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
 69   70   71   72   73 
Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN) Selle, Nurfatima; Yudistira, Novanto; Dewi, Candra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 1: Februari 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022915585

Abstract

Energi listrik telah menjadi salah satu kebutuhan yang sangat penting dan membantu kehidupan manusia di era modern saat ini. Energi listrik yang tidak dapat disimpan dalam waktu yang lama dan harus dapat selalu tersalurkan menyebabkan penyedia energi listrik harus dapat mampu menyediakan energi listrik dengan tepat. Oleh karena itu, diperlukan sebuah sistem yang mampu melakukan prediksi terhadap penggunaan listrik dengan memanfaatkan data historis penggunaan listrik sebelumnya. Sehingga PT. PLN selaku penyedia energi listrik harus dapat mampu menyesuaikan jumlah listrik yang harus disediakan dengan permintaan kebutuhan pelanggan. Penelitian ini menggunakan metode Recurrent Neural Network (RNN) dan Long Short Term Memory (LSTM) yang merupakan metode pembelajaran deep learning. Kedua metode ini mampu mengolah data dan melakukan prediksi dengan format data time series. Proses implementasi yang dilakukan yaitu normalisasi data, transformasi data, pembangunan model, training, testing, denormalisasi, dan pengujian hasil prediksi menggunakan Root Mean Square Error (RMSE). Berdasarkan penerapan metode LSTM dan pengujian pada fitur data siang dan malam, didapatkan kondisi terbaik pada penggunaan untuk fitur data siang dengan panjang sequence 20, hidden size 8, 3 LSTM layer, dan 70% data training menghasilkan rata-rata RMSE 46,72, sedangkan untuk fitur data malam didapatkan panjang sequence 30, hidden size 8, 1 LSTM layer, dan 80% data training menghasilkan rata-rata RMSE 51,05. Perbandingan antar RNN dan LSTM menghasilkan LSTM mampu menghasilkan kinerja yang lebih baik pada penggunaan deret waktu yang lebih panjang. AbstractElectrical energy has become one of the most important needs and helped human life nowadays. The electrical energy that cannot be stored for a long time and must always be distributed leads to an obligation for electricity providers to provide appropriate electrical energy. Therefore, we need a system that can predict the use of electricity by leveraging historical data on previous electricity usage. It aims that PT. PLN as a provider of electrical energy can able to adjust the amount of electricity that must be provided with the demands of customer needs. Our method uses are Recurrent Neural Network (RNN) and Long Short Term Memory (LSTM), which is a deep learning architecture that able to capture time-series data. The process of implementing system is data normalization, data transformation, model building, training, testing, denormalization, and testing the prediction results using the Root Mean Squared Error (RMSE). Based on the experiments on day and night data features, the best conditions were obtained at the use for daylight data features with a sequence length of 20, hidden size of 8, 3 LSTM layers, and 70% data training resulted in an average RMSE of 46.72.  For the night data feature, the best result was achieved with the sequence length of 30, hidden size of 8, 1 LSTM layer, and 80% of training data resulting in an average RMSE of 51.05. Comparison between RNNs and LSTM shows LSTM capable of producing better performance when the longer time series is incorporated.
Penerapan Mekanisme Komunikasi Multi-hop pada Bluetooth Low Energy Budi, Agung Setia; Hanif Azhar Efendi, Muhammad; Bhawiyuga, Adhitya; Ichsan, Mochammad Hannats Hanafi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 2: April 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022925684

