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
 54   55   56   57   58 
Evaluasi Performasi Ruang Warna pada Klasifikasi Diabetic Retinophaty Menggunakan Convolution Neural Network Dewi, Candra; Santoso, Andri; Indriati, Indriati; Dewi, Nadia Artha; Arbawa, Yoke Kusuma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834459

Abstract

Semakin meningkatnya jumlah penderita diabetes menjadi salah satu faktor penyebab semakin tingginya penderita penyakit diabetic retinophaty. Salah satu citra yang digunakan oleh dokter mata untuk mengidentifikasi diabetic retinophaty adalah foto retina. Dalam penelitian ini dilakukan pengenalan penyakit diabetic retinophaty secara otomatis menggunakan citra fundus retina dan algoritme Convolutional Neural Network (CNN) yang merupakan variasi dari algoritme Deep Learning. Kendala yang ditemukan dalam proses pengenalan adalah warna retina yang cenderung merah kekuningan sehingga ruang warna RGB tidak menghasilkan akurasi yang optimal. Oleh karena itu, dalam penelitian ini dilakukan pengujian pada berbagai ruang warna untuk mendapatkan hasil yang lebih baik. Dari hasil uji coba menggunakan 1000 data pada ruang warna RGB, HSI, YUV dan L*a*b* memberikan hasil yang kurang optimal pada data seimbang dimana akurasi terbaik masih dibawah 50%. Namun pada data tidak seimbang menghasilkan akurasi yang cukup tinggi yaitu 83,53% pada ruang warna YUV dengan pengujian pada data latih dan akurasi 74,40% dengan data uji pada semua ruang warna. AbstractIncreasing the number of people with diabetes is one of the factors causing the high number of people with diabetic retinopathy. One of the images used by ophthalmologists to identify diabetic retinopathy is a retinal photo. In this research, the identification of diabetic retinopathy is done automatically using retinal fundus images and the Convolutional Neural Network (CNN) algorithm, which is a variation of the Deep Learning algorithm. The obstacle found in the recognition process is the color of the retina which tends to be yellowish red so that the RGB color space does not produce optimal accuracy. Therefore, in this research, various color spaces were tested to get better results. From the results of trials using 1000 images data in the color space of RGB, HSI, YUV and L * a * b * give suboptimal results on balanced data where the best accuracy is still below 50%. However, the unbalanced data gives a fairly high accuracy of 83.53% with training data on the YUV color space and 74,40% with testing data on all color spaces.
Halaman Awal dan Daftar Isi purbosari, lina
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Halaman Awal dan Daftar Isi
Peningkatan Utilisasi Jaringan Distributed Storage System Menggunakan Kombinasi Server dan Link Load Balancing Akbar, Hawwin Purnama; Basuki, Achmad; Setiawan, Eko
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834294

