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 1,288 Documents
 35   36   37   38   39 
Temu Kembali Citra Tenun Nusa Tenggara Timur menggunakan Esktraksi Fitur yang Robust terhadap Perubahan Skala, Rotasi, dan Pencahayaan Baso, Budiman; Suciati, Nanik
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 2: April 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722002

Abstract

Ragam motif pada tenun Nusa Tenggara Timur (NTT) seperti flora, fauna dan geometris menjadi suatu keunikan yang dapat membedakan daerah asal dan jenis dari tenun tersebut. Pada penelitian ini, sistem temu kembali citra berbasis isi atau Content-Based Image Retrieval (CBIR) diimplementasikan pada citra tenun NTT sehingga user dapat mencari citra tenun pada database menggunakan citra query berdasarkan fitur visual yang terkandung dalam citra. Seringkali citra query yang diinputkan user memiliki skala, rotasi dan pencahayaan yang bervariasi, sehingga diperlukan suatu metode ektraksi fitur yang dapat mengakomodasi variasi tersebut. Sistem temu kembali citra tenun pada penelitian ini menggunakan model Bag of Visual Words (BoVW) dari keypoints pada citra yang diekstrak dengan metode Speeded Up Robust Feature (SURF). BoVW dibangun menggunakan K-Means untuk menghasilkan visual vocabulary dari keypoints pada seluruh citra training. Representasi BoVW diharapkan dapat menangani variasi skala dan rotasi pada citra. Sedangkan untuk mengatasi variasi pencahayaan pada citra, dilakukan perbaikan kualitas citra dengan menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE). Percobaan dilakukan dengan membandingkan kinerja dari representasi BoVW yang dibangun menggunakan fitur SURF dengan Maximally Stable Extremal Regions (MSER) pada temu kembali citra tenun. Hasil uji coba menunjukkan bahwa metode SURF menghasilkan rata-rata akurasi 89,86% dan waktu komputasi 9,94 detik, sedangkan MSER menghasilkan rata-rata akurasi 84,04% dan waktu komputasi 1,95 detik. AbstractThe variety of motifs in East Nusa Tenggara tenun such as flora, fauna and geometric is an unique thing that can distinguish the region of origin and type of the tenun. In this study, the Content-Based Image Retrieval (CBIR) system is implemented in the tenun image. With Content-based techniques Users can search tenun images on the image database by using query images based on visual features contained in the image. Often the query image that the user enters has a different scale, rotation and lighting, so a feature extraction method is needed that can accommodate these differences. The tenun image retrieval system in this study used the Bag of Visual Words (BoVW) model of the keypoints in the extracted image using the Speeded Up Robust Feature (SURF) method. BoVW was built using K-Means to produce visual vocabulary from keypoints on all training images. The representation of BoVW is expected to be able to handle scale variations and rotations in images. Whereas to overcome the lighting variations in the image, image quality improvement is done by using Contrast Limited Adaptive Histogram Equalization (CLAHE). The experiment was conducted by comparing the performance of the BoVW representation which was built using the SURF feature with Maximally Stable Extremal Regions (MSER) at the tenun image retrieval. The results of the trial showed that SURF obtained higher accuracy in all conditions of tenun image data with an average value of 89.86% whereas MSER obtained an average accuracy value of 84.04%. But MSER's computation time is 1.95 seconds faster than SURF which is 9.94 seconds.
Sentiment Analysis Twitter Bahasa Indonesia Berbasis WORD2VEC Menggunakan Deep Convolutional Neural Network Juwiantho, Hans; Setiawan, Esther Irawati; Santoso, Joan; Purnomo, Mauridhi Hery
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 1: Februari 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Media sosial sebagai media informasi dan komunikasi mulai berkembang pesat sejak internet mudah diakses. Orang dengan mudah menyatakan pendapat, ekspresi, opini, dan informasi melalui tulisan pada media sosial. Opini atau informasi pada media sosial dapat digunakan untuk menilai baik atau buruk suatu brand perusahaan. Orang cenderung jujur dalam mengungkapkan perasaan terhadap sesuatu pada media sosial. Dengan menggunakan sentiment analysis terhadap opini dari pelanggan, analisis opini dapat dilakukan secara otomatis. Perusahaan dapat secara langsung mengetahui tingkat kepuasan pelanggan dan digunakan untuk meningkatkan kualitas pelayanan hingga menaikan brand perusahaan. Penggunaan metode classical machine learning yang sudah banyak diterapkan pada sentiment analysis, tetapi metode tersebut tidak memperhatikan pentingnya urutan kata pada suatu kalimat. Metode deep learning dengan algoritme Deep Convolutional Neural Network ditawarkan untuk menjawab permasalahan tersebut dengan melakukan operasi convolution menggunakan