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 
Klasifikasi Sentimen dan Pemetaan Aspek pada Ulasan Wisatawan Mancanegara Terhadap Kunjungan ke Trans Studio Bali Menggunakan Model Bert Salwa, Shafa Nathaniela; Wijoyo, Satrio Hadi; Setiawan, Nanang Yudi
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

Trans Studio Bali merupakan taman hiburan berkonsep indoor theme park di Denpasar, Bali yang ditujukan untuk menarik wisatawan lokal maupun mancanegara. Persentase kunjungan wisatawan mancanegara di Trans Studio Bali hanya sebesar 8,7%, jauh lebih rendah dibandingkan wisatawan lokal yang mencapai 91,3%. Penelitian ini bertujuan mengidentifikasi akar penyebab rendahnya kunjungan wisatawan mancanegara ke Trans Studio Bali melalui analisis sentimen pada ulasan di platform Google My Business. Penelitian ini menggunakan VADER untuk klasifikasi sentimen dan model berbasis BERT untuk melakukan pemodelan topik dan pemetaan aspek. BERTopic digunakan untuk pemodelan topik dan DistilBERT digunakan untuk membuat model pemetaan ulasan ke dalam aspek 4A Tourism Components. Hasil klasifikasi sentimen menunjukkan terdapat 409 ulasan positif dan 88 ulasan negatif. Pemodelan topik menghasilkan delapan topik yang terbagi ke dalam empat aspek 4A Tourism Components: Attractions (273 ulasan), Amenities (195 ulasan), Accessibility (17 ulasan), dan Ancillary (13 ulasan). Evaluasi model BERTopic menunjukkan nilai topic coherence sebesar 0,55 dan topic diversity sebesar 0,86, yang mengindikasikan topik cukup beragam meskipun koherensi dalam topik belum maksimal. Model DistilBERT untuk klasifikasi aspek mencapai akurasi terbaik pada split data 70:30 pada dataset setelah SMOTE dengan nilai akurasi sebesar 0,97. Hasil analisis sentimen divisualisasikan menggunakan cause mapping dan divalidasi melalui wawancara dengan pihak Trans Studio Bali. Hasil root cause analysis menunjukkan bahwa penyebab rendahnya kunjungan wisatawan mancanegara dipengaruhi oleh harga tiket, kualitas pelayanan, pengalaman bermain wahana, ketersediaan informasi, fasilitas umum, dan waktu antrean.   Abstract Trans Studio Bali is an indoor theme park located in Denpasar, Bali, designed to attract both local and international tourists. However, the percentage of foreign tourists visiting Trans Studio Bali is only 8,7%, lower than local visitors who make up 91,3%. This study aims to identify the root causes of the low percentage of foreign tourist visits through sentiment analysis of reviews collected from Google My Business. The sentiment classification process uses VADER, while topic modeling and aspect classification apply BERT-based models. BERTopic is used to extract topics from reviews, and DistilBERT is fine-tuned to classify reviews into The 4A Tourism Components. The result of sentiment analysis shows there are 409 positive reviews and 88 negative reviews. Topic modeling produces eight main topics mapped to the four aspects: Attractions (273 reviews), Amenities (195 reviews), Accessibility (17 reviews), and Ancillary (13 reviews). The BERTopic model evaluation indicates a topic coherence score of 0,55 and a topic diversity of 0,86, showing that the model generated diverse topics with moderate coherence. The DistilBERT aspect classification model achieved its best performance on the dataset after SMOTE balancing with a 70:30 data split, reaching an accuracy of 0,97. The sentiment and aspect classification results were visualized using cause mapping and validated through interviews with Trans Studio Bali stakeholder. Root cause analysis found that the low visits by foreign tourists are influenced by factors such as ticket prices, service quality, ride experiences, information availability, public facilities, and queue times.