Abstract

Distributed Storage System (DSS) memiliki sejumlah perangkat server penyimpanan yang terhubung dengan banyak perangkat switch untuk meningkatkan utilisasi jaringan. DSS harus memperhatikan keseimbangan beban pada sisi server penyimpanan dan trafik data pada semua jalur yang terhubung. Jika beban pada sisi server penyimpanan dan trafik data tidak seimbang, maka dapat menyebabkan bottleneck network yang menurunkan utilisasi jaringan. Kombinasi server dan link load balancing adalah solusi yang tepat untuk menyeimbangkan beban pada sisi server penyimpanan dan trafik data. Penelitian ini mengusulkan metode kombinasi algoritme least connection sebagai metode server-load balancing dan algoritme global first fit sebagai metode link load balancing. Algoritme global first fit merupakan salah satu dari algoritme load balancing hedera yang bertujuan untuk menyeimbangkan trafik data berukuran besar (10% dari bandwidth), sehingga terhindar dari permasalahan bottleneck network. Algoritme least connection merupakan salah satu algoritme server load balancing yang menggunakan jumlah total koneksi dari server untuk menentukan prioritas server. Hasil evaluasi kombinasi metode tersebut didapatkan peningkatan pada rata-rata throughput sebesar 77,9% dibanding hasil metode Equal Cost Multi Path (ECMP) dan Round robin (RR). Peningkatan pada rata-rata penggunaan bandwidth sebesar 65,2% dibanding hasil metode ECMP dan RR. Hasil Penggunaan CPU dan memory pada server di metode kombinasi ini juga terjadi penurunan beban CPU sebesar 34,29% dan penurunan beban penggunaan memory sebesar 9,8% dibanding metode ECMP dan RR. Dari hasil evaluasi, penerapan metode kombinasi metode server dan link load balancing berhasil meningkatkan utilisasi jaringan dan juga mengurangi beban server. AbstractDistributed Storage System (DSS) has a number of storage server devices that are connected to multiple switch devices to increase network utilization. DSS must pay attention to the balance of the load on the storage server side and data traffic on all connected lines. If the load on the storage server side and data traffic is not balanced, it can cause a network bottleneck that reduces network utilization. The combination of server and link-load balancing is the right solution to balance the load on the server side of storage and data traffic. This study proposes a combination of the least connection algorithm as a server-load balancing method and the global first fit algorithm as a link-load balancing method. The global first fit algorithm is one of Hedera's load balancing algorithms which aims to balance large data traffic (10% of bandwidth), so as to avoid network bottleneck problems. Least connection algorithm is one of the server balancing algorithms that uses the total number of connections from the server to determine server priority. The results of the evaluation of the combination of these methods showed an increase in the average throughput of 77.9% compared to the results of the Equal Cost Multi Path (ECMP) and Round robin (RR) methods. The increase in the average bandwidth usage is 65.2% compared to the results of the ECMP and RR methods. The results of CPU and memory usage on the server in this combination method also decreased CPU load by 34.29% and a decrease in memory usage load by 9.8% compared to the ECMP and RR methods. From the evaluation results, the application of a combination of the server method and the link load balancing method has succeeded in increasing network utilization and also reducing server load.