filter sebesar ukuran window untuk mendapatkan fitur berdasarkan urutan kata. Model Word2Vec untuk Bahasa Indonesia digunakan sebagai representasi kata dalam bentuk vektor. Penggunaan Word2Vec juga mempercepat proses pelatihan dan meningkatkan akurasi algoritme Deep Convolutional Neural Network. Data yang digunakan dalam makalah ini adalah data Twitter Bahasa Indonesia dengan jumlah 999 tweet. Hasil percobaan yang telah dilakukan dengan algoritme Deep Convolutional Neural Network memiliki nilai akurasi terbaik sebesar 76,40%. AbstractSocial media as information media and communication is growing rapidly since the internet is easily accessible. People easily express opinions, expressions, and information by writing on social media. Opinion or information on social media can be used to assess how good or bad a companies is. People tend to be honest in expressing feelings towards something on social media. With sentiment analysis, analysis of the opinions of customers can be done automatically. The company will know the level of customer satisfaction and can be used to improve the quality of service to raise the company's brand. The use of classical machine learning methods that have been widely applied to sentiment analysis ignoring the importance of the word order in a sentence. Deep Convolutional Neural Network algorithm is offered to answer these problems by carrying out convolution operations using filters as large as window size to get features based on word order. Word2Vec model for Indonesian is used as a word vector representation. The use of Word2Vec also reduce the training time and improve the accuracy of the Deep Convolutional Neural Network algorithm. The data used in this paper is Indonesian Twitter data with 999 tweets. The results of experiments that have been carried out with the Deep Convolutional Neural Network algorithm have the best accuracy value of 76.40%.
Analisis Metode AHP dan Promethee pada Sistem Pendukung Keputusan Penilaian Kompetensi Soft Skills Karyawan yuminah, Yuminah; Umar, Rusydi; Fadlil, Abdul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 1: Februari 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perusahaan sangat membutuhkan karyawan yang mempunyai kompetensi (soft skills) sikap dan perilaku yang baik untuk menghadapi orang lain dalam menyelesaikan pekerjaan, contohnya komunikasi, kejujuran, kerjasama dan interpersonal. Untuk melakukan penilaian kompetensi soft skills membutuhkan berbagai kriteria yang sangat beragam. Kriteria-kriteria yang terkait untuk menilai sikap dan perilaku sangat banyak, sehingga untuk melakukan penilaian kompetensi soft skills ini dengan hasil yang tepat dan cepat perusahaan mengalami kesulitan. Kondisi tersebut menunjukan bahwa perusahaan  membutuhkan  sebuah sistem yang dapat digunakan untuk penilaian kompetensi soft skills karyawan menggunakan alat bantu berupa komputer. Ada beberapa metode yang dapat digunakan untuk pengambilan keputusan dengan berbagai kriteria di antaranya AHP dan Promethee.  Maka fokus dalam penelitian ini adalah menggunakan metode AHP untuk menentukan pembobotan dan Promethee untuk pemeringkatan penilaian soft skills karyawan. Hasil pembobotan yang diperoleh untuk kriteria komunikasi 41%, kejujuran 38%, kerjasama 14% dan interpersonal 7%. Dengan rasio indeks konsistensi 6%. Dari jawaban responden diperoleh 58 % karyawan mempunyai kompetensi soft skills baik dan 42 % karyawan  kurang baik.AbstractCompanies that really need employees who need competencies (soft skills) Good attitudes and relationships to complete other people's work, for example communication, honesty, cooperation and interpersonal. To evaluate soft skills competencies requires a variety of criteria that are very diverse. The related criteria to assess attitudes and behavior are very many, so to evaluate this soft skills competency with the right and quick results the company has difficulties. This condition shows that companies need a system that can be used to assess the competency of employees' soft skills using computer-assisted tools. There are several methods that can be used for decision making with various criteria including AHP and Promethee. So the focus in this study is to use the AHP method to determine weighting and Promethee to rank the assessment of employee soft skills. The weighting results obtained for communication criteria were 41%, honesty 38%, cooperation 14% and interpersonal 7%. With a consistency index ratio of 6%. From the respondents' answers obtained 58% of employees have good soft skills competency and 42% of employees are not good.
Implementasi Data Mining untuk Deteksi Penyakit Ginjal Kronis (PGK) menggunakan K-Nearest Neighbor (KNN) dengan Backward Elimination Gamadarenda, Ikhsan Wisnuadji; Waspada, Indra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 2: April 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020721896