Pengaruh Penggunaan Chatgpt dan Literasi Digital Terhadap Motivasi Belajar Mahasiswa Pendidikan Teknologi Informasi Zulfa, Indana; Hariyanti, Uun; Wijoyo, Satrio Hadi
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

Motivasi belajar merupakan aspek krusial dalam mendukung keberhasilan akademik mahasiswa, yang dipengaruhi oleh berbagai faktor internal (seperti minat dan tujuan pribadi) maupun eksternal (seperti lingkungan belajar dan dukungan teknologi). Penelitian ini berfokus pada eksplorasi faktor eksternal yang berpotensi meningkatkan motivasi belajar mahasiswa Program Studi Pendidikan Teknologi Informasi (PTI), khususnya melalui penggunaan ChatGPT dan penguasaan literasi digital. Kedua variabel tersebut relevan dengan tuntutan kompetensi calon pendidik di bidang teknologi informasi, yang mana setiap calon pendidik perlu memiliki kemampuan dalam mengintegrasikan teknologi dalam proses pembelajaran. Penelitian ini menggunakan pendekatan kuantitatif dengan desain survei, melibatkan 153 mahasiswa PTI pada semester ganjil tahun akademik 2024/2025. Analisis data dilakukan melalui regresi linier berganda yang didahului dengan pengujian asumsi klasik. Hasil analisis menunjukkan bahwa penggunaan ChatGPT dan literasi digital berpengaruh positif dan signifikan terhadap motivasi belajar mahasiswa dengan prosentase variansi variabel bergantung yang dapat dijelaskan oleh variabel terikatnya pada model regresi adalah sebesar 26,3%. Temuan ini menegaskan bahwa integrasi ChatGPT dan peningkatan literasi digital dapat menjadi strategi pendukung dalam meningkatkan motivasi belajar mahasiswa, meskipun masih terdapat faktor-faktor lain yang perlu dipertimbangkan. Penelitian ini merekomendasikan perluasan cakupan sampel dan variasi pendekatan metodologis pada studi selanjutnya, serta eksplorasi faktor-faktor tambahan seperti aspek lingkungan, sosial, dan psikologis guna memperoleh pemahaman yang lebih komprehensif.   Abstract Learning motivation is a crucial aspect in supporting students’ academic success, influenced by various internal factors (such as personal interest and individual goals) and external factors (such as learning environment and technological support). This study focuses on exploring external factors that have the potential to enhance the learning motivation of students in the Information Technology Education program, specifically through the use of ChatGPT and the mastery of digital literacy. These two variables are highly relevant to the competency demands of future educators in the field of information technology, where the ability to integrate technology into the learning process is essential. This research adopts a quantitative approach with a survey design, involving 153 students during the odd semester of the 2024/2025 academic year. Data were analyzed using multiple linear regression, preceded by classical assumption testing. The results indicate that both ChatGPT use and digital literacy have a positive and significant influence on students’ learning motivation, with the model explaining 26.3% of the variance in the dependent variable. These findings confirm that the integration of ChatGPT and the enhancement of digital literacy can serve as effective supporting strategies to boost student motivation, although other influencing factors should also be considered. The study recommends expanding the sample and employing more diverse methodological approaches in future research, as well as exploring additional factors such as environmental, social, and psychological aspects to gain a more comprehensive understanding.
Deteksi Pelanggaran Penggunaan Helm pada Pengendara Motor Menggunakan MOBILENETV3 dengan Convolutional Block Attention Module (CBAM) Frans Bernado, Stanislaus; Darma Setiawan, Budi; Setya Perdana, Rizal
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

Sistem tilang elektronik berbasis kamera merupakan teknologi pengawasan lalu lintas yang telah diterapkan di berbagai wilayah Indonesia untuk mendukung penegakan hukum secara otomatis. Namun, sistem ini masih memiliki keterbatasan dalam mendeteksi pelanggaran penggunaan helm secara spesifik, sementara pelanggaran tersebut merupakan salah satu penyebab dominan kecelakaan lalu lintas yang melibatkan pengendara motor. Untuk mengatasi masalah ini, penelitian ini mengembangkan sistem deteksi pelanggaran penggunaan helm pada pengendara motor secara otomatis dengan pendekatan deep learning menggunakan arsitektur Faster R-CNN dan backbone MobileNetV3. Pada arsitektur ini, dilakukan modifikasi dengan mengganti attention module bawaan MobileNetV3, yaitu Squeeze-and-Excitation (SE), dengan Convolutional Block Attention Module (CBAM) yang dirancang untuk menangkap informasi spasial secara lebih efektif. Perubahan ini