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
 97   98   99   100   101 
Keamanan Data Menggunakan Secure Hashing Algorithm (SHA)-256 dan Rivest Shamir Adleman (RSA) pada Digital Signature Hutagalung, Juniar; Ramadhan, Puji Sari; Sihombing, Sarah Juliana
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107319

Abstract

Penelitian ini mempelajari bagaimana kriptografi menggunakan Secure Hash Algorthm 256 (SHA-256) dan Rivest Shamir Adleman (RSA) untuk menjaga keaslian Surat Keterangan Lulus (SKL) dengan menggunakan kode Quick Response (QR) berbasis web. Salah satu fungsi utama SHA-256 adalah menerima input data M dalam bentuk apa pun dan menghasilkan nilai hash h(M). RSA, algoritma yang memiliki asimetri, kunci publik dan kunci privat. Ini adalah sistem kriptografi terpopuler yang digunakan untuk memberikan tanda tangan digital, kerahasiaan, dan kunci. Salah satu fitur utama sistem otentikasi dokumen adalah mencetak dan verifikasi dokumen, menghasilkan tanda tangan digital dan mengubahnya menjadi kode QR. Dengan menggunakan sistem otentikasi dokumen berbasis web, orang dapat memastikan bahwa dokumen yang telah ditandatangani atau dibubuhi dengan kode QR. Ini membantu menjaga keaslian dokumen agar orang lain tidak dapat menyalinnya. Untuk mencegah pemalsuan surat, integritas data, dan keabsahan data, isi dokumen yang dilindungi disandikan menggunakan algoritma kriptografi SHA-256 dan RSA. Data yang digunakan yaitu gabungan nama depan + nis siswa (ELIA + 18001). Hasilnya kemudian dimasukkan ke dalam dokumen ringkasan terenkripsi. Algoritma kriptografi untuk SKL berhasil digunakan. Setelah menggunakan metode SHA-256 dan RSA, hasil akhir adalah "09C6423CF09C9E61BC09B29966DE6CB569A7DE2C4349FA2B52F 08EF39D07140F". Hasil dekripsi sebanding dengan hash e-dokumen, sehingga dokumen yang diverifikasi dianggap sah.   Abstract    This research studies how cryptography uses the Secure Hash Algorthm 256 (SHA-256) and Rivest Shamir Adleman (RSA) to maintain the authenticity of the Pass Certificate (SKL) using a web-based Quick Response (QR) code. One of the main functions of SHA-256 is to accept M input data of any kind and output a hash value of h(M). RSA, an algorithm that has asymmetry, public key and private key. It is the most popular cryptographic system used to provide digital signatures, secrecy and keys. One of the main features of a document authentication system is printing and verifying documents, generating digital signatures and converting them into QR codes. By using a web-based document authentication system, people can ensure that documents have been signed or affixed with a QR code. This helps maintain the authenticity of documents so that others cannot copy them. To prevent letter forgery, data integrity, and data validity, the contents of protected documents are encoded using the SHA-256 and RSA cryptographic algorithms. The data used is a combination of the student's first name + nis (ELIA + 18001). The results are then entered into an encrypted summary document. The cryptographic algorithm for SKL was successfully used. After using the SHA-256 and RSA methods, the final result is "09C6423CF09C9E61BC09B29966DE6CB569A7DE2C4349FA2B52F 08EF39D07140F". The decryption result is comparable to the e-document hash, so the verified document is considered valid.
Penerapan Text Augmentation untuk Mengatasi Data yang Tidak Seimbang pada Klasifikasi Teks Berbahasa Indonesia Rahma, Iftitah Athiyyah; Suadaa, Lya Hulliyyatus
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107325

Abstract

Klasifikasi teks merupakan salah satu tugas yang fundamental dalam natural language processing (NLP). Dalam dunia nyata, data dan sumber daya yang tersedia untuk pengklasifikasian teks terbatas. Salah satu kendala pada data berlabel yang digunakan yaitu imbalanced data atau data yang tidak seimbang. Permasalahan data yang tidak seimbang memengaruhi kinerja dan keakuratan model karena model hanya terfokus pada data dengan label mayoritas. Sementara itu, data berlabel minoritas cenderung diklasifikasikan tidak tepat oleh model, padahal untuk beberapa kasus kemampuan model untuk memprediksi data dengan label minoritas lebih penting. Untuk mengatasinya, penelitian ini melakukan pendekatan oversampling yaitu menambah data untuk menyeimbangkan dataset. Penerapan oversampling pada data teks dikenal dengan text augmentation. Pada penelitian ini dilakukan dua teknik text augmentation yaitu synonym replacement dan back translation pada beberapa kondisi ketidakseimbangan dan skenario augmentasi terhadap dua dataset. Berdasarkan hasil eksperimen, augmentasi mampu meningkatkan skor F1 label minoritas. Augmentasi lebih signifikan dalam dataset kecil dan kondisi ketidakeimbangan yang parah. Hasil dari teknik back translation lebih baik dibandingkan dengan teknik synonym replacement. Selain itu, hasil penelitian menunjukkan bahwa skenario jumlah augmentasi juga berpengaruh terhadap kenaikan skor F1. Semakin banyak jumlah data augmentasi belum tentu memberikan hasil yang semakin baik karena terindikasi overfitting pada data latih. