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
 55   56   57   58   59 
Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis Rochmawanti, Ovy; Utaminingrum, Fitri; Bachtiar, Fitra A.
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.2021844441

Abstract

Tuberkulosis (TB) merupakan salah satu penyakit berbahaya yang dapat menular lewat udara dan sering menyebabkan kematian apabila tidak cepat ditangani. Penyakit TB bisa disembuhkan dengan deteksi dini sehingga penderita dapat segera mendapatkan pengobatan yang tepat. Metode Convolutional Neural Network (CNN) digunakan untuk mendeteksi penyakit TB melalui foto rontgen dada. Penelitian ini bertujuan untuk menentukan model CNN yang mampu menghasilkan performa paling baik dalam mendeteksi penyakit TB. Pengujian dilakukan dengan menggunakan lima pre-trained model yang telah disediakan oleh Keras yaitu ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, dan InceptionResNetV2. Perbedaan ukuran gambar yag digunakan pada saat pelatihan dan pengujian juga akan dianalisis pengaruhnya terhadap nilai akurasi yang dihasilkan dan waktu komputasinya. Hasil pengujian menunjukkan bahwa model DenseNet121 mampu menghasilkan nilai akurasi tertinggi dalam mendeteksi penyakit TB, yaitu 91,57%. Sedangkan model MobileNet merupakan model dengan waktu komputasi tercepat untuk semua ukuran gambar yang diuji. Semakin besar ukuran citra maka semakin tinggi nilai akurasinya, namun di sisi lain waktu komputasi juga akan semakin lama.  Abstract Tuberculosis (TB) is one of the dangerous disease that can be transmitted through the air and often causes death if not treated quickly. This illness can be cured with early detection, so that sufferers can immediately get the right treatment. The Convolutional Neural Network (CNN) method is used to detect TB disease through chest X-rays. This study aims to determine which CNN model is able to produce the best performance in detecting TB disease. Testing was carried out using five pre-trained models provided by Keras namely ResNet50, DenseNet121, MobileNet, Xception, InceptionV3, and InceptionResNetV2. The difference in image size used during training and testing will also be analyzed for its effect on the resulting accuracy value and its computation time. The test results showed that the DenseNet121 model was able to produce the highest accuracy value in detecting TB disease, namely 91.57%. Meanwhile, the MobileNet model is the model with the fastest computation time for all image sizes tested. The bigger the image size, the higher the accuracy value, but on the other hand the computation time will also be longer.
Analisis Sentimen Ulasan Kedai Kopi Menggunakan Metode Naive Bayes dengan Seleksi Fitur Algoritme Genetika Azhar, Naziha; Adikara, Putra Pandu; Adinugroho, Sigit
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.2021834436

