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 1,413 Documents
 138   139   140   141   142 
Komparasi Model Deep Learning dan SVR Untuk Prediksi Tren Banjir Rob Berbasis Data Multivariat Di Kabupaten Brebes Kurniawan, Rifki Dwi; Sulistyo, Wiwin; Widiasari, Indrastanti Ratna
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

Banjir rob merupakan ancaman hidrometeorologis yang berdampak signifikan pada degradasi lingkungan pesisir di Kabupaten Brebes. Mitigasi berbasis sistem peringatan dini menuntut adanya prediksi komputasional yang presisi. Namun, pemodelan berbasis machine learning sering kali terhambat oleh keterbatasan ketersediaan data historis (data scarcity). Penelitian ini bertujuan untuk mengembangkan dan membandingkan performa model Deep Learning (LSTM, GRU, BiLSTM) dengan baseline model klasik, yaitu Support Vector Regression (SVR), dalam memprediksi fluktuasi pasang surut multivariat menggunakan 36 bulan data historis (2022–2024). Variabel input terdiri dari kecepatan angin, curah hujan, tekanan barometrik, suhu, dan observasi pasang surut, yang diproses melalui skema pencuplikan temporal (time-windowing) 3 bulan. Evaluasi performa diukur menggunakan RMSE, MAE, R², serta uji signifikansi statistik non-parametrik Wilcoxon Signed-Rank. Hasil eksperimen menunjukkan bahwa SVR secara konsisten mengungguli arsitektur Deep Learning dengan mencatatkan nilai galat terendah (RMSE = 0,1993 m, MAE = 0,1344 m, R² = 0,3434). Keunggulan SVR tervalidasi signifikan secara statistik (p-value = 0,0039 < 0,05). Penelitian ini menyimpulkan bahwa pada kondisi resolusi dataset bulanan yang minor, model regresi klasik yang mengoptimalkan margin toleransi galat beroperasi jauh lebih tangguh dan stabil secara generalisasi dibandingkan model Deep Learning sekuensial yang rentan mengalami overfitting. SVR direkomendasikan sebagai fondasi sistem prediksi tren pasang surut jangka menengah di Kabupaten Brebes.   Abstract Tidal flooding (rob) represents a hydrometeorological hazard with significant impacts on coastal environmental degradation in Brebes Regency, Indonesia. Effective mitigation through early warning systems demands reliable computational prediction; however, machine learning-based modeling in this region is frequently constrained by the limited availability of historical records (data scarcity). This study develops and compares the performance of deep learning architectures (LSTM, GRU, BiLSTM) against a classical baseline model, Support Vector Regression (SVR), in predicting multivariate tidal anomaly fluctuations using 36 months of historical data (2022–2024). Input variables comprise wind speed, rainfall, barometric pressure, sea surface temperature, and tidal observations, processed through a 3-month time-windowing scheme. Model performance was evaluated using RMSE, MAE, R2, and the non-parametric Wilcoxon Signed-Rank significance test. Experimental results demonstrate that SVR achieved the lowest prediction error (RMSE = 0.1993 m; MAE = 0.1344 m) among all evaluated models. It is noted, however, that SVR yielded a comparatively lower R2 value (0.3434) relative to several deep learning counterparts, indicating room for further model refinement. The superiority of SVR in error minimization was statistically validated (p = 0.0039 < 0.05). This study concludes that under conditions of limited monthly-resolution datasets, classical regression models grounded in Structural Risk Minimization tend to generalize more stably than sequential deep learning architectures. SVR is recommended as a promising computational baseline for developing a medium-term tidal trend prediction system in Brebes Regency, with validation on higher-resolution data identified as a priority for future research.
Integrasi Gis dan IoT Untuk Pemantauan Real-Time Gas Rumah Kaca dan Analisis Indeks Konsentrasi Berbobot GWP Setyawan, Dodi Yudo; Nurfiana, Nurfiana; Sudibyo, Novi Herawadi; Damsir
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