Deteksi Malaria Berbasis Segmentasi Warna Citra dan Pembelajaran Mesin Setiawan, Agung W.; Rahman, Yusuf A.; Faisal, Amir; Siburian, Marsudi; Resfita, Nova; Gifari, Muhammad W.; Setiawan, Rudi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844377

Abstract

Di beberapa daerah di Indonesia, malaria masih merupakan salah satu penyakit endemik dan termasuk ke dalam kategori penyakit menular dengan vektor nyamuk Anopheles. Penurunan jumlah mortalitas penderita malaria ini telah menjadi program Pemerintah Indonesia dan World Health Organization. Salah satu hal penting yang dapat dilakukan adalah menyediakan alat diagnosis malaria yang cepat dan akurat berbantukan komputer. Oleh karena itu, pada studi ini dikembangkan sebuah metode deteksi malaria berbasis segmentasi warna citra yang dikombinasikan dengan metode pencacahan objek citra dan pembelajaran mesin berbasis Convolutional Neural Network. Pada studi ini, segmentasi citra dilakukan dengan menetapkan suatu nilai ambas batas tertentu (thresholding) pada model warna HSV. Nilai ambang batas untuk masing-masing kanal warna ditetapkan sebagai berikut: H = 100-175, S = 100-250, dan V = 60-190. Terdapat tiga skema pembelajaran mesin yang digunakan, yaitu citra asli menggunakan RMSProp optimizer, citra tersegmentasi menggunakan RMSProp dan Adam optimizer. Akurasi pelatihan dan validasi CNN tertinggi diperoleh dengan skema citra tersegmentasi menggunakan RMSProp optimizer, yaitu sebesar 92,77% dan 94,38%. Sementara, deteksi malaria berbasis pencacahan objek memiliki akurasi sebesar 93,78%. Meskipun deteksi malaria berbasis pencacahan objek memiliki akurasi 93,78%, tetapi sumber daya komputasi dan waktu yang diperlukan jauh lebih rendah.AbstractMalaria is still one of the endemic diseases in several regions of Indonesia. Reducing the malaria mortality rate has become a notable programme, not only does the Government of the Republic of Indonesia project it, but also the World Health Organization has a similar plan to tackle this disease. One of the prominent concerns to properly promote this programme is providing a rapid and accurate malaria diagnosis tool by applying the computer-aided diagnostics to minimize human errors. The aim of this study is to develop a colour microscopic image-based malaria detection using object counting and CNN-based machine learning. In this research, the HSV colour model with threshold values of H: 100-175, S: 100-250, and V: 60-190 was used to remove the image background. There are three machine learning schemes implemented in this study, i.e. original image using RMSProp optimizer, segmented image using RMSProp and Adam optimizer. The highest training and validation accuracy of CNN were obtained using a segmented image scheme by the RMSProp optimizer, 0.9277 and 0.9438. On the contrary, object-based malaria detection has an accuracy of 93.78%. Furthermore, there are several considerations to determine the malaria detection method, i.e. accuracy, computational resources, and time. Even though malaria detection using object counting has an accuracy of 93.78%, lower than the accuracy of CNN validation, the computational resources and time required are much lower and faster. Therefore, this detection method is suitable for smartphone-based devices with low-middle end specifications.
Optimalisasi Aplikasi CyReborn dengan HttpURLConnection API Berbasis Framework dan Android Untuk Autentifikasi Peserta PKKMB Setiawan, Andi; Fauzi, Ahmad; Purnamasari, Ade Irma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813243