Abstract

Di era sekarang, kedai kopi tak hanya dikenal sebagai tempat berkumpul dan menyeruput kopi saja, tetapi kedai kopi telah menjadi tempat yang nyaman untuk belajar dan bekerja. Namun, tidak semua kedai kopi memiliki kualitas yang baik sesuai dengan apa yang diharapkan pelanggan. Ulasan tentang kedai kopi dapat membantu pemilik kedai kopi untuk mengetahui bagaimana respons mengenai produk dan pelayanannya. Ulasan tersebut perlu diklasifikasikan menjadi ulasan positif atau negatif sehingga membutuhkan analisis sentimen. Terdapat beberapa tahap pada penelitian ini yaitu pre-processing untuk pemrosesan ulasan, ekstraksi fitur menggunakan Bag of Words dan Lexicon Based Features, serta mengklasifikasikan ulasan menggunakan metode Naïve Bayes dengan Algoritme Genetika sebagai seleksi fitur. Data yang digunakan pada penelitian ini sebanyak 300 data dengan 210 data sebagai data latih dan 90 data sebagai data uji. Hasil evaluasi yang didapatkan dari klasifikasi Naïve Bayes dan seleksi fitur Algoritme Genetika yaitu accuracy sebesar 0,944, precision sebesar 0,945, recall sebesar 0,944, dan f-measure sebesar 0,945 dengan menggunakan parameter Algoritme Genetika terbaik yaitu banyak generasi = 50, banyak populasi = 18, crossover rate = 1, dan mutation rate = 0. AbstractIn this era, coffee shops are not only known as a place to gather and drink coffee, but also have become a comfortable place to study and work. However, not all coffee shops are in good quality according to what customers expect. Coffee shop reviews can help coffee shop owners to find out the response to their products and services. These reviews need to be classified as positive or negative reviews so that sentiment analysis is needed. There are several steps in this study, which are pre-processing to process reviews, feature extraction using Bag of Words and Lexicon Based Features, also classifying reviews using the Naïve Bayes method with Genetic Algorithm as a feature selection. The data used in this study were 300 data with 210 data as training data and 90 data as test data. Evaluation results obtained from the Naïve Bayes classification and Genetic Algorithm feature selection are 0.944 for accuracy, 0.945 for precision, 0.944 for recall, and 0.945 for f-measure using the best Genetic Algorithm parameters which are many generations = 50, many populations = 18, crossover rate = 1, and mutation rate = 0.
Sistem Pendukung Keputusan Wilayah Promosi Menggunakan Metode AHP-SMART pada Universitas Muhammadiyah Pontianak Brianorman, Yulrio
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.2021832997

Abstract

Promosi merupakan upaya menawarkan produk atau jasa pada dengan tujuan menarik calon konsumen untuk membeli. Melalui promosi, produsen mengharapkan kenaikannya angka penjualan produk atau jasa yang ditawarkan. Jasa yang ditawarkan oleh sebuah perguruan tinggi swasta adalah jasa pendidikan yang dapat diukur angka penjualannya dengan jumlah kursi penerimaan mahasiswa baru. Aktivitas promosi dengan jangkauan luas memerlukan biaya yang besar sehingga perlu penentuan skala prioritas wilayah. UM Pontianak belum memiliki metode khusus untuk penentuan wilayah yang ada di Kalimantan Barat. Oleh karena itu diperlukan sistem pendukung keputusan untuk menentukan prioritas wilayah. Sistem pendukung pengambilan keputusan ini dibuat menggunakan metode AHP-SMART. Metode AHP digunakan untuk menentukan konsistensi dari skala penilaian antara kriteria sementara metode SMART untuk menyelesaikan masalah pedukung keputusan yang memiliki multikriteria. Hasil dari perhitungan AHP menunjukkan consistensi ratio = 0,05. Dengan nilai CR di bawah 0,1 maka hasil perhitungan bobot menggunakan AHP dapat disetujui secara konsisten. Langkah selanjutnya adalah menentukan nilai prioritas dengan metode SMART. Hasil perhitungan SMART menunjukkan nilai 92,96 untuk kota Pontianak sebagai prioritas utama, disusul dengan dengan kabupaten Kuburaya, kabupaten Landak, kabupaten Sambas, kabupaten Bengkayang, kabupaten Sintang, kabupaten Ketapang, kabupaten Sanggau, kota Singkawang, kabupaten Mempawah, kabupaten Kapuas Hulu, kabupaten Sekadau, kabupaten Melawi dan kabupaten Kayong Utara. AbstractPromotion is an offering to potential customers to buy a product or service. Through promotions, producers expect an increase in sales of products or services offered. Services offered by a private tertiary institution are educational services that can be measured by sales figures with the number of new student admission seats. Delivering wide reach promotional activities require large costs so it is necessary to determine the regional priority scale. UM Pontianak does not have a specific method for determining areas in West Kalimantan yet, therefore a decision support system is needed. This decision making support system was created using the AHP-SMART method. The AHP method is used to calculate the consistency of the rating scale between the criteria while the SMART method is to solve the decision support problem that has multi criteria. The results of the AHP calculation show a consistency ratio = 0.05. With a CR value below 0.1, the weight calculation results using AHP can be consistently agreed. Furthermore, to determine the priority value, SMART method was used. The SMART results show the city of Pontianak as a top priority with the value 92.96, followed by Kuburaya district, Landak district, Sambas district, Bengkayang district, Sintang district, Ketapang district, Sanggau district, Singkawang city, Mempawah district, Kapuas Hulu district, district Sekadau, Melawi district and Kayong Utara district.
Pengenalan Jenis Tanaman Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Kecerdasan Artifisial K-NearestNeighbor (KNN) dan Fusi Informasi Sumari, Arwin Datumaya Wahyudi; Syahbana, Muhammad Rifky; Mentari, Mustika
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.2021844392