Pemantauan Gas Rumah Kaca (GRK) di area agroindustri memerlukan data konsentrasi, waktu, dan lokasi yang dapat diakses secara bersamaan. Penelitian ini mengembangkan IoT-GIS melalui metode rancang bangun dan evaluasi eksperimental pada arsitektur tiga lapis. Node ESP32 mengakuisisi CO2​ menggunakan MH-Z19B, CH4​ menggunakan DFRobot Gravity MQ4, N2​O menggunakan sensor NDIR IRS4-N2​O, suhu, dan koordinat GPS NEO-6M. Data dikirim dalam format JSON melalui HTTP ke server MySQL dan divisualisasikan dengan Leaflet. Backend menyimpan data mentah dan menghitung secara dinamis indeks konsentrasi berbobot Global Warming Potential (IK-GWP), sehingga faktor pengali dapat diperbarui tanpa mengubah data historis. Evaluasi meliputi kalibrasi CO2​ lima titik terhadap portable gas analyzer, pengiriman 300 paket pada tiga zona, serta pengujian logging dan GIS. Rata-rata galat CO2​ sebesar 1,24%, sedangkan delay dan packet loss rata-rata masing-masing 231,6 ms dan 2,33%. Sistem juga berhasil memetakan node dan merekam lebih dari 1.400 data telemetri. Kontribusi penelitian terletak pada integrasi end-to-end multi-gas-GPS-GIS, kalkulasi indeks dinamis pada lapis aplikasi, dan evaluasi lintas lapis. IK-GWP digunakan sebagai indikator operasional dan tidak menggantikan inventaris emisi berbasis massa atau laju emisi.   Abstract Greenhouse-gas (GHG) monitoring in agro-industrial areas requires concentration, time, and location data to be accessed simultaneously. This study develops an IoT-GIS using an engineering design and experimental evaluation method with a three-layer architecture. An ESP32 node acquires CO2​ using an MH-Z19B, CH4​ using a DFRobot Gravity MQ4, N2​O using an IRS4-N2​O NDIR sensor, temperature, and NEO-6M GPS coordinates. Data are transmitted as JSON over HTTP to a MySQL server and visualized using Leaflet. The backend stores raw data and dynamically calculates a Global Warming Potential-weighted concentration index (GWP-WCI), allowing weighting factors to be updated without modifying historical records. Evaluation covered five-point CO2​ calibration against a portable gas analyzer, transmission of 300 packets across three zones, and logging and GIS functionality. The mean CO2​ error was 1.24%, while the mean delay and packet loss were 231.6 ms and 2.33%, respectively. The system also mapped monitoring nodes and recorded more than 1,400 telemetry entries. The study contributes to an end-to-end multi-gas-GPS-GIS pipeline, dynamic application-layer index calculation, and cross-layer evaluation. The GWP-WCI is an operational indicator and is not a substitute for a mass- or flux-based emissions inventory.
Pelabelan Sentimen Otomatis Hybrid untuk Analisis Respons Publik Terhadap Program Makan Bergizi Gratis di Twitter/X Haerani, Kiki; Kusrini
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

