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 
Rekognisi Bahasa Isyarat Indonesia (BISINDO) Berbasis Long-Short Term Memory Dengan Optimasi Sampling Frame Gunaya, I Wayan; Kesiman, Made Windu Antara; Suputra, Putu Hendra
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

Bahasa Isyarat Indonesia atau BISINDO merupakan bahasa isyarat yang lahir dari komunitas Tuli yang ada di Indonesia. Gerakan tangan, tubuh, hingga ekspresi wajah merupakan bagian terpenting dalam penggunaan bahasa isyarat. Pada penelitian ini, dilakukan proses rekognisi gerakan bahasa isyarat berdasarkan gerakan tangan, tubuh, dan wajah dengan menggunakan metode LSTM. Dataset yang digunakan merupakan dataset primer yang terdiri dari 100 kosa isyarat yang dibuat berdasarkan dialek Denpasar, Provinsi Bali. Penelitian ini tidak hanya berfokus pada proses rekognisi, tetapi juga mengevaluasi pengaruh variasi jumlah frame terhadap performa model melalui penerapan metode sampling frame. Pemilihan jumlah frame dilakukan dengan memilih representasi frame sebanyak 15, 20, 25, dan 30 frame. Keempat jumlah sampling frame tersebut kemudian dilatih dan diuji pada model LSTM. Hasil penelitian ini menunjukkan hasil sampling frame optimal adalah pada 30 frames yang memperoleh hasil pelatihan dengan nilai loss validasi terkecil pada 7,8% dan hasil pengujian WER terbaik pada 13% jika dibandingkan dengan hasil sampling frame lainnya. Berdasarkan hasil penelitian ini, diharapkan model LSTM yang telah diperoleh dan diimplementasikan ke dalam prototipe sistem dapat digunakan oleh masyarakat umum dalam menjembatani komunikasi masyarakat umum dengan komunitas Tuli serta oleh peneliti selanjutnya dalam pengembangan lebih lanjut proses rekognisi gerakan Bahasa Isyarat Indonesia.   Abstract Indonesian Sign Language or BISINDO is a natural sign language that emerged from the Deaf community in Indonesia. Hand movements, body posture, and facial expressions play essential roles in conveying meaning within sign language communication. In this study, sign language gesture recognition is performed based on hand, body, and facial movements using the Long Short-Term Memory (LSTM) method. The dataset used is a primary dataset consisting of 100 sign vocabulary items constructed based on the Denpasar dialect in Bali Province. This study does not solely focus on the recognition process, but also evaluates the effect of varying the number of frames on model performance through the application of a frame sampling method. The selection of frame quantities was conducted by choosing representative samples of 15, 20, 25, and 30 frames. These four sampling configurations were subsequently trained and tested using an LSTM model. The results of this study indicate that the optimal frame sampling configuration is 30 frames, which achieved the lowest validation loss of 7.8% during training and the best Word Error Rate (WER) of 13% during testing, compared to the other sampling configurations. Based on these findings, it is expected that the LSTM model developed and implemented within a prototype system can be utilized by the general public to help bridge communication between the general public and the Deaf community and by future researchers for the further development of Indonesian Sign Language gesture recognition processes.