Abstract

Memilih tanaman mangga yang sesuai dengan yang diinginkan menjadi sebuah tantangan dihadapkan pada tanaman marga Mangifera yang ada saat ini. Kesalahan pemilihan jenis tanaman mangga dapat menyebabkan kekecewaan pada pembeli dan menurunkan kepercayaan kepada penjual tanaman mangga karena dapat dianggap memberikan jenis tanaman yang salah. Permasalahannya adalah jenis tanaman mangga dapat diketahui setelah tanaman tersebut berbuah. Oleh karena itu, dalam upaya mereduksi kesalahan dalam pemilihan sebelum melakukan pembelian tanaman mangga, maka dirancang  dan dibangun sebuah sistem pencitraan digital untuk pengenalan jenis tanaman mangga berdasarkan bentuk dan tekstur daun menggunakan metode Kecerdasan Artifisial K-Nearest Neighbor (KNN) yang digabungkan dengan Fusi Informasi guna memperoleh hasil klasifikasi dengan akurasi yang lebih baik. Data citra daun empat macam daun tanaman mangga yakni jenis Gadung, Lalijiwo, Golek dan Irwin, diproses menggunakan metode Local Binary Pattern (LBP) dan Entropy untuk ekstraksi fitur tekstur, dan metode Rectangularity untuk ekstraksi fitur bentuk. Kedua macam fitur tersebut difusikan menjadi masukan bagi pengklasifikasi KNN. Berdasarkan dari hasil-hasil pengujian, K-NN berhasil mengenali keempat jenis tanaman mangga tersebut dengan akurasi tertinggi sebesar 70% pada nilai K = 5, K = 9, K = 10 dan K = 11. Dari hasil pengujian juga diperoleh hasil bahwa fusi informasi mampu mempercepat sistem mengenali jenis tanaman mangga sebesar 0,11 detik. AbstractChoosing the right desired Mango plant is a challenge faced with various types of the existing Mangifera clan plants. The wrong choice of Mango plant species can end up with buyer disappointment and reduce the trust to the seller because it can be considered as providing the wrong type of plant. This happened because the type of Mango plant can only be identified after it bears fruit. In the effort to reduce such error, a digital imaging system was designed and built for recognizing the  types of Mango plants based on the leaf shape and texture using Artificial Intelligence’s K-Nearest Neighbor (KNN) combined with Information Fusion to accelerate the classification with a consistent classification results. The image data consists of four kinds of Mango plant leaves, namely Gadung, Lalijiwo, Golek and Irwin. The leaf texture feature was extracted using the Local Binary Pattern (LBP) and Entropy methods, while the leaf shape feature was extracted using the Rectangularity method. The two features are fused as the input for the KNN classifier. Based on the test results, KNN was able to identify the four types of the Mango plant with the highest accuracy of 70% at values of K = 5, K = 9, K = 10, and K = 11. Besides that, it is also obtained a result that, the information fusion is able to speed up the recognition the types of Mango by 0.11 seconds.
Peningkatan Kinerja Metode SVM Menggunakan Metode KNN Imputasi dan K-Means-Smote untuk Klasifikasi Kelulusan Mahasiswa Universitas Bumigora Hairani, Hairani
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.2021843428