Keterbatasan data berlabel manual menjadi tantangan dalam analisis sentimen berbasis media sosial, khususnya pada data berskala besar seperti Twitter/X. Penelitian ini mengusulkan pendekatan pelabelan sentimen otomatis berbasis hybrid yang mengombinasikan metode lexicon-based menggunakan Indonesian Sentiment Lexicon (INSET) dan metode transformer-based menggunakan IndoBERTweet untuk menganalisis sentimen publik terhadap Program Makan Bergizi Gratis (MBG). Evaluasi dilakukan menggunakan algoritma klasifikasi Naïve Bayes dan Support Vector Machine (SVM) sebagai probe classifier untuk menganalisis pengaruh strategi pelabelan terhadap pola hasil klasifikasi. Data Twitter/X diproses melalui tahap preprocessing dan representasi fitur menggunakan TF-IDF, kemudian dianalisis melalui tiga skenario pelabelan, yaitu INSET, IndoBERTweet, dan hybrid. Hasil penelitian menunjukkan bahwa pelabelan berbasis INSET menghasilkan dominasi sentimen positif sebesar 97.50%, sedangkan IndoBERTweet menghasilkan distribusi sentimen yang lebih banyak pada kategori netral sebesar 47.13%. Pendekatan hybrid menghasilkan distribusi sentimen yang lebih moderat dengan 39.50% positif, 24.51% negatif, dan 39.99% netral. Analisis konsistensi menggunakan Cohen’s Kappa menunjukkan kesepakatan yang sangat rendah antara INSET dan IndoBERTweet (κ = 0.0097), namun kesepakatan yang lebih tinggi antara IndoBERTweet dan hybrid (κ = 0.7595). Selain itu, pengujian Wilcoxon Signed-Rank Test menunjukkan adanya perbedaan yang signifikan secara statistik (p < 0.05) antar skenario pelabelan. Secara keseluruhan, pendekatan hybrid menghasilkan pola klasifikasi sentimen yang lebih seimbang, konsisten, dan stabil dibandingkan pendekatan pelabelan otomatis tunggal, sehingga berpotensi menjadi alternatif metodologis yang lebih adaptif dalam analisis sentimen berbasis media sosial pada kondisi keterbatasan data berlabel manual.   Abstract The limited availability of manually labeled data remains a major challenge in social media–based sentiment analysis, particularly for large-scale data sources such as Twitter/X. This study proposes a hybrid automatic sentiment labeling approach that combines a lexicon-based method using the Indonesian Sentiment Lexicon (INSET) and a transformer-based method using IndoBERTweet to analyze public sentiment toward the Free Nutritious Meals Program (MBG). The evaluation was conducted using Naïve Bayes and Support Vector Machine (SVM) classification algorithms as probe classifiers to examine the influence of labeling strategies on classification outcome patterns. Twitter/X data were processed through preprocessing stages and feature representation using TF-IDF, and subsequently analyzed using three labeling scenarios: INSET, IndoBERTweet, and hybrid. The results show that INSET-based labeling produced a strong dominance of positive sentiment at 97.50%, whereas IndoBERTweet produced a distribution with a higher proportion of neutral sentiment at 47.13%. The hybrid approach generated a more moderate sentiment distribution consisting of 39.50% positive, 24.51% negative, and 39.99% neutral sentiments. Consistency analysis using Cohen’s Kappa indicated very low agreement between INSET and IndoBERTweet (κ = 0.0097), while higher agreement was observed between IndoBERTweet and the hybrid approach (κ = 0.7595). In addition, the Wilcoxon Signed-Rank Test revealed statistically significant differences (p < 0.05) among the labeling scenarios. Overall, the hybrid labeling approach produced a more balanced, consistent, and stable sentiment classification pattern compared to single automatic labeling methods, suggesting that it can serve as a more adaptive methodological alternative for social media sentiment analysis under conditions of limited manually labeled data.
Analisis Perbandingan Preprocessing Terhadap Kinerja Model Klasifikasi Dalam Dataset Kanker Payudara Swastika, Windra; Prilianti, Kestrilia Rega; Widodo, Romy Budhi; Tirma Irawan, Paulus Lucky; Christyanti, Ratna Dwi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