Kombinasi Model CN2 Rule Dengan Teknik Partial Instance Reduction Termodifikasi Untuk Optimalisasi Klasifikasi Depresi Khotimah, Tutik; Khasan, Mohammad; Latubessy, Anastasya
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

Klasifikasi depresi berbasis machine learning semakin penting untuk mendukung deteksi dini gangguan kesehatan mental. Namun, banyak model modern bersifat black-box sehingga sulit dipahami oleh profesional kesehatan mental. Model berbasis aturan seperti CN2 Rule menawarkan interpretabilitas melalui aturan if–then. CN2 standar merupakan algoritma pembelajaran aturan yang membentuk rule secara iteratif dari seluruh dataset tanpa reduksi instance, sehingga rentan terhadap overfitting dan penurunan performa pada data besar atau tidak seimbang. Penelitian ini mengusulkan kombinasi CN2 Rule dengan modified Partial Instance Reduction (mPIR). Metode mPIR melakukan pengurangan sebagian instance yang memiliki kontribusi rendah terhadap pembentukan aturan, sehingga data menjadi lebih representatif dan efisien dalam proses pembelajaran. Eksperimen dilakukan pada dataset depresi sebanyak 2.556 instances dari Kaggle. Hasil menunjukkan bahwa model usulan meningkatkan kinerja sebesar 7,6% secara konsisten pada akurasi, presisi, dan recall dibandingkan CN2 standar. Peningkatan ini menunjukkan bahwa reduksi instance yang terarah mampu menghasilkan aturan yang lebih general dan mengurangi overfitting. Selain itu, model tetap mempertahankan interpretabilitas, yaitu aturan yang dihasilkan dapat menjelaskan hubungan antara gejala dan tingkat depresi secara jelas. Hal ini penting karena sistem deteksi dini berbasis machine learning sering sulit dipahami akibat kompleksitas model atau kurangnya penjelasan keputusan. Dengan demikian, pendekatan ini tidak hanya meningkatkan performa, tetapi juga mendukung transparansi bagi profesional kesehatan mental dalam proses pengambilan keputusan.   Abstract Machine learning-based depression classification has become increasingly important in supporting the early detection of mental health disorders. However, many modern models are black-box in nature, making them difficult to interpret for mental health professionals. Rule-based models such as the CN2 Rule offer interpretability through if–then rules. The standard CN2 algorithm is a rule learning method that constructs rules iteratively from the entire dataset without instance reduction, making it prone to overfitting and performance degradation when applied to large or imbalanced datasets. This study proposes a combination of the CN2 Rule with a modified Partial Instance Reduction (mPIR) technique. The mPIR method reduces instances with low contribution to rule formation, resulting in a more representative and efficient dataset for the learning process. Experiments were conducted on a depression dataset consisting of 2.556 instances obtained from Kaggle. The results show that the proposed model consistently improves performance by 7.6% in terms of accuracy, precision, and recall compared to the standard CN2 Rule. This improvement indicates that targeted instance reduction can produce more generalizable rules and reduce overfitting. Furthermore, the model maintains interpretability, as the generated rules clearly describe the relationship between symptoms and levels of depression. This is important because machine learning-based early detection systems are often difficult to understand due to model complexity or a lack of decision transparency. Therefore, the proposed approach not only enhances performance but also supports transparency for mental health professionals in decision-making processes.
Deteksi Backdoor Berdasarkan Static Code Analysis Dan Software Component Analysis Juniawan, Fransiskus Panca; Sylfania, Dwi Yuny; Hulvi, Alfajri; Juwariyah, Siti
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

Di era transformasi digital yang pesat, perangkat lunak telah menjadi komponen penting di berbagai sektor. Namun, di lain sisi perangkat lunak juga semakin menjadi sasaran ancaman keamanan siber. Salah satu ancaman yang paling mengkhawatirkan adalah backdoor, yaitu kerentanan tersembunyi yang disisipkan secara tidak sah ke dalam perangkat lunak sehingga memungkinkan akses tanpa izin dengan menghindari mekanisme keamanan tradisional. Penelitian ini bertujuan mengembangkan metode deteksi backdoor yang lebih akurat dan komprehensif melalui integrasi Static Code Analysis dan Software Component Analysis. Representasi fitur dilakukan menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), kemudian digunakan sebagai masukan bagi beberapa algoritma Machine Learning dan Deep Learning, yaitu Logistic Regression, K-Nearest Neighbor (KNN), Random Forest, Decision Tree, Gradient Boosting, XGBoost, LightGBM, AdaBoost, Multi-Layer Perceptron (MLP), dan Long Short-Term Memory (LSTM). Dataset penelitian terdiri atas 128 sampel source code, yang mencakup 60 sampel backdoor dan 68 sampel benign, dikumpulkan dari repositori publik serta dikurasi secara manual untuk menjamin kualitas dan relevansinya. Hasil eksperimen menunjukkan bahwa XGBoost dan KNN memperoleh akurasi tertinggi sebesar 96,15%, diikuti oleh MLP, LSTM, dan AdaBoost dengan akurasi 92,31%. Temuan ini menunjukkan bahwa integrasi analisis statis, inspeksi kerentanan berbasis komponen, dan teknik Machine Learning mampu meningkatkan efektivitas deteksi backdoor. Selain itu, pendekatan yang diusulkan berpotensi mendukung implementasi deteksi backdoor secara otomatis pada pipeline DevSecOps untuk meningkatkan keamanan perangkat lunak sebelum tahap deployment.   