memungkinkan model lebih fokus terhadap fitur penting dalam citra, terutama pada objek kecil dan saling tumpang tindih seperti helm di bagian kepala pengendara. Model terbaik dalam penelitian ini diperoleh dari kombinasi Faster R-CNN dengan MobileNetV3-Large yang dimodifikasi dengan CBAM, yang mampu memberikan peningkatan mAP@0,50 sebesar 0,68%. Selain itu, peningkatan kinerja juga terjadi pada mAP@0,75 dan mAP@[0,50:0,95], masing-masing sebesar 7,66% dan 5,03% dibandingkan model bawaan dengan SE. Hasil tersebut menunjukkan bahwa MobileNetV3 yang dimodifikasi dengan CBAM secara signifikan meningkatkan kemampuan model dalam mendeteksi pelanggaran helm, baik dari segi ketepatan posisi bounding box maupun sensitivitas terhadap keberadaan objek. Keunggulan ini menjadikan model lebih andal untuk diterapkan dalam kondisi nyata, terutama dalam lingkungan lalu lintas yang kompleks dan dinamis. Dengan demikian, penelitian ini memberikan kontribusi terhadap pengembangan sistem pengawasan lalu lintas otomatis yang lebih akurat, andal, dan adaptif terhadap tantangan visual di lapangan.   Abstract Camera-based electronic traffic law enforcement systems have been implemented across various regions in Indonesia to support automated law enforcement. However, these systems still face limitations in specifically detecting helmet usage violations, which remain one of the leading causes of traffic accidents involving motorcyclists. To address this issue, this study proposes an automatic helmet violation detection system for motorcyclists using a deep learning approach based on the Faster R-CNN architecture with MobileNetV3 as its backbone. In this architecture, a modification is made by replacing the default attention module, Squeeze-and-Excitation (SE), with the Convolutional Block Attention Module (CBAM), which is designed to more effectively capture spatial information. This modification enables the model to better focus on relevant visual features, particularly small and overlapping objects such as helmets on riders' heads. The best-performing model in this study is the combination of Faster R-CNN with MobileNetV3-Large integrated with CBAM, which is able to provide an mAP@0.50 improvement of 0.68%. In addition, performance improvements were also observed in mAP@0.75 and mAP@[0.50:0.95], by 7.66% and 5.03%, respectively, compared to the baseline model using SE. These results demonstrate that MobileNetV3 modified with CBAM significantly enhances the model’s capability in detecting helmet violations, in terms of both bounding box precision and object sensitivity. This improvement makes the model more reliable for real-world deployment, especially in complex and dynamic traffic environments. Therefore, this research contributes to the development of automated traffic surveillance systems that are more accurate, reliable, and adaptive to addressing real-world visual challenges.
Evaluasi Kinerja Mediapipe Face Detection dan Facenet untuk Pengenalan Wajah dalam Sistem Pengawasan Otomatis Ujian Online Arwani, Issa; Rahayudi, Bayu; Alif Arsan, Danish; Afirianto, Tri; Akbar, Muhammad Aminul
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

Ujian daring menghadapi tantangan serius terkait integritas akademik, sehingga diperlukan teknologi pengawasan yang andal. Pengenalan wajah menjadi salah satu solusi potensial untuk memastikan ujian benar-benar dikerjakan oleh peserta yang sah. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma MediaPipe Face Detection dan FaceNet dalam mendukung sistem pengawasan ujian daring berbasis pengenalan wajah. MediaPipe Face Detection digunakan untuk mendeteksi keberadaan wajah peserta secara real-time, sedangkan FaceNet berperan dalam identifikasi identitas peserta ujian. Penelitian ini menggunakan pendekatan transfer learning, yaitu model FaceNet yang telah ada dilatih ulang dengan data wajah dari peserta penelitian. Data wajah diperoleh dari mahasiswa dengan variasi pose (hadap depan, menoleh, menunduk, tertutup objek) dan jarak (30 cm, 50 cm, 100 cm). Model dilatih pada dua skenario: skenario pertama menggunakan 4 variasi pose per identitas yang menghasilkan 2.016 pasangan triplet, dan skenario kedua menggunakan 8 variasi pose per identitas yang menghasilkan 18.816 pasangan triplet. Untuk data evaluasi, pasangan triplet dipisahkan menjadi 1.932 pasangan positif dan 1.932 pasangan negatif, dengan total 3.864 pasangan. Pada tahap evaluasi model berbasis triplet, akurasi yang dicapai adalah 89,69% (skenario pertama) dan 81,39% (skenario kedua). Sementara itu, dalam pengujian implementasi sistem, pre-trained FaceNet memperoleh akurasi rata-rata 50,41% pada jarak terbaik 30 cm. Setelah dilakukan pelatihan ulang model, akurasinya meningkat menjadi 72,67% pada skenario pertama dan 68,84% pada skenario kedua. Hasil ini menegaskan bahwa transfer learning secara signifikan meningkatkan performa dibandingkan pre-trained FaceNet, meskipun variasi jarak dan pose wajah tetap mempengaruhi akurasi.   