Abstract

Penyakit ginjal kronis (PGK) merupakan masalah kesehatan publik di seluruh dunia dengan insiden yang terus meningkat. Berdasarkan sumber dari BPJS Kesehatan, perawatan PGK merupakan ranking kedua pembiayaan terbesar setelah penyakit jantung. Pendeteksian PGK juga memerlukan banyak atribut sehingga membutuhkan biaya yang cukup mahal. Oleh sebab itu dibuat sistem dengan tahapan data mining berbasis web yang memudahkan untuk melakukan deteksi PGK, sehingga PGK dapat dicegah, ditanggulangi, dan kemungkinan mendapatkan terapi yang efektif lebih besar jika diketahui lebih awal. Proses penelitian ini menggunakan sebuah rangka kerja data mining Knowledge Data Discovery (KDD). Dalam skenario rangka kerja yang digunakan, sistem ini menggunakan Algoritme Backward Elimination untuk mengurangi jumlah atribut yang dipakai dengan tujuan untuk mengurangi jenis pemeriksaan yang dilakukan, dan Algoritme k-Nearest Neighbor sebagai algoritme klasifikasi untuk mendeteksi penyakit. Hasil pemodelan terbaik data mining dari sistem yang dibuat menggunakan Backward Elimination (α = 0,05) dan kNN (k = 3) dengan pertimbangan penurunan biaya pemeriksaan dan sensitivity tertinggi. Rekomendasi sistem menghasilkan 10 atribut yang terpilih dari 24 atribut awal yang digunakan, yaitu: berat jenis (sg), albumin (al), urea darah (bu), kreatinin serum (sc), sodium (sod), hemoglobin (hemo), sel darah merah (rbc), hipertensi (htn), diabetes mellitus (dm), dan nafsu makan (appet). Penggunaan atribut yang telah terseleksi tersebut, berhasil menekan biaya pemeriksaan hingga 73,36%. Selanjutnya dilakukan pendeteksian penyakit menggunakan Algoritme k-Nearest Neighbor menghasilkan nilai akurasi sebesar 99,25%, sensitivity sebesar 99,5%, dan specificity sebesar 98,745%.AbstractChronic kidney disease (CKD) is a health problem for people around the world with increasing incidence. Based on sources from BPJS Kesehatan, CKD care is the second largest ranking of financing after heart disease. CKD detection also requires many attributes, so it requires quite expensive costs. Create a system with web-based data mining stages that makes it easy to detect CKD. Allowing CKD to be prevented, addressed, and advised to get effective therapy is greater if acknowledged earlier. The process of this research uses work methods of Data Mining Knowledge Data Discovery (KDD). In the framework of the framework used, this system uses the Backward Elimination Algorithm to reduce the number of attributes used to reduce the type of inspection performed, and the k-Nearest Neighbor Algorithm as an algorithm to update disease. The best data mining modeling results from the system are made using Backward Elimination (α = 0.05) and kNN (k = 3) by calculating the increase in inspection costs and the highest sensitivity. System recommendations produce 10 attributes selected from the 24 initial attributes used, namely: specific gravity (sg), albumin (al), blood urea (bu), serum creatinine (sc), sodium (soil), hemoglobin (hemo), cell red blood (rbc), hypertension (htn), diabetes mellitus (dm), and appetite (appetite). The use of the selected attributes succeeded in achieving inspection costs of up to 73.36%. Furthermore, disease detection using the k-Nearest Neighbor Algorithm produces an accuracy value of 99.25%, sensitivity of 99.5%, and specificity of 98.745%.
Evaluasi Heuristik Website berbasis Framework Sirius dengan Pengaturan Prioritas menggunakan Teknik Moscow Marthasari, Gita Indah; Hayatin, Nur
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 2: April 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020701662

