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
 84   85   86   87   88 
Visualisasi Data Kriminal Wilayah Polres Musi Banyuasin Purwaningtias, Fitri; Ariandi, Muhamad; Ulfa, Maria
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023105658

Abstract

Tahanan kriminal di wilayah Polres Musi Banyuasin merupakan tahanan yang memiliki catatan kriminalisasi dibidang narkoba, terorisme/separatisme, lalu lintas, kriminal khusus dan kriminal umum. Banyaknya kasus dan data tentang kriminalisasi yang ada di Polres Musi Banyuasin pada tahun 2019-2020 yaitu 652 kasus yang mana data tersebut diolah dengan menggunakan Word begitu juga laporannya yang hanya dipisahkan berdasarkan kasus saja. Karena banyaknya data yang bisa menyebabkan redudansi data ataupun laporan yang bisa terlambat untuk diberikan ke Kapolres MuBa sehingga diperlukan sebuah sistem Business Intelegence berbasis dashboard dengan menggunakan tools Tableau Publik. Metode penelitian pada penelitian ini yaitu metode deskriptif dimana menganalisis data dari yang dikumpulkan berdasarkan observasi dan wawancara yang telah dilakukan kepada pegawai Sat Tahti Polres MuBa. Tujuan penelitian ini yaitu membantu pegawai Bagian Sat Tahti dalam pengelolaan data tahanan kriminal dengan cepat dan mudah menggunakan Tableau ini dan juga bisa menyajikan laporan grafik yang mudah dibaca dan dipahami oleh Kapolres MuBa. Dimana pada penelitian ini menghasilkan beberapa dimensi yaitu dimensi kasus, dimensi berdasarkan pekerjaan, dimensi berdasar umur, dimensi berdasar waktu dan dimensi wilayah. Yang mana pada dimensi kasus paling banyak yaitu narkoba, dengam dimensi pekerjaan paling banyak tahun 2019 wiraswasta dan tahun 2020 petani, dimensi umur yaitu  tahun 2019 umur 39 tahun sedangkan tahun 2020 23 tahun. Untuk dimensi waktu dilihat jumlah tahanan yang masuk paling pada tahun 2019 yaitu terjadi pada bulan Maret dan Juli masing-masing sebanyak 43 tahanan, dan jumlah tahanan yang masuk tertinggi pada tahun 2020 terjadi pada bulan Maret sebanyak 48 tahanan dan bulan Januari sebanyak 39 tahanan. Kemudian untuk wilayah paling banyak yaitu daerah Sekayu. Hasili laporanidapat dikonversiidalam bentukipdf, image,isertaidalamibentukitable,isehinggaimemudahkan dalam penyimpanan data lebih lanjut. AbstractCriminal prisoners in the Musi Banyuasin Police District are prisoners who have criminal records in the fields of drugs, terrorism/separatism, traffic, special crimes and general crimes. The number of cases and data about criminalization in the Musi Banyuasin Police in 2019-2020, namely 652 cases where the data was processed using Word as well as reports which were only separated by case. Due to the large amount of data that can cause data redundancy or reports that can be late to be submitted to the MuBa Police Chief, a dashboard-based Business Intelligence system is needed using the Public Tableau tools. The research method in this study is a descriptive method which analyzes the data collected based on observations and interviews that have been conducted with the employees of the Sat Tahti Polres MuBa. The purpose of this research is to help Sat Tahti employees in managing data on criminal prisoners quickly and easily using this Tableau and also being able to present graphic reports that are easy to read and understand by the Head of the MuBa Police. Where in this study resulted in several dimensions, namely the case dimension, the dimension based on the job, the age based dimension, the time based dimension and the regional dimension. Which in the dimension of the most cases are drugs, with the most work dimensions in 2019 being entrepreneurs and in 2020 farmers, the age dimension being in 2019 the age of 39 years while in 2020 it was 23 years. For the time dimension, the number of prisoners who entered the most in 2019 occurred in March and July with 43 prisoners respectively, and the highest number of prisoners entered in 2020 occurred in March as many as 48 prisoners and in January as many as 39 prisoners. Then for the most areas, namely the Sekayu area. The results of the report can be converted in pdf, image, and initable form, making it easier for further data storage.
Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB) Yanto, Budi; Rouza, Erni; Fimawahib, Luth; Hayadi, B.Herawan; Pratama, Rinanda Rizki
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023105695

