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
 50   51   52   53   54 
Implementasi K-Nearest Neighbor untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna RGB Farokhah, Lia
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722608

Abstract

Era computer vision merupakan era dimana komputer dilatih untuk bisa melihat, mengidentifikasi dan mengklasifikasi seperti kecerdasan manusia. Algoritma klasifikasi berkembang dari yang paling sederhana seperti K-Nearest Neighbor (KNN) sampai Convolutional Neural Networks. KNN merupakan algoritma klasifikasi yang paling sederhana dalam mengklasifikasikan sebuah gambar kedalam sebuah label. Metode ini mudah dipahami dibandingkan metode lain karena mengklasifikasikan berdasarkan jarak terdekat dengan objek lain (tetangga). Tujuan penelitian ini untuk membuktikan kelemahan metode KNN dan ekstraksi fitur warna RGB dengan karakteristik tertentu. Percobaan pertama dilakukan terhadap dua objek dengan kemiripan bentuk tetapi dengan  warna yang  mencolok di salah satu sisi objek. Percobaan kedua terhadap dua objek yang memiliki perbedaan karakteristik bentuk meskipun memiliki kemiripan warna. Empat objek tersebut adalah bunga coltsfoot, daisy, dandelion dan matahari. Total data dalam dataset adalah 360 data. Dataset memiliki tantangan variasi sudut pandang, penerangan, dan  gangguan dalam latar. Hasil menunjukkan bahwa kolaborasi metode klasifikasi KNN dengan ekstraksi fitur warna RGB memiliki kelemahan terhadap percobaan pertama dengan akurasi 50-60% pada K=5. Percobaan kedua memiliki akurasi sekitar 90-100% pada K=5. Peningkatan akurasi, precision dan recall terjadi ketika menaikkan jumlah K yaitu dari K=1menjadi K=3 dan K=5.Kata kunci: k-nearest neighbour, RGB, kelemahan, kemiripan, bunga  IMPLEMENTATION OF K-NEAREST NEIGHBOR FOR FLOWER CLASSIFICATION WITH EXTRACTION OF RGB COLOR FEATURESThe era of computer vision is an era where computers are trained to be able to see, identify and classify as human intelligence. Classification algorithms develop from the simplest such as K-Nearest Neighbor (KNN) to Convolutional Neural Networks. KNN is the simplest classification algorithm in classifying an image into a label. This method is easier to understand than other methods because it classifies based on the closest distance to other objects (neighbors). The purpose of this research is to prove the weakness of the KNN method and the extraction of RGB color features for specific characteristics. The first  experiment on two objects with similar shape but with sharp color on one side of the object. The second experiment is done on two objects that have different shape characteristics even having a similar colors. The four objects are coltsfoot, daisy, dandelion and sunflower. Total data in the dataset is 360 data. The dataset has the challenge of varying viewpoints, lighting and background noise. The results show that the collaboration of the KNN classification method with RGB color feature extraction has weakness in the first experiment with the level of accuracy about 50-60% at K = 5. The second experiment has an accuracy of around 90-100% at K = 5. Increased accuracy, precision and recall occur when increasing the amount of K, from K = 1 to K = 3 and K = 5.  Keywords: k-nearest neighbour, RGB, weakness, similar, flower
Model Evaluasi Usability Menggunakan Confirmatory Factor Analysis pada KRS Online Arumi, Endah Ratna; Sukmasetya, Pristi; Setiawan, Agus
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 1: Februari 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813323