Meskipun teknik preprocessing diakui penting dalam machine learning untuk diagnosis medis, penelitian yang secara sistematis membandingkan dampak berbagai teknik preprocessing pada multiple model untuk klasifikasi kanker payudara masih terbatas. Penelitian ini mengkaji dampak berbagai teknik preprocessing terhadap performa model machine learning untuk diagnosis kanker payudara. Berbeda dengan penelitian sebelumnya yang menguji satu teknik preprocessing secara terpisah, penelitian ini menyajikan evaluasi terintegrasi empat level preprocessing pada empat model klasifikasi dalam kerangka eksperimen yang sama. Kinerja model yang dibandingkan adalah Logistic Regression, Support Vector Machine (SVM), Random Forest, dan XGBoost pada empat level preprocessing, yaitu data mentah, data ternormalisasi, data dengan seleksi fitur, dan data yang diproses secara menyeluruh. Dataset Kanker Payudara  yang digunakan adalah dataset Wisconsin dengan 569 sampel. Evaluasi performa model dilakukan melalui metrik akurasi, AUC, presisi, recall, dan skor F1. Hasil menunjukkan bahwa seleksi fitur secara signifikan meningkatkan kinerja classifier, terutama untuk Logistic Regression yang mencapai akurasi tertinggi (98,25%) saat menggunakan seleksi fitur. Pendekatan preprocessing menyeluruh dengan SMOTE menyeimbangkan distribusi kelas dan meningkatkan recall untuk kasus ganas. Random Forest dan XGBoost menunjukkan performa baik bahkan dengan preprocessing minimal, yang berarti keduanya robust terhadap data yang tidak diproses. Hasil penelitian menunjukkan bahwa teknik preprocessing yang tepat dapat secara substansial meningkatkan kinerja model dalam klasifikasi kanker payudara, berpotensi meningkatkan akurasi diagnosis dalam pengaturan klinis.   Abstract While preprocessing techniques are recognized as important in machine learning for medical diagnosis, research that systematically compares the impact of various preprocessing techniques on multiple models for breast cancer classification remains limited. This study examines the impact of different preprocessing techniques on the performance of machine learning models for breast cancer diagnosis. Unlike previous studies that tested individual preprocessing techniques separately, this research presents an integrated evaluation of four preprocessing levels across four classification models within the same experimental framework. We compared the performance of Logistic Regression, Support Vector Machine (SVM), Random Forest, and XGBoost classifiers across four preprocessing levels: raw data, normalized data, feature-selected data, and fully preprocessed data (with normalization, feature selection, and SMOTE). Using the Wisconsin Breast Cancer Dataset with 569 samples, we evaluated model performance through accuracy, AUC, precision, recall, and F1 score metrics. Results showed that feature selection significantly improved classifier performance, particularly for Logistic Regression, which achieved the highest accuracy (98.25%) when using feature selection. The fully preprocessed approach with SMOTE balanced class distribution further improved recall for malignant cases. Random Forest and XGBoost performed well even with minimal preprocessing, suggesting their robustness to unprocessed data. Our findings demonstrate that appropriate preprocessing techniques can substantially enhance model performance in breast cancer classification, potentially improving diagnostic accuracy in clinical settings.  
Pengembangan Dashboard Business Intelligence Untuk Manajemen Data MUD Motor Pada Industri Pengeboran (Studi Kasus: PT Aska Daya Tama) Irfansyah, Nandana Rifqi; Ratnawati, Dian Eka; Purnomo, Welly
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

PT Aska Daya Tama merupakan perusahaan penyewaan peralatan pengeboran Mud Motor di Indonesia. Pengelolaan data operasional perusahaan saat ini masih terhambat oleh tersebarnya data di berbagai Excel yang tidak terintegrasi, sehingga menyulitkan pemantauan aktivitas penyewaan dan analisis keuangan. Penelitian ini mengembangkan sistem Business Intelligence menggunakan metode Business Dimensional Lifecycle dari Kimball untuk mengintegrasikan data dan memvisualisasikan data operasional. Penggunaan metodologi Kimball dipilih karena pendekatannya yang praktis dan adaptif untuk perusahaan menengah. Implementasi sistem meliputi pengembangan data warehouse berbasis Google BigQuery, proses Extract, Transform, Load (ETL) menggunakan Talend Open Studio, serta dashboard visualisasi data melalui Looker Studio. Model data dirancang menggunakan skema fact constellation dengan tiga tabel fakta dan tujuh tabel dimensi untuk mendukung analisis historis data peralatan. Dashboard BI yang dikembangkan menghasilkan ringkasan kinerja operasional, historis penyewaan dan pemeliharaan peralatan. Pengujian usability dengan metode Dashboard Assessment Usability Model (DATUS) terhadap lima responden menghasilkan skor rata-rata 90,8 dari 100, dengan aspek efficiency mencatat hasil tertinggi (4,7 dari 5). Hasil pengujian membuktikan dashboard memiliki tingkat kepuasan yang tinggi dan memenuhi kebutuhan pengguna secara efektif melalui keberhasilan task-based testing. Implementasi dashboard operasional BI memberikan manfaat berupa pemantauan data operasional mendekati -real-time, mempercepat identifikasi masalah, dan memperoleh wawasan yang lebih mendalam.   Abstract PT Aska Daya Tama is a Mud Motor drilling equipment rental company in Indonesia. Currently, the company’s operational data management is hindered by scattered data across various Excel files that are not integrated, making it difficult to monitor rental activities and conduct financial analysis. This study develops a Business Intelligence system using Kimball’s Business Dimensional Lifecycle method to integrate scattered data and visualize operational data. The Kimball methodology is chosen for its practical and adaptive approach suitable for medium-sized companies. The system implementation includes developing a data warehouse based on Google BigQuery, performing Extract, Transform, Load (ETL) processes using Talend Open Studio, and creating a data visualization dashboard with Looker Studio. The data model is designed using a fact constellation schema with three fact tables and seven dimension tables to support historical analysis of equipment data. The developed BI dashboard provides a summary of operational performance, rental history, and equipment maintenance. Usability testing using the Dashboard Assessment Usability Model (DATUS) on five respondents yielded an average score of 90.8 out of 100, with the highest score in the efficiency aspect (4.7 out of 5). The test results demonstrate that the dashboard has a high satisfaction level and effectively meets user needs through successful task-based testing. The implementation of the operational BI dashboard provides benefits such as near real-time operational data monitoring, faster issue identification, and deeper insight discovery.
Dampak Pemanfaatan Native Mob-Learn Terhadap Peningkatan Hasil Belajar Dan Meminimalkan Cognitive Load Siswa Nasyithul ibad, Muhammad; Aji Pangestu, Sulih
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