Abstract

Kualitas merupakan faktor utama kesuksesan sebuah website. Salah satu karakteristik kualitas perangkat lunak menurut ISO 9126 adalah usabilitas. Pengukuran usabilitas sebuah website adalah hal yang penting mengingat sangat besarnya jumlah website saat ini. Salah satu metode yang dapat digunakan untuk mengevaluasi usabilitas website adalah framework Sirius. Sirius dapat menghasilkan nilai usabilitas global dan daftar elemen antarmuka sistem yang perlu diperbaiki. Namun, elemen-elemen ini belum diatur berdasarkan prioritas pengembang sistem dan hanya mempertimbangkan nilai peningkatan yaitu prosentasi perbaikan nilai usabilitas global jika elemen tersebut diperbaiki. Untuk itu dibutuhkan sebuah teknik untuk memprioritaskan elemen-elemen tersebut berdasarkan sudut pandang pengembang sistem sehingga sesuai dengan sumber daya yang dimiliki oleh pihak pengembang. Salah satu teknik yang dapat digunakan adalah Moscow. Moscow dapat mengelompokkan seluruh kebutuhan ke dalam 4 (empat) kelas berdasarkan tingkat prioritasnya. Penelitian ini melakukan modifikasi terhadap framework Sirius dengan menambahkan tahap perangkingan menggunakan teknik Moscow.  Berdasarkan hasil pengujian, penambahan tahap pengaturan prioritas dengan Teknik Moscow memberikan urutan kriteria usability yang lebih baik dalam hal nilai bisnis, resiko, dan biaya pembangunan website. Setiap tim pengembang website yang dianalisis memberikan hasil pengaturan prioritas Moscow yang berbeda-beda. Bagi tim website Lective, kriteria usability paling penting adalah berkaitan dengan aspek labelling, sedangkan bagi pengembang website Seminar Indonesia, aspek paling penting adalah kelompok comprehensibility and ease of interaction. Adapun pengembang website Simkesmas lebih menekankan pada aspek control and feedback. AbstractQuality became the key element for website deployment. Based on the ISO 9126, one of the quality characteristics in software engineering is usability. The usability measurement on a website is an essential topic nowadays along with the incremental growth of it. One of the evaluation methods that can be used for analysing website usability is Sirius Framework. This method can produce global usability values and the list of a user interface element that should be modified. However, those elements have not been adjusted based on developer priority system which only considers the increased value of each element - the percentage of modified global usability value. Therefore, A technique called MoSCoW was introduced for prioritizing those elements from a developer point of views which corresponds to its available resource. MoSCoW can categorize all of the requirements into 4 distinct classes based on priority. This paper was performed for extending the Sirius Framework for implementing the ranking system by using MoSCoW. The experiment results showed that the MoSCoW method for priority adjustment process could produce better usability criteria on business, risk, and cost value during website development.
Klasifikasi Otomatis Motif Tekstil Menggunakan Support Vector Machine Multi Kelas Ramadhani, Ramadhani; Arnia, Fitri; Muharar, Rusdha