Abstract Online examinations pose serious challenges to academic integrity, requiring reliable monitoring technologies. Facial recognition offers a potential solution to ensure that only authorized participants take the test. This study evaluates the performance of MediaPipe Face Detection and FaceNet in supporting a face-recognition–based online exam monitoring system. MediaPipe is used for real-time face detection, while FaceNet identifies participants’ identities through a transfer learning approach. Facial data were collected from students under varying poses (frontal, side, downward, occluded) and distances (30 cm, 50 cm, 100 cm). Two training scenarios were applied: four pose variations (2,016 triplets) and eight pose variations (18,816 triplets). The triplet-based evaluation achieved 89.69% and 81.39% accuracy for the two scenarios, respectively. System testing showed that transfer learning improved accuracy from 50.41% (pre-trained) to 72.67% and 68.84%. These results demonstrate that transfer learning substantially enhances recognition performance, although distance and pose variability remain critical factors affecting accuracy.
Eksplorasi Topik Kekerasan Siber Berbasis Gender (KSBG) Di Media Sosial Twitter/X Menggunakan Text Clustering Rahma, Dzakiyyah Afifah; Ratnawati, Dian Eka
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

Pelaporan kasus kekerasan siber berbasis gender (KSBG) di Indonesia terus meningkat. Pemahaman persepsi publik mengenai KSBG menjadi penting untuk membantu upaya pencegahan dan penanganannya. Sosial media, khususnya Twitter/X, menjadi wadah bagi warganet untuk mendiskusikan diskursus terkait KSBG. Penelitian ini bertujuan untuk mengidentifikasi topik utama dari data tweet tentang KSBG melalui text clustering, alasan topik tersebut masih terjadi di Indonesia serta menilai performa algoritma clustering yang berbeda pada dataset yang sama. 2378 data tweet dikelompokkan menggunakan algoritma K-Means, K-Medoids, Agglomerative Hierarchical Clustering, dan DBSCAN. Performa masing-masing algoritma dievaluasi menggunakan metrik Silhouette Coefficient, Davies-Bouldin Index, Calinski-Harabasz Index, dan interpretasi topik melalui analisis kualitatif. Hasil penelitian menunjukkan bahwa algoritma Agglomerative Hierarchical Clustering memiliki performa terbaik berdasarkan Silhouette Coefficient dan Davies-Bouldin Index, sedangkan algoritma K-Means adalah algoritma terbaik berdasarkan Calinski-Harabasz Index. Algoritma K-Means dan K-Medoids membagi data menjadi topik yang lebih spesifik dibandingkan Agglomerative Hierarchical Clustering dan DBSCAN yang cenderung membentuk klaster noise. Hasil clustering mengidentifikasi tiga topik utama mengenai KSBG, yaitu “Edukasi Bentuk, Dampak, dan Penanganan KSBG”, “Pelecehan Seksual Verbal dan Non-Konsensual”, dan “Ujaran Kebencian Berbasis Gender di Platform Digital”. Faktor hukum dan regulasi diidentifikasi sebagai faktor penting yang berkontribusi pada terjadinya KSBG di Indonesia.   Abstract The number of reports of technology-facilitated gender-based violence (TFGBV) cases keeps rising in Indonesia. Understanding public perception of TFGBV is critical for preventing and addressing it. Social media, particularly Twitter/X, has provided a forum for netizens to discuss TFGBV discourse. The purpose of this study is to identify the key topics of Twitter data regarding TFGBV using text clustering, the reasons behind their continued prevalence in Indonesia, and the performance of several clustering techniques on the same dataset. 2378 tweets were clustered using K-Means, K-Medoids, Agglomerative Hierarchical Clustering, and DBSCAN algorithms. Each method’s performance was assessed using Silhouette Coefficient, Davies-Bouldin Index, Calinski-Harabasz Index metric, and qualitative analysis of the topic interpretation. The results reveal that the Agglomerative Hierarchical Clustering exhibits superior performance according to the Silhouette Coefficient and Davies-Bouldin Index, while K-Means performs best based on Calinski-Harabasz Index. The K-Means and K-Medoids algorithms separate data into more detailed topics, while Agglomerative Hierarchical Clustering and DBSCAN tend to produce noise clusters. Clustering result showed three major topics around TFGBV: “Education on Forms, Impacts, and Handling of TFGBV”, “Verbal and Non-Consensual Sexual Harassment”, and “Gender Hate Speech on Digital Platforms”. Legal and regulatory factors have been highlighted as key contributors to the prevalence of TFGBV in Indonesia.