Perkembangan teknologi informasi dan komunikasi (TIK) dalam era Society 5.0 mendorong transformasi digital yang signifikan dalam berbagai bidang, termasuk pendidikan. Salah satu penerapannya adalah Mobile Learning. Penelitian ini bertujuan untuk menganalisis persepsi tingkat cognitive load pebelajar dan efektivitas media native mobile learning dalam meningkatkan hasil belajar. Metode penelitian yang digunakan adalah quasi-experiment dengan desain one grup pre-test dan post-test, melibatkan 26 siswa sebagai responden. Data dikumpulkan melalui kuesioner cognitive load yang telah divalidasi oleh para ahli sebelumnya dengan menggunakan skala likert sebanyak 17 pernyataan serta tes hasil belajar. Uji prasyarat meliputi uji normalitas dan homogenitas dengan perolehan skor nilai > 0.05 maka skor nilai yang didapatkan berdistribusi normal dan homogen. Sementara perbedaan hasil belajar dianalisis menggunakan Paired Sample t-Test. Hasil penelitian menunjukkan adanya peningkatan signifikan pada skor post-test pebelajar dan data analisa statistika mendapatkan skor nilai Sig. 0.0001 ≤ 0.05 maka, null hipotesis berhasil ditolak dan Hipotesis awal berhasil diterima.  Serta tingkat cognitive load yang umumnya berada pada kategori sedang. Temuan ini menegaskan bahwa media native mobile learning efektif dan diterima dengan baik oleh pebelajar, selama desain pembelajaran memperhatikan pengelolaan beban kognitif secara optimal.   Abstract The development of information and communication technology (ICT) in the Society 5.0 era has driven significant digital transformation in various fields, including education. One of its applications is mobile learning. This study aims to analyze the perception of student cognitive load and the effectiveness of native mobile learning media in improving student learning outcomes. The research method used was a quasi-experiment with a one-group pre-test and post-test design, involving 26 students as respondents. Data were collected through a cognitive load questionnaire with a scale of 1–5 consisting of 17 statements and a learning outcome test. The prerequisite tests included normality and homogeneity tests, while the differences in learning outcomes were analyzed using a paired sample t-test. The results showed a significant increase in the post-test scores of learners, and statistical analysis yielded a Sig. Value of 0.0001 ≤ 0.05, thus rejecting the null hypothesis and accepting the alternative hypothesis. Additionally, the cognitive load was generally categorized as moderate. These findings confirm that native mobile learning media are effective and well-received by learners, provided that the learning design optimally manages cognitive load.
Implementasi Pendekatan Pembelajaran Contextual Learning Pada Pengembangan Media Pembelajaran Berbasis Gamification Materi Sistem Bilangan Zulvarina, Prima; Chandra Saputra, Mochamad; Sidiq Pradana, Rivaldo; Agil Putra Nasol, Hamdalla; Purnawirawan, Okta
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