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 1: Februari 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tekstur merupakan pola atau motif tertentu yang tersusun secara berulang-ulang pada citra. Tekstur mudah dikenali/dikelompokkan oleh manusia, tetapi sulit bagi mesin. Klasifikasi tekstur secara otomatis berguna dan dibutuhkan pada banyak bidang seperti industri tekstil, pendaratan pesawat otomatis, fotografi dan seni. Pada industri tekstil, klasifikasi tekstur otomatis dapat meningkatkan efisiensi proses desain motif. Motif tekstil terdiri dari banyak kelompok, sehingga diperlukan metode klasifikasi multi kelas untuk mengelompokkan motif-motif tersebut. Artikel ini memaparkan kinerja tiga metode Support Vector Machine (SVM) multi kelas: One Against One (OAO), Directed Acyclic Graph (DAG) dan One Against All (OAA) pada klasifikasi motif dari citra tekstil, dimana Wavelet Gabor digunakan sebagai pengekstraksi fitur. Kinerja SVM diukur berdasarkan parameter akurasi dan fitur Gabor diekstraksi dengan skala dan orientasi yang berbeda. Tujuan penelitian ini adalah menentukan kinerja SVM dan pengaruh jumlah skala dan orientasi Gabor yang digunakan pada klasifikasi motif tekstil. Pada simulasi digunakan 120 citra tekstil yang terbagi menjadi tiga kategori motif: bunga, kotak dan polkadot. Akurasi pengelompokan SVM mencapai kisaran 90%-100%, bahkan untuk citra yang terpotong. Pengujian dengan k-fold validation menunjukkan bahwa SVM DAG lebih baik daripada SVM OAO dan SVM OAA, dengan akurasi mencapai 78%. AbstractTexture is a repetition of a specific pattern concatenation in an image. The Texture can be defined as a repetition of pattern in an image.  The texture is easy for the human to classify, but it is not easy for a machine. Automatic texture classification is useful and required in many fields such as textile industry, automatic aircraft landing, photography and art. In the textile industry, automatic texture classification can enhance the efficiency of motif designing process. The textile motif is various and should be grouped into more than two classes; therefore a multiclass classification is required. This article discusses the performance of multiclass Support Vector Machine (SVM): One Against One (OAO), Directed Acyclic Graph (DAG) and One Against All (OAA) in classifying textile motifs, in which the Gabor Filter was used to extract the texture features. The SVM performance was measured in terms of accuracy, while the Gabor features were extracted in a different combination of scales and orientations. The purpose of the work is to measure the SVM performance and determine the effect of using various Gabor scales and orientations in textile motifs classification. We used 120 textile images with three motifs: flower, boxes and polka dot. The SVM accuracy of 90%-100% was achieved; even for cropped textile images. Using the k-fold validation, the accuracy of SVM DAG was 78%, higher than those of SVM OAO and SVM OAA
Optimasi Proses Klasterisasi di MySQL DBMS dengan Mengintegrasikan Algoritme MIC-Kmeans Menggunakan Bahasa SQL dalam Stored Procedure Arwani, Issa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 2: April 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020702639

