study contribute to the selection of optimal forecasting models for tropical regions and support data-driven decision-making in climate change mitigation and urban planning.
Komparasi Algoritma Greedy Best First Search Dan Ant Colony Optimization Untuk Pemilihan Jalur Evakuasi Bencana Alam Sutedi, Ade; Nugraha, Mohammad Dimas Maulana; Fitriani, Leni; Nuraeni, Fitri
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

Ketidaktepatan dalam pemilihan jalur evakuasi pada situasi bencana alam berpotensi menyebabkan keterlambatan proses penyelamatan dan meningkatkan risiko bagi korban. Permasalahan tersebut menjadi dasar dilakukannya penelitian ini untuk mengkaji strategi penentuan rute evakuasi yang lebih efisien. Penelitian ini bertujuan mengevaluasi dan membandingkan performa algoritma Greedy Best First Search (GBFS) dan Ant Colony Optimization (ACO) dalam menentukan jalur evakuasi dengan jarak terpendek dan waktu tempuh tercepat dari lokasi bencana ke titik evakuasi. Proses pengujian dilakukan melalui pengembangan prototipe berbasis Python yang memanfaatkan graf sebagai representasi jaringan jalur dan posisi geografis lokasi bencana, dengan pendekatan metode pengembangan prototipe. Analisis kinerja kedua algoritma difokuskan pada pengukuran waktu pemrosesan dan panjang rute yang dihasilkan. Hasil evaluasi menunjukkan adanya perbedaan kinerja kedua algoritma secara kuantitatif berdasarkan parameter yang diuji. Secara statistik, GBFS menunjukkan efisiensi komputasi yang sangat signifikan dengan waktu rata-rata >8.000 kali lebih cepat dibandingkan ACO serta tingkat keberhasilan 100%. Meskipun kualitas bobot rute setara pada sebagian besar skenario, ACO menunjukkan variabilitas waktu yang tinggi dan kegagalan solusi pada satu titik awal, namun unggul dalam menghasilkan rute alternatif. Temuan ini diharapkan dapat memberikan kontribusi sebagai bahan rujukan dalam pengembangan sistem evakuasi yang lebih efektif untuk mendukung upaya mitigasi dan penanggulangan bencana alam.   Abstract Inaccurate evacuation route selection during natural disasters can potentially delay rescue efforts and increase the risk to victims. This issue underpins this research, which explores strategies for determining more efficient evacuation routes. This study aims to evaluate and compare the performance of the Greedy Best First Search (GBFS) and Ant Colony Optimization (ACO) algorithms in determining evacuation routes with the shortest distance and fastest travel time from the disaster site to the evacuation point. The testing process was conducted through the development of a Python-based prototype that utilizes graphs to represent the path network and the geographic location of the disaster site, using a prototype development method approach. Performance analysis of both algorithms focused on measuring processing time and the length of the resulting route. The evaluation results showed quantitative differences in the performance of the two algorithms based on the tested parameters. Statistically, GBFS demonstrated highly significant computational efficiency, with an average time >8,000 times faster than ACO and a 100% success rate. Although the quality of the route weights was equivalent in most scenarios, ACO exhibited high time variability and solution failure at one starting point, but excelled in generating alternative routes. These findings are expected to contribute as reference material in developing a more effective evacuation system to support natural disaster mitigation and response efforts.