Abstract

Seiring dengan berjalannya waktu, perkembangan teknologi akan semakin pesat, begitu pun teknologi dalam bidang wireless communication atau komunikasi tanpa kabel. Salah satu teknologi wireless yang sudah ada cukup lama adalah Bluetooth, adapun pengembangan dari teknologi Bluetooth adalah Bluetooth Low Energy (BLE). Tujuan dikembangkannya BLE adalah agar sumber daya yang digunakan saat proses transmisi data lebih rendah dari Bluetooth yang sudah ada sebelumnya. Adapun terdapat beberapa batasan yang ada pada Bluetooth Low Energy (BLE), salah satunya adalah hanya dapat berkomunikasi satu dengan yang lainnya dalam jarak yang dekat dikarenakan adanya keterbatasan sumber daya. Berdasarkan dari permasalahan tersebut, pada penelitian ini dirancang mekanisme komunikasi multi-hop pada BLE untuk mengatasi permasalahan jarak yang terbatas. Pada penelitian ini, topologi yang digunakan adalah topologi tree, dan hardware yang digunakan adalah ESP32. Hasil yang didapat menunjukkan mekanisme komunikasi multi-hop pada BLE yang dirancang dapat diterapkan dengan sukses. Hasil pengujian menunjukkan bahwa pengiriman data dari sebuah Sensor Node ke Sink Node yang melewati dua Relay Node (3-hop) membutuhkan waktu rata-rata 1846,4 ms.AbstractTechnology has been being developed very fast in the last couple years. One of that technology is wireless communication. There are so many wirelees communication technologies arround us nowadays, such as Wi-Fi, LoRa, Zigbee,and Bluetooth. The recent update of Bluetooth technology is Bluetooth Low Energy (BLE). The purpose of developing BLE is to decrease the energy used during the data transmission process. But there are some limitations in BLE. One of them is that we can only communicate with each other in a short distance due to resources limitation. Based on these problem, in this research we want to implement the multi-hop communication mechanism on BLE to overcome short distance communication problem. In this research, we use tree topology and ESP32 as the hardware. The results of this research shows that the mechanism of multi-hop communication on BLE can be applied successfully. The experiment result shows that the transmissionof data from a Sensor Node to a Sink Node through two Relay Nodes (3-hops) needs the average time of 1846,4 ms.
Analisis Sentimen terhadap Kebijakan Kuliah Daring Selama Pandemi Menggunakan Pendekatan Lexicon Based Features dan Support Vector Machine Oktaviana, Natasya Eldha; Sari, Yuita Arum; Indriati, Indriati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 2: April 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022925625

Abstract

Adanya virus baru yaitu COVID-19 atau SARS-CoV-2 yang berasal dari Wuhan, China pada awal tahun 2020 telah menggemparkan seluruh warga dunia salah satunya Indonesia dan memiliki tingkat penularan yang tinggi. Sehingga untuk meminimalisir penyebaran COVID-19, pemerintah Indonesia menetapkan salah satu kebijakan dalam dunia pendidikan yaitu pembelajaran/perkuliah online. Kebijakan tersebut mengakibatkan seluruh penyebaran informasi berubah menjadi online dan memberikan dampak yang luas bagi keberlanjutan pendidikan di Indonesia. Hal tersebut menimbulkan kontroversi pada kalangan masyarakat dan banyak yang akhirnya beropini pada media sosial, salah satunya Twitter. Analisis sentimen berguna untuk mengetahui ketepatan komputasi sistem dalam mengenali pembicaraan pada Twitter mengenai kebijakan pembelajaran online cenderung bersentimen negatif atau positif dengan menggunakan metode Support Vector Machine dan Lexicon Based Features. Penggunaan Lexicon Based Features berpengaruh terhadap objek penelitian yang menghasilkan nilai accuracy 0,6, nilai precision 0,56, nilai recall 0,75, dan fmeasure 0,64 dengan parameter optimal dalam mencapai konvergensi yaitu ???? (Lambda) = 0,7, nilai parameter ???? (gamma) = 0,0001, nilai parameter ???? (Kompleksitas) = 0,0001, iterasi = 50, dan ???? (Epsilon) = 0,00000001. Hal tersebut menunjukkan bahwa metode yang digunakan pada penelitian ini dapat mengenali pembicaraan data komentar pada Twitter karena dibuktikan dengan nilai accuracy yang cukup tinggi.AbstractThe existence of a new virus, namely COVID-19 or SARS-CoV-2, that come from Wuhan, China, in early 2020, has shocked all citizens of the world, including Indonesia, and has a high transmission rate. So to minimize the spread of COVID-19, the Indonesian government has set one policy in online learning/lectures. This policy resulted in all information dissemination being online and had a broad impact on education in Indonesia. This policy caused controversy among the public, and many ended up giving opinions on social media, one of which was Twitter. Sentiment analysis is useful for determining the timeliness of system computing in discussions on Twitter regarding online learning policies that tend to have negative or positive sentiments using the Support Vector Machine and Lexicon Based Features methods. The use of Lexicon Based Features affects the object of research which produces an accuracy value of 0.6, a precision value of 0.56, a recall value of 0.75, and a size of 0.64 with the optimal parameter in achieving convergence, namely (Lambda) = 0.7, the parameter value (gamma) = 0.0001, the parameter value (Complexity) = 0.0001, iterations = 50, and (Epsilon) = 0.00000001. This evaluation value shows that the method used in this study can recognize the conversation of comment data on Twitter because a fairly high accuracy value evidences it.
Network Automation pada Beberapa Perangkat Router Menggunakan Pemrograman Python Nugroho, Setiya; Pujiarto, Bambang
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 1: Februari 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022913947