Abstract In the era of rapid digital transformation, software has become a critical component across various sectors. However, it has also become an increasingly attractive target for cybersecurity threats. One of the most concerning threats is the backdoor, a hidden vulnerability that is illicitly inserted into software, enabling unauthorized access while bypassing traditional security mechanisms. This study aims to develop a more accurate and comprehensive backdoor detection method by integrating Static Code Analysis and Software Component Analysis. Feature representation is performed using Term Frequency–Inverse Document Frequency (TF-IDF), and the resulting feature vectors are used as input for several Machine Learning and Deep Learning algorithms, including Logistic Regression, K-Nearest Neighbor (KNN), Random Forest, Decision Tree, Gradient Boosting, XGBoost, LightGBM, AdaBoost, Multi-Layer Perceptron (MLP), and Long Short-Term Memory (LSTM). The dataset consists of 128 source code samples, comprising 60 backdoor and 68 benign samples, collected from public repositories and manually curated to ensure data quality and relevance. Experimental results demonstrate that XGBoost and KNN achieve the highest classification accuracy of 96.15%, followed by MLP, LSTM, and AdaBoost with an accuracy of 92.31%. These findings indicate that integrating static code analysis, component-based vulnerability inspection, and machine learning techniques can significantly improve the effectiveness of backdoor detection. Furthermore, the proposed approach has the potential to support automated backdoor detection within DevSecOps pipelines, thereby enhancing software security before deployment.
Integrasi Long Range (LORA) Technology dan Message Queuing Telemetry Transport (MQTT) pada Aplikasi Mitigasi Banjir Andi Kamaruddin; Husdi; Yusuf Ksatria Ilham Andi Hasan; Aril
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

Kota Gorontalo merupakan salah satu wilayah yang rentan terhadap bencana banjir akibat kondisi hidrologis yang dilalui oleh beberapa sungai besar. Data historis menunjukkan bahwa banjir yang terjadi pada Juli 2024 merupakan salah satu kejadian terparah dalam satu dekade terakhir. Berbagai sistem mitigasi banjir berbasis Internet of Things (IoT) telah dikembangkan, namun sebagian besar masih bergantung pada konektivitas internet sehingga kurang optimal diterapkan pada daerah yang memiliki keterbatasan jaringan komunikasi. Penelitian ini bertujuan mengembangkan aplikasi mitigasi banjir dengan mengintegrasikan teknologi Long Range (LoRa) dan Message Queuing Telemetry Transport (MQTT) untuk mendukung transmisi data sensor secara real-time pada area yang memiliki maupun tidak memiliki akses internet. Metode yang digunakan adalah eksperimen dengan memanfaatkan sensor ultrasonik waterproof, water flow sensor, dan piezo vibration sensor yang terhubung pada arsitektur LoRa-MQTT. Pengujian dilakukan terhadap kemampuan sistem dalam membaca parameter banjir serta kualitas komunikasi data berdasarkan parameter delay dan packet loss. Hasil pengujian menunjukkan bahwa sistem mampu mengirimkan data sensor pada jarak hingga 2000 meter dengan rata-rata delay sebesar 0,412 detik dan packet loss sebesar 0%. Sistem juga berhasil mengklasifikasikan kondisi banjir ke dalam status aman, waspada, dan bahaya berdasarkan hasil pembacaan sensor secara real-time. Hasil tersebut menunjukkan bahwa integrasi LoRa dan MQTT mampu menyediakan komunikasi data yang andal, menjaga keutuhan data selama transmisi, serta mendukung sistem peringatan dini banjir yang dapat diakses melalui aplikasi web dan mobile.   Abstract Gorontalo City is one of the regions vulnerable to flood disasters due to its hydrological conditions, which are influenced by several major rivers flowing through the area. Historical data indicate that the flood event in July 2024 was among the most severe disasters recorded over the past decade. Various Internet of Things (IoT)-based flood mitigation systems have been developed; however, most of them rely heavily on internet connectivity, making them less effective in areas with limited communication network infrastructure. This study aims to develop a flood mitigation application by integrating Long Range (LoRa) technology and the Message Queuing Telemetry Transport (MQTT) protocol to support real-time sensor data transmission in areas with and without internet access. The research employed an experimental method using a waterproof ultrasonic sensor, water flow sensor, and piezo vibration sensor integrated within a LoRa-MQTT architecture. System evaluation was conducted by measuring its capability to monitor flood-related parameters and assessing communication performance based on delay and packet loss metrics. The results show that the proposed system successfully transmitted sensor data over distances of up to 2,000 meters, achieving an average delay of 0.412 seconds and a packet loss rate of 0%. The system was also able to classify flood conditions into safe, alert, and danger levels based on real-time sensor readings. These findings demonstrate that the integration of LoRa and MQTT provides reliable data communication, ensures data integrity during transmission, and supports a flood early warning system accessible through both web and mobile applications.