Abstract

Salah satu permasalahan utama Universitas Bumigora adalah rasio antara mahasiswa yang masuk dengan mahasiswa lulus tepat waktu  tidak seimbang, sehingga akan mengakibatkan penurunan penilaian akreditasi dikemudian hari. Salah satu indikator penilaian dalam proses akreditasi adalah rasio kelulusan mahasiswa. Data kelulusan mahasiswa yang tersimpan pada basisdata kampus, tetapi belum dimanfaatkan dengan maksimal. Dengan memanfaatkan data kelulusan mahasiswa dapat mengetahui pattern atau pola-pola mahasiswa yang lulus tepat waktu atau tidak, sehingga dapat minimalisir terjadinya mahasiswa yang drop out. Tidak hanya itu, pengambil keputusan dapat dimudahkan membuat kebijakan secara dini untuk membantu mahasiswa yang berpotensi drop out dan lulus tidak tepat waktu. Solusi yang ditawarkan pada penelitian ini adalah menggunakan teknik data mining. Salah satu metode data mining yang digunakan penelitian ini adalah metode SVM. Adapun tujuan penelitian ini adalah meningkatkan kinerja metode SVM untuk klasifikasi kelulusan mahasiswa Universitas Bumigora menggunakan metode KNN Imputasi dan K-Means-Smote. Penelitian ini terdiri dari beberapa tahapan yaitu pengumpulan data kelulusan mahasiswa, pra-pengolahan seperti penanganan nilai hilang menggunakan metode KNNI, penanganan ketidakseimbangan kelas menggunakan K-Means-Smote, klasifikasi menggunakan metode SVM. Tahapan terakhir adalah pengujian kinerja SVM berdasarkan akurasi, sensitivitas, spesifisitas, dan f-measure.  Berdasarkan hasil pengujian yang telah dilakukan, integrasi metode KNNI, K-Means-Smote, dan SVM mendapatkan akurasi 83.9%, sensitivitas 81.3%, spesifisitas 86.6%, dan f-measure 83.5%.  Penggunaan metode KNNI dan K-Means-Smote dapat meningkatkan kinerja metode SVM berdasarkan akurasi, sensitivitas, spesifisitas, dan f-measure. Abstract One of the main problems of Bumigora University is the ratio between incoming students and students graduating on time is not balanced, so that it will result in a decrease in accreditation assessment in the future. One of the assessment indicators in the accreditation process is the student graduation ratio. Student graduation data stored in the campus database, but has not been maximally utilized. By utilizing graduation data, students can find out patterns or patterns of students who graduate on time or not, so as to minimize the occurrence of students who drop out. Not only that, decision makers can make it easier to make policies early to help students who have the potential to drop out and not graduate on time. The solution offered in this research is to use data mining techniques. One of the data mining methods used in this study is the SVM method. The purpose of this study is to improve the performance of the SVM method for the classification of Bumigora University graduation students using the KNN Imputation and K-Means-Smote methods. This research consists of several stages, namely the collection of student graduation data, pre-processing such as handling missing values using KNNI method, handling class imbalances using K-Means-Smote, classification the SVM method. The last stage is testing SVM performance based on accuracy, sensitivity, specificity, and f-measure. Based on the results of test that have been carried out, the integration of the KNNI, K-Means-Smote, and SVM method get an accuracy of 83.9%, sensitivity 81.3%, specificity 86.6%, and f-measure 83.5%. The use of KNNI and K-Means-Smote method can improve the performance of the SVM method based on accuracy, sensitivity, specificity, and f-measure. 
Rekomendasi Fitur yang Mempengaruhi Harga Sewa Menggunakan Pendekatan Machine Learning Wisnuadhi, Bambang; Setiawan, Irwan
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.2021843305