Abstract

Perkembangan teknologi dalam bidang jaringan komputer memberikan efek semakin banyak vendor yang memproduksi perangkat jaringan. Perancangan topologi jaringan dengan tipe Wide Area Network (WAN) membutuhkan lebih banyak perangkat jaringan termasuk router. Seorang network administrator yang mengkonfigurasi lebih dari satu router akan memberi peluang adanya human error. Selain itu waktu yang dibutuhkan untuk menyelesaikan semakin banyak karena harus berpindah dari satu interface ke interface lain. Untuk mengatasi permasalahan tersebut, penulis merancang aplikasi network automation pada beberapa perangkat router. Tujuan penelitian ini adalah membuat sebuah dashboard berbasis web yang bisa mengontrol beberapa router melalui satu interface. Metode yang digunakan dalam penelitian ini melalui beberapa tahap. Tahap pertama adalah perancangan topologi perangkat keras pada network automation. Tahapan kedua adalah perancangan perangkat lunak menggunakan Unified Modelling Language menggunakan use case diagram dan aktivity diagram. Pengujian yang digunakan pada penelitian ini menggunakan metode white box dan black box. Hasil penelitian ini penulis telah membangun sebuah aplikasi network automation berbasis web menggunakan pemrograman Python dengan framework Django dan library paramiko. Aplikasi telah diuji coba untuk mengkonfigurasi tiga buah roter Cisco dan tugas buah router Mikrotik secara bersamaan.AbstractTechnological developments in the field of computer networks have an effect that more and more vendors are producing network devices. Designing a network topology with a Wide Area Network (WAN) type requires more network devices including routers. A network administrator who configures more than one router will give an opportunity for human error. In addition, the time needed to complete more and more because they have to move from one interface to another interface. To overcome this problem, the authors designed a network automation application on several router devices. The purpose of this research is to create a web-based dashboard that can control multiple routers through one interface. The method used in this study went through several stages. The first step is designing the hardware topology in network automation. The second stage is software design using Unified Modeling Language using use case diagrams and activity diagrams. Tests used in this study use the white box and black-box methods. The results of this study the author has built a web-based network automation application using Python programming with the Django framework and paramiko library. The application has been tested to configure three Cisco routers and the Mikrotik router tasks simultaneously.
Optimasi Convolutional Neural Network Untuk Deteksi Covid-19 pada X-ray Thorax Berbasis Dropout Suryawan, I Gede Totok; Darma Udayana, I Putu Agus Eka
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022935143