Analisis Komparatif Clahe Dan Gamma Pada Deteksi Transportasi Low-Light Berbasis Yolov8 Prasetya, Ibnu; Soeleman, Moch Arief; Muhammad Naufal
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

Deteksi objek pada kondisi low-light merupakan tantangan utama dalam sistem transportasi cerdas, terutama untuk aplikasi real-time seperti pengawasan lalu lintas malam dan kendaraan otonom. Penelitian ini mengevaluasi trade-off antara akurasi dan beban komputasi dari metode peningkatan kontras CLAHE, Gamma Correction, dan kombinasinya sebagai preprocessing pada YOLOv8 (varian n, s, m). Sebanyak 12 model dilatih dan diuji menggunakan dataset ExDark (2.928 gambar), dengan distribusi 652 gambar untuk Bicycle, 609 untuk People, 503 untuk Motorbike, 638 untuk Car, dan 527 untuk Bus. Data dibagi dengan rasio 70:15:15 untuk training (2.047 gambar), validation (437 gambar), dan testing (444 gambar). Evaluasi kecepatan dilakukan pada video 6 menit (12.196 frame) rekaman jalan malam. Hasil menunjukkan bahwa CLAHE meningkatkan mAP50 hingga +0,44% pada YOLOv8s. Dari sisi komputasi, preprocessing CLAHE menambahkan overhead rata-rata 1,2 ms per frame (640×640), sementara Gamma hanya 0,3 ms. Meskipun demikian, inference time model mendominasi total waktu: YOLOv8n + CLAHE menghasilkan FPS akhir 141,6 (hanya turun 1,2% dari baseline 143,3), sedangkan YOLOv8m + CLAHE mencapai 114,1 FPS (naik 0,4% dari baseline 113,7). Analisis two-way ANOVA mengkonfirmasi pengaruh signifikan enhancement (p<0,001), varian (p<0,001), dan interaksinya (p<0,001). Model terbaik untuk transportasi real-time adalah YOLOv8s dengan CLAHE, yang menawarkan akurasi 83,1% mAP50 pada 141 FPS, dengan total latency per frame hanya 7,1 ms (termasuk preprocessing 1,2 ms + inference 5,9 ms). Kontribusi utama penelitian ini adalah bukti kuantitatif bahwa preprocessing ringan seperti CLAHE memberikan peningkatan akurasi bermakna dengan penalti komputasi yang dapat diabaikan (<2% penurunan FPS), sehingga sangat layak untuk diimplementasikan pada sistem transportasi real-time.   Abstract particularly for real-time applications such as nighttime traffic surveillance and autonomous vehicles. This study evaluates the accuracy-computation trade-off of contrast enhancement methods CLAHE, Gamma correction, and their combination as preprocessing for YOLOv8 (n, s, m variants). Twelve models were trained and tested on ExDark dataset (2,928 images), with a distribution of 652 images for Bicycle, 609 for People, 503 for Motorbike, 638 for Car, and 527 for Bus. The data were split using a 70:15:15 ratio for training (2,047 images), validation (437 images), and testing (444 images). Speed evaluation was conducted on a 6-minute nighttime driving video (12,196 frames). Results show that CLAHE improves mAP50 by up to +0.44% on YOLOv8s. From a computational perspective, CLAHE preprocessing adds an average overhead of 1.2 ms per frame (640×640), while Gamma adds only 0.3 ms. However, model inference time dominates total latency: YOLOv8n + CLAHE achieves 141.6 FPS (only 1.2% drop from 143.3 baseline), while YOLOv8m + CLAHE reaches 114.1 FPS (0.4% gain from 113.7 baseline). Two-way ANOVA confirms significant effects of enhancement (p<0.001), variant (p<0.001), and their interaction (p<0.001). The best model for real-time transportation is YOLOv8s with CLAHE, offering 83.1% mAP50 at 141 FPS, with total latency of 7.1 ms per frame (1.2 ms preprocessing + 5.9 ms inference). The main contribution is quantitative evidence that lightweight preprocessing like CLAHE provides meaningful accuracy gains with negligible computational penalty (<2% FPS drop), making it highly feasible for real-time transportation systems.