Abstract

Secara umum proses menentukan jeruk manis layak (bagus) dan tidak layak (busuk) masih banyak menggunakan cara manual. Cara manual dilakukan berdasarkan pengamatan visual secara langsung pada buah yang akan diamati. Pengamatan dengan cara ini memiliki beberapa kelemahan yaitu adanya keterbatasan visual manusia, di pengaruhi oleh kondisi psikis pengamatannya serta memakan waktu yang lama terutama bagi perkebunan besar. Untuk itu, diperlukan suatu algoritma untuk menentukan buah jeruk manis dengan sistem terkomputerisasi yang dibuat menggunakan algoritma Convolutional Neural Network (CNN) merupakan salah satu algoritma dari deep learning yang merupakan pengembangan dari Multilayer Percepton (MLP) yang mampu mengolah data dalam bentuk dua dimensi, misalnya gambar serta mampu melakukan klasifikasi pada citra dengan kelas–kelas yang lebih banyak atau besar. Sistem ini dirancang dan dibangun menggunakan bahasa pemrograman matlab versi R2018a, dengan 100 dataset gambar jeruk manis menunjukan tingkat akurasi sebesar 96% untuk training 92% untuk testing yang dinilai telah mampu melakukan klasifikasi kelayakan buah jeruk manis dengan sangat baik. Pada pengujian menggunakan data baru dari 10 citra jeruk manis dihasilkan 9 citra jeruk manis dengan nilai benar dan 1 citra jeruk manis dengan nilai salah. AbstractIn general, the process of determining appropriate (good) and unfit (rotten) sweet oranges still uses manual methods. The manual method is carried out based on direct visual observation of the fruit to be observed. Observations in this way have several weaknesses, namely the presence of human visual limitations, being influenced by the psychological condition of the observations and taking a long time, especially for large plantations. For this reason, an algorithm is needed to determine sweet oranges with a computerized system created using the Convolutional Neural Network (CNN) algorithm, which is one of the deep learning algorithms, which is the development of Multilayer Perceptron (MLP), which is able to process data in two-dimensional form, for example. Images as well as being able to classify images with more or larger classes. This system is designed and built using the Matlab programming language version R2018a, with 100 sweet orange image datasets showing an accuracy rate of 96% for training 92% for testing which is considered to have been able to classify the feasibility of sweet oranges very well. In testing using new data from 10 images of sweet oranges, 9 images of sweet oranges were generated with the correct value and 1 image of sweet oranges with a false value.
Skema Kredibilitas Sertifikat Berbasis Ilearning Gamifikasi Blockchain pada Kampus Merdeka Aini, Qurotul; Azizah, Nur; Salam, Rahmat; Santoso, Nuke Puji Lestari; Oganda, Fitra Putri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106164

Abstract

Pembelajaran luring menjadi daring karena COVID-19 telah membawa gangguan signifikan pada pendidikan di Indonesia. Situasi pandemi menjadi tantangan tersendiri bagi kreativitas Dosen Pendamping Merdeka Belajar Kampus Merdeka (Duta MBKM), mahasiswa, maupun Perguruan Tinggi dalam menggunakan teknologi untuk menciptakan keunggulan kompetitif bangsa secara global. Sehingga berdampak juga pada sertifikasi pembelajaran guna standarisasi kehandalan serta memiliki kompetensi mahasiswa MBKM. Namun, saat ini keamanan dalam sertifikat masih sangat rentan, dan banyak pihak yang menyalahgunakan terhadap akses kredibilitas. Kini teknologi Blockchain menjadi jawaban setiap masalah keamanan karena penyimpanan secara permanen dan peer-to-peer dalam jaringan terdistribusi serta keamanan yang signifikan. Tujuan utama penelitian ini adalah menerapkan teknologi Blockchain untuk meningkatkan kredibilitas sertifikasi autentikasi menggunakan beberapa teknologi enkripsi dan distribusi data terdesentralisasi untuk penyimpanan data menggunakan SHA256 yaitu penggunaan kriptografis yang dipakai dalam Blockchain. Metode penelitian ini menggunakan metode SDLC (System Development Life Cycle) dengan membangun sistem, pengumpulan informasi dibuat melalui observasi serta kuesioner memakai Google Form. Bersumber pada ciri sistem, aspek kepuasan sistem dianalisis memakai rumus Slovin yang diolah dengan hasil 0,795 > 0,6 berarti jika alpha > 0,6 maka sistem dapat diklasifikasikan sebagai “reliabel”. Hasil akhir penelitian yang menjadi temuan penelitian ini untuk membangun normalitas baru dalam mensukseskan pelaksanaan MBKM dan mewujudkan ekosistem jam kegiatan mahasiswa yang interaktif, mengasah soft skill serta membangun cara berpikir kritis dengan mengusung model pembelajaran iLearning berbasis teknik gamifikasi Blockchain (iLearning Gamichain). AbstractCaptivating learning becomes bold as COVID-19 has brought significant disruption to education in Indonesia. The pandemic has become a challenge for the creativity of Independent Lecturers to Learn Independent Campus (MBKM Ambassadors), students, and universities to use technology to create the nation's competitive advantage globally. So that it impacts learning certification to standardize reliability and have the competence of MBKM students. However, currently, the security in the certificate is still very vulnerable, and many parties abuse it to access. Blockchain technology is the answer to every security problem because of the permanent and peer-to-peer storage in a distributed network and significant security. The primary purpose of this research is to apply Blockchain technology to increase the use of several encryption technologies authentication and decentralized data distribution for SHA256 data storage, namely the use of cryptography used in Blockchain. This research method uses the SDLC (System Development Life Cycle) method by building a system, and information collection is made through observation and questionnaires using Google Form. Based on the system's characteristics, the analysis system's satisfaction aspect uses the Slovin formula, which is processed with 0.795 > 0.6, meaning if alpha > 0.6, then the system is classified as "reliable." The final result of this research is to build new normality in the successful implementation of MBKM and create an ecosystem of interactive student activity hours, hone soft skills, and build critical thinking by carrying out the iLearning learning model based on Blockchain gamification techniques (iLearning Gamichain). 
Analisis Performa Algoritma Decision Tree, Naive Bayes, K-Nearest Neighbor untuk Klasifikasi Zona Daerah Risiko Covid-19 di Indonesia Ainurrohmah, Ainurohmah; Wiyanti, Dian Tri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023105935