Abstract

Aplikasi CyReborn merupakan sistem untuk memudahkan autentifikasi data peserta pengenalan kehidupan kampus mahasiswa baru atau PKKMB berbasis framework, namun mengalami kendala pada saat pengoperasinya, yaitu sulitnya menguraikan kepadatan antrian pada proses autentifikasi peserta terutama pada saat absensi pagi, absensi istirahat, dan absensi pulang. Tujuan penelitian dari penelitian ini adalah optimalisasi aplikasi CyReborn dengan HttpURLConnection API agar dapat menjalankan QRCode melalui aplikasi android pada bagian frontend, sedangkan pada bagian backend menggunakan web framework untuk pengelolaan data autentifikasinya. Sedangkan fokus dari penelitian ini adalah membandingkan kecepatan autentifikasi data peserta PKKMB, antara sebelum optimalisasi dengan yang sesudah dilakukan optimalisasi. Pengujian dilakukan dengan menggunakan empat API yang biasa digunakan pada aplikasi berbasis web PHP framework dan android, yaitu HttpURLConnection API, Retrofit API, OkHttp API dan Asynchronous Http Client API. Metode pengembangan perangkat lunak menggunakan Rapid Application Development (RAD), terdiri dari tiga tahap yaitu requirement planning, design system, dan implementation. Sedangkan data yang digunakan untuk pengujian sebanyak 117 peserta, dari jumlah populasi keseluruhan peserta sebanyak 248 peserta. Hasil yang diperoleh dari penelitian ini adalah kecepatan authentifikasi data peserta PKKMB aplikasi CyReborn dengan HttpURLConnection API, hasil terendah saat pengujian awal sebesar 30 detik dan tertinggi sebesar 90 detik, sedangkan hasil pengujian dengan HttpURLConnection API terendah sebesar 5 detik dan tertinggi 30 detik. Artinya hasil optimalisasi aplikasi CyReborn dengan HttpURLConnection API, meningkat sebesar 15 detik untuk hasil akhir terendah dan sebesar 82 detik untuk hasil akhir tertinggi, atau persentase terendah sebesar 40% dan persentase tertinggi 92%. AbstractCyReborn application is a system to facilitate the authentication of participant's introduction of campus life for new students or PKKMB based on the framework, but has problems when operating, which is the difficulty of deciphering the queue density in the participant's authentication process especially during morning attendance, rest absenteeism, and home absence. The research objective of this research is to optimize the CyReborn application with the HttpURLConnection API so that it can run QRCode through the android application on the frontend, while the backend uses a web framework for managing its authentication data. While the focus of this study is to compare the speed of PKKMB participant data authentication, between before optimization and after optimization. Testing is done by using four APIs that are commonly used on PHP framework and android web-based applications, namely the HttpURLConnection API, Retrofit API, OkHttp API and Asynchronous Http Client API. The software development method uses Rapid Application Development (RAD), consisting of three stages, namely requirements planning, system design, and implementation. While the data used for testing were 117 participants, out of a total population of 248 participants. The results obtained from this study are the speed of authentication of PKKMB CyReborn application participants with the HttpURLConnection API, the lowest results at initial testing were 30 seconds and the highest was 90 seconds, while the test results with the lowest HttpURLConnection API were 5 seconds and the highest was 30 seconds. This means that the optimization results of the CyReborn application with the HttpURLConnection API, increase by 15 seconds for the lowest final result and by 82 seconds for the highest final result, or the lowest percentage by 40% and the highest percentage by 92%.
Pengembangan Algoritme Niching Particle Swarm Optimization untuk Pencarian Target pada Sistem Multi-Robot Raehan, Siti; Buono, Agus; Hardhienata, Medria Kusuma Dewi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813173