Abstract

Proses klasterisasi data di DBMS akan lebih efisien jika dilakukan langsung di dalam DBMS itu sendiri karena DBMS mendukung untuk pengelolaan data yang baik. SQL-Kmeans merupakan salah satu metode yang sebelumnya telah digunakan untuk mengintegrasikan algoritme klasterisasi K-means ke dalam DBMS menggunakan SQL. Akan tetapi, metode ini juga membawa kelemahan dari algoritme K-means itu sendiri yaitu lamanya iterasi untuk mencapai konvergen dan keakuratan hasil klasterisasi yang belum optimal akibat dari proses inisialisasi centroid awal secara acak. Algoritme Median Initial Centroid (MIC)-Kmeans merupakan pengembangan dari algoritme K-means yang bisa memberikan solusi optimal dalam menentukan awal centroid yang berdampak pada keakuratan dan lamanya iterasi. Dengan keunggulan yang dimiliki algoritme MIC-Kmeans, maka dalam penelitian ini dipilih sebagai alternatif algoritme yang diintegrasikan dalam proses klasterisasi data secara langsung di DBMS menggunakan SQL. Proses integrasinya meliputi 4 tahap yaitu tahap inisialisasi tabel dataset, tahap pemetaan algoritme MIC-Kmeans pada SQL dan tabel dataset, tahap perancangan SQL untuk tiap hasil pemetaan dan tahap implementasi rancangan SQL dalam MySQL stored procedure. Hasil pengujian menunjukkan bahwa metode SQL MIC-Kmeans bisa mengurangi 43% jumlah iterasi dan mengurangi 39% waktu yang dibutuhkan dari metode SQL-Kmeans untuk mencapai konvergen. Selain itu, nilai rata-rata silhouette coefficient metode SQL MIC-Kmeans adalah 0,79 dan masuk dalam kategori strong structure (nilai rentang 0,7 sampai 1). Sedangkan nilai rata-rata silhouette coefficient metode SQL-Kmeans adalah 0,68 dan masuk dalam kategori medium structure (nilai rentang 0,5 sampai 0,7).AbstractThe process of data clustering in the DBMS will be more efficient because the DBMS supports good data management. SQL-Kmeans is a method that has been used to integrate K-means clustering algorithms into DBMS using SQL. However, it carries the weakness of the K-means algorithm itself in the duration of iterations to reach convergence and the accuracy of clustering due to the centroid initialization process randomly. Median Initial Centroid (MIC)-Kmeans algorithm is a development of the K-means algorithm that can provide the optimal solution in determining the initial centroid which has an impact on the accuracy and duration of iterations. With the advantages of the MIC-Kmeans algorithm, the method was chosen as an alternative algorithm to be integrated in the DBMS using SQL  for a clustering. The integration process includes 4 stages, there are dataset initialization, SQL algorithm mapping and dataset table, SQL design for each mapping result, and implementation SQL in the MySQL stored procedure. The test results show that the SQL MIC-Kmeans method can reduce 43% the number of iterations and reduce 39% of the time required from the SQL-Kmeans method to reach convergence. In addition, the average value of the coefficient SQL MIC-Kmeans method is 0.79 and categorized as strong structure (value ranges from 0.7 to 1). While, the average value of the coefficient SQL-Kmeans method is 0.68 and categorized as medium structure (value ranges from 0.5 to 0.7).