Abstract

Pandemi Covid-19 terjadi di Indonesia. Pemerintah berupaya melakukan penanganan Covid-19, salah satunya dengan pembuatan peta risiko Covid-19. Peta risiko Covid-19 membagi zona berdasarkan Kabupaten/Kota. Zona risiko Covid-19 menjadi patokan pemerintah dalam mengambil kebijakan setiap daerah. Pemerintah menggunakan pembobotan dari 15 indikator untuk menentukan zona. Beberapa kali perubahan zona risiko Covid-19 pada website mengalami keterlambatan. Klasifikasi dapat menjadi alternatif penentuan zona risiko Covid-19, sehingga perubahan zona dapat dilakukan secara cepat dan efisien. Klasifikasi memiliki berbagai algoritma, setiap algoritma memiliki keunggulan dan kelemahan. Algoritma klasifikasi yang memiliki akurasi yang baik dengan waktu relatif cepat yaitu Decision Tree, Naïve Bayes dan K-Nearest Neighbor. Tujuan penelitian ini menghitung performa setiap algoritma, mendapatkan algoritma terbaik dan mendapatkan pola klasifikasi dari algoritma terbaik. Metode penelitian menggunakan 10-fold cross validation untuk pembagian data dan confusion matrix untuk menilai performa. Software yang digunakan yaitu Rapidminer dan WEKA. Hasil dari pengolahan data menunjukan semua algoritma mempunyai nilai performa yang baik yaitu diatas 70%. Semua algoritma tidak memerlukan waktu yang lama dalam pembuatan model. Nilai performa terbaik didapatkan dengan menggunakan algoritma decision tree dengan software WEKA dengan nilai performa 88% dan waktu 0,32 detik. Pola klasifikasi dari algoritma terbaik menghasilkan 77 aturan  yang membagi 3 zona klasifikasi yaitu rendah, sedang, dan tinggi. Atribut yang berpengaruh dalam klasifikasi zona risiko Covid-19 yaitu aktif, CR, CFR, laju insidensi, positif, dan meninggal. AbstractThe Covid-19 pandemic occurred in Indonesia. The government is trying to handle Covid-19, one of which is by making a Covid-19 risk map. The Covid-19 risk map divides zones based on Regency/City. The Covid-19 risk zone is the government's benchmark policy for each region. The government uses a weighting of 15 indicators to determine the zone. Several times the Covid-19 risk zone change on the website has been delayed. Classification can be an alternative to determining the Covid-19 risk zone,  that zone changes can be quickly and efficiently. Many algorithms can be used for classification. Several classification algorithms have good accuracy with relatively fast time are Decision Tree, K-Nearest Neighbor, and Naïve Bayes. The purpose of this study is to calculate the performance of each algorithm, get the best algorithm, and get the classification pattern from the best algorithm. The research method uses 10-fold cross validation for data sharing and confusion matrix to assess performance. The software used is Rapidminer. The results show that all algorithms have good performance values, which are above 70%. All algorithms do not require a long time in modeling. The best performance value using a Decision Tree algorithm. The classification pattern of the best algorithm produces 20 rules that divide 3 classification zones, namely low, medium, and high. Attributes that influence the classification of the Covid-19 risk zone are active, CR, CFR, incidence rate, positive, and death.  
Peran Interaktivitas dalam Penggunaan E-learning: Perluasan Model UTAUT Saragih, Yuni Marlina; Panjaitan, Erwin Setiawan; Yunis, Roni
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023105877