Abstract

Robot seringkali digunakan untuk mencari target, dalam hal ini target bisa korban, barang berbahaya dan tidak bisa dijangkau oleh manusia sehingga diganti menggunakan robot.Robot melakukan pencarian untuk menemukan target yang kemudian mengalokasikan diri ketarget dengan asumsi bahwa targetnya dapat memancarkan sinyal. Permasalahan tersebut dipandang sebagai suatu masalah optimasi. Salah satu teknik yang dapat menyelesaikan masalah optimasi merupakan algoritme Particle Swarm Optimization (PSO). Masalah yang sering ditangani PSO sampai saat ini hanya sebatas masalah single-target. Beberapa masalah pada dunia nyata merupakan masalah multi-target, sehingga tidak dapat diselesaikan dengan algoritme PSO. Multi-target merupakan pencarian multi-robot untuk mengoptimasi pencarian target pada satu atau lebih titik optimum di dalam ruang pencarian. Masalah optimasi pada multi-target dapat diselesaikan menggunakan algoritme Niching Particle Swarm Optimization (NichePSO). Penelitian ini bertujuan untuk mengembangkan algoritme NichePSO untuk pencarian target pada sistem multi-robot. Pengembangan algoritme dilakukan dengan menggabungkan algoritme NichePSO dengan parameter robot e-puck yang merupakan kontribusi pertama pada penelitian ini. Kontribusi kedua adalah menerapkan algoritme penghindaran dan menggunakan teknik reflecting untuk robot yang keluar dari batas area pencarian.Pada studi ini membandingkan hasil performa antara algoritme NichePSO tanpa algoritme penghindaran dan dengan algoritme penghindaran, diuji dengan beberapa rintangan dalam lingkungan statis. Hasil penelitian menunjukkan bahwa pengembangan algoritme NichePSO pada tanpa algoritme penghindaran dan dengan algoritme penghindaran jauh berbeda dalam jumlah tabrakan tetapi tidak berbeda secara signifikan dalam waktu pencarian dan nilai fitnes. Abstract Robots are often used to find targets, in this case targets can be victims, dangerous goods and cannot be reached by humans so they are replaced using robots. The robot does a search to find a target which then allocates itself to the target assuming that the target can emit a signal. This problem is seen as an optimization problem. One technique that can solve optimization problems is the Particle Swarm Optimization (PSO) algorithm. The problem that is often handled by PSO to date is only limited to single-target problems. Some real-world problems are multi-target problems, so they cannot be solved by the PSO algorithm. Multi-target is a multi-robot search to optimize target search at one or more optimum points in the search space. The problem of optimization on multi-targets can be solved using the Niching Particle Swarm Optimization (NichePSO) algorithm. This study aims to develop a NichePSO algorithm for target search on multi-robot systems. The development of the algorithm is done by combining the NichePSO algorithm with the e-puck robot parameters which is the first contribution to this research. The second contribution is to apply avoidance algorithms and use reflecting techniques for robots that come out of the boundary of the search area. In this study comparing the performance results between the NichePSO algorithm without the avoidance algorithm and with the avoidance algorithm, tested with several obstacles in a static environment. The results showed that the development of the NichePSO algorithm without the avoidance algorithm and with the avoidance algorithm differed significantly in the number of collisions but did not differ significantly in search time and fitness values. Robot seringkali digunakan untuk mencari target, dalam hal ini target bisa korban, barang berbahaya dan tidak bisa dijangkau oleh manusia sehingga diganti menggunakan robot. Robot melakukan pencarian untuk menemukan target yang kemudian mengalokasikan diri ke target dengan asumsi bahwa targetnya dapat memancarkan sinyal. Permasalahan tersebut dipandang sebagai suatu masalah optimasi. Salah satu teknik yang dapat menyelesaikan masalah optimasi merupakan algoritme Particle Swarm Optimization (PSO). Masalah yang sering ditangani PSO sampai saat ini hanya sebatas masalah single-target. Beberapa masalah pada dunia nyata merupakan masalah multi-target, sehingga tidak dapat diselesaikan dengan algoritme PSO. Multi-target merupakan pencarian multi-robot untuk mengoptimasi pencarian target pada satu atau lebih titik optimum di dalam ruang pencarian. Masalah optimasi pada multi-target dapat diselesaikan menggunakan algoritme Niching Particle Swarm Optimization (NichePSO). Penelitian ini bertujuan untuk mengembangkan algoritme NichePSO untuk pencarian target pada sistem multi-robot. Pengembangan algoritme dilakukan dengan menggabungkan algoritme NichePSO dengan parameter robot e-puck yang merupakan kontribusi pertama pada penelitian ini. Kontribusi kedua adalah menerapkan algoritme penghindaran dan menggunakan teknik reflecting untuk robot yang keluar dari batas area pencarian.Pada studi ini membandingkan hasil performa antara algoritme NichePSO tanpa algoritme penghindaran dan dengan algoritme penghindaran, diuji dengan beberapa rintangan dalam lingkungan statis. Hasil penelitian menunjukkan bahwa pengembangan algoritme NichePSO pada tanpa algoritme penghindaran dan dengan algoritme penghindaran jauh berbeda dalam jumlah tabrakan tetapi tidak berbeda secara signifikan dalam waktu pencarian dan nilai fitnes.
Klasifikasi Tingkat Laju Data Covid-19 Untuk Mitigasi Penyebaran Menggunakan Metode Modified K-Nearest Neighbor (MKNN) Cholissodin, Imam; Evanita, Felicia Marvela; Tedjasulaksana, Jeffrey Junior; Wahyuditomo, Kukuh Wicaksono
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834400