Abstract

Perkembangan Teknologi Infromasi, internet, dan perangkat bergerak telah mengubah perilaku konsumen dalam menjalankan aktivitasnya. Hal ini direspon oleh industri dengan menyediakan berbagai aplikasi berbasis web dan perangkat bergerak dalam interaksinya dengan pelanggan. Salah satu industri yang beradaptasi dengan perubahan teknologi dan perilaku konsumen ini adalah industri pariwisata dan perhotelan. Kebutuhan konsumen yang sebelumnya menggunakan akomodasi wisata tradisional seperti hotel, berubah menjadi lebih memilih rumah-rumah penduduk disekitar tempat wisata sebagai tempat penginapan sementara wisatawan. Perubahan ini berdampak kepada semakin banyaknya properti pribadi yang disewakan sehingga menyebabkan persaingan harga sewa. Harga sewa merupakan salah satu faktor penting yang dipertimbangkan calon penyewa dalam menentukan properti yang akan disewanya. Hal ini tentunya membuat para pemiliki properti harus memikirkan strategi penentuan harga sewa agar propertinya laku dipasaran. Penelitian ini bertujuan untuk mendapatkan fitur apa saja yang dapat mempengaruhi penentuan harga sewa properti berdasarkan data pengguna Airbnb di Berlin. Data penelitian diambil dari dataset yang disediakan oleh InsideAirbnb berupa file dengan format CSV. Penelitian dilakukan menggunakan teknik machine learning dengan pendekatan algoritma XGBoost. Terdapat lima tahapan pengerjaan dalam penelitian ini, yaitu data understanding, data pre-processing, exploratory data analysis, pemodelan, dan insights. Hasil yang didapatkan dari penelitian ini adalah room type private room, room type entire home/apt, dan cancellation policy super strict 60 days merupakan tiga fitur tertinggi yang mempengaruhi penentuan harga sewa. Luas properti menempati urutan keempat berdasarkan rekomendasi algoritma yang diterapkan. AbstractThe development of information technology, the internet, and mobile devices has changed the behavior of consumers in carrying out their activities. The industry responded by providing various web-based and mobile applications in their interactions with customers. The tourism and hospitality industry is adapting to changes in technology and consumer behavior. The needs of consumers who previously used traditional tourist accommodations such as hotels have changed to prefer residents' houses around tourist attractions as their temporary lodging. This change has an impact on the increasing number of private properties being leased, causing competition in rental prices. It is undeniable that the rental price is one of the essential factors that prospective tenants consider in making choices. This certainly makes property owners, who will rent out their properties, have to think about rental pricing strategies. This study aims to obtain any features that affect pricing based on Airbnb user data in Berlin. The study was conducted using machine learning techniques with the XGBoost algorithm approach. There are five stages of work in this study, namely understanding data, pre-processing data, exploratory data analysis, modeling, and insights. The results obtained from this study are room type private room, room type entire home / apt, and cancellation policy type super strict 60 are the three highest features that affect price determination. Property size ranks fourth based on algorithmic recommendations.
Analisis dan Perencangan Aplikasi E-Learning Berbasis Gamification (Studi Kasus Program Studi Sistem Informasi Institut Teknologi Kalimantan) Putra, M. Gilvy Langgawan; Octantia, Hemy
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.2021834368