Abstract

Pandemi COVID-19 yang melanda Indonesia sejak pertengahan tahun 2020 telah memberikan dampak luar biasa pada infrastruktur medis di Indonesia. Angka rata-rata penyebaran virus COVID-19 yang cukup tinggi membuat monitoring bed occupancy rate menjadi sebuah tantangan tersendiri. Dengan adanya penetrasi Artificial Intelligence yang tepat pada sistem medis di Indonesia, diharapkan dapat membantu terjadinya transfer knowledge antar paramedis menjadi lebih efektif. Salah satunya dengan menggunakan Deep learning yaitu Convolutional Neural Network (CNN) yang sudah terbukti merupakan salah satu metode yang dapat digunakan untuk melakukan skrining pasien dan mendeteksi COVID-19. Namun untuk melatih sebuah classifier CNN yang ampuh dan siap digunakan di dunia nyata membutuhkan computing power yang besar dan umumnya training rate yang lama.  Penelitian ini bertujuan untuk membuat arsitektur jaringan syaraf tiruan berbasis deep learning yang lebih cepat dan efisien dengan pembuatan network yang  lebih ramping sehingga lebih mudah dibuat oleh orang lain tanpa harus memiliki computing power yang besar. Metode yang digunakan adalah dengan menyisipkan dropout layer pada sistem jaringan syaraf tiruan. Metode ini akan memaksa sistem untuk belajar memakai rute yang tersingkat dengan cara menghilangkan beberapa node secara acak. Arsitektur ini kemudian diuji pada data ronsen thorax penyintas COVID-19 dan kemudian dibandingkan dengan arsitektur lainnya yang sama-sama memakai pendekatan deep learning. Setelah ditraning menggunakan 500 data COVID-19 thorax X-Ray public database dan diuji dengan jumlah data yang sama, classifier yang menggunakan arsitektur ini mampu menghasilkan akurasi sebesar 95,20%, precision 94,80%, recall 95,58%, specificity 94,88%, NVP sebesar 95,60%, F-Score sebesar 95,18 dan dapat menghemat waktu training sampai 62% dibandingkan dengan arsitektur deep learning lainnya. AbstractThe COVID-19 pandemic that hit Indonesia in mid-2020 had a tremendous impact on medical infrastructure in Indonesia. The virus made monitoring the bed occupancy rate became a challenge in itself. New approach can be taken to fight the crisis. The Convolutional Neural Network (CNN), which has proved to be one of the methods that can use to screen patients and detect COVID-19.also have its own problem because it requires enormous computing power and generally a long training rate. Therefore, this study aimed to tackle that problem by creating a leaner network. Thus, it is easier for others to build without having enormous computing power. The method used was to insert a dropout layer on the artificial network system. This method will force the system to learn using the shortest route by eliminating some nodes at random. Then, this architecture was tested on chest X-ray data of COVID-19 survivors and compared with other architectures that both used a deep learning approach. It proved that when this system was tested with COVID-19 thorax x-ray public database data, the classifier that used this architecture could achieve an accuracy rate of 95.20% followed by precision and recall value reaching 94.80% and 94.80%. respectively and last but not least F-score of 95.18% and Negative Predictive value of 95.60%  It could also save training time up to 62% compared to other deep learning architectures. Using dropout layers proved could produce more efficient layers and more powerful classifiers while keeping training time to a minimum.
Pengukuran Kepuasan Pengguna E-Learning Menggunakan Metode Evaluasi Heuristik dan System Usability Scale Iryanti, Emi; Zulfiqar, La Ode Mohamad; Kusumawardani, Sri Suning; Hidayah, Indriana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022924631