Penerapan Aspek UX Pada Desain Media 3D Interaktif Pembelajaran Pemrograman Berorientasi Objek Sari, Rika Perdana; Sari, Rika; Felicia, Agnes; Kreshna, Jan Alif; Chatisa, Ivan
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

Pemrograman Berorientasi Objek (PBO) merupakan mata kuliah dengan tingkat kompleksitas dan abstraksi tinggi yang membuat mahasiswa kesulitan memahami, khususnya ketika materi disajikan dalam bentuk teks atau penjelasan statis. Survei internal menunjukkan bahwa lebih dari separuh mahasiswa mengalami kesulitan memahami materi PBO dan cenderung mencari alternatif bahan belajar visual, namun media yang tersedia belum optimal dari sisi struktur penyajian dan pengalaman pengguna. Penelitian ini bertujuan mengembangkan media pembelajaran interaktif berbasis 3D yang berorientasi pada aspek user experience (UX) untuk mendukung pembelajaran PBO di pendidikan vokasional. Pengembangan media dilakukan dengan mengintegrasikan pendekatan Multimedia Development Life Cycle (MDLC) dan model Analyze, Design, Develop, Implement, and Evaluate (ADDIE). Tahap concept dan analysis difokuskan pada identifikasi kebutuhan belajar, karakteristik mahasiswa, serta kesesuaian materi dengan Rencana Pembelajaran Semester (RPS). Tahap design dan development mencakup perancangan skenario pembelajaran, storyboard, dan antarmuka pengguna, serta pengembangan media menggunakan Unity 3D yang memadukan video visualisasi 3D, simulasi interaktif, dan kuis. Tahap testing meliputi pengujian fungsional (black box testing), validasi konten melalui expert judgment, serta evaluasi UX menggunakan User Experience Questionnaire–Short (UEQ-S). Hasil evaluasi menunjukkan bahwa media pembelajaran yang dikembangkan memperoleh persepsi sangat positif, dengan kualitas pragmatis dan keseluruhan UX berada pada kategori excellent. Temuan ini menegaskan potensi media pembelajaran interaktif 3D berbasis UX sebagai pendukung pembelajaran PBO di pendidikan vokasional.   Abstract Object-Oriented Programming (OOP) is a complex and abstract course, making it difficult for students to understand, especially when the material is presented in text or statistical form. An internal survey shows that more than half of students have difficulty understanding OOP material and tend to seek alternative visual learning materials, but the available media are not optimal in terms of presentation structure and user experience. This study aims to develop 3D-based interactive learning media that focus on user experience (UX) to support OOP learning in vocational education. Media development is carried out by integrating the Multimedia Development Life Cycle (MDLC) approach and the Analyze, Design, Develop, Implement, and Evaluate (ADDIE) model. The concept and analysis stages focus on identifying learning needs, student characteristics, and the suitability of the material with the Semester Learning Plan (RPS). The design and development stages include designing learning scenarios, storyboards, and user interfaces, as well as media development using Unity 3D that combines 3D visualisation videos, interactive simulations, and quizzes. The testing stages included functional testing (black box testing), content validation through expert judgment, and UX evaluation using the User Experience Questionnaire–Short (UEQ-S). The evaluation results showed that the developed learning media received very positive perceptions, with pragmatic quality and overall UX being in the very good category. These findings confirm the potential of UX-based 3D interactive learning media as a support for PBO learning in vocational education.
Pengembangan Aplikasi Augmented Reality Dengan Integrasi Generative Ai Untuk Edukasi Interaktif Motif Batik Hidayat, Eka Wahyu; Anshary, Muhammad Adi Khairul; Aldya, Aldy Putra
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 mengembangkan media edukasi interaktif untuk memperkenalkan dan memperdalam pemahaman filosofi motif batik Nusantara melalui integrasi Augmented Reality (AR) dan Generative AI pada perangkat Android. Aplikasi yang dikembangkan, yaitu ARBatik Nusantara, memanfaatkan 20 marker motif batik untuk menampilkan objek 3D dan informasi dasar, serta menyediakan fitur tanya-jawab kontekstual berbasis Generative AI berbasis API melalui mekanisme prompt yang disusun dari motif yang terdeteksi. Pengembangan aplikasi dilakukan menggunakan metode Multimedia Development Life Cycle (MDLC) yang meliputi concept, design, material collecting, assembly, testing, dan distribution. Evaluasi dilakukan melalui pengujian fungsionalitas menggunakan Boundary Value Analysis (BVA) pada 9 skenario uji, serta pengujian usability menggunakan System Usability Scale (SUS) terhadap 30 responden. Hasil pengujian menunjukkan seluruh fungsi aplikasi berjalan dengan baik dan memperoleh status accepted. Sementara itu, pengujian usability menghasilkan skor 82 yang berada pada kategori Acceptable, Grade A, dan Excellent. Temuan ini menunjukkan bahwa integrasi AR dan Generative AI pada aplikasi ARBatik Nusantara layak digunakan sebagai media edukasi interaktif untuk mendukung pengenalan budaya batik secara lebih imersif, personal, dan kontekstual.   Abstract This study aims to develop an interactive educational medium to introduce and deepen users’ understanding of the philosophical meanings of Nusantara batik motifs through the integration of Augmented Reality (AR) and Generative AI on Android devices. The developed application, ARBatik Nusantara, employs 20 batik motif markers to display 3D objects and basic information, while also providing contextual question-answering features powered by Generative AI base on API through prompts constructed from the detected motif. The application was developed using the Multimedia Development Life Cycle (MDLC) method, consisting of concept, design, material collecting, assembly, testing, and distribution. The evaluation involved functionality testing using Boundary Value Analysis (BVA) across 9 test scenarios and usability testing using the System Usability Scale (SUS) involving 30 respondents. The results showed that all application functions operated properly and achieved an accepted status. Meanwhile, the usability test yielded a score of 82, which falls into the Acceptable, Grade A, and Excellent categories. These findings indicate that the integration of AR and Generative AI in ARBatik Nusantara is feasible as an interactive educational medium to support more immersive, personalized, and contextual batik learning.