Abstract

COVID-19 atau Coronavirus Disease 2019 merupakan sebuah penyakit yang disebabkan oleh virus yang dapat menular melalui saluran pernapasan pada hewan atau manusia dan menyebabkan ribuan orang meninggal hampir di seluruh dunia, sehingga dinyatakan sebagai sebuah pandemi di banyak negara, termasuk di Indonesia. Kasus COVID-19 pertama kali ditemukan di Indonesia pada tanggal 2 Maret 2020, dalam menangani pandemi COVID-19 pemerintah menerapkan social distancing dengan menjaga jarak antara satu sama lain sejauh lebih dari 1 meter dan menerapkan protokol kesehatan yang telah diatur saat melakukan aktivitas di luar rumah sesuai anjuran World Health Organization (WHO). Rendahnya kesadaran masyarakat Indonesia dalam menerapkan social distancing dan protokol kesehatan menyebabkan bertambahnya kasus positif COVID-19 di Indonesia secara signifikan sehingga banyak korban yang meninggal, oleh karena itu pada penelitian ini kami membuat sistem klasifikasi tingkat laju data COVID-19 untuk mitigasi penyebaran di seluruh provinsi di Indonesia dengan menggunakan metode Modified K-Nearest Neighbor (MKNN) dengan hasil keluaran berupa kelas laju penyebaran yaitu laju penyebaran rendah yang artinya mitigasi penybarannya tinggi, kemudian kelas laju penyebaran sedang yang artinya mitigasi penyebarannya sedang, dan laju penyebaran tinggi yang berarti mitigasi penyebaran rendah dan dijelaskan lebih lanjut pada bagian metodologi penelitian. Hasil keluaran dari sistem bertujuan untuk meningkatkan kesadaran masyarakat Indonesia dalam mencegah COVID-19 dengan melihat kelas laju penyebaran pada masing-masing provinsi di Indonesia. Alasan penggunaan metode Modified K-Nearest Neighbor pada penelitian ini adalah karena metode Modified K-Nearest Neighbor merupakan salah satu metode klasifikasi yang cukup baik, dimana pada metode ini dilakukan pemvalidasian dan pembobotan yang bobot nya ditentukan dengan menghitung fraksi dari tetangga berlabel yang sama dengan total jumlah tetangga. Parameter yang digunakan dalam proses klasifikasi adalah jumlah kasus positif, jumlah orang yang sembuh, dan jumlah orang yang meninggal akibat COVID-19. Data yang digunakan pada penelitian ini berasal dari situs resmi kementerian kesehatan republik Indonesia yang dapat diakses pada link https://infeksiemerging.kemkes.go.id/ dengan jumlah data latih sebanyak 374 data pada tanggal 12 Mei 2020 sampai 22 Mei 2020  dan data uji sebanyak 136 data pada tanggal 23 Mei 2020 sampai tanggal 26 Mei 2020 , hasil akurasi yang dihasilkan adalah 97,79% dengan nilai K = 3. AbstractCOVID-19 or Coronavirus 2019 is a disease caused by a virus that can be transmitted through the respiratory tract to animals or humans and causes more people to die around the world, making it a pandemic in many countries, including Indonesia. COVID-19 cases were first discovered in Indonesia on March 2, 2020. Under the COVID-19 pandemic agreement, the government imposed a social grouping with a grouping of more than 1 meter apart from one another and the transfer of related health protection when carrying out activities outside the home as directed by the World Health Organization(WHO). Considering the Indonesian people in implementing social preservation and protecting health policies increase the positive acquisition of COVID-19 in Indonesia significantly related to the number of victims who died, therefore in this study, we created a COVID-19 data level assessment system for transfer mitigation in all provinces in Indonesia by using the Modified K-Nearest Neighbor (MKNN) method with the output in the form of a spread rate class, namely a low spread rate which means that the spread mitigation is high, then the medium spread rate class which means the spread mitigation is moderate, and the spread rate is high which means low spread mitigation which is further explained in the section on the research methodology. The purpose of the system output is to increase the awareness of the Indonesian people in preventing COVID-19. The parameters used in the classification process are the number of positives, the number of people recovered, and the number of people died by COVID-19 by looking at the class distribution rate in each province in Indonesia. The reason for using the Modified K-Nearest Neighbor method in this research is because the Modified K-Nearest Neighbor method is a fairly good classification method, where this method is validated and weighted whose weight is determined by calculating the fraction of neighbors labeled the same as the total of  neighbors number. The data used in this study was released from the official website of the Ministry of Health of the Republic of Indonesia which can be accessed at the link https://infection.infemerging.kemkes.go.id/ with a total of 374 training data from May 12, 2020 to May 22, 2020 and test data As many as 136 data from 23 May 2020 to 26 May 2020, the resulting accuracy was 97.79% with a K = 3.
Perbandingan Decision Tree J48, REPTREE, dan Random Tree dalam Menentukan Prediksi Produksi Minyak Kelapa Sawit Menggunakan Fuzzy Tsukamoto Tundo, Tundo; 'Uyun, Shofwatul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021833108