Abstract

Pembelajaran pada institusi pendidikan khususnya perguruan tinggi pada era teknologi ini sebagian besar telah memanfaatkan penggunaan teknologi, seperti penggunaan power point untuk menyajikan materi dan penggunaan google classroom untuk memudahkan penyampaian berbagai file materi dan tugas. Walaupun telah menggunakan bantuan teknologi, terkadang kegiatan pembelajaran tetap dirasa membosankan bagi mahasiswa sehingga membuat motivasi belajar mahasiswa menurun. Tujuan dari penelitian ini adalah merancang sebuah aplikasi pembelajaran online atau e-learning berbasis gamification yang dapat meningkatkan motivasi belajar mahasiswa. Perancangan aplikasi dilakukan dengan metode pengembangan waterfall hingga tahap modelling. Perancangan e-learning diterapkan untuk pembagian materi, tugas, dan pelaksanaan ujian. Beberapa elemen gamification yang diterapkan pada perancangan aplikasi ini adalah challenge, reward, dan leaderboard. Sistem poin juga diterapkan pada fitur challenge dan pengguna dapat menukarkan poin tersebut dengan reward tertentu. Pada penelitian ini, dijelaskan bagaimana merancang sebuah aplikasi e-learning dengan metode gamification. Perancangan aplikasi pada penelitian ini menghasilkan 42 diagram use case, skenario use case, diagram sequence, class diagram, ERD, dan mock up aplikasi. AbstractLearning in educational institutions, especially universities in this technological era, has mostly taken advantage of the use of technology, such as the use of power points to present material and the use of google classrooms to facilitate the delivery of various material files and assignments. Even though they have used technology assistance, sometimes learning activities are still considered boring for students, so that students' learning motivation decreases. The purpose of this research is to design an online learning application or e-learning based on gamification which can increase student motivation. The application design is carried out using the waterfall development method to the modeling stage. The e-learning design is applied for the distribution of materials, assignments and exams. Some of the gamification elements applied to the design of this application are the challenges, rewards, and leaderboards. The point system is also applied to the challenge feature and users can exchange these points for certain rewards. In this paper, how to design an e-learning application with the gamification method will be explained. Application design in this paper developing 42 use case diagram, use case scenarios, sequence diagrams, class diagram, ERD, and application mock ups. 
Implementasi Kombinasi Algoritme Self-Organizing Map dan Fuzzy C-Means untuk Pengelompokan Performa Belajar Siswa pada Media Pembelajaran Digital Luckyana, Nabila Divanadia; Supianto, Ahmad Afif; Tibyani, Tibyani
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.2021834402

Abstract

Media pembelajaran digital mampu menyimpan data dalam bentuk log data yang dapat digunakan untuk melihat perbedaan performa siswa yang tentu saja berbeda-beda antara satu siswa dengan siswa yang lainnya. Perbedaan performa siswa tersebut menyebabkan dibutuhkannya sebuah tahapan yang berfungsi untuk mempermudah proses evaluasi dengan cara menempatkan siswa kedalam kelompok yang sesuai agar dapat membantu tenaga pengajar dalam menangani serta memberikan umpan balik yang tepat pada siswanya. Penelitian ini bertujuan memanfaatkan log data dari sebuah media pembelajaran digital dengan menggunakan kombinasi dari algoritme Self-Organizing Map dan Fuzzy C-Means untuk mengelompokan siswa berdasarkan aktivitas mereka selama belajar dengan media tersebut. Data akan melalui sebuah proses reduksi dimensi dengan menggunakan algoritme SOM, lalu dikelompokkan dengan menggunakan algoritme FCM. Selanjutnya, data dievaluasi dengan menggunakan nilai silhouette coefficient dan dibandingkan dengan algoritme SOM clustering konvensional. Berdasarkan hasil implementasi yang telah dilakukan menggunakan 12 data assignment pada media pembelajaran Monsakun, dihasilkan parameter-parameter optimal seperti ukuran map atau jumlah output neuron sejumlah 25x25 dengan nilai learning rate yang berbeda-beda disetiap assignment. Selain itu, diperoleh pula 2 kelompok siswa pada setiap assignment berdasarkan nilai silhouette coefficient tertinggi yang mencapai lebih dari 0.8 di beberapa assignment. Melalui serangkaian pengujian yang telah dilakukan, penerapan kombinasi algoritme SOM dan FCM secara signifikan menghasilkan cluster yang lebih baik dibandingkan dengan algoritme SOM clustering konvensional. Abstract Digital learning media is able to store data in the form of log data that can be used to see differences in student performance. The difference in student performance causes the need for a stage that functions to simplify the evaluation process by placing students into appropriate groups in order to assist the teaching staff in handling and providing appropriate feedback to students. This study aims to utilize log data from a digital learning media using a combination of the Self-Organizing Map algorithm and Fuzzy C-Means to classify students based on their activities while learning with these media. The data will go through a dimensional reduction process using the SOM algorithm, then grouped using the FCM algorithm. Furthermore, the data were evaluated using the silhouette coefficient value and compared with the conventional SOM clustering algorithm. Based on the results of the implementation that has been carried out using 12 data assignments on the Monsakun learning media, optimal parameters such as map size or the number of neuron outputs are 25x25 with different learning rate values in each assignment. In addition, 2 groups of students were obtained for each assignment based on the highest silhouette coefficient score which reached more than 0.8 in several assignments. Through a series of tests that have been carried out, the implementation of a combination of the SOM and FCM algorithms has significantly better clusters than the conventional SOM clustering algorithm.
Metode Analytical Hierarchy Process dan Borda untuk Seleksi Penerima Pembebasan Operasional Sekolah Waluyo, Retno; Setiawan, Ito; Wulandari, Vina
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.2021842743