Model Hibrida PCA-MLP dan Optimasi untuk Klasifikasi Status Gizi Balita Berbasis Fitur Antropometri: Studi Kasus Kelurahan Tamarunang, Sulawesi Selatan Tenri Batari, Andi Firqatun Najiah; Anggreani, Desi; Lukman
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

Stunting merupakan masalah gizi kronis yang berdampak jangka panjang terhadap kualitas kesehatan dan perkembangan anak, sehingga diperlukan pendekatan deteksi dini yang akurat dan berbasis data. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model machine learning dalam mengklasifikasikan status gizi balita berdasarkan data antropometri. Dataset yang digunakan terdiri atas 638 balita dari Kelurahan Tamarunang, Sulawesi Selatan, dengan enam variabel prediktor antropometri yaitu berat badan lahir, tinggi badan lahir, usia saat ukur berat, tinggi dan LiLA. Metodologi penelitian meliputi seleksi fitur menggunakan Mutual Information (MI), penyeimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE), serta pemodelan menggunakan Multilayer Perceptron (MLP), Random Forest, dan model hibrida Principal Component Analysis–Multilayer Perceptron (PCA-MLP). Hasil analisis MI menunjukkan bahwa berat badan (MI = 0,053) dan tinggi badan (MI = 0,038) saat pengukuran merupakan fitur paling informatif. Evaluasi komparatif menunjukkan bahwa model hibrida PCA-MLP mencapai kinerja terbaik dengan akurasi 93,70% dan F1-Score (Macro) sebesar 0,551. Meskipun demikian, analisis per kelas mengungkapkan bahwa deteksi kelas minoritas masih menjadi tantangan akibat ketidakseimbangan data. Oleh karena itu, model yang diusulkan berpotensi digunakan sebagai alat pendukung keputusan untuk skrining awal status gizi, namun tidak dimaksudkan sebagai pengganti penilaian klinis oleh tenaga kesehatan.   Abstract Stunting is a chronic nutritional problem that hinders children's development and requires an accurate early detection system. This study aims to develop and evaluate a high-performing machine learning model for classifying the nutritional status of under-five children. The research utilized data from 638 children in Tamarunang Village, Gowa Regency, incorporating six anthropometric predictor variables. The proposed methodology includes feature selection using Mutual Information (MI), data balancing with Synthetic Minority Over-sampling Technique (SMOTE), and modeling using three architectures: Multilayer Perceptron (MLP), Random Forest, and a hybrid Principal Component Analysis-Multilayer Perceptron (PCA-MLP) model. MI analysis results indicate that Body Weight (MI=0.053) and Height (MI=0.038) at measurement exhibit the highest statistical relevance. In comparative evaluation, the Hybrid PCA-MLP model demonstrated the most superior performance with an accuracy of 93.70% and an F1-Score (Macro) of 0.551, outperforming Random Forest (0.416) and MLP (0.320). Visualization via t-SNE and per-class metrics confirmed that minority class classification remains a primary challenge due to data imbalance. This research affirms that a hybrid approach combined with appropriate feature selection holds significant potential as a decision support tool for malnutrition screening.