Matematika, sebagai salah satu mata pelajaran dasar, sering kali dianggap sulit dan membosankan oleh banyak peserta didik. Banyak peserta didik yang menganggap matematika sebagai mata pelajaran yang sulit, menakutkan, tidak menarik, dan membosankan hal tersebut melekat menjadi pola pikir yang tertanam pada diri mereka. Pengembangan media pembelajaran berbasis gamification dengan mengimplementasikan pendekatan pembelajaran contextual learning dan konsep turn-based game menjadi alternatif dari permasalahan tersebut. Penelitian ini merupakan penelitian pengembangan yang bertujuan untuk menghasilkan produk media pembelajaran berbasis gamification dengan pendekatan model ADDIE. Tahapan penelitian terdiri dari lima tahapan utama, yaitu: (1) Analysis; (2) Design; (3) Development; (4) Implementation; dan (5) Evaluation. Berdasarkan analisis hasil uji expert judgmen media pembelajaran berbasis gamification dengan pendekatan pembelajaran contextual learning dan mengintegrasikan konsep turn-based game memiliki tingkat validitas produk berdasarkan hasil ahli media sebesar 60% dan ahli materi sebesar 98%. Berdasarkan uji respon pengguna sebesar 94%. Berdasarkan hasil analisis pemahaman konsep melalui uji pretest dan posttest media pembelajaran dapat meningkatkan aspek pemahaman dan analisis peserta didik terhadap materi Sistem Bilangan. Hasil analisis tersebut menjadi dasar bahwa produk dapat digunakan pada proses pembelajaran Matematikan SD khusunya materi Sistem Bilangan secara luas. Rekomendasi hasil evaluasi pengembangan produk media pembelajaran diantaranya: (1) Durasi permainan yang lama; (2) Pengguna menginginkan avatar yang beragam; (3) Penambahan menu laporan hasil belajar secara otomatis; dan (4) Menambahkan soal dengan tipe studi kasus.   Abstract Mathematics, as one of the basic subjects, is often considered difficult and boring by many students. Many students consider mathematics as a difficult, scary, uninteresting, and boring subject, this is inherent in their mindset. The development of gamification-based learning media by implementing a contextual learning approach and the concept of turn-based games is an alternative to these problems. This research is a development research that aims to produce a gamification-based learning media product with the ADDIE model approach. The research stages consist of five main stages, namely: (1) Analysis; (2) Design; (3) Development; (4) Implementation; and (5) Evaluation. Based on the analysis of the results of the expert judgment test, gamification-based learning media with a contextual learning approach and integrating the concept of turn-based games has a product validity level based on the results of media experts of 60% and material experts of 98%. Based on the user response test of 94%. Based on the results of the analysis of conceptual understanding through pretest and posttest tests, learning media can improve aspects of students' understanding and analysis of the Number System material. The results of the analysis are the basis that the product can be used in the elementary school mathematics learning process, especially the material on the Number System in general. Recommendations from the evaluation results of the development of learning media products include: (1) Long game duration; (2) Users want diverse avatars; (3) Adding an automatic learning result report menu; and (4) Adding questions with a case study type.
Pengembangan Media Pembelajaran Berbasis Augmented Reality (AR) Untuk Meningkatkan Pemahaman Konsep Peserta Didik Pada Materi Sistem Ekresi Manusia Purnawirawan, Okta; Nugroho, Adityo; Dwi Herlambang, Admaja; Sofie Rahmi Batita, Maurish; Faraasyatul ‘Alam, Ghasa; Dhea Puspita, Amelia
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