Analisis Kepuasan Pengguna Gopay Terhadap Kualitas Sistem Customer Relationship Management (CRM) Berdasarkan Model End-User Computing Satisfaction (EUCS) Ancilla, Hyang; Soecipto, Hyang; Fiodinggo Tanaem, Penidas
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

Tingginya pertumbuhan transaksi dompet digital (e-wallet) di Indonesia memicu persaingan ketat antar-penyedia layanan, salah satunya GoPay. Untuk mempertahankan loyalitas pelanggan dalam ekosistem digital, perusahaan sangat bergantung pada performa sistem Customer Relationship Management (CRM). Namun, efektivitas sistem CRM berbasis aplikasi seluler sering kali terhambat jika kualitas komputasi bagi pengguna akhir tidak terpenuhi, sementara integrasi teoretis antara pilar CRM dan kepuasan komputasi sistem pada konteks e-wallet masih sangat terbatas. Oleh karena itu, penelitian ini mengisi celah (gap) riset tersebut dengan menempatkan model End-User Computing Satisfaction (EUCS) sebagai instrumen evaluasi kualitas operasional sistem CRM. Penelitian ini bertujuan untuk mengukur tingkat kepuasan pengguna GoPay menggunakan lima dimensi EUCS, yaitu content, accuracy, format, ease of use, dan timeliness. Metode penelitian menggunakan pendekatan kuantitatif deskriptif kausal melalui survei terhadap 102 responden yang dipilih menggunakan teknik purposive sampling dengan dominasi karakteristik segmen mahasiswa dan pekerja muda urban. Data dikumpulkan melalui kuesioner skala Likert dan dianalisis menggunakan regresi linier berganda setelah lolos uji asumsi klasik termasuk uji multikolinearitas. Hasil analisis deskriptif menunjukkan nilai rata-rata kepuasan keseluruhan sebesar 3,97 (kategori baik). Secara parsial dan simultan, hasil regresi membuktikan bahwa kelima dimensi kualitas komputasi EUCS berpengaruh positif dan signifikan terhadap kepuasan pengguna (p < 0,05). Dimensi format visual dan kemudahan operasional (ease of use) ditemukan sebagai faktor pembentuk kualitas CRM yang paling dominan bagi karakteristik demografi responden. Implikasi manajerial dari temuan ini menekankan bahwa pihak GoPay harus memprioritaskan optimasi desain antarmuka visual dan simplifikasi navigasi sistem untuk mempertahankan retensi pengguna muda di tengah pasar e-wallet yang kompetitif, sembari menjaga konsistensi akurasi data transaksi sebagai pilar kepercayaan pelanggan.   Abstract The high growth of digital wallet (e-wallet) transactions in Indonesia has triggered intense competition among service providers, one of which is GoPay. To maintain customer loyalty in the digital ecosystem, companies rely heavily on the performance of their Customer Relationship Management (CRM) systems. However, the effectiveness of these mobile app-based CRM systems is often hampered if the computing quality for end users is not met, while the theoretical integration between CRM pillars and system computing satisfaction in the e-wallet context is still very limited. Therefore, this study fills the research gap by positioning the End-User Computing Satisfaction (EUCS) model as an evaluation instrument for CRM system operational quality. This study aims to measure the level of GoPay user satisfaction using five dimensions of EUCS: content, accuracy, format, ease of use, and timeliness. The research method uses a quantitative, causal descriptive approach through a survey of 102 respondents selected using a purposive sampling technique with a dominant characteristic of the student and young urban worker segments. Data were collected through a Likert scale questionnaire and analyzed using multiple linear regression after passing the classical assumption test including the multicollinearity test. The results of the descriptive analysis show an average overall satisfaction score of 3.97 (good category). Partially and simultaneously, the regression results prove that the five dimensions of EUCS computing quality have a positive and significant effect on user satisfaction (p < 0.05). The dimensions of visual format and ease of use were found to be the most dominant factors shaping CRM quality for the demographic characteristics of respondents. The managerial implications of these findings emphasize that GoPay must prioritize optimizing the visual interface design and simplifying system navigation to maintain the retention of young users in the competitive e-wallet market, while maintaining consistent transaction data accuracy as a pillar of customer trust.