Abstract

SMA N 1 Kutasari adalah salah satu sekolah yang turut memberikan upaya dalam membantu siswa untuk terus bersekolah dengan memberikan pembebasan biaya operasional sekolah. Keputusan penerima pembebasan operasional melibatkan banyak pihak sehingga menyebabkan permasalahan berupa kurang subjektif dalam penilaian dan kurang tepatnya sasaran penerima. Tujuan dari penelitian ini adalah untuk membangun Decision Support System penerima pembebasan operasional untuk mengatasi permasalahan yang ada dalam proses seleksi. Proses perhitungan yang digunakan dalam Decision Support System ini adalah kombinasi antara metode Analytical Hierarchy Process untuk mengambil keputusan dengan memberikan prioritas yang efektif atas persoalan yang kompleks dan Borda yang mampu menyatukan beberapa keputusan menjadi keputusan bersama. Metode pengumpulan data yang digunakan adalah studi pustaka, wawancara dan dokumentasi, sedangkan. Penelitian ini menghasilkan sistem pendukung keputusan kelompok dengan kriteria penilaian dari waka kesiswaan, wali kelas dan guru BK. Dari masing-masing kriteria juga terdapat subkriteria. Metode Analytical Hierarchy Process (AHP) digunakan untuk proses perhitungan dari pembuatan matriks sampai dengan perankingan sedangkan metode borda digunakan untuk menghitung hasil akhir rata-rata penilaian dari masing-masing kriteria. Perhitungan difokuskan pada kelas X dan diambil 10 nama siswa dengan score penilaian tertinggi. AbstractSMA N 1 Kutasari is one of the schools that helped give an effort to help students to continue going to school by giving school operational costs free. Decision recipients of operational exemptions involve many parties so that the assessment is less subjective as a result there are students who can afford financially but receive operational exemptions. With the condition of the recipient of the exemption of operational costs that are not right will give problems to the school because there are still students who are supposed to get exemption from school operational costs so that it continues to burden SMAN 1 Kutasari. To reduce or eliminate inappropriate decisions, a decision support system is needed. The existence of a Decision Support System for operational exemption recipients aims to overcome the problems that exist in the selection process. Stages of research conducted include data collection, problem identification, AHP Method Calculation and Borda Method Calculation. Calculation Results Analytical Hierarchy Process method for making decisions by giving effective priority to complex problems and Borda which is able to unite several decisions into joint decisions. From this study produced a decision support system so that it can reduce the problem of decision making that is not appropriate in accordance with the criteria of recipients of operational exemption from schools.
Visualisasi dan Analisis Data Bunuh Diri Setiawan, Irwan
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.2021833391