Pembelajaran materi Sistem Ekskresi Manusia yang masih memanfaatkan teks dan gambar dua dimensi dalam buku pelajaran atau slide presentasi berdampak pada peserta didik kesulitan memahami materi yang bersifat visual. Teknologi augmented reality dapat menjadi alternatif solusi dari permasalahan tersebut untuk membuat media pembelajaran berbasis visual 3D. Pemanfaatan Assemblr Studio sebagai platform memudahkan dalam membuat objek augmented reality pada media pembelajaran. Penelitian ini termasuk dalam jenis penelitian pengembangan dengan Model ADDIE yang terdiri dari lima tahapan utama, yaitu: (1) Analysis; (2) Design; (3) Development; (4) Implementation; dan (5) Evaluation. Hasil penelitian menunjukkan bahwa setelah media pembelajaran berhasil dikembangkan dan diuji validitasnya berdasarkan analisis expert judgment yaitu 90% berdasarkan penilaian dari ahli media, sedangkan 96% berdasarkan penilaian dari ahli materi, dan berdasarkan uji implementasi produk mendapatkan hasil uji respon pengguna sebesar 92%. Berdasarkan hasil analisis pemahaman konsep melalui uji pretest dan posttest materi Sistem Ekresi Manusia dapat meningkat berdasarkan aspek pemahaman dan analisis siswa. Hasil evaluasi produk media pembelajaran yaitu berdasarkan ahli media adanya perbaikan yang meliputi penyesuaian warna latar belakang agar tidak terlalu kontras serta penambahan petunjuk penggunaan yang lebih jelas di awal media. Berdasarkan ahli materi menyarankan untuk menambahkan soal evaluasi atau latihan soal adaptif berbasis AR untuk memperkuat pemahaman peserta didik. Berdasarkan ahli pengguna yaitu siswa mengalami kendala kesulitan teknis dalam mengakses fitur AR di perangkat tertentu disebabkan perangkat smartphone masing-masing. Evaluasi tersebut menjadi rekomendasi selanjutnya untuk adanya perbaikan pada produk hasil pengembangan media pembelajaran berbasis AR dalam bentuk 3D materi Sistem Ekresi Manusia.   Abstract Learning the Human Excretory System material that still utilizes two-dimensional text and images in textbooks or presentation slides has an impact on students' difficulty in understanding visual material. Augmented reality technology can be an alternative solution to this problem to create 3D visual-based learning media. The use of Assemblr Studio as a platform makes it easier to create augmented reality objects in learning media. This research is included in the type of development research with the ADDIE Model which consists of five main stages, namely: (1) Analysis; (2) Design; (3) Development; (4) Implementation; and (5) Evaluation. The results of the study show that after the learning media was successfully developed and tested for validity based on expert judgment analysis, namely 90% based on assessments from media experts, while 96% based on assessments from material experts, and based on product implementation tests, the results of user response tests were 92%. Based on the results of the analysis of conceptual understanding through pretest and posttest tests, the Human Excretory System material can be increased based on aspects of student understanding and analysis. The results of the evaluation of learning media products, namely based on media experts, there are improvements that include adjusting the background color so that it is not too contrasting and adding clearer usage instructions at the beginning of the media. Material experts suggested adding AR-based adaptive evaluation questions or practice questions to strengthen student understanding. User experts noted that students experienced technical difficulties accessing AR features on certain devices due to their individual smartphone devices. This evaluation provided further recommendations for improvements to the product resulting from the development of 3D AR-based learning media for the Human Excretory System.  
Persepsi Mahasiswa Program Pengenalan Lapangan Persekolahan Terhadap Penguatan Kompetensi Digital Melalui Pelatihan Artificial Intelligence Faraasyatul ‘Alam, Ghasa; Sofie Rahmi Batita, Maurish; Purnawirawan, Okta; Dwi Herlambang, Admaja; Budi Wiyono, Bambang; Burhanuddin
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

Program Pengenalan Lapangan Persekolahan (PLP) merupakan salah satu upaya strategis untuk mempersiapkan mahasiswa calon pendidik agar memiliki kompetensi profesional yang unggul. Pada era digital ini, kemampuan untuk mengintegrasikan teknologi dalam pembelajaran serta etika penggunaan teknologi digital menjadi salah satu aspek penting yang harus dimiliki oleh pendidik. Penelitian ini bertujuan untuk melihat sejauh mana kegiatan pelatihan berbasis Artificial Intelligence (AI) dapat berkontribusi terhadap penguatan kompetensi digital mahasiswa program PLP. Metode penelitian yang digunakan adalah mixed methods dengan melibatkan 72 mahasiswa aktif dari Program Studi Pendidikan Teknologi Informasi, Fakultas Ilmu Komputer di Universitas Brawijaya sebagai responden. Data dikumpulkan melalui angket daring yang terstruktur, kemudian dianalisis menggunakan perangkat lunak SmartPLS dengan teknik analisis Structural Equation Modeling (SEM). Hasil penelitian menunjukkan bahwa pelatihan AI pada mahasiswa memberikan pemahaman yang lebih mendalam tentang bagaimana teknologi dapat diterapkan dalam proses pembelajaran. Selain itu, pelatihan AI bisa menguatkan keterampilan mereka dalam menggunakan platform pembelajaran berbasis digital. Penelitian ini menyimpulkan bahwa pelatihan AI mampu memberikan dampak positif dan signifikan terhadap penguatan kompetensi digital mahasiswa PLP, khususnya dalam aspek integrasi pedagogi digital. Rekomendasi utama dari penelitian ini adalah perlunya pengembangan program pelatihan serupa dengan cakupan yang lebih luas dan materi yang lebih mendalam untuk mempersiapkan pendidik yang adaptif terhadap perkembangan teknologi.   Abstract The School Field Introduction (PLP) Program is one of the strategic efforts to prepare prospective educator students to have superior professional competence. In this digital era, the ability to integrate technology in learning and the ethics of using digital technology are important aspects that educators must have. This study aims to see to what extent Artificial Intelligence (AI)-based training activities can contribute to strengthening the digital competence of PLP program students.. The research method used is quantitative by involving 72 active students from the Information Technology Education Study Program, Faculty of Computer Science at Brawijaya University as respondents. Data were collected through a structured online questionnaire, then analyzed using SmartPLS software with Structural Equation Modeling (SEM) analysis techniques. The research results show that AI training provides students with a deeper understanding of how technology can be applied in the learning process. Furthermore, AI training can strengthen their skills in using digital-based learning platforms. This study concludes that AI training can have a positive and significant impact on strengthening the digital competencies of PLP students, particularly in the integration of digital pedagogy. The main recommendation of this study is the need to develop similar training programs with a broader scope and more in-depth materials to prepare educators who are adaptive to technological developments.
Forensik Log Server Web: Metode Identifikasi Serangan Menggunakan Url Parsing Dan Keyword Heuristics Data, Mahendra; Fatyanosa, Tirana Noor
Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13 No. 5: Oktober 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026135