Abstract

Pandemik COVID-19 yang terjadi saat ini mempengaruhi banyak aspek kehidupan termasuk pendidikan, dimana pembelajaran dilakukan dari rumah untuk mengurangi resiko penularan virus corona dengan menerapkan e-learning. Hal ini yang membuat implementasi e-learning harus baik, oleh karenanya harus dilakukan evaluasi agar e-learning mudah digunakan. Salah satu aspek penting yang harus dievaluasi yakni dari sisi usability-nya dimana dapat diketahui kepuasan pengguna dari sisi “kebergunaan”nya. Penelitian ini menggunakan dua metode evaluasi usability yaitu System Usability Scale (SUS) dan evaluasi heuristik (HE) digunakan untuk hal ini. Penggunaan kedua metode ini dilakukan untuk mendapatkan hasil evaluasi yang lebih mendalam agar dapat dilakukan perbaikan oleh pihak terkait. Dalam evaluasi usability menggunakan HE, evaluator yang dipilih adalah lima user expert yang ahli dalam bidang usability (tiga orang) ahli dalam bidang IT dan pengembangan pembelajaran (dua orang), sedangkan lingkup evaluasi pada penelitian ini yaitu proses login, edit profile, organisasi perkuliahan, dan aktivitas perkuliahan. Sedangkan pada evaluasi menggunakan kuesioner SUS diperoleh skor 63,3 (grade C-) dengan 162 responden, dengan hasil uji realibitas sebesar 0,818 dan uji validitas semua item pertanyaan di atas 0,129 yang berarti bersifat realible dan valid. Hasil evaluasi usability menggunakan HE, didapatkan bahwa terdapat satu prinsip yang dianggap sebagai permasalahan mayor oleh user expert yaitu prinsip user control and freedom, dimana sistem (e-learning) tidak memfasilitasi fungsi undo dan redo yang menyebabkan pengguna kebingungan apabila dengan sengaja/tidak memilih menu yang tidak dikehendaki. AbstractThe COVID-19 pandemic affects many aspects including education, where learning is carried out from home to reduce the risk of coronavirus transmission by implementing e-learning. One important aspect that must be evaluated is from the usability side, where we can find out the user satisfaction from the "usability" side. This study uses two usability evaluation methods, namely the System Usability Scale (SUS) and the heuristic evaluation (HE). The use of these two methods is carried out to obtain more in-depth evaluation results so that related parties can improve them. In the usability evaluation using HE, the selected evaluators are five user experts who are experts in the field of usability (three people) who are experts in the field of IT and learning development (two people), while the scope of evaluation in this study is the login process, edit profile, lecture organization, and lecture activities. While the evaluation using the SUS questionnaire obtained a score of 63.3 (grade C-) with 162 respondents. The results of the usability evaluation using HE, it was found that there is one principle that is considered a major problem by user experts, namely the principle of user control and freedom, where the system (e-learning) does not facilitate the undo and redo functions which causes confusion if the user click unwanted menu.
Perbandingan Pretrained Model Transformer pada Deteksi Ulasan Palsu Awalina, Aisyah; Bachtiar, Fitra Abdurrachman; Utaminingrum, Fitri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022935696