Analisis Citra Fitur Wajah Untuk Deteksi Dini Depresi  Dengan Teknik Hibrida Berdasarkan GabunganFitur Convolutional Neural Network (CNN) Syahputra, Hermawan; Gultom, Syawal; Arnita; Kiswanto, Dedy; Batubara, Saatira Hilma; Manurung, Jeremia
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

Depresi merupakan salah satu masalah kesehatan mental yang umum dan menjadi penyebab utama disabilitas di seluruh dunia. Deteksi dini sangat penting karena gejala awal sering tidak dikenali atau diabaikan. Penelitian ini mengusulkan sistem deteksi dini depresi berbasis kecerdasan buatan melalui analisis citra wajah menggunakan pendekatan hibrida Convolutional Neural Network (CNN). Data diperoleh dari rekaman wawancara klinis pasien dengan diagnosis depresi dan individu normal. Ekstraksi fitur dilakukan menggunakan tiga arsitektur CNN, yaitu VGG16, ResNet101V2, dan MobileNetV3, yang kemudian digabungkan untuk membentuk representasi fitur gabungan. Selanjutnya, algoritma Random Forest digunakan sebagai klasifikator. Hasil eksperimen menunjukkan bahwa kombinasi VGG16 dan MobileNetV3 memberikan performa terbaik dengan akurasi 94.55%, presisi 98.04%, dan spesifisitas 98.18%. Temuan ini menunjukkan bahwa pendekatan hibrida CNN dengan Random Forest berpotensi menjadi metode efektif untuk mendukung deteksi dini depresi berbasis citra wajah.   Abstract Depression is a major mental health disorder and one of the leading causes of disability worldwide. Early detection is crucial since initial symptoms are often overlooked or unrecognized. This study proposes an artificial intelligence–based early detection system for depression through facial image analysis using a hybrid Convolutional Neural Network (CNN) approach. Facial data were obtained from clinical interview recordings of patients diagnosed with depression and healthy individuals. Feature extraction was carried out using three CNN architectures VGG16, ResNet101V2, and MobileNetV3 whose features were then combined into a joint representation. A Random Forest algorithm was employed for classification. Experimental results indicate that the hybrid model combining VGG16 and MobileNetV3 achieved the best performance, with 94.55% accuracy, 98.04% precision, and 98.18% specificity. These findings demonstrate that the proposed CNN Random Forest hybrid approach is a promising method for supporting early depression detection based on facial features.
Evaluasi Strategis Keberlanjutan Aplikasi Layanan Publik Berbasis Cobit 2019 dengan Pendekatan MCDM-SAHP pada Pemerintah Daerah Purnama, Sigit; Dhani Ariatmanto
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

Transformasi digital dalam pemerintahan daerah menuntut keberlanjutan aplikasi layanan publik yang andal, adaptif, dan terdokumentasi. Dalam konteks Pemerintah Provinsi Banten, tantangan tersebut terlihat pada keberadaan lebih dari 450 aplikasi digital yang dikembangkan secara mandiri oleh berbagai Organisasi Perangkat Daerah (OPD), sedangkan hanya 95 aplikasi tercatat sebagai aset digital yang mampu dipertahankan dan dikelola aktif. Penelitian ini mengevaluasi sustainabilitas aplikasi layanan publik pemerintah daerah pada konteks empiris Pemerintah Provinsi Banten menggunakan kerangka COBIT 2019, sedangkan prioritas perbaikan ditentukan melalui Multi-Criteria Decision Making-Simplified Analytic Hierarchy Process (MCDM-SAHP). Pendekatan yang digunakan adalah kualitatif deskriptif, pemilihan subdomain dilakukan melalui penilaian multi-kriteria oleh pemangku kepentingan lintas-OPD, pengumpulan data melalui triangulasi (wawancara, observasi, telaah dokumen), dan penyusunan indeks sustainabilitas berbobot. Hasil menunjukkan lima subdomain prioritas APO01, APO07, BAI02, BAI08, dan DSS02, dengan mayoritas proses berada pada Level 1-2, mencerminkan implementasi yang belum konsisten dan belum terlembaga. Uji sensitivitas menunjukkan komposisi lima subdomain prioritas teratas tetap stabil pada variasi skor -5% hingga -10%. Gap analysis berbasis kondisi aktual-target dan Enterprise Goals-Alignment Goals (EG-AG) menegaskan ketiadaan helpdesk terpusat dengan SLA dan jalur eskalasi, belum optimalnya knowledge management, serta ketergantungan pada pihak eksternal. Rekomendasi diarahkan pada penguatan komitmen pimpinan, tata kelola TI, SDM TI, serta pengembangan helpdesk dan knowledge repository. Penelitian ini menyumbang kerangka praktis yang menjembatani pengukuran kapabilitas COBIT 2019 dengan prioritisasi berbasis SAHP dan gap analysis, menghasilkan peta prioritas dan rekomendasi perbaikan yang aplikatif bagi pemerintah daerah.   Abstract Digital transformation in local government requires public service applications to be reliable, adaptive, and well documented. In the context of the Banten Provincial Government, this challenge is reflected in more than 450 digital applications independently developed by various Regional Government Organizations (OPD), while only 95 applications are recorded as digital assets that can be sustained and actively managed. This study evaluates the sustainability of public service applications in local government using the Banten Provincial Government as the empirical context and the COBIT 2019 framework, while improvement priorities are determined through the Multi-Criteria Decision Making-Simplified Analytic Hierarchy Process (MCDM-SAHP). A qualitative descriptive case study is employed, subdomains are selected via multi-criteria ratings by cross-OPD stakeholders; data are triangulated through interviews, observations, and document reviews; and a weighted sustainability index is computed. Findings identify five priority subdomains APO01, APO07, BAI02, BAI08, and DSS02, with most processes at Capability Levels 1-2, indicating inconsistent implementation and limited institutionalization. Sensitivity checks show the top five prioritiy subdomains remain stable under -5% to -10% score perturbations. Gap analysis based on current-target conditions and Enterprise Goals-Alignment Goals (EG-AG) highlights the absence of a centralized helpdesk with service-level agreements and escalation paths, weak documentation/knowledge management, and reliance on external consultants. The recommendations focus on strengthening leadership commitment, IT governance, IT human resources, and helpdesk development, and knowledge repository. This study contributes a practical framework that bridges COBIT 2019 capability measurement with SAHP-based prioritization and gap analysis as a basis for improving regional government application governance.  