Abstract

Di tengah gencarnya serangan siber, log server web menjadi bukti jejak digital penting dalam upaya mendeteksi aktivitas berbahaya pada server web. Penelitian ini mengusulkan metode identifikasi serangan berdasarkan log server web dengan pendekatan yang sederhana namun efektif, yaitu melalui URL parsing dan keyword heuristics. Metode ini memadukan beberapa teknik forensik digital, termasuk parsing dan decoding URL log server web, penyaringan akses dari bot legal menggunakan verifikasi DNS, dan ekstraksi token dari URL untuk membentuk keyword list yang mencerminkan karakteristik unik dari setiap jenis serangan. Keyword list dibangun dari data latih dengan menganalisis frekuensi kemunculan token dalam berbagai kategori serangan. Proses deteksi dilakukan dengan mencocokkan token URL terhadap keyword list. Untuk memastikan generalisasi dan menghindari kebocoran data latih (training data leakage), keyword list tersebut diuji menggunakan data uji yang isinya berbeda dari data latih. Hasil evaluasi menunjukkan bahwa metode ini mampu mencapai skor sempurna (1.00) pada metrik precision, recall, dan F1-score, baik untuk klasifikasi biner (benign vs attack) maupun multi-class (benign, SQLi, RCE, bot, scanning). Hasil ini membuktikan bahwa pendekatan berbasis URL parsing dan keyword heuristics sangat efektif untuk mendeteksi serangan yang telah dikenal (known attack), sehingga bisa menjadi pilihan metode deteksi dalam praktik forensik digital.   Abstract Amidst the rise of cyberattacks, web server logs have become important digital evidence in detecting malicious activity on web servers. This study proposes a method for identifying attacks based on web server logs using a simple yet effective approach, namely through URL parsing and keyword heuristics. This method combines several digital forensic techniques, including parsing and decoding web server log URLs, filtering access from legitimate bots using DNS verification, and extracting tokens from URLs to form a keyword list reflecting the unique characteristics of each type of attack. The keyword list is built from training data by analyzing the frequency of token occurrence across various attack categories. The detection process involves matching URL tokens against the keyword list. To ensure generalization and avoid training data leakage, the keyword list is tested using test data whose contents are different from the training data. Evaluation results show that this method achieves a perfect score (1.00) on precision, recall, and F1-score metrics, both for binary classification (benign vs. attack) and multi-class classification (benign, SQLi, RCE, bot, scanning). These results demonstrate that the URL parsing and keyword heuristics-based approach is highly effective for detecting known attacks, making it a viable detection method in digital forensics practice.

Page 140 of 142 | Total Record : 1413

 138   139   140   141   142 

Filter by Year

2014 2026


Reset
Filter By Issues
All Issue Vol. 13 No. 5: Oktober 2026 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: April 2015 Vol 2, No 1 (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