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 
Optimasi Hyperparameter Model Support Vector Machine dan IndoBERT untuk Analisis Sentimen Ulasan Aplikasi Bibit Triyanto, Wiwit Agus; Kurniawan, Moh Adi; Setiaji, Pratomo
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

Seiring meningkatnya jumlah ulasan pengguna pada platform investasi digital, diperlukan metode analisis sentimen untuk membantu evaluasi kualitas layanan. Penelitian ini bertujuan membandingkan kinerja model Support Vector Machine (SVM) berbasis TF-IDF dan IndoBERT dalam klasifikasi sentimen ulasan aplikasi Bibit serta memperoleh konfigurasi hyperparameter yang sesuai untuk masing-masing model. Dataset diperoleh melalui web scraping sebanyak 4.123 ulasan Google Play Store. Setelah penyaringan dengan mengeluarkan ulasan berating 3, diperoleh 3.687 ulasan yang terdiri atas 1.956 positif dan 1.731 negatif. Penelitian menggunakan kerangka Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi data understanding, data preparation, modeling, evaluation, dan deployment. Optimasi dilakukan melalui hyperparameter tuning, sedangkan evaluasi menggunakan Stratified 5-Fold Cross Validation dengan metrik accuracy, precision, recall, F1-score, ROC-AUC, dan confusion matrix. Hasil evaluasi menunjukkan bahwa SVM memperoleh rata-rata akurasi sebesar 87,28%, sedangkan IndoBERT sebesar 87,25%. Selisih rata-rata akurasi sebesar 0,03 poin persentase menunjukkan bahwa kinerja kedua model berdasarkan metrik akurasi sangat berdekatan pada dataset penelitian. Analisis kesalahan (Error Analysis) digunakan untuk mengidentifikasi pola kesalahan klasifikasi, sedangkan Explainable Artificial Intelligence (XAI) diterapkan menggunakan LIME pada SVM dan Token Saliency pada IndoBERT untuk menginterpretasikan kontribusi fitur terhadap hasil prediksi. Model kemudian diimplementasikan dalam prototipe aplikasi berbasis Streamlit sebagai bentuk penerapan tahap deployment dalam CRISP-DM. Sistem masih dijalankan pada lingkungan pengembangan dan belum tersedia untuk akses publik.   Abstract As the number of user reviews on digital investment platforms continues to increase, sentiment analysis methods are needed to support service quality evaluation. This study aims to compare the performance of Support Vector Machine (SVM) based on Term Frequency–Inverse Document Frequency (TF-IDF) and IndoBERT for sentiment classification of Bibit application reviews, as well as to obtain appropriate hyperparameter configurations for each model. The dataset was collected through web scraping, resulting in 4,123 Google Play Store reviews. After filtering out reviews with a rating of 3, a total of 3,687 reviews remained, consisting of 1,956 positive and 1,731 negative reviews. The study adopts the Cross-Industry Standard Process for Data Mining (CRISP-DM) framework, comprising data understanding, data preparation, modeling, evaluation, and deployment. Optimization was performed through hyperparameter tuning, while evaluation employed Stratified 5-Fold Cross Validation using accuracy, precision, recall, F1-score, ROC-AUC, and confusion matrix metrics. The evaluation results show that SVM achieved an average accuracy of 87.28%, while IndoBERT achieved 87.25%. The 0.03 percentage-point difference in average accuracy indicates that the performance of both models based on accuracy was very close on the research dataset. Error Analysis was conducted to identify patterns of misclassification, while Explainable Artificial Intelligence (XAI) was applied using LIME for SVM and Token Saliency for IndoBERT to interpret feature contributions to prediction outcomes. The models were subsequently implemented in a Streamlit-based application prototype as an application of the deployment stage in CRISP-DM. The system is currently operated in a development environment and is not yet publicly accessible.
Fine-Tuning T5 (Text-To-Text-Transfer Transformer) Untuk Seleksi Jawaban Pada Sistem Tanya Jawab Berbahasa Indonesia Khasanah, Hilma Nur; Rismiyati; Kusumaningrum, Retno
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