Abstract

 Penelitian ini menerangkan analisis decision tree J48, REPTree dan Random Tree dengan menggunakan metode fuzzy Tsukamoto dalam penentuan jumlah produksi minyak kelapa sawit di perusahaan PT Tapiana Nadenggan dengan tujuan untuk mengetahui decision tree mana yang hasilnya mendekati dari data sesungguhnya. Digunakannya decision tree J48, REPTree, dan Random Tree yaitu untuk mempercepat dalam pembuatan rule yang digunakan tanpa harus berkonsultasi dengan para pakar dalam menentukan rule yang digunakan. Berdasarkan data yang digunakan akurasi pembentukan rule dari decision tree J48 adalah 95,2381%, REPTree adalah 90,4762%, dan Random Tree adalah 95,2381%. Hasil dari penelitian yang telah dihitung bahwa metode fuzzy Tsukamoto dengan menggunakan REPTree mempunyai error Average Forecasting Error Rate (AFER) yang lebih kecil sebesar 23,17 % dibandingkan dengan menggunakan J48 sebesar 24,96 % dan Random Tree sebesar 36,51 % pada prediksi jumlah produksi minyak kelapa sawit. Oleh sebab itu ditemukan sebuah gagasan bahwa akurasi pohon keputusan yang terbentuk menggunakan tools WEKA tidak menjamin akurasi yang terbesar adalah yang terbaik, buktinya dari kasus ini REPTree memiliki akurasi rule paling kecil, akan tetapi hasil prediksi memiliki tingkat error paling kecil, dibandingkan dengan J48 dan Random Tree. AbstractThis study explains the J48, REPTree and Tree Random tree decision analysis using Tsukamoto's fuzzy method in determining the amount of palm oil production in PT Tapiana Nadenggan's company with the aim of finding out which decision tree results are close to the actual data. The decision tree J48, REPTree, and Random Tree is used to accelerate the making of rules that are used without having to consult with experts in determining the rules used. Based on the data used the accuracy of the rule formation of the J48 decision tree is 95.2381%, REPTree is 90.4762%, and the Random Tree is 95.2381%. The results of the study have calculated that the Tsukamoto fuzzy method using REPTree has a smaller Average Forecasting Error Rate (AFER) rate of 23.17% compared to using J48 of 24.96% and Tree Random of 36.51% in the prediction of the amount of palm oil production. Therefore an idea was found that the accuracy of decision trees formed using WEKA tools does not guarantee the greatest accuracy is the best, the proof of this case REPTree has the smallest rule accuracy, but the predicted results have the smallest error rate, compared to J48 and Tree Random.
Pengembangan Aplikasi E-Inventory Barang Inventaris Negera di PTPSM- BPPT Hudiya, Noval; Puspita, Angella Natalia Ghea; Kawigraha, Adji; Hapid, Abdul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844504

Abstract

Teknologi informasi saat ini adalah salah satu yang berkembang pesat sehingga dapat menawarkan banyak solusi untuk menyelesaikan berbagai permasalahan di segala sektor. Salah satu pemanfaatan teknologi informasi antara lain melalui e-Government. e-Government merupakan sebuah upaya penggunaan teknologi informasi digital untuk mentransformasikan kegiatan pemerintah yang bertujuan untuk meningkatkan efektivitas, efisensi dan penyampaian layanan. Salah satu bentuk aplikasi e-Government yaitu e-Inventory. Aplikasi ini bisa digunakan sebagai solusi terhadap permasalahan pendokumentasian barang inventaris negara seperti pencatatan data yang masih dilakukan secara manual, tidak terupdatenya data inventaris secara rutin, dan kesulitan dalam pengambilan data apabila terjadi pemeriksaan oleh Inspektorat atau Badan Pemeriksa Keuangan (BPK). Permasalahan ini salah satunya terjadi di unit kerja Pusat Teknologi Pengembangan Sumberdaya Mineral (PTPSM), Badan Pengkajian dan Penerapan Teknologi (BPPT) yang masih mengalami kendala dalam pencatatan barang inventaris secara efektif, efisien dan terorganisir. Oleh karena itu, maka dikembangkan sebuah aplikasi e-Inventory barang inventaris melalui web dan mobile. Pengembangan aplikasi e-Inventory ini dikembangkan sampai pada tahap perancangan desain fitur dan desain tampilan (mock up). Adapun tujuan dari pengembangan aplikasi e-Inventory barang inventaris ini adalah untuk memudahkan dalam mengupdate data barang inventaris negara, mendokumentasikan barang investaris negara menjadi lebih baik, dan memudahkan dalam pengambilan data di unit kerja PTPSM – BPPT, dan pengembangan aplikasi ini sebagai pembaharuan (novelty) di lingkungan BPPT karena belum ada pengembangan aplikasi e-Goverment terkait e-Inventory di BPPT. AbstractInformation technology is currently one of the fastest growing, so that it can offer many solutions to solve various problems in all sectors. One of the uses of information technology is through e-Government. e-Government is an effort to use digital information technology to transform government activities aimed at increasing the effectiveness, efficiency, and service delivery. One form of e-Government is e-Inventory. This application can be used as a solution to the problem of documenting state inventory item such as recording data that is still manually, not regularly inventorying data, and difficulties in retrieving data in event of an inspection by the Inspectorate or Audit Board of the Republic Indonesia (BPK). This problem is one of which occurs in the work unit of Center for Mineral Resource Development Technology (PTPSM), Agency of Assessment and Application Technology (BPPT), which is still experiencing problems in recording inventory item effectively, efficiently, and organized. Therefore, an e-Inventory application for inventory items was develop through in web and mobile. The e-Inventory application development was developed until the design phase of feature design and display design (mock up). The purposes of developing e-Inventory application for inventory items is to make easier and update data on state inventory items, better document the country’s investment goods, and facilitate data retrieval in the work unit PTPSM – BPPT, and the development of this application is a novelty in BPPT because there is no development of e-Government application related to e-Inventory at BPPT.
Optimasi Bobot K-Means Clustering untuk Mengatasi Missing Value dengan Menggunakan Algoritma Genetica Khotimah, Bain Khusnul; Syarief, Muhammad; Miswanto, Miswanto; Suprajitno, Herry
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844912