Teknik Watermarking Citra Digital Berbasis Hybrid DCT-Hessenberg-SVD dengan Diffusion dan Adaptive Embedding untuk Perlindungan Hak Cipta Dokumentasi BAZNAS Romadhona Kusuma, Muhammad; Kusuma, Muhammad Romadhona; Dwiza Riana; Ferda Ernawan; Yudhiarma; Ropi, Muhamad
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

Peningkatan distribusi media digital menyebabkan risiko pelanggaran hak cipta dan manipulasi citra semakin tinggi, khususnya pada dokumentasi digital institusi. Namun, metode watermarking konvensional masih menghadapi keterbatasan dalam menjaga keseimbangan antara ketidaktampakan (imperceptibility) dan ketahanan watermark (robustness) terhadap berbagai serangan citra. Penelitian ini mengusulkan metode watermarking citra digital berbasis hybrid Discrete Cosine Transform (DCT), Hessenberg Decomposition (HD), Singular Value Decomposition (SVD), dan diffusion refinement untuk meningkatkan stabilitas watermark sekaligus mempertahankan kualitas visual citra. Proses embedding dilakukan pada domain frekuensi DCT melalui modifikasi singular value hasil dekomposisi Hessenberg, kemudian diperkuat menggunakan diffusion refinement berbasis DPM-Solver++ multistep untuk meningkatkan kualitas rekonstruksi citra dan stabilitas ekstraksi watermark. Metode diimplementasikan menggunakan Python dan diuji pada delapan citra dokumentasi digital berwarna menggunakan berbagai skenario serangan, meliputi Gaussian blur, JPEG compression, histogram equalization, sharpening, dan salt-and-pepper noise. Hasil eksperimen menunjukkan rata-rata PSNR sebesar 49,29 dB, SSIM sebesar 0,9488, dan NC sebesar 0,9472 pada kondisi normal. Pada serangan JPEG compression, metode masih mempertahankan nilai SSIM sebesar 0,937 dan PSNR sebesar 40 dB. Hasil tersebut menunjukkan bahwa metode yang diusulkan mampu mempertahankan kualitas visual citra sekaligus meningkatkan ketahanan watermark terhadap berbagai distorsi citra digital. Abstract The increasing distribution of digital media has raised the risk of copyright infringement and image manipulation, particularly in institutional digital documentation. However, conventional watermarking methods still face limitations in maintaining a balance between imperceptibility and robustness against various image attacks. This study proposes a hybrid digital image watermarking method based on Discrete Cosine Transform (DCT), Hessenberg Decomposition (HD), Singular Value Decomposition (SVD), and diffusion refinement to improve watermark stability while preserving image visual quality. The embedding process is performed in the DCT frequency domain through singular value modification derived from Hessenberg decomposition, followed by DPM-Solver++ multistep diffusion refinement to enhance image reconstruction quality and watermark extraction stability. The proposed method was implemented using Python and evaluated on eight color digital documentation images under various attack scenarios, including Gaussian blur, JPEG compression, histogram equalization, sharpening, and salt-and-pepper noise. Experimental results achieved an average PSNR of 49.29 dB, SSIM of 0.9488, and NC of 0.9472 under normal conditions. Under JPEG compression attacks, the method still maintained an SSIM value of 0.937 and PSNR of 40 dB. These results demonstrate that the proposed method effectively preserves image visual quality while improving watermark robustness against various digital image distortions.

Page 138 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: 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