Abstract

Bunuh diri merupakan salah satu permasalahan kesehatan publik. Kematian yang disebabkan oleh tindakan bunuh diri banyak terjadi di seluruh dunia. World Health Organization (WHO) melaporkan bahwa tindakan bunuh diri terjadi sekitar satu juta kejadian setiap tahunnya. WHO menyediakan basis data kematian yang disebabkan karena bunuh diri, namun parameter dan diagram yang disediakan pada basis data tersebut tidak dapat dikustomisasi untuk analisis lebih lanjut. Exploratory Data Analysis merupakan teknik analisis yang menekankan penyajian data dalam bentuk grafik yang dapat mempermudah analis dalam menemukan pola-pola tersembunyi dalam data. Teknik ini sangat efektif digunakan untuk menganalisis data yang memiliki volume yang besar dan varian data yang banyak.  Penelitian ini ditujukan untuk melakukan visualisasi dan analisis data kematian yang disebabkan oleh bunuh diri dengan menggunakan data yang disediakan oleh WHO untuk menemukan pola dan tren kejadian bunuh diri dari berbagai negara dan benua agar dapat membantu pihak-pihak yang berkepentingan dalam mendeteksi dan merencanakan tindakan pencegahan kejadian bunuh diri. Metode penelitian terbagi kedalam tiga tahapan, yaitu persiapan data, Exploratory Data Analysis, dan penarikan kesimpulan. R Studio digunakan sebagai perangkat lunak untuk pengolahan dan visualisasi data. Hasil yang didapatkan dari penelitian ini adalah teknik Exploratory Data Analysis sangat efektif untuk mengeksplorasi data dan menemukan pola-pola tersembunyi dalam data.Berdasarkan hasil analisis, Jepang merupakan negara yang memiliki kejadian bunuh diri paling banyak.   Temuan yang didapatkan adalah secara umum jumlah kejadian bunuh diri memiliki tren yang meningkat. Pada tahun 1998 terjadi lonjakan kejadian bunuh diri yang sangat signifikan di negara-negara Asia. Negara yang paling banyak mengalami kejadian bunuh diri adalah Jepang. Pola pelaku bunuh diri di benua Afrika berbeda dengan benua lainnya. Kelompok usia diatas 75 tahun merupakan kelompok usia dengan jumlah bunuh diri paling banyak. Terjadi tren peningkatan kejadian bunuh diri pada kelompok umur 5-14 tahun. Temuan-temuan yang didapatkan dari penelitian ini dapat dimanfaatkan untuk kebutuhan perencanaan pencegahan kejadian bunuh diri dan meningkatkan kewaspadaan terhadap terjadinya risiko bunuh diri, terutama pada kelompok umur diatas 75 tahun dan 5-14 tahun. AbstractSuicide is a public health problem. Deaths caused by acts of suicide occur throughout the world. The World Health Organization (WHO) reports that suicides occur in around one million incidents each year. WHO provides a database of deaths due to suicide, but the parameters and diagrams contained in that database cannot be customized for further analysis. Exploratory Data Analysis is an analytical technique that emphasizes data presentation in a graphical form that can make it easier for analysts to find hidden patterns in the data. This technique is beneficial for analyzing data with a large volume and many data variants. This research aims to visualize and analyze data on deaths caused by suicide by using data provided by WHO to find patterns and trends in suicide events from various countries and continents to help the parties concerned in detecting and planning preventive suicide actions. The research method is divided into three stages: data preparation, Exploratory Data Analysis, and concluding. R Studio is used as software for data processing and visualization. The results obtained from this study are Exploratory Data Analysis techniques, which are useful for exploring data and discovering hidden patterns in data.Based on the results of the analysis, Japan is a country that has the most suicide. The finding is that in general, the number of suicides has an upward trend. In 1998 there was a very significant surge in suicides in Asian countries. Japan is the country that experiences the most suicide. The pattern of suicide in Africa is different from other continents. The age group above 75 years is the age group with the highest number of suicides. There is a trend of an increase in the incidence of suicide in the 5-14 years age group. The findings obtained from this study can be utilized for the needs of planning suicide prevention events and increasing awareness of the occurrence of suicide risk, especially in the age group above 75 years and 5-14 years.

Page 57 of 129 | Total Record : 1288

 55   56   57   58   59 

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