Pemanfaatan Kit-Build Concept Map Kolaboratif: Analisis Hasil Belajar dan Interaksi Diskusi Pinandito, Aryo; Batita, Maurish Sofie Rahmi; Purnawirawan, Okta; 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

Pemanfaatan metode peta konsep pada proses pembelajaran telah digunakan pada berbagai jenjang pendidikan, dan menunjukkan dampak positif bagi peningkatan hasil belajar peserta didik. Seiring dengan paradigma pembela-jaran yang berpusat pada peserta didik, serta integrasi teknologi digital dan implementasi pembelajaran online, memberikan peluang untuk mengembangkan dan mengujikan Kit-Build Concept Map (KB map) sebagai kerangka kerja pembelajaran kolaboratif berbasis peta konsep. Penelitian ini menginvestigasi penggunaan KB map dalam konteks pembelajaran dengan topik sistem informasi berbasis kecerdasan buatan yang ditinjau dari peningkatan hasil belajar mahasiswa dan menganalisis interaksi diskusi antar anggota kelompok melalui fitur chat room. Desain penelitian yang digunakan dalam studi ini adalah one group pre test-post test design yang melibatkan partisipasi mahasiswa program studi Sistem Informasi. Data kuantitatif berupa skor hasil belajar dianalisis secara deskriptif dan diukur peningkatannya menggunakan gain score. Data kualitatif dalam penelitian ini berupa interaksi chat log yang dianalisis menggunakan teknik kodifikasi dengan pendekatan discourse analysis. Hasil studi menunjukkan terdapat peningkatan skor pretest dan posttest dengan mayoritas kategori sedang. Selain itu, hasil data analisis kualitatif menunjukkan bahwa interaksi antar anggota yang bersifat konstruktif dan bermakna mendominasi komunikasi yang dilakukan selama  menggunakan KB map. Sehingga, dapat disimpulkan bahwa penggunaan KB map dalam proses pembelajaran berbasis kolaboratif secara online efektif meningkatkan hasil belajar serta mampu mendorong keterlibatan peserta didik melalui interaksi dengan media pembelajaran kolaboratif berbasiskan teori knowledge reconstruction.   Abstract The use of concept mapping in learning has been widely implemented across various educational levels and has shown positive effects on improving student learning outcomes. In line with modern learning paradigms that emphasize student-centered learning paradigm and the integration of digital technology and online learning environments, there is a growing opportunity to develop and evaluate the Kit-Build Concept Map (KB map) as a concept-based collaborative learning framework. This study aims to investigate the use of the KB map in the context of artificial-based information systems, focusing on the improvement in student learning outcomes and the analysis of group interaction through the chat room feature. The research employed a one-group pretest-posttest design, involving undergraduate students majoring in Information Systems program. Quantitative data in the form of learning scores were analyzed descriptively and measured using the normalized gain score. Meanwhile, qualitative data derived from student chat logs were analyzed using codification and discourse analysis approach. The results showed an improvement in pretest and posttest scores, with the majority of students falling into the medium gain category. Additionally, the qualitative analysis revealed that students engaged in constructive and meaningful text-based interactions while using the KB map. The findings suggested that the implementation of the KB map in collaborative and online learning settings effectively enhances learning outcomes and encourages student engage-ment through meaningful knowledge reconstruction.  