Abstract

Perubahan proses belajar mengajar menjadi daring dilaksanakan oleh STMIK Mikroskil untuk mematuhi kebijakan yang dibuat Menteri Pendidikan dan Kebudayaan dalam masa darurat penyebaran covid-19 di Indonesia. Sebelum covid-19 terjadi, STMIK Mikroskil telah menerapkan E-learning yaitu moodle. Namun selama pandemi covid-19 penggunaan E-learning meningkat pesat dan tidak dapat mendukung besarnya transaksi yang dilakukan dalam kegiatan pembelajaran online, sehingga STMIK Mikroskil memutuskan untuk menggunakan Microsoft Teams sebagai media pembelajaran online. Dengan menggunakan Microsoft Teams, diharapkan interaksi antara dosen dan mahasiswa berlangsung secara rutin dan tepat waktu, mendukung serta bersifat membangun. Sehingga perlu dilakukan pengujian untuk memahami sejauh mana faktor penerimaan dan pemanfaatan teknologi Microsoft Teams di STMIK Mikroskil. Penelitian ini bertujuan untuk menguji pengaruh interaktivitas pada penerimaan sistem Microsoft Teams dengan menggunakan Model UTAUT. Secara khusus, survei dilakukan pada mahasiswa aktif STMIK Mikroskil jurusan Teknik Informatika dan Sistem Informasi, yang mencakup 348 responden. Dengan menggunakan model persamaan struktural (SEM) dan perangkat lunak SmartPLS. Kontribusi utama penelitian ini adalah pengenalan variable interaktivitas pada model UTAUT yang memiliki pengaruh signifikan terhadap minat pemanfaatan sistem. Dari hasil penelitian dapat disimpulkan bahwa ekspektasi kinerja, pengaruh sosial, ekspektasi usaha, interaktivitas berpengaruh positif terhadap minat pemanfaatan, dan minat pemanfaatan berpengaruh positif terhadap minat penggunaan sistem Microsoft Teams. Sedangkan kondisi fasilitas tidak berpengaruh terhadap minat penggunaan Microsoft Teams.AbstractSTMIK Mikroskil changed the teaching and learning process to online in order to comply with laws established by the Minister of Education and Culture during the COVID-19 outbreak in Indonesia. STMIK Mikroskil had introduced E-learning, specifically Moodle, prior to covid-19. However, during the COVID-19 epidemic, the usage of E-learning exploded, and because the enormous number of transactions carried out in online learning activities could not be supported, STMIK Mikroskil chose Microsoft Teams as an online learning medium. It is intended that by adopting Microsoft Teams, interactions between instructors and students would be more frequent, on time, supportive, and productive. As a result, testing is required to determine the extent to which Microsoft Teams technology adoption and use at STMIK Mikroskil is required. Using the UTAUT Model, this study will investigate the impact of interaction on Microsoft Teams system acceptability. The poll was performed on active STMIK Mikroskil students majoring in Informatics and Information Systems Engineering, with a total of 348 responses. The structural equation model (SEM) and the SmartPLS software were used. The most notable addition of this study is the inclusion of the interactivity variable in the UTAUT model, which has a considerable impact on system utilization interest. The study's findings suggest that performance expectations, social pressures, corporate expectations, and interaction all play a role.
EpCare: Prototipe Sistem Detektor Pre-Iktal Pasien Epilepsi Berbasis Fitur CSI dari Sinyal EKG 1 Kanal Menggunakan AD8232 Wulandari, Diah P.; Kurniawan, Arief; Nathanael, Alvin; Purnami, Santi W.; Juniani, Anda L.; Islamiyah, Wardah R.
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023105862