Abstract

Saat ini, pengembangan sistem perangkat lunak komputer tidak hanya masalah fungsional. Antarmuka perangkat lunak sudah mulai menjadi fokus dalam pengembangan perangkat lunak saat ini. Evaluasi antarmuka digunakan untuk bahan perbaikan kekurangan antarmuka yang sulit dimengerti dan digunakan. Evaluasi usability merupakan fokus evaluasi oleh pengguna terhadap sistem untuk mengetahui seberapa mudah dipelajari dan digunakan sistem. Penelitian ini akan menghasilkan model yang valid dari beberapa model usability yang dianalisa menggunakan Confirmatory Factor Analysis (CFA). Evaluasi usability juga dilakukan untuk mendapatkan nilai seberapa tingkat kebergunaan dari antarmuka KRS Online ini. Hasil eksperimen menunjukkan model kedua adalah model yang valid dengan loading factor dari usability ke Kemampuan Belajar 1.00, Usability ke Daya Ingat sebesar 1.00, Usability ke Efisiensi sebesar 0.86, Usability ke Kesalahan sebesar 0.73, dan Usability ke Kepuasan sebesar 0.73. Hasil pengukuran usability ini didapat bahwa nilai tertinggi pada variabel “Daya Ingat” dengan nilai rata – rata responden 4,19, dan nilai terendah pada “Error” dengan nilai rata – rata 2,9 dengan skala 5. Hasil pengujian model terdapat 1 hipotesis yang menyatakan tidak ada pengaruh positif antara variabel mudah menerima informasi secara detail dan spesifik pada KRS online, dengan responden dapat memahami isi dan konten informasi yang ditampilkan pada KRS online dengan mudah. Nilai terendah inilah yang perlu dijadikan perhatian dalam hal perbaikan sistem ke depan. AbstractNowadays, the development of computer software systems is not just a functional analysis. At this time, the software interface has begun to become a focus in software development. Interface improvements start with an interface evaluation. Usability evaluation is the focus of the assessment by users of the system to find out how easy to learn and use the system. This research aims to find valid models from several usability models that are analyzed using Confirmatory Factor Analysis (CFA). Usability evaluation was also doing in this study to get the value of the usability level of this KRS Online interface. The experimental results show the second model is a valid model with a loading factor from Usability to Learning Ability of 1.00, Usability to Memory of 1.00, Usability to Efficiency of 0.86, Usability to Error of 0.73, and Usability to the satisfaction of 0.73. Results of usability measurement found that the highest value on the variable "Memory" with an average value of 4.19, and the lowest value on "Error" with an average value of 2.9 within 5 scale. The results of the model test the hypothesis that there is one there is no positive influence between the variables easily receive detailed and specific information about KRS online, with respondents able to understand the contents and the contents of the information displayed on KRS online with ease. This lowest value needs to be a concern for future system improvements.
KMS (Knowledge Management System) Obat Ibu Hamil Berbasis Android Sadiah, Halimah Tus; Ishlah, Muhamad Saad Nurul; Elfrieda, Nyayu Siti Aminah Lily; Gasbara, Mauladani Adi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 2: April 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021823786