Penerapan Data Mining untuk Prediksi Financial Distress pada Perusahaan Sektor Keuangan Periode 2020-2023 Charmita, Briegitta; Wijoyo, Satrio Hadi; Purnomo, Welly; Asi, Melania
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

Penelitian ini mengkaji performa model prediksi financial distress pada perusahaan sektor keuangan di Bursa Efek Indonesia (BEI) selama periode 2020-2023, menggunakan metode data mining berbasis algoritma random forest, serta mengidentifikasi rasio-rasio keuangan paling signifikan dalam klasifikasi. Dampak pandemi Covid-19 terhadap kinerja sektor keuangan menjadikan kemampuan prediksi dini semakin krusial bagi pemangku kepentingan. Penelitian ini menganalisis laporan keuangan tahunan 87 perusahaan (348 sampel) dengan delapan rasio keuangan sebagai variabel independen, membandingkan tiga proporsi pembagian data, dan menerapkan teknik SMOTE untuk mengatasi ketidakseimbangan kelas. Model dengan proporsi data 60:20:20 setelah penerapan SMOTE memberikan performa optimal, baik pada data validasi (akurasi 92,9%, precision 86,5%, recall 83,4%, F1-score 84,8%) maupun data uji (akurasi 92,9%, precision 87,5%, recall 84,7%, F1-score 86,0%). Analisis atribut mengidentifikasi return on assets, net profit margin, total asset turnover, dan working capital to total assets ratio sebagai indikator paling signifikan dalam membedakan perusahaan distress dan non-distress, berdasarkan bobot dalam random forest dan posisi dalam struktur pohon keputusan J48. Penelitian ini memberikan kontribusi penting terhadap pengembangan model prediksi financial distress yang relevan untuk sektor keuangan Indonesia selama periode pandemi, serta menunjukkan efektivitas pendekatan SMOTE dan variasi proporsi data dalam menangani dataset terbatas dan tidak seimbang. Temuan ini memberikan implikasi praktis bagi manajemen, regulator, dan investor dalam memperkuat sistem peringatan dini dan pengambilan keputusan strategis.   Abstract This study examines the performance of financial distress prediction models for financial sector companies listed on the Indonesia Stock Exchange (IDX) during the 2020-2023 period, using data mining methods based on the random forest algorithm and identifying the most significant financial ratios in the classification process. The impact of the Covid-19 pandemic on the financial sector’s performance has made early prediction capabilities increasingly critical for stakeholders. This study analyzes the annual financial statements of 87 companies (348 samples), using eight financial ratios as independent variables, comparing three data split proportions, and applying the SMOTE technique to address class imbalance. The model employing a 60:20:20 data split after SMOTE implementation demonstrated optimal performance, both on the validation set (accuracy 92.9%, precision 86.5%, recall 83.4%, F1-score 84.8%) and the test set (accuracy 92.9%, precision 87.5%, recall 84.7%, F1-score 86.0%). Attribute analysis identified return on assets, net profit margin, total asset turnover, and working capital to total assets ratio as the most significant indicators in distinguishing between distressed and non-distressed companies, based on their weight in the random forest model and their position within the J48 decision tree structure. This study provides an important contribution to the development of relevant financial distress prediction models for Indonesia’s financial sector during the pandemic period and demonstrates the effectiveness of the SMOTE approach and data split variations in handling limited and imbalanced datasets. The findings offer practical implications for management, regulators, and investors in strengthening early warning systems and supporting strategic decision-making.