Abstract

Kejang epilepsi dapat terjadi di sembarang waktu dan tempat, dan dalam kondisi tertentu dapat menyebabkan cedera fatal. Oleh karena itu, kebutuhan akan perangkat wearable yang dapat mengirimkan peringatan kepada pengguna akan kejang yang akan datang adalah penting. Perangkat ini harus dapat merasakan kelainan pada sinyal biomedis pengguna dan mengirimkan peringatan sebelum kejang. Penelitian ini mengembangkan sistem yang mendeteksi kondisi pre-iktal pasien epilepsi berdasarkan fitur Cardiac Sympathetic Index (CSI) dari sinyal Elektrokardiogram (EKG). Listrik jantung pasien diukur menggunakan 3 elektroda yang dihubungkan ke AD8232 untuk mewakili sinyal 1 kanal. Algoritma Pan-Tompkins diimplementasikan untuk mendapatkan interval RR dari sinyal EKG. Kemudian fitur CSI dihitung berdasarkan nilai RR-interval. Distribusi setiap 100 interval RR dijadikan sebagai dasar untuk menentukan nilai ambang batas CSI. Ketika nilai CSI melebihi ambang batas ini, sistem akan mengirimkan peringatan ke aplikasi seluler, yang disebut EpCare. Eksperimen dilakukan pada dua kelompok data, yaitu kelompok data primer dari non-penderita epilepsi dan kelompok data sekunder dari penderita epilepsi. F-measure dari eksperimen yang menggunakan ambang batas dari orang normal sebesar 0.64, sedangkan F-measures dari eksperimen yang menggunakan ambang batas individual penderita epilepsy sebesar 0.50. AbstractEpileptic seizures may occur at anytime and anywhere, and in certain conditions may lead to fatal injury. Therefore, the need for wearable device that can alert user to an impending seizure is important. This device should be able to sense abnormality in user’s biomedical signals and send alert prior to seizure. This research develops a system that detects pre-ictal condition of epilepsy patient based on Cardiac Sympathetic Index (CSI) feature from Electrocardiogram (ECG) signals. Patient’s heart electricity is measured using 3 electrodes which are connected to AD8232 to represent 1 channel signal. Pan-Tompkins algorithm is implemented to obtain RR intervals of ECG signals. Then, CSI feature is calculated based on the values of RR-intervals. A distribution of every 100 RR-intervals is made as basis to determine a threshold value of CSI. When CSI value exceeds this threshold, system will send alert to a mobile application, called EpCare. Experiments were conducted on two groups of data, which are primary one from non-epileptic persons, and secondary one from epileptic patients. F-measures of experiments used threshold of non-epileptic person is 0.64, while F-measures of experiments used individual threshold of epileptic person is 0.50. 
Sistem Identifikasi Penyakit Paru Obstruktif Kronik (PPOK) Berdasarkan Suara Paru-Paru Menggunakan Jaringan Saraf Tiruan Berbasis Raspberry Pi Kusuma, Lindhu Parang; Prasetio, Barlian Henryranu; Setiawan, Eko
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106052

Abstract

Menurut World Health Organization (WHO), Penyakit Paru Obstruktif Kronik (PPOK) merupakan penyakit yang menyebabkan kematian peringkat ketiga terbesar di seluruh dunia, dimana terdapat sebanyak 3.23 juta kasus kematian pada tahun 2019. Sebanyak 80% dari kasus kematian akibat PPOK terjadi pada negara-negara dengan pendapatan rendah hingga sedang. PPOK biasannya ditandai dengan kesulitan bernapas dan batuk yang disertai dengan dahak. PPOK ini merupakan penyakit progresif yang tidak dapat disembuhkan dan akan semakin memburuk seiring berjalannya waktu. Salah satu cara yang biasa digunakan oleh dokter untuk melakukan diagnosis kondisi paru-paru adalah menggunakan stetoskop. Cara ini biasa disebut dengan nama auskultasi. Teknik diagnosis menggunakan auskultasi ini memiliki kelemahan dimana hasil diagnosis bergantung pada kepekaan telinga dan jam terbang dari dokter yang melakukan diagnosis. Maka solusi yang diusulkan dari permasalahan ini adalah membuat sistem identifikasi PPOK untuk melakukan diagnosis sehingga PPOK dapat diketahui sejak dini dan dapat diberikan perawatan dini untuk menghambat memburuknya kondisi paru-paru. Sistem ini juga menggunakan sistem kecerdasan buatan sehingga proses diagnosis lebih cepat, tepat, dan konsisten sehingga tidak bergantung pada kepekaan telinga dan jam terbang dokter. Sistem ini bekerja dengan cara mendeteksi apakah suara paru-paru terindikasi PPOK atau Sehat. Keluaran dari sistem ini adalah visualisasi dari suara paru-paru yang ditangkap stetoskop dan hasil diagnosis dari kondisi paru-paru yang ditampilkan secara real-time. Berdasarkan pegujian yang telah dilakukan, tingkat akurasi yang didapatkan oleh sistem adalah sebesar 93.35% dengan waktu komputasi sebesar 3.116 s. AbstractAccording to the World Health Organization (WHO), Chronic Obstructive Pulmonary Disease (COPD) is the third-largest disease that causes death worldwide, with 3.23 million deaths in 2019. As many as 80% of these deaths from COPD occur in low- and middle-income countries. COPD is usually characterized by difficulty breathing and coughing accompanied by phlegm. COPD is a progressive disease that cannot be cured and will get worse over time. One way that is commonly used by doctors to diagnose lung conditions is to use a stethoscope. This method is commonly referred to by the name of auscultation. This technique of diagnosis using auscultation has disadvantages where the results of the diagnosis depend on the sensitivity of the ear and the expertise of the doctor who did the diagnosis. So, the proposed solution to this problem is to create a COPD identification system to diagnose COPD so that COPD can be known early and can be given early treatment to inhibit worsening of lung conditions. The system also uses an artificial intelligence system so that the diagnosis process is faster, precise, and consistent so that it does not depend on the sensitivity of the ear and the doctor's expertise. This system works by detecting whether the sound of the lungs is COPD infected or healthy. The output of this system is a visualization of the sound of the lungs captured by the stethoscope and the diagnosis of the lung condition displayed in real-time. Based on the tests that have been done, the accuracy rate obtained by the system is 93.35% with a computational time of 3.116 s.
Implementasi Fuzzy C-Means untuk Pengelompokan Daerah berdasarkan Persebaran Penularan Covid-19 Nugraha, Gibran Satya; Dwiyansaputra, Ramaditia; Bimantoro, Fitri; Aranta, Arik
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023105796