Abstract

Selama kehamilan, seorang ibu sering mengalami mual, muntah, sakit punggung, atau indikasi penyakit ringan lainnya. Terkadang hal ini menghasilkan keputusan untuk minum obat tanpa resep dokter atau bidan. Perilaku seperti itu dapat menyebabkan risiko cacat janin. Hal ini dapat terjadi karena kurangnya pengetahuan tentang obat-obatan yang dapat dikonsumsi selama hamil. Oleh karena itu, diperlukan suatu sistem yang mengumpulkan pengetahuan tentang obat-obatan yang aman untuk dikonsumsi wanita hamil. Penelitian ini bertujuan untuk membangun Sistem Manajemen Pengetahuan (KMS) obat berbasis Android untuk wanita hamil. Penelitian ini menggunakan metode Knowledge Management System Life Cycle (KMSLC) yang terdiri atas beberapa tahap, yaitu evaluasi infrastruktur, pembentukan tim,  menangkap pengetahuan, merancang cetak biru  KMS, verifikasi dan validasi, implementasi KMS, dan pengujian KMS. Penelitian ini telah menghasilkan pengetahuan tacit dan explicit mengenai obat ibu hamil. KMS Obat Ibu Hamil ini dilengkapi dua fungsi pencarian, yaitu pencarian berdasarkan nama obat dan pencarian berdasarkan keluhan nyeri atau indikasi penyakit. Pengetahuan Obat yang ada di KMS telah diverifikasi dan divalidasi. Pengembangan KMS Obat telah dilengkapi fiturnya sesuai dengan hasil proses penangkapan pengetahuan dari pakar. Adapun KMS Obat Ibu Hamil lebih lengkap 72% fiturnya dibandingkan dengan aplikasi yang telah berjalan, yakni MomsMed. KMS ini telah diuji fungsionalitas dan kompatibilitasnya, sehingga berfungsi dan kompatibel untuk versi Android 5.0, Lollipop (API level 21) ke atas. Terakhir, KMS ini dapat membantu ibu hamil dalam mencari pengetahuan tentang keamanan obat yang akan dikonsumsi ibu hamil sehingga tidak berisko pada janin. AbstractDuring pregnancy, a mother often experiences nausea, vomiting, back pain, or other indications of minor illness. Sometimes this results in the decision to take medication without a prescription from a doctor or midwife. Such behavior can cause the risk of fetal defects. This can occur due to a lack of knowledge about medicines that can be consumed during pregnancy. Therefore, we need a system that collects knowledge about medicines that are safe for consumption by pregnant women. This study aims to build an Android-based Knowledge Management System (KMS) of medicines for pregnant women. This research uses the Knowledge Management System Life Cycle (KMSLC) method which consists of several stages, namely evaluation of infrastructure, team building, knowledge capture, design of the KMS blueprint, verification and validation, implementation of KMS, and KMS testing. This study has produced tacit and explicit knowledge regarding the medicines of pregnant women. KMS for Pregnant Women Medicines is equipped with two search functions, namely searching by medicine name and searching based on complaints of pain or indication of disease. Drug knowledge in KMS has been verified and validated. The development of KMS has been equipped with features under the results of the process of capturing knowledge from experts. The KMS for Pregnant Women is 72% more complete than the existing application, namely MomsMed. This KMS has been tested for functionality and compatibility, so it works and is compatible with Android versions 5.0, Lollipop (API level 21) and above. Finally, this KMS can assist pregnant women in seeking knowledge about the safety of drugs that are to be consumed so that there is no risk of the fetus.
Model Prediksi Interaksi Senyawa dan Protein untuk Drug Repositioning menggunakan Deep Semi-Supervised Learning Larasati, Larasati; Kusuma, Wisnu Ananta; Annisa, Annisa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020742236

Abstract

Drug repositioning adalah penggunaan senyawa obat yang sudah lolos uji sebelumnya untuk mengatasi penyakit baru selain penyakit awal obat tersebut ditujukan. Drug repositioning dapat dilakukan dengan memprediksi interaksi senyawa obat dengan protein penyakit yang bereaksi positif. Salah satu tantangan dalam prediksi interaksi senyawa dan protein adalah masalah ketidakseimbangan data. Deep semi-supervised learning dapat menjadi alternatif untuk menangani model prediksi dengan data yang tidak seimbang. Proses pre-training berbasis unsupervised learning pada deep semi-supervised learning dapat merepresentasikan input dari unlabeled data (data mayoritas) dengan baik dan mengoptimasi inisialisasi bobot pada classifier. Penelitian ini mengimplementasikan Deep Belief Network (DBN) sebagai pre-training dan Deep Neural Network (DNN) sebagai classifier. Data yang digunakan pada penelitian ini adalah dataset ion channel, GPCR, dan nuclear receptor yang bersumber dari pangkalan data KEGG BRITE, BRENDA, SuperTarget, dan DrugBank. Hasil penelitian ini menunjukkan pada dataset tersebut, pre-training berupa ekstraksi fitur memberikan efek optimasi dilihat dari peningkatan performa model DNN pada akurasi (3-4.5%), AUC (4.5%), precision (5.9-6%), dan F-measure (3.8%). AbstractDrug repositioning is the reuse of an existing drug to treat a new disease other than its original medical indication. Drug repositioning can be done by predicting the interaction of drug compounds with disease proteins that react positively. One of the challenges in predicting the interaction of compounds and proteins is imbalanced data. Deep semi-supervised learning can be an alternative to handle prediction models with imbalanced data. The unsupervised learning based pre-training process in deep semi-supervised learning can represent input from unlabeled data (majority data) properly and optimize initialization of weights on the classifier. This study implements the Deep Belief Network (DBN) as a pre-training with Deep Neural Network (DNN) as a classifier. The data used in this study are ion channel, GPCR, and nuclear receptor dataset sourced from KEGG BRITE, BRENDA, SuperTarget, and DrugBank databases. The results of this study indicate that pre-training as feature extraction had an optimization effect. This can be seen from DNN performance improvement in accuracy (3-4.5%), AUC (4.5%), precision (5.9-6%), and F-measure (3.8%).
Implementasi QR Code Berbasis Android pada Sistem Presensi Priyambodo, Afif; Novamizanti, Ledya; Usman, Koredianto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 5: Oktober 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722337