Peran Keselamatan (K3), IoT, Brand Image, Lingkungan Kerja, Dan Kemudahan Akses Dalam Meningkatkan Layanan Pelanggan Melalui Efisiensi Operasional Pada Perusahaan Transportasi Laut Di PT Jati Express Jakarta Kwartama, Agung; Agung Kwartama, Agung Kwartama; Rakesh Paul; Dorcas Folasade Oyebode; Sri Langgeng Ratnasari
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

Industri transportasi laut membutuhkan integrasi antara kapabilitas internal dan teknologi untuk meningkatkan kualitas layanan. Penelitian ini bertujuan menganalisis pengaruh Keselamatan dan Kesehatan Kerja (K3), Internet of Things (IoT), citra merek, dan lingkungan kerja terhadap peningkatan layanan logistik maritim, dengan mengevaluasi efisiensi biaya dan kemudahan akses sebagai mediator pada PT Jati Express Jakarta. Pendekatan kuantitatif eksplanatori digunakan dengan melibatkan 150 responden pelanggan Business-to-Business (B2B). Analisis data dilakukan menggunakan Partial Least Squares Structural Equation Modeling (PLS-SEM). Hasil pengujian menunjukkan bahwa model memiliki daya penjelas yang kuat, dibuktikan dengan nilai  pada variabel Peningkatan Layanan sebesar 0,874. Temuan empiris mengonfirmasi bahwa K3 dan IoT berpengaruh signifikan dalam meningkatkan efisiensi biaya. IoT juga mendominasi pembentukan citra merek, penataan lingkungan kerja, dan penyediaan kemudahan akses. Berlawanan dengan ekspektasi awal, pengaruh K3 terhadap kemudahan akses tidak terbukti signifikan (). Selain itu, citra merek korporat yang tinggi justru berkorelasi negatif terhadap stabilitas lingkungan kerja internal akibat tingginya beban ekspektasi pasar. Efisiensi biaya terbukti memediasi pengaruh K3 dan IoT terhadap peningkatan layanan, sementara kemudahan akses secara efektif memediasi pengaruh lingkungan kerja. Kebaruan penelitian ini terletak pada formulasi efisiensi biaya dan kemudahan akses sebagai mekanisme ganda yang mentransmisikan kapabilitas operasional menjadi nilai layanan nyata bagi pelanggan.   Abstract The maritime transportation industry requires the integration of internal capabilities and technology to enhance service quality. This study aims to analyze the effect of Occupational Health and Safety (OHS), the Internet of Things (IoT), brand image, and work environment on the improvement of maritime logistics services, by evaluating cost efficiency and ease of access as mediators at PT Jati Express Jakarta. An explanatory quantitative approach was utilized, involving 150 Business-to-Business (B2B) customer respondents. Data analysis was conducted using Partial Least Squares Structural Equation Modeling (PLS-SEM). The test results indicate that the model has strong explanatory power, evidenced by a value of 0.874 for the Service Improvement variable. Empirical findings confirm that OHS and IoT have a significant effect on improving cost efficiency. IoT also dominates the formation of brand image, the structuring of the work environment, and the provision of ease of access. Contrary to initial expectations, the effect of OHS on ease of access was not proven to be significant (). Furthermore, a high corporate brand image actually correlates negatively with internal work environment stability due to the high burden of market expectations. Cost efficiency is proven to mediate the effect of OHS and IoT on service improvement, while ease of access effectively mediates the effect of the work environment. The novelty of this research lies in the formulation of cost efficiency and ease of access as dual mechanisms that transmit operational capabilities into tangible service value for customers.