Abstract

Peningkatan kasus Covid-19 di Indonesia memberikan rasa khawatir bagi hampir seluruh masyarakat, Dilihat dari persebaran tiap provinsi untuk kasus positif, sembuh, dan meninggal tidak menunjukkan sebuah grafik yang linier. Seperti pada data harian kasus per provinsi di akhir bulan April 2021 dimana kasus positif dan sembuh terbanyak terdapat pada Provinsi DKI Jakarta, untuk kasus meninggal Provinsi Jawa Timur berada di posisi pertama, dan di posisi empat untuk kasus positif dan meninggal. Data persebaran yang abstrak ini membuat pengelompokan persebaran Covid-19 di Indonesia menjadi sukar untuk dilakukan. Penelitian ini mengelompokkan provinsi-provinsi berdasarkan persebaran Covid-19 di Indonesia dengan cara mengimplementasikan metode Fuzzy C-means serta metode Elbow. Fuzzy C-means adalah metode pengelompokan berbasis fuzzy yang dapat melakukan persebaran data pada seluruh cluster berdasarkan derajat keanggotaan yang dimilikinya. Sedangkan untuk menentukan jumlah cluster terbaik akan diimplementasikan metode Elbow. Metode Elbow membandingkan perbandingan hasil sum square error (SSE) dari setiap cluster dan mendapatkan jumlah cluster terbaik dari perubahan nilai SSE yang signifikan atau membentuk siku (elbow). Penggunaan Fuzzy c-means sebagai metode pengelompokan untuk mencari tahu seberapa besar pengaruh yang dimiliki setiap data terhadap masing-masing cluster. Karera metode-metode sebelumnya yang digunakan pada objek yang sama hanya melakukan pengelompokan saja secara tegas, tanpa memperhatikan besarnya pengaruh sebuah data terhadap seluruh cluster. Pengelompokan dilakukan menjadi tiga buah cluster atau kelompok berdasarkan parameter kasus positif, sembuh, dan meninggal Covid-19 per 27 April 2021. Cluster 1 hanya terdiri tiga provinsi yaitu Jawa Barat, Jawa Tengah, dan Jawa Timur. Cluster 2 DKI Jakarta, dan sisanya masuk ke cluster 3. AbstractThe increase in Covid-19 cases in Indonesia raises concerns for all parties, When viewed for the distribution of each province, positive, recovered and dead cases do not show a linear graph. As in the daily data of cases per province at the end of April 2021 where the most positive and recovered cases were in DKI Jakarta Province, while for dead cases, East Java Province was in first position, and in fourth position for positive and dead cases. This abstract distribution data makes it difficult to classify the distribution of Covid-19 in Indonesia. This study will group provinces based on the spread of Covid-19 in Indonesia using the Fuzzy C-means method and the Elbow method. Fuzzy C-means is a fuzzy-based grouping method that allows all data to be members of all clusters formed with their respective degrees of membership. Meanwhile, to determine the best number of clusters, the Elbow method will be implemented. The Elbow method compares the sum square error (SSE) results from each cluster and gets the best number of clusters from a significant change in the SSE value or forms an elbow. The use of Fuzzy c-means as a grouping method to find out how much influence each data has on each cluster. Because the previous methods used on the same object only grouped it explicitly, without paying attention to the effect of one data on the entire cluster. The grouping was carried out into three clusters or groups based on the parameters of positive cases, recovered, and died of Covid-19 as of 27 April 2021. Cluster 1 only consisted of three provinces, namely West Java, Central Java, and East Java. Cluster 2 DKI Jakarta, and the rest go to cluster 3. It takes a grouping test to determine how accurate the results are.
Prediksi Produksi Biofarmaka Menggunakan Model Fuzzy Time Series dengan Pendekatan Percentage Change dan Frequency Based Partition Harmadji, Dwi Ekasari; Solikhin, Solikhin; Yudatama, Uky; Purwanto, Agus
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106267