Penentuan Filterbank Wavelet Menggunakan Algoritma Mean Best Basis untuk Ekstraksi Ciri Sinyal Suara Ber-Noise Abdurahim, Abdurahim; Hidayat, Syahroni
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 1: Februari 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Belakangan ini filterbank berbasis wavelet sebagai ekstraktor ciri mulai banyak dikembangkan untuk dapat menggantikan peran ciri Mel Frequency Cepstral Coefficient (MFCC) dalam sistem pengenalan suara otomatis. Salah satu filterbank ciri wavelet yang dikembangkan adalah Wavelet-Packet Cepstral Coefficient (WPCC). Namun sejauh ini pengembangannya hanya difokuskan untuk suara tanpa noise. Sehingga penelitian ini bertujuan untuk mendesain WPCC untuk suara yang mengandung noise. Algoritma Mean Best Basis (MBB) dan fungsi wavelet db44 dan db45 digunakan untuk memperoleh desain filterbank WPCC. Suara yang digunakan adalah rekaman suara vokal bahasa Indonesia a, i, u, e, é, o, dan ó yang mengandung noise. Hasil menunjukkan telah terbentuk dua buah desain filterbank WPCC. Masing-masing merupakan hasil penerapan fungsi daubechies db44 dan db45. Noise tidak memberikan pengaruh terhadap pembentukan kedua filterbank WPCC tersebut. Kedua bentuk filterbank telah memenuhi standar bentuk filter MFCC terutama untuk variabel range dan skala frekuensinya. Range frekuensinya berkisar antara 125 Hz - 1000 Hz dengan bentuk skala yang linier untuk frekuensi di bawah 1000 Hz. Sehingga dapat disimpulkan kedua bentuk filterbank WPCC ini dapat dipertimbangkan untuk digunakan sebagai ekstraktor ciri suara ber-noise. AbstractRecently wavelet-based filterbanks as feature start extractors have been widely developed to replace the role of the Mel Frequency Cepstral Coefficient (MFCC) feature in automatic speech recognition systems. One of the wavelet feature filterbanks developed is Wavelet-Packet Cepstral Coefficient (WPCC). But so far the development has only been focused on clean speech signal. So, the aim of this study is designing WPCC for a noisy speech signal. The Mean Best Basis (MBB) algorithm and db44 and db45 wavelet functions are applied to obtain the WPCC filterbank design. The noisy speech signal used is the recorded utterance Indonesian vowels a, i, u, e, é, o, and ó. The results show that two WPCC filterbank designs have been formed. Each of them is the result of applying the daubechies db44 and db45 functions. Noise has no effect on the establishment of both the WPCC filterbanks. Both fiterbank designs have met MFCC filter form standards, especially for its range of frequency and frequency scale. Its range of frequency is between 125 Hz - 1000 Hz with a linear scale for frequencies below 1000 Hz. Therefore it can be concluded that the two forms of WPCC filterbank can be considered to be used as a feature extractor for a noisy speech signal.
Penerapan Metode Two Step Cluster dalam Analisis Menu Engineering pada Usaha Kuliner Setiyawati, Nina; Bangkalang, Dwi Hosanna
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 2: April 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722012