Abstract

Presensi merupakan hal utama dalam suatu kegiatan, karena menjadi bukti dari laporan pelaksanaan. Umumnya, presensi kehadiran dilakukan secara manual, yaitu siswa membubuhkan tanda tangan pada daftar hadir yang diedarkan, atau guru memanggil siswa satu persatu. Namun metode tersebut mengakibatkan terjadinya pemborosan waktu dan sumber daya. Hadirnya teknologi QR-Code berbasis android memberikan solusi agar presensi dapat berjalan dengan efisien. Penelitian ini memiliki tiga konfigurasi sistem, diantaranya sistem encoder, sistem hardware, dan sistem decoder. Sistem encoder melakukan proses encode data berupa Nomor Induk Siswa Nasional (NISN) menjadi QR-Code menggunakan kode Bose, Chaudhuri, Hocquenghem (BCH). Sistem hardware terdiri dari perangkat android dan kartu pelajar. Sistem decoder melakukan proses deteksi QR-Code dengan aplikasi Smart Presence. Sistem diuji dengan pengujian black box, pengujian jarak deteksi, pengujian deteksi berdasarkan cahaya, serta pengujian kartu pelajar bernoda dan rusak. Sistem presensi mampu mendeteksi QR-Code dengan jarak minimal sebesar 3 cm dan jarak maksimal sebesar 45 cm dengan tingkat akurasi sebesar 98 % dan rata-rata waktu komputasi sebesar 1,3 detik. AbstractPresence is the main thing in an activity because it becomes evidence of the implementation report. Generally, attendance is done manually, i.e. students sign on the circulated attendance list, or the teacher calls students one by one. However, this method resulted in a waste of time and resources. The presence of Android-based QR-Code technology provides a solution so that the presence can run efficiently. This research has three system configurations, including the encoder system, hardware system, and decoder system. The encoder system encodes data in the form of a National Student Number (NISN) into a QR-Code using the Bose, Chaudhuri, Hocquenghem (BCH) codes. The hardware system consists of an Android device and a student card. The decoder system carries out the QR-Code detection process with the Smart Presence application. The system was tested with black-box testing, detection distance testing, light-based detection testing, and stained and damaged student card testing. The presence system is able to detect QR-Code with a minimum distance of 3 cm and a maximum distance of 45 cm with an accuracy rate of 98% and an average computing time of 1.3 seconds.
Analisis Perbandingan Algoritma Djikstra, A-Star, dan Floyd Warshall dalam Pencarian Rute Terdekat pada Objek Wisata Kabupaten Dompu Umar, Rusydi; Yudhana, Anton; Prayudi, Andi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 2: April 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0812866