Abstract

Kemudahan untuk memperoleh informasi saat ini, telah sedikit membantu hidup kita. Seperti mencari ulasan untuk menimbang tempat atau barang yang akan dipilih. Beberapa orang memanfaatkan hal tersebut dengan membuat ulasan palsu untuk kepentingan mereka sendiri. Sehingga deteksi ulasan palsu sangat dibutuhkan. Model Transformer saat ini banyak diterapkan pada pemrosesan bahasa alami karena kinerja yang diperoleh nya sangat baik. Ada dua pendekatan yang dapat dilakukan dalam model Transformer yaitu pre-training dan fine-tuning. Penelitian sebelumnya telah banyak menggunakan fine-tuning dari model Transformer dikarenakan adanya kemudahan dalam pelatihan, waktu yang lebih sedikit, biaya dan kebutuhan lingkungan yang lebih rendah dibanding proses pre-training. Akan tetapi penelitian sebelumnya masih sedikit yang membandingkan model deep learning dengan fine-tuning yang khusus diterapkan pada deteksi ulasan palsu. Penelitian ini melakukan perbandingan model Transformer menggunakan pendekatan fine-tuning dengan metode deep learning yaitu CNN dengan berbagai pretrained word embedding untuk mengatasi deteksi ulasan palsu pada dataset Ott. Model RoBERTa mengungguli model Transformer dan deep learning dimana nilai akurasi 90,8%; precision 90%; recall 91,8% dan f1-score 90,8%. Namun dari segi waktu komputasi model pelatihan, DistilBERT memperoleh waktu komputasi terkecil yaitu dengan nilai 200,5 detik. Meskipun begitu, hasil yang diperoleh model Transformer maupun deep learning memiliki kinerja yang baik untuk deteksi ulasan palsu pada dataset Ott.AbstractThe ease of obtaining information today has helped our lives, like looking for reviews to weigh the place or item to choose. Some people take advantage of this by creating spam reviews for their benefit. So the detection of spam reviews is needed. Transformer models are currently widely applied to natural language processing because they have outstanding performance. Two approaches in the Transformer model is pre-training and fine-tuning. Previous studies have used a lot of fine-tuning due to the ease of training, less time, costs, and lower environmental requirements than the pre-training process. However, a few previous studies compare deep learning models with fine-tuning applied explicitly for detecting spam reviews. This study compares the Transformer model using a fine-tuning approach with a deep learning method, namely CNN, which uses various pre-trained word embedding to overcome the detection of false reviews in the Ott dataset. The result is RoBERTa model outperforms between Transformer and deep learning models, where the accuracy is 90.8%, precision is 90%, recall is 91.8%, and f1-score is 90.8%. Afterward, DistilBERT models obtained the shortest computation time with 200.5 seconds. However, the results obtained by both Transformer and deep learning models perform well to detect spam reviews in the Ott dataset.
Analisis Perpindahan Wisatawan dan Preferensi Desrinasi Wisata Favorit Berdasarkan Geotag Instagram (Studi Kasus pada Destinasi Wisata Bandung Raya) Irawan, Herry; Nurhazizah, Eva; Panjaitan, Joe Nathan C.G.
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022935747

Abstract

Pariwisata adalah salah satu generator utama cadangan devisa nasional dengan pertumbuhan 10,1% per tahun. Pariwisata juga diharapkan akan menjadi kekuatan utama ekonomi lokal. Beberapa langkah ditempuh Pemerintah Provinsi Jawa Barat dalam rangka meningkatkan kunjungan wisata, salah satunya dengan penerapan teknologi komunikasi dan informasi atau dikenal dengan konsep smart tourism. Instagram adalah media yang memungkinkan pengguna dapat membagikan foto dan video. Data foto dan video pada Instagram di-generate oleh pengguna sendiri (user generated content). Media Instagram dapat menjadi alat ukur daya tarik pengunjung, mengidentifikasi point of interest popular suatu kota, saran destinasi wisata, dan bahkan membuat rute perjalanan wisata yang baik.Penelitian ini bertujuan untuk mengidentifikasi pola kunjungan wisatawan dan preferensi tujuan wisata favorit pada 43 destinasi wisata pilihan di Bandung Raya berdasarkan data unggahan media sosial Instagram. Identifikasi pola perpindahan kunjungan wisatawan dilakukan dengan menggunakan metode association rules. Temuan dari penelitian ini adalah destinasi wisata dengan daya tarik wisata pusat perbelanjaan memiliki nilai support dan confidence yang lebih tinggi dibanding daya tarik wisata lainnya. Identifikasi destinasi wisata favorit didasarkan pada intensitas jumlah unggahan dari wisatawan (unique visitor). Penelitian ini berhasil mengidentifikasi bahwa top 3 diduduki oleh wisata pusat perbelanjaan, akan tetapi top 10 destinasi wisata didominasi oleh destinasi wisata dengan daya tarik wisata alam. Mayoritas destinasi wisata dengan daya tarik wisata rekreasi kota berada di urutan 20 terbawah. AbstractTourism is one of the main generators of national foreign exchange reserves with a growth of 10.1% per year. Tourism is expected to become a major force for the local economy. Several steps were taken by the West Java Provincial Government in order to increase tourist visits, one of which was the application of communication and information technology or known as the concept of smart tourism. Instagram is a medium that allows users to share photos and videos. Photo and video on Instagram are generated by the users themselves (user generated content). Instagram can be a tool for measuring visitor attractiveness, identifying popular points of interest in a city, suggesting tourist destinations, and even making good travel routes.The purpose of this study is to identify patterns of tourist visits and preferences for favorite tourist destinations in 43 selected tourist destinations in Greater Bandung based on data uploaded by Instagram social media. Identification of tourist movement pattern is done by using the association rules method. The findings of this study are tourist destinations with shopping center tourist attractions have higher support and confidence values than other tourist attractions. Identification of favorite tourist destinations is based on the intensity of the number of uploads from tourists (unique visitors). This study succeeded in identifying that the top 3 were occupied by shopping center tourism, but the top 10 tourist destinations were dominated by tourist destinations with natural tourist attractions. The majority of tourist destinations with urban recreational attractions are in the bottom 20.
Rancang Bangun Purwarupa Pemilah Sampah Pintar Berbasis Deep Learning Muchtar, Kahlil; Anshari, Nyak Twoman; Chairuman, Chairuman; Alhabibie, Khalid; Munadi, Khairul
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022934976