Perancangan User Interface Website Sipandu Menggunakan Metode Design Thinking Pada Badan Pusat Statistik Kabupaten Sukabumi Dede Sukmawan; Aesy, Rohadatul; Lattu, Arny; Irawan, Carti
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

Penelitian ini bertujuan untuk merancang user interface (UI) pada website SIPANDU di Badan Pusat Statistik (BPS) Kabupaten Sukabumi guna meningkatkan efisiensi dalam pemantauan dokumen statistik. Permasalahan yang dihadapi saat ini adalah penggunaan sistem berbasis Google Spreadsheet yang masih memiliki keterbatasan dalam aspek visualisasi data, keamanan, serta pemantauan secara real-time. Metode yang digunakan dalam penelitian ini adalah Design Thinking yang terdiri dari lima tahapan, yaitu empathize, define, ideate, prototype, dan test. Pengumpulan data dilakukan melalui wawancara, observasi, dan studi literatur. Hasil perancangan kemudian dievaluasi menggunakan metode Heuristic Evaluation berdasarkan sepuluh prinsip heuristik Nielsen untuk mengidentifikasi masalah usability. Hasil evaluasi menunjukkan terdapat 8 temuan masalah usability yang sebagian besar berada pada aspek Aesthetic and Minimalist Design serta Help Users Recognize, Diagnose, and Recover from Errors. Nilai severity rating yang diperoleh termasuk dalam kategori cosmetic problem, yang berarti permasalahan yang ditemukan tidak mengganggu fungsi utama sistem, namun tetap memerlukan perbaikan. Secara keseluruhan, desain antarmuka yang dihasilkan dinilai sudah baik, lebih terstruktur, dan mampu membantu pengguna dalam mengelola serta memantau data secara lebih efektif dan real-time. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem berbasis web yang berorientasi pada pengguna di lingkungan instansi pemerintahan.   Abstract This study aims to design a user interface (UI) for the SIPANDU website at Statistics Indonesia (BPS) of Sukabumi Regency in order to improve efficiency in monitoring statistical documents. The current problem lies in the use of a Google Spreadsheet-based system, which still has limitations in terms of data visualization, security, and real-time monitoring. The method applied in this study is Design Thinking, which consists of five stages: empathize, define, ideate, prototype, and test. Data were collected through interviews, observations, and literature studies. The resulting design was then evaluated using the Heuristic Evaluation method based on Nielsen’s ten heuristic principles to identify usability issues. The evaluation results indicate that there are 8 usability problems, mostly related to Aesthetic and Minimalist Design and Help Users Recognize, Diagnose, and Recover from Errors. The obtained severity rating falls into the cosmetic problem category, meaning that the issues do not affect the main functionality of the system but still require improvement. Overall, the designed interface is considered well-structured, user-friendly, and capable of supporting users in managing and monitoring data more effectively in real-time. This study is expected to serve as a reference for developing user-centered web-based systems in government institutions.
Perbandingan Algoritma Earliest Deadline First Dan Fixed Priority Sebagai Adaptif Traffic Light Controller Untuk Mengurangi Urban Traffic Congestion Hananta, Arceilo; Jonemaro, Eriq Muhammad Adams; Adikara, Putra Pandu; Setiawan, Budi Darma; Arzi, Muhammad Rizki
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

Kemacetan lalu lintas di kawasan perkotaan semakin meningkat seiring pertumbuhan jumlah kendaraan yang tidak diimbangi dengan kapasitas infrastruktur jalan. Di Indonesia, sebagian besar persimpangan masih menggunakan sistem pengendalian lampu lalu lintas konvensional berbasis waktu tetap, yang kurang adaptif terhadap fluktuasi volume kendaraan, khususnya pada jam sibuk. Oleh karena itu, diperlukan sistem pengendali lampu lalu lintas adaptif untuk meningkatkan efisiensi arus kendaraan. Penelitian ini membandingkan kinerja algoritma Fixed Priority (FP) dan Earliest Deadline First (EDF) dengan sistem konvensional melalui simulasi pada dua persimpangan yang saling terhubung di Kota Malang. Setiap skenario simulasi dijalankan selama 5 menit menggunakan Unity Engine dengan data volume kendaraan hasil observasi CCTV yang merepresentasikan kondisi lalu lintas nyata dan didominasi kendaraan roda dua. Evaluasi kinerja dilakukan menggunakan metrik average waiting time dan throughput. Hasil pengujian menunjukkan bahwa algoritma FP dan EDF mampu meningkatkan kinerja sistem secara signifikan. Algoritma FP dan EDF menurunkan average waiting time masing-masing sekitar 64,5% dan 65,1% dibandingkan sistem konvensional. Pada metrik throughput, FP meningkatkan kinerja sekitar 8,18%, sedangkan EDF mencapai peningkatan tertinggi sebesar sekitar 27,8%. Hasil tersebut menunjukkan bahwa algoritma EDF memberikan peningkatan throughput tertinggi, sedangkan kedua algoritma adaptif mampu menurunkan average waiting time dibandingkan sistem konvensional.   