Abstract

Masa depan biofarmasi semakin cerah. Akibat mahalnya harga obat modern, maka permintaan tanaman obat meningkat di dalam dan luar negeri. Hal ini karena biofarmaka banyak digunakan di industri lain, seperti makanan, minuman, dan kosmetik. Konsumen di seluruh dunia termasuk di Indonesia bergerak menuju produk makanan dan kesehatan yang lebih sehat dengan slogan "kembali ke alam". Dengan demikian permintaan tanaman obat sebagai bahan baku industri lainnya juga meningkat. Untuk mengatasi masalah tersebut diperlukan suatu prediksi untuk menentukan besaran kenaikan atau penurunan jumlah produksi komoditas strategis biofarmaka untuk beberapa tahun ke depan, sehingga Memungkinkan analisis pergerakan tren dari perkembangan data sebelumnya. Saat ini belum dijumpai studi peramalan deret waktu untuk memprediksi produksi biofarmaka dengan tingkat akurasi baik. Dalam eksperimen ini kami mengusulkan model peramalan fuzzy time series berdasarkan pendekatan percentage change sebagai himpunan semesta dan frequency-based partition yang dapat memberikan tingkat akurasi peramalan yang tinggi. Prediksi difokuskan pada biofarmaka untuk empat jenis rimpang yaitu Jahe, Lengkuas, Kencur, dan Kunyit yang dinilai menjadi prioritas utama pengembangan tanaman obat di Indonesia. Dalam penelitian ini menggunakan data sekunder yang diperoleh dari Badan Pusat Statistika tahun 1997-2020. Tujuan dari survei adalah untuk memprediksi dan menganalisa perkembangan produksi biofarmaka untuk empat jenis rimpang. Hasil prediksi menunjukan akurasi luar biasa dengan nilai Mean Absolute Percentage Error yang sangat kecil yakni Jahe 0,03%, Lengkuas 0,02%, Kencur 0,14%, dan Kunyit 0,03%. Dengan demikian hasil eksperimen ini dapat berkontribusi dan digunakan bagi pihak yang berkompeten untuk membantu dalam menentukan kebijakan strategis di masa depan. AbstractBiopharmaceuticals' future is brightening. Due to the exorbitant cost of modern treatment, the desire for medicinal herbs is growing. due to their widespread use in different industries such as food, beverages, and cosmetics. Consumers worldwide, especially in Indonesia, are gravitating towards healthier food and health goods. So the demand for medicinal plants as raw materials increases. To solve this issue, a forecast is required for the next few years on the increase or decline in production of strategic biopharmaca commodities. Currently, no reliable time series forecasting study exists for biopharmaca production. To achieve high predicting accuracy, we present a fuzzy time series forecasting model based on percentage change as a universal set and frequency-based partition. Ginger, Galangal, Kencur, and turmeric are predicted to be the most important rhizomes for biopharmaca research in Indonesia. Secondary statistics from the Central Statistics Agency for 1997–2020 This study's goal was to anticipate and analyze biopharmaca synthesis in four rhizomes. The prediction results are incredibly accurate, with Mean Absolute Percentage Error values of just 0.03%, 0.02%, 0.14%, and 0.03% for Ginger, Galangal, Kencur, and Turmeric, respectively. Thus, competent parties can use the outcomes of this experiment to help determine future strategic policies.
Perbandingan Kinerja Inception- Resnetv2, Xception, Inception-v3, dan Resnet50 pada Gambar Bentuk Wajah Masruroh, Fitriana; Surarso, Bayu; Warsito, Budi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023104941