Abstract

Pengolahan sampah di Indonesia masih menjadi pekerjaan rumah yang besar dan belum terselesaikan. Menurut penelitian aktual Sustainable Waste Indonesia (SWI) mengungkapkan bahwa 24% sampah di Indonesia masih tidak dikelola dengan baik. Dari sekitar 65 juta ton sampah yang diproduksi di Indonesia tiap harinya, sampah yang paling banyak dihasilkan adalah sampah organik sebanyak 60%, sampah plastik 14%, diikuti sampah kertas 9%, metal 4,3%, kaca, kayu dan bahan lainnya sebesar 12,7%. Sampah plastik yang dihasilkan Indonesia mencapai 1,3 juta ton. Berdasarkan banyaknya sampah yang diproduksi Indonesia, dapat diketahui besarnya peran daur ulang dalam menyelamatkan lingkungan. Peran yang paling utama adalah dapat membantu mengurangi limbah dimanapun dan mengurangi polusi. Langkah awal untuk pengolahan limbah adalah pemilahan. Dengan memilah sampah yang benar, masyarakat dapat dengan mudah mengidentifikasi bahan mana yang dapat didaur ulang dan mana yang tidak. Berdasarkan permasalahan tersebut, peneliti mengusulkan sebuah sistem yang mampu membedakan dan mengenal sampah organik dan sampah anorganik. Dalam hal ini, digunakan salah satu cabang ilmu pembelajaran mesin (Machine Learning) yang mampu mengetahui kumpulan gambar serta mengklasifikasikannya yaitu pembelajaran mendalam (Deep Learning). Salah satu metode pembelajaran mendalam (Deep Learning) yang digunakan adalah Convolutional Neural Network (CNN). Arsitektur tersebut menyerupai saraf manusia dan merupakan salah satu pembelajaran terawasi. Selain itu, peneliti memanfaatkan Raspberry Pi sebagai mikrokontroler, modul kamera Raspberry Pi yang digunakan untuk mengambil gambar, serta Intel Movidius Neural Compute Stick (NCS) yang berfungsi untuk mempercepat proses komputasi sehingga proses pendeteksian lebih mudah. Hal ini dikarenakan perangkat tersebut bersifat portable, cepat dan akurat. AbstractWaste processing in Indonesia is still a big homework and has not been solved. According to the latest research by Sustainable Waste Indonesia (SWI) 24% of waste in Indonesia is still not properly managed. From about 65 million tons of waste produced in Indonesia every day, the largest contributor to this is organic waste as much as 60%, plastic waste 14%, followed by paper waste 9%, metal 4.3%, glass, wood and other materials at 12.7%. The plastic waste in Indonesia reaches 1.3 million tons. Based on the amount of waste in Indonesia, it can be seen that the role of recycling is big in saving the environment. It is crucial to help reduce waste anywhere and reduce press down pollution. The very first step in waste processing is sorting. By properly sorting waste, people can easily identify which materials can be recycled and which are not. Based on these problems, the researcher proposes a system that is able to recognize and sort organic waste, and inorganic waste. In this case, Deep Learning, a branch of (Machine Learning) is used to be able to understand a set of images and classify them. Deep Learning method applied here is using Convolutional Neural Network (CNN). The algorithm is like human nerves and is one of supervised learning. In addition, this research use the Raspberry Pi as a microcontroller, the Raspberry Pi camera module which is used to take pictures, and the Intel Movidius Neural Compute Stick (NCS) to speed up the computing process so that the identification process is easier. These devices are portable, fast and accurate.
Game Edukasi Pengenalan Sistem Isyarat Bahasa Indonesia (SIBI) Menggunakan Myo Armband pada Arsitektur Client Server Hakkun, Rizky Yuniar; Rizky, M.; Rafsanjani, Buchori
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021864149