Abstract

Diera industri 4.0, penggunaan peta tidak lagi berbentuk lembaran ataupun buku. Kini terdapat sebuah layananan peta digital yaitu platform Leafleat.js, yang memudahkan penggunanya untuk mendapatkan informasi rute dari objek ke objek lainnya dan mencari lokasi hampir diseluruh dunia. Pada penelitian ini menggunakan objek yang real yaitu menampilkan lokasi sebenarnya menggunakan platform Leaflet.js dan parameter yang berbeda, dari hal tersebut penelitian ini akan membandingkan kinerja dari Algoritma Dijkstra, A* dan Floyd Warshall untuk menentukan waktu proses pencarian rute terdekat dari objek wisata ke objek wisata lain menggunakan bahasa pemograman PHP. Hasil pengujian program didapatkan jarak dan rute yang sama serta rata-rata waktu proses program yang berbeda. Waktu proses algoritma Dijkstra sebesar 0,0060 detik, algoritma A* sebesar 0,0067 dan algoritma Floyd Warshall sebesar 0,0433 detik. Berdasarkan hasil tersebut bahwa algoritma  Dijkstra lebih unggul dalam proses pencarian rute. AbstractIn the industrial era 4.0, the use of maps is no longer made of book sheets. Now a digital map service is available, the Leafleat.js platform, which provides users to get route information from other attractions and find locations that have been saved by the world. In this study using real objects that display the actual location using the Leaflet.js platform and different parameters, from this study will compare the performance of the Dijkstra, A * and Floyd Warshall Algorithms for the process of finding other tourist information using the PHP programming language. The results of testing the program obtained the same distance and route with different program processing time. Dijkstra algorithm processing time is 0.0060 seconds, A* algorithm is 0.0067 and Floyd Warshall algorithm is 0.0433 seconds. Based on these results, Dijkstra is superior in the route search process.
Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM) Arsi, Primandani; Waluyo, Retno
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 1: Februari 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813944

Abstract

Dewasa ini, media sosial berkembang pesat di internet, salah satu yang banyak digemari adalah Twitter. Berbagai topik ramai diperbincangkan di Twitter mulai dari ekonomi, politik, sosial, budaya, hukum dan lain-lain. Salah satu topik yang ramai diperbincangkan di Twitter adalah terkait isu pemindahan ibu kota Indonesia. Namun dibalik hal tersebut terdapat kontroversi dari  pihak yang merasa  pro dan kontra, masing-masing memiiki sudut pandang yang berbeda.  Hal ini menyebabkan munculnya fenomena perdebatan khususnya di Twitter yang sebenarnya menunjukkan perhatian kolektif mengenai wacana publik tersebut. Analisis sentimen adalah proses mengekstraksi, memahami dan mengolah data berupa teks yang tidak terstruktur secara otomatis guna mendapatkan informasi sentimen yang terdapat pada sebuah kalimat pendapat atau opini. Dalam penerapan analisis sentimen menggunakan metode machine learning terdapat beberapa metode yang sering digunakan. Dalam penelitian ini diusulkan metode Support Vector Machine (SVM) untuk diterapkan pada tweets topik pemindahan ibu kota Indonesia untuk tujuan klasifikasi kelas sentimen pada media sosial twitter. Teknis klasifikasi  dilakukan dengan cara mengklasifikasikan menjadi 2 kelas yakni positif dan negatif. Berdasarkan hasil pengujian yang dilakukan terhadap tweets sentimen pemindahan ibu kota dari media sosial twitter sebanyak 1.236 tweets (404 positif dan 832 negatif) menggunakan SVM diperoleh akurasi =96,68%, precision=95.82%, recall=94.04% dan AUC = 0,979. AbstractToday, social media is growing fast on the internet.One of the most popular social media is Twitter. Many topics are discussed on Twitter such as economic, politic, social, culture, and law. One of the hot topics discussed on Twitter is the issue of relocating Indonesia's capital city. However, there is controversy from supporters and opponents. They have different views. This issue leads to a phenomenon of debate on Twitter that actually shows a collective concern about the public discourse. Sentiment analysis is a process of extracting, understanding and processing unstructured data to get sentiment information which is found in an opinion sentence. Application of sentiment analysis using machine learning methods shows that there are several methods that are often used. In this study, the Support Vector Machine (SVM) method is proposed to be applied to tweets on the topic of relocating Indonesia's capital city for sentiment classification on social media twitter. The classification technique is carried out into 2 classes, namely positive and negative. Based on testing on the sentiment of relocating Indonesia's capital city from social media twitter from 1,116 tweets (404 positive and 832 negative) using SVM obtained accuracy = 96.68%, precision = 95.82%, recall = 94.04% and AUC = 0.979.
Peningkatan Akurasi Klasifikasi Algoritma C 4.5 Menggunakan Teknik Bagging pada Diagnosis Penyakit Jantung Prasetyo, Erwin; Prasetiyo, Budi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 5: Oktober 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020752379