Abstract

Saat ini, klasifikasi bentuk wajah banyak diterapkan dalam berbagai bidang. Dalam bidang industri fashion dapat digunakan untuk pemilihan gaya rambut, pemilihan bingkai kacamata, tata rias, dan mode lainnya. Selain itu, dalam bidang medis bentuk wajah digunakan untuk bedah plastik. Identifikasi bentuk wajah adalah tugas yang menantang karena kompleksitas wajah, ukuran, pencahayaan, usia dan ekspresi. Banyak metode yang dikembangkan untuk memberikan hasil akurasi terbaik dalam klasifikasi bentuk wajah. Deep learning menjadi tren dibidang komputer vision karena memberikan hasil yang paling baik dari pada metode sebelumnya. Makalah ini mencoba menyajikan perbandingan kinerja klasifikasi wajah dengan empat arsitektur deep learning Xception, ResNet50, InceptionResNet-v2, Inception-v3. Dataset yang digunakan berjumlah 4500 gambar yang terbagi lima kelas heart, long, oblong, square, round. Berbagai pengoptimal deep learning diantaranya; transfer learning, optimizer deep learning, dropout dan fungsi aktivasi diterapkan untuk meningkatkan kinerja model. Perbandingan antara berbagai model CNN didasarkan kinerja metrik seperti accuracy, recall, precision dan F1-score. Dengan demikian dapat disimpulkan bahwa model Inception-ResNet-V2 menggunakan fungsi aktivasi Mish dan optimizer Nadam mencapai nilai tertinggi dengan accuracy dan f1-score masing-masing 92.00%, dan penggunaan waktu 65.0 menit. AbstractCurrently, face shape classification is widely applied in various fields. In the fashion industry, it can be used for hairstyle selection, eyeglass frame selection, makeup, and other modes. In the medical field, the face shape is used for plastic surgery. Identification of face shape is a challenging task due to the complexity of the face, size, lighting, age and expression. Many methods have been developed to provide the best accuracy results in the classification of face shapes. Deep learning is becoming a trend in the field of computer vision because it gives the best results than the previous method. This paper attempts to present a comparison of the performance of face classification with four deep learning architectures Xception, ResNet50, InceptionResNet-v2, Inception-v3. The dataset used is 4500 images divided into five classes heart, long, oblong, square, round. Various deep learning optimizers include; transfer learning, deep learning optimizer, dropout and activation functions are implemented to improve model performance. Comparisons between various CNN models are based on performance metrics such as accuracy, recall, precision and F1-score. Thus, it can be concluded that the Inception-ResNet-V2 model using the Mish activation function and the Nadam optimizer achieves the highest value with an accuracy and f1-score of 92.00%, and a time usage of 65.0 minutes. Thus, it can be concluded that the Inception-ResNet-V2 model using the Mish activation function and the Nadam optimizer achieves the highest value with an accuracy and f1-score of 92.00%, and a time usage of 65.0 minutes. 

Page 86 of 129 | Total Record : 1288

 84   85   86   87   88 

Filter by Year

2014 2025


Reset
Filter By Issues
All Issue Vol 12 No 6: Desember 2025 Vol 12 No 5: Oktober 2025 Vol 12 No 4: Agustus 2025 Vol 12 No 3: Juni 2025 Vol 12 No 2: April 2025 Vol 12 No 1: Februari 2025 Vol 11 No 6: Desember 2024 Vol 11 No 5: Oktober 2024 Vol 11 No 4: Agustus 2024 Vol 11 No 3: Juni 2024 Vol 11 No 2: April 2024 Vol 11 No 1: Februari 2024 Vol 10 No 6: Desember 2023 Vol 10 No 5: Oktober 2023 Vol 10 No 4: Agustus 2023 Vol 10 No 3: Juni 2023 Vol 10 No 2: April 2023 Vol 10 No 1: Februari 2023 Vol 9 No 7: Spesial Issue Seminar Nasional Teknologi dan Rekayasa Informasi (SENTRIN) 2022 Vol 9 No 6: Desember 2022 Vol 9 No 5: Oktober 2022 Vol 9 No 4: Agustus 2022 Vol 9 No 3: Juni 2022 Vol 9 No 2: April 2022 Vol 9 No 1: Februari 2022 Vol 8 No 6: Desember 2021 Vol 8 No 5: Oktober 2021 Vol 8 No 4: Agustus 2021 Vol 8 No 3: Juni 2021 Vol 8 No 2: April 2021 Vol 8 No 1: Februari 2021 Vol 7 No 6: Desember 2020 Vol 7 No 5: Oktober 2020 Vol 7 No 4: Agustus 2020 Vol 7 No 3: Juni 2020 Vol 7 No 2: April 2020 Vol 7 No 1: Februari 2020 Vol 6 No 6: Desember 2019 Vol 6 No 5: Oktober 2019 Vol 6 No 4: Agustus 2019 Vol 6 No 3: Juni 2019 Vol 6 No 2: April 2019 Vol 6 No 1: Februari 2019 Vol 5 No 6: Desember 2018 Vol 5 No 5: Oktober 2018 Vol 5 No 4: Agustus 2018 Vol 5 No 3: Juni 2018 Vol 5 No 2: April 2018 Vol 5 No 1: Februari 2018 Vol 4 No 4: Desember 2017 Vol 4 No 3: September 2017 Vol 4 No 2: Juni 2017 Vol 4 No 1: Maret 2017 Vol 3 No 4: Desember 2016 Vol 3 No 3: September 2016 Vol 3 No 2: Juni 2016 Vol 3 No 1: Maret 2016 Vol 2 No 2: Oktober 2015 Vol 2, No 2 (2015) Vol 2, No 1 (2015) Vol 2 No 1: April 2015 Vol 1, No 2 (2014) Vol 1 No 2: Oktober 2014 Vol 1, No 1 (2014) Vol 1 No 1: April 2014 More Issue