Evaluasi Adopsi Sistem Informasi Pemilu Digital Menggunakan Model UTAUT2 Yulianto; Sarjimin
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 penyelenggaraan pemilihan umum mendorong penggunaan Sistem Informasi Rekapitulasi (SIREKAP) untuk meningkatkan efektivitas, transparansi, dan akuntabilitas proses rekapitulasi suara. Namun, implementasinya masih menghadapi kendala teknis, keterbatasan infrastruktur, dan variasi penerimaan pengguna. Penelitian ini bertujuan menganalisis faktor-faktor yang memengaruhi Niat Perilaku dan Perilaku Penggunaan SIREKAP berdasarkan model Unified Theory of Acceptance and Use of Technology 2 (UTAUT2). Penelitian menggunakan pendekatan kuantitatif melalui survei terhadap 170 penyelenggara Pemilu 2024 di Kabupaten Kebumen. Data dianalisis menggunakan Partial Least Squares–Structural Equation Modeling (PLS-SEM) dengan bantuan SmartPLS 3.0. Hasil penelitian menunjukkan bahwa Ekspektasi Kinerja (β = 0,271; p = 0,001), Ekspektasi Usaha (β = 0,179; p = 0,010), dan Motivasi Hedonis (β = 0,371; p < 0,001) berpengaruh positif terhadap Niat Perilaku. Selanjutnya, Niat Perilaku (β = 0,594; p < 0,001) dan Kondisi Pendukung (β = 0,241; p = 0,002) berpengaruh positif terhadap Perilaku Penggunaan. Pengaruh Sosial, Nilai Harga, dan Kebiasaan tidak menunjukkan pengaruh signifikan, sedangkan Kondisi Pendukung tidak memengaruhi Niat Perilaku. Model menjelaskan 78,8% variansi Niat Perilaku dan 67,2% variansi Perilaku Penggunaan. Temuan ini menegaskan bahwa keberhasilan implementasi SIREKAP terutama ditentukan oleh manfaat kinerja, kemudahan, pengalaman penggunaan yang positif, kesiapan pengguna, dan dukungan operasional.   Abstract Digital transformation in election administration has encouraged the use of the Vote Recapitulation Information System (SIREKAP) to improve the effectiveness, transparency, and accountability of vote recapitulation. However, its implementation still faces technical problems, infrastructure limitations, and variations in user acceptance. This study examines the factors influencing Behavioral Intention and Use Behavior toward SIREKAP based on the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2). A quantitative survey was conducted involving 170 election officials participating in the 2024 election in Kebumen Regency. The data were analyzed using Partial Least Squares–Structural Equation Modeling (PLS-SEM) with SmartPLS 3.0. The results show that Performance Expectancy (β = 0.271; p = 0.001), Effort Expectancy (β = 0.179; p = 0.010), and Hedonic Motivation (β = 0.371; p < 0.001) positively influence Behavioral Intention. Furthermore, Behavioral Intention (β = 0.594; p < 0.001) and Facilitating Conditions (β = 0.241; p = 0.002) positively influence Use Behavior. Social Influence, Price Value, and Habit have no significant effects, while Facilitating Conditions do not significantly influence Behavioral Intention. The model explains 78.8% of the variance in Behavioral Intention and 67.2% of the variance in Use Behavior. These findings indicate that successful SIREKAP implementation primarily depends on performance benefits, ease of use, positive user experience, user readiness, and adequate operational support.

Page 139 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