Abstract

Nilai yang hilang membutuhkan preprosesing dengan teknik imputasi untuk menghasilkan data yang lengkap. Proses imputasi membutuhkan initial bobot yang sesuai, karena data yang dihasilkan adalah data pengganti. Pemilihan nilai bobot yang optimal dan kesesuaian nilai K pada metode K-Means Imputation (KMI) merupakan masalah besar, sehingga menimbulkan error semakin meningkat. Model gabungan algoritma genetika (GA) dan KMI atau yang dikenal GAKMI digunakan untuk menentukan bobot optimal pada setiap cluster data yang mengandung nilai yang hilang. Algoritma genetika digunakan untuk memilih bobot dengan menggunakan pengkodean bilangan riel pada kromosom. Model hybrid GA dan KMI dengan pengelompokan menggunakan jumlah jarak Euclidian setiap titik data dari pusat clusternya. Pengukuran kinerja algoritma menggunakan fungsi kebugaran optimal dengan nilai MSE terkecil. Hasil percobaan data hepatitis menunjukkan bahwa GA efisien dalam menemukan nilai bobot awal optimal dari ruang pencarian yang besar. Hasil perhitungan menggunakan nilai MSE =0.044 pada K=3 dan replika ke-5 menunjukkan kinerja GAKMI menghasilkan tingkat kesalahan yang rendah untuk data hepatitis dengan atribut campuran. Hasil penelitian dengan menggunakan pengujian tingkat imputasi menunjukkan algoritma GAKMI menghasilkan nilai r = 0.526 lebih tinggi dibandingkan dengan metode lainnya. Penelitian ini menunjukkan GAKMI menghasilkan nilai r yang lebih tinggi dibandingkan metode imputasi lainnya sehingga dianggap paling baik dibandingkan teknik imputasi secara umum.  AbstractMissing values require preprocessing techniques as imputation to produce complete data. Complete data imputation results require the appropriate initial weights, because the resulting data is replacement data. The choice of the optimal weighting value and the suitability of the network nodes in the K-Means Imputation (KMI) method are big problems, causing increasing errors. The combined model of Genetic Algorithm (GA) and KMI is used to determine the optimal weights for each data cluster containing missing values. Genetic algorithm is used to select weights by using real number coding on chromosomes. GA is applied to the KMI using clustering calculated using the sum of the Euclidean distances of each data point from the center of the cluster. Performance measurement algorithms using the fitness function optimally with the smallest MSE value. The results of the hepatitis data experiment show that GA is efficient in finding the optimal initial weight value from a large search space. The results of calculations using the MSE value = 0.04 for K = 3 and the 5th replication. So, GAKMI resulted in a low error rate for mixed data. The results of research using imputation level testing performed GAKMI  produced r = 0.526 higher than the other methods. Thus, the higher the r value, the best for the imputation technique.

Page 56 of 129 | Total Record : 1288

 54   55   56   57   58 

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