Abstract

Dalam usaha kuliner, analisis menu perlu dilakukan untuk melihat keseimbangan antara food cost, harga menu, popularitas item, juga pertimbangan finansial dan pemasaran. Menu engineering merupakan metodologi untuk mengelompokkan menu berdasar pada margin kontribusi dan popularitas. Pada penelitian ini dilakukan analisis menu engineering pada suatu Usaha Mikro Kecil dan Menengah (UMKM) di Kota Salatiga yang bergerak di bidang kuliner menggunakan Two-Step Cluster yang dapat menggali cluster alami sesuai dengan kumpulan data menu yang ada sehingga akan ditemukan jumlah cluster yang optimal. Two-Step Cluster adalah metode yang dapat menangani variabel kategori dan kontinu, oleh karena itu dilakukanlah adaptasi model menu engineering yang diusulkan Kasavana dan Smith (1982) dengan menambahkan variabel category, sehingga dengan menggunakan Two-Step Cluster dapat dilihat mayoritas kategori menu yang menjadi anggota pada setiap cluster. Adaptasi juga dilakukan dalam kelompok variabel kontinu, yaitu dengan menambahkan variabel revenue yang digunakan untuk perbandingan pada hasil cluster. Dengan indikator Schwarz's Bayesian Information Criterion (BIC) dihasilkanlah jumlah cluster optimal yaitu 4 cluster dengan anggota paling sedikit pada cluster “popularitas tinggi dan mempunyai margin kontribusi yang berada di atas rata-rata”. Pengujian clustering dilakukan dengan menggunakan metode Silhoutte dan menunjukkan kualitas cluster yang dihasilkan memiliki nilai Silhoutte yang besar yaitu 0,7. Hal ini membuktikan cluster-cluster yang terbentuk telah terklasterisasi dengan baik. Adapun manfaat dari penelitian ini adalah didapatkannya rekomendasi kebijakan baru untuk setiap cluster yang dihasilkan sehingga dapat digunakan  pemilik UMKM dalam upaya peningkatan revenue usaha. AbstractIn culinary business, menu analysis is needed to see the balance of food cost, menu item prices, item popularity, as well as the financial and marketing considerations. Menu engineering is a method to group menu according to the contribution margin and popularity. The present study conducts a menu analysis to a Small Medium Enterprise (SME) in culinary business in Salatiga by implementing Two-Step Cluster analysis. It aims to find the natural clusters based on the existing menu data set to discover the optimal cluster number. Two-Step Cluster is a method that can be used to process categorical and continuous variables. In this study, the menu engineering model by Kasavana and Smith (1982) was adapted by adding the categorical variable. Therefore, by using the Two-Step Cluster method, the majority of menu category in each cluster can be seen. This adaption was also implemented in the continuous variable group by adding the revenue variable used for the comparison of the cluster results. With Schwarz's Bayesian Information Criterion (BIC) indicator, the results of the study show there are four clusters, in which “the highest popularity and the contribution margin above the average” cluster has the least members. Using Silhouette method, clustering testing was conducted, indicating the cluster quality result with 0,7 Silhouette value. As for the benefit of the study, new strategic recommendations can be generated for the resulted clusters based on which SME owners can improve their revenue. 
Rancang Bangun Electronic Customer Relationship Management pada Sistem Informasi Hotel dengan Framework of Dynamic CRM Monalisa, Siti; Bacin, Jukhri Syahputra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 1: Februari 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Hermes One Hotel Subulussalam merupakan hotel pertama di Subulussalam dengan klasifikasi bintang tiga di Kota Subulussalam Provinsi Aceh. Hotel ini masih menggunakan sistem konvensional dalam memberikan layanan pelanggan sehingga dikhawatirkan akan tertinggal dikarenakan banyaknya hotel-hotel baru yang telah menggunakan internet sebagai komunikasi antara pelanggan dan perhotelan. Internet memberikan manfaat sebagai interaksi sosial yang mampu mengantarkan banyak kemudahan komunikasi maupun informasi. Teknologi tersebut dinamakan dengan e-CRM dengan memadukan sebuah framework yang disebut Framework of Dynamic CRM. Framework ini terdiri dari tiga Fase yaitu acquire, retention  dan expantion. Pada tahap akuisisi ini perusahaan akan mendapatkan data pelanggan baru yang dibedakan menjadi dua yaitu  pelanggan perorangan dan perlanggan perusahaan. Pelanggan perusahaan pada tahap akuisisi ini akan mendapatkan kupon dengan batas kupon yang tersedia. Sedangkan pada tahap retensi, pelanggan perorangan mendapat diskon 5% dan pelanggan perusahaan mendapatkan free service jika telah melakukan transaksi pemesanan kamar lebih dari lima kali.AbstractHermes One Hotel Subulussalam is classification of three star hotel in Subulussalam City, Aceh Province. This hotel have the conventional system to customer service so will miss technology. the many new hotels that have used the internet as communication between customers and hotels. The internet provides benefits as a social interaction that can deliver a lot of ease of communication and information. The technology is called e-CRM by integrating a framework called the Framework of Dynamic CRM. This framework consists of three phases, namely acquire, retention and expansion.  The acquisition stage, the company will get new customer from individual and company customers. Company customers at the acquisition stage will get a coupon with the available coupon limit. While at the retention stage, individual customers get a 5% discount and company customers get a free service if they have made a room booking transaction more than five times.

Page 37 of 129 | Total Record : 1288

 35   36   37   38   39 

Filter by Year

2014 2025


Reset
Filter By Issues
All Issue 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