Kemajuan teknologi informasi mendorong perkembangan dalam dunia pendidikan, khususnya dalam meningkatkan kualitas dan efektivitas pembelajaran, salah satunya melalui penerapan Sistem Tanya Jawab (Question Answering System/QAS). Inovasi signifikan dalam QAS adalah Chat Generative Pre-trained Transformer (ChatGPT), yang mampu menghasilkan teks menyerupai percakapan manusia. Namun, ChatGPT memberikan jawaban yang bersifat subjektif karena data latihnya berasal dari berbagai sumber daring yang kredibilitasnya tidak selalu terjamin. Permasalahan ini dapat diatasi dengan membangun QAS yang berbasis pada dataset yang kredibel. Pengembangan QAS terdiri dari beberapa tahapan, namun penelitian ini difokuskan pada tahap seleksi jawaban. Tahap ini merupakan tahap fundamental yang mengidentifikasi kanddidat jawaban yang sesuai dengan pertanyaan. Ini sangat dipengaruhi oleh kualitas representasi pertanyaan dan jawaban (proses word embedding). Dimana word embedding yang representatif akan mampu membuat model menangkap hubungan semantik yang lebih baik diantara pertanyaan dan jawaban. penelitian sebelumnya mengenai proses word embedding dalam tahap seleksi jawaban masih memiliki kelemahan dalam mengasilkan jawaban secara langsung. Sehingga, untuk mengatasi kelemahan tersebut, penelitian ini menggunakan fine-tinning Text-To-Text Transfer Transformer (T5) yang mengadopsi arsitektur encoder-decoder untuk seleksi jawaban sistem tanya jawab. Untuk dapat meningkatkan performa model, penelitian ini juga melakukan optimasi terhadap beberapa hyperparameter, seperti learning rate dan batch size. Hasil evaluasi menunjukkan bahwa batch size optimal adalah 4 dan learning rate optimal adalah 5e-5, dengan skor ROUGE-1 = 0,53, ROUGE-2 = 0,47, dan ROUGE-L = 0,52.   Abstract Advances in information technology are enhancing education by improving the quality and effectiveness of learning, particularly through the implementation of a Question Answering System (QAS). A significant innovation in QAS is the Chat Generative Pre-trained Transformer (ChatGPT), which is capable of generating text resembling human conversation. However, ChatGPT often provides subjective answers because its training data is sourced from various online platforms, where the credibility of the information is not always guaranteed. This issue can be addressed by developing a QAS based on a credible dataset.  The development of a QAS involves several stages, but this research specifically focuses on the answer selection stage. This stage is crucial as it identifies candidate answers that align well with the questions posed. The quality of the questions significantly influences how answers are represented during the word embedding process. Effective word embedding allows the model to better capture the semantic relationships between questions and answers. Previous research on word embedding processes during the answer selection stage has had difficulty generating answers directly. To address this weakness, this study utilizes the Text-To-Text Transfer Transformer (T5) fine-tuning, which adopts an encoder-decoder architecture for answer selection in Question Answering Systems (QAS). Furthermore, the study optimizes various hyperparameters, such as learning rate and batch size, to improve model performance. The evaluation results revealed that the optimal batch size was four and the optimal learning rate was set at 5e-5, leading to ROUGE scores of ROUGE-1 = 0.53, ROUGE-2 = 0.47, and ROUGE-L = 0.52.
Perbandingan Algoritma Dijkstra dan A-Star untuk Pencarian Rute Transportasi Umum Pada Perangkat Bergerak Afirianto, Tri; Arwani, Issa; Akbar, Muhammad Aminul; Pinandito, Aryo
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

Transportasi merupakan suatu proses perpindahan barang atau manusia dari tempat asal ke tempat tujuan dengan menggunakan alat bantu. Angkutan kota (angkot) merupakan salah satu bentuk transportasi umum yang memiliki berbagai macam rute, sehingga penumpang dapat memilih rute sesuai dengan keperluannya. Ada kalanya, penumpang mengalami kesulitan ketika memilih angkot untuk menuju ke tempat tujuan dari posisi penumpang berada saat itu. Terkadang terdapat beberapa angkot dengan tujuan yang berbeda-beda yang melintasi jalan yang sama. Untuk membantu penumpang memilihkan angkot yang tepat menjadi suatu tantangan yang kompleks. Hal ini dikarenakan pengaruh dari berbagai faktor, seperti kemacetan, biaya, waktu tempuh, dan kondisi jalan yang kurang memadai. Penelitian terhadap algoritma pencarian rute yang efisien, baik dari kecepatan maupun penggunaan sumber daya, telah dilakukan selama beberapa dekade. Dua algoritma yang umum diteliti adalah Dijkstra dan A-Star (A*). Penelitian yang dilakukan bertujuan untuk (i) mengimplementasikan algoritma Dijkstra dan A-Star pada perangkat bergerak untuk menentukan rute angkot terpendek; serta (ii) menganalisis performa dari komputasi algoritma tersebut dengan studi kasus di Kota Malang. Hasil penelitian menunjukkan bahwa A-Star lebih efisien dalam waktu eksekusi, meskipun A-Star membutuhkan lebih banyak memori dari pada Dijkstra. Kecepatan waktu eksekusi A-Star lebih cepat dikarenakan memanfaatkan fungsi heuristik untuk memandu proses pencarian, namun, hasil ini membutuhkan memori lebih banyak. Kebalikannya, Dijkstra harus mengevaluasi setiap bobot node yang ada yang membutuhkan waktu lebih lama namun menggunakan memori lebih efisien. Temuan ini memberikan kontribusi dalam pengembangan aplikasi pencarian rute transportasi umum yang lebih responsif dan efisien pada perangkat bergerak.   Abstract Transportation is the process of moving goods or people from an origin to a destination using supporting tools. City transportation (commonly known as angkot in Indonesia) is one form of public transportation that operates on various routes, allowing passengers to choose a route based on their needs. However, the passengers often face difficulties when selecting the appropriate angkot to reach their destination from their current location. In some cases, multiple angkot lines with different destinations operate on the same road. Assisting passengers in choosing the most suitable angkot presents a complex challenge due to various influencing factors, such as traffic congestion, cost, travel time, and poor road conditions. Research on efficient route-finding algorithms, in terms of both speed and resource usage, has been conducted for decades. Two commonly studied algorithms are Dijkstra and A-Star (A*). This study aims to (i) implement the Dijkstra and A-Star algorithms on mobile devices to determine the shortest angkot routes; and (ii) analyze the computational performance of these algorithms using a case study in Malang City. The results show that A-Star is more efficient in terms of execution time, although it requires more memory compared to Dijkstra. A-Star achieves faster execution time by utilizing a heuristic function to guide the route-finding process; however, this results in higher memory consumption. In contrast, Dijkstra must evaluate the weight of every node, which takes more time but uses memory more efficiently. These findings contribute to the development of more responsive and efficient public transportation route-finding applications on mobile devices.

Page 142 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 (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