Abstract

Perkembangan teknologi yang begitu pesat menjadikan kebutuhan akan suatu informasi semakin meningkat, sehingga keakuratan suatu informasi menjadi suatu hal yang sangat penting, Terutama keakuratan informasi yang dibutuhkan dalam memprediksi penyakit dalam bidang medis. Dalam proses pengumpulan suatu informasi dibutuhkan metode tertentu, sehingga informasi yang telah diproses menjadi sebuah pengetahuan menggunakan suatu metode tertentu disebut dengan penambangan data atau istilah lainnya adalah data mining. Umumnya data mining digunakan untuk memprediksi suatu penyakit yang bersumber dari data rekam medis pasien, khususnya penyakit jantung. Data penyakit jantung diambil dari dataset UCI Machine Learning Repository. Tujuan dari penulis melakukan penelitian ini yaitu untuk mengetahui penerapan teknik bagging pada algoritma C4.5, mengetahui hasil akurasi dalam algoritma C4.5, dan membandingkan tingkat akurasi dari penerapan teknik bagging pada algoritma C4.5. Dataset yang diklasifikasikan dengan algoritma C4.5 memperoleh akurasi sebesar 72,98%. Hasil akurasi ini dapat ditingkatkan dengan menerapkan teknik bagging menghasilkan akurasi sebesar 81,84%, sehingga terjadi peningkatan akurasi sebesar 8,86%  dari penerapan teknik bagging pada Algoritma C4.5. AbstractThe quick development of technology makes the need for information increase, so that the accuracy of the information becomes a very important thing, especially the accuracy of the information needed in predicting diseases in the medical field. In the process of gathering information certain methods are needed, so information that has been processed into knowledge using a certain method is called data mining or other terms is data mining. Data mining is generally used to predict a disease originating from patient medical record data, especially heart disease. Heart disease data is taken from the UCI Machine Learning Repository dataset. The purpose of the authors conducting this research is to determine the application of bagging techniques on the C4.5 algorithm, determine the accuracy of the results in the C4.5 algorithm, and compare the level of accuracy of the application of bagging techniques on the C4.5 algorithm. The dataset classified by the C4.5 algorithm obtained an accuracy of 72.98%. The results of this accuracy can be improved by applying bagging techniques resulting in an accuracy of 81.84%, resulting in an increase in accuracy of 8.86% from the application of bagging techniques in the C4.5 Algorithm.
Analisis Kesiapan Kerja Mahasiwa di Era Revolusi Industri 4.0 Menggunakan Soft - System Methodology Anthony, Anthony; Sediyono, Eko; Iriani, Ade
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 5: Oktober 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020752380