Abstract

Komunikasi verbal adalah komunikasi umum digunakan sebagai sarana dalam memberikan informasi kepada orang lain. Disamping itu, untuk berkomunikasi dengan tuna rungu serta tuna wicara sarana komunikasi dapat melalui bahasa isyarat. Indonesia telah memiliki sistem bahasa isyarat yaitu Bahasa Isyarat Indonesia atau Sistim Isyarat Bahasa Indonesia (SIBI). Aplikasi pengenalan dan pembelajaran SIBI yang ada pada saat ini berupa aplikasi yang terikat pada platform. Aplikasi beserta proses pengenalan menjadi satu sehingga memiliki kebergantungan yang cukup tinggi. Penelitian ini bertujuan mengembangkan platform cloud sebagai backend untuk pengenalan gerakan tangan, sehingga memudahkan pengembang untuk membuat aplikasi pengenalan SIBI. Platform tersebut memiliki kemampuan untuk mengenal gerakan tangan yang diperoleh dari data sensor Myo Armband. Aplikasi yang berada sisi frontend dapat menggunakan fitur platform melalui Application Programming Interface (API) yang disediakan. Penelitian ini juga membangun aplikasi permainan edukasi yang menggunakan platform cloud tersebut sebagai implementasi dari penggunaan platform. Hasil pengujian terhadap platform yang dilakukan menghasilkan kemampuan pengenalan secara real-time dari satu atau lebih client secara simultan. Pada uji 5 client request bersamaan secara simultan, waktu yang dibutuhkan rerata 0.1107333 detik per request pada latency jaringan rerata 36.7 ms.   AbstractVerbal communication is a general communication used in providing information to other people. On the other hand, to communicate with deaf and speech impaired people can use sign language. Indonesia has a sign language system called Indonesian Sign Language or Indonesian Sign Language System (SIBI). The current SIBI introduction and learning application is an application tied to the platform. Application, along with the recognition process, is combined so that it has a high enough dependence. This study aims to develop a cloud platform as a backend for hand gesture recognition, making it easier for developers to create SIBI recognition applications. The platform can recognize hand movements obtained from Myo Armband sensor data. Applications on the front-end side can use the platform features through the provided Application Programming Interface (API). This study also builds an educational game application that uses the cloud platform to implement platform usage. The results of the platform's testing carried out resulted in real-time recognition capabilities from one or more clients simultaneously. In the five simultaneous client requests test, the average time needed is 0.12654 seconds per request at a mean network latency of 36.7 ms.  

Page 71 of 129 | Total Record : 1288

 69   70   71   72   73 

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: April 2015 Vol 2, No 1 (2015) Vol 1, No 2 (2014) Vol 1 No 2: Oktober 2014 Vol 1 No 1: April 2014 Vol 1, No 1 (2014) More Issue