Abstract   Urban traffic congestion is getting worse, as the number of vehicles grows faster than road infrastructure capacity. In Indonesia, most intersections still employ conventional fixed-time traffic light control systems, which are less adaptive to fluctuations in traffic volume, particularly during peak hours. Therefore, an adaptive traffic light control system is required to improve traffic flow efficiency. This study compares the performance of the Fixed Priority (FP) and Earliest Deadline First (EDF) algorithms with a conventional system through a simulation of two connected intersections in Malang City. Each simulation scenario was conducted for 5 minutes using Unity Engine, with vehicle volume data obtained from CCTV observations to represent real traffic conditions dominated by two-wheeled vehicles. System performance was evaluated using two main metrics, namely average waiting time and throughput. The results show that both FP and EDF significantly improve system performance. The FP and EDF algorithms reduce average waiting time by approximately 64.5% and 65.1%, respectively, compared to the conventional system. In terms of throughput, FP improves performance by about 8.18%, while EDF achieves the highest improvement of approximately 27.8%. These results indicate that EDF provides the highest throughput improvement, while both adaptive algorithms are able to reduce average waiting time compared to the conventional system.
Implementasi Algoritma Random Forest Untuk Deteksi Dini Kesehatan Mental Remaja Di Kabupaten Kudus Menggunakan Instrumen Self-Reporting Questionnaire 20 Lestari, Dwi Kusnadia; Supriyono; Romadhon, Zainur
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

Kesehatan mental remaja ialah tantangan global serius, namun kesadaran untuk melakukan skrining dini masih rendah akibat adanya stigma sosial. Studi ini mempunyai tujuan guna menerapkan algoritma Random Forest dalam mendeteksi dini kondisi kesehatan mental kelompok usia remaja akhir sampai dewasa awal (rentang usia 17-28 tahun) di Kabupaten Kudus. Kuantitatif eksperimental diimplmentasikan selaku metode studi ini dengan pendekatan pengembangan sistem. Data primer didapat melewati teknik purposive sampling dengan jumlah sampel sejumlah 500 responden yang dihitung menggunakan rumus Slovin. Skrining dilakukan dengan mengintegrasikan instrumen klinis baku Self-Reporting Questionnaire 20 (SRQ-20) dari WHO, tersusun atas 20 pertanyaan dikotomis. Jawaban responden kemudian ditransformasikan menjadi data biner untuk diklasifikasikan oleh model machine learning ke dalam kategori "Sehat" atau "Terindikasi gangguan mental". Sistem ini diimplementasikan dalam bentuk aplikasi berbasis web memakai bahasa pemrograman Python serta basis data MySQL. Evaluasi kinerja model dilaksanakan memakai Confusion Matrix guna memastikan tingkat presisi, akurasi, dan recall yang optimal. Platform skrining mandiri ini diharapkan dapat mempermudah remaja di Kabupaten Kudus dalam mendapatkan bantuan awal secara cepat, objektif, dan terstandardisasi tanpa rasa ragu.   Abstract Adolescent mental health is a serious global challenge, yet public awareness of early screening remains low due to social stigma. This investigation aims to implement the Random Forest algorithm for the early detection of mental health conditions among late adolescents and young adults (aged 17-28 years) in Kudus Regency. The method employed is experimental quantitative research combined with system development approaches. Primary data were gathered through a purposive sampling technique, resulting in 500 respondents determined via the Slovin formula. The screening framework integrates the standardized Self-Reporting Questionnaire 20 (SRQ-20) instrument from WHO, which consists of 20 dichotomous questions. Respondents' answers are transformed into binary format to be processed by the machine learning model into two classes: "Healthy" or "Indication of Mental Disorder". The system is deployed as a web-based application built using the Python programming language and MySQL database. Model performance is evaluated using a Confusion Matrix to guarantee optimal accuracy, precision, and recall metrics. This independent screening platform is expected to provide adolescents in Kudus Regency with rapid, objective, and standardized initial assessments, facilitating early intervention without social hesitation.

Page 141 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: 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