Abstract

Revolusi industri 4.0 membawa dampak yang cukup besar untuk sekarang ini, seperti untuk pekerjaan dan pendidikan. Banyak siswa ditemukan sekarang, berkuliah tidak sesuai dengan minat dan bakat mereka, salah di jurusan mereka atau tidak memiliki basis pengetahuan yang cukup, sehingga membuat mereka terlihat seperti tidak memiliki niat mengikuti kuliah. Hal ini menjadi salah satu hambatan untuk mahasiswa dalam mempersiapkan diri lebih baik sebelum memasuki dunia kerja. Dari permasalahan diatas, peneliti menggunakan pendekatan Soft-System Methodology (SSM) untuk mendeskripsikan masalah kesiapan kerja mahasiswa di era Revolusi Industri 4.0. Untuk mendukung penelitian ini, peneliti juga menerapkan literasi revolusi industri 4.0 yang dapat digunakan oleh mahasiswa agar semakin siap menghadapi dunia kerja industri 4.0. Untuk data collection dalam penelitian ini, dilakukan dengan teknik observasi, wawancara serta penyebaran angket. Selanjutnya setelah proses SSM dilakukan peneliti melakukan analisa statistik dari data angket yang telah disebarkan. Hal ini bertujuan untuk mengetahui berapa banyak mahasiswa yang sudah siap dan kurang siap.  Hasil dari penelitian ini adalah solusi serta rekomendasi mengenai tindakan yang perlu dilakukan mahasiswa agar lebih siap memasuki dunia kerja revolusi industri 4.0 AbstractIndustrial Revolution 4.0 brings considerable impacts for now, such as for work and education. Many students are found studying in the major that is not suitable with their interest and talent, take the wrong major, or don’t have sufficient basic knowledge. Therefore it makes them seem not to have intention in following the lectures. It becomes an obstacle for the university students to prepare themselves better before entering the workforce. From the above problems, the researcher uses Soft System Methodology approach to describe the working readiness of university students in Industrial Revolution 4.0 era. In order to support this research, the researcher also applies Industrial Revolution 4.0 literacy which can be used by the students to make them better prepared to face the workforce of Industrial Revolution 4.0. Meanwhile for the data collection in this research, it is done by observation, interview and questionnaire. Furthermore, after SSM process is done, the researcher conducts statistical analysis from the questionnaire that has been spread before. It is intended to find out how many students are ready and not ready. Result of this research is solutions and recommendations about actions that should be taken by the students to be more prepared to enter the workforce of Industrial Revolution 4.0. 
Sistem Pendukung Keputusan Pendistribusian Air Bersih Menggunakan Mobil Tangki pada PDAM Kota Makassar dengan Menggunakan Metode TOPSIS Asrul, Billy Eden William; Zuhriyah, Sitti
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 1: Februari 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0812630

Abstract

PDAM Kota Makassar merupakan perusahaan daerah yang bertugas dalam  pengelolaan dan pemenuhan kebutuhan air bersih bagi masyarakat di kota Makassar. Penyaluran air bersih yang dilakukan PDAM Kota Makassar masih belum mencakup keseluruhan wilayah Kota Makassar,  ini disebabkan karena beberapa hal salah satu diantaranya debit air yang berkurang. Untuk mengatasi hal tersebut pemerintah kota Makassar melalui PDAM, melakukan pendistribusian air dengan cara pengantaran langsung ke rumah warga menggunakan mobil tangki. Proses penyaluran air PDAM mengalami kesulitan untuk menentukan daerah atau warga mana saja yang mendapatkan prioritas pengantaran air bersih, karena armada yang digunakan masih kurang. Mengatasi hal tersebut maka dibuat sebuah Sistem Pendukung Keputusan Pendistribusian Air Bersih, untuk memudahkan prioritas pengantaran air bersih. Metode penelitian melalui empat tahapan yaitu, pengenalan masalah, pengumpulan data, perancangan sistem, dan pengujian sistem, sedangkan metode yang digunakan adalah metode Topsis yang menggunakan 4 kriteria yakni; Peruntukkan, Jarak, Jumlah Kubik yang dipesan, dan Prediksi Jumlah pemakai. Peneliti memilih metode TOPSIS agar penentuan alternatif antara jarak ideal positif dan negatif lebih optimal. Hasil dari penelitian ini merupakan sistem pendukung keputusan pendistribusian air bersih PDAM  yang berbasis web yang memudahkan penentuan prioritas  penyaluran air bersih kepada masyarakat. AbstractPDAM Makassar City is a regional company assigned to manage the fulfillment of clean water needs for citizens of Makassar City. Currently, the distribution of clean water still has not fully covered the entire area of Makassar City.  The major causes of this situation is a dramatic decrease of the water debit in certain time. To overcome this problem, the government of Makassar city through PDAM, distributes water by direct delivery to the resident's houses using tank trucks.  The process of channeling water from PDAM has difficulty in determining priority areas of delivery due to lack of the fleet. This research consists of  four stages, namely: recognition of problems, data collection, system design, and system testing. While for the algorithm using the TOPSIS method that incorporate four criterias including the allotment, distance, amount of cubic, as well as predicted number of users. The  TOPSIS method is chosen since the determination between the positive and negative ideal distances is more optimal. The results of this study is a web-based decision support system for clean water distribution of PDAM that helps to determine the priority of clean water distribution to the community in Makassar.

Page 52 of 129 | Total Record : 1288

 50   51   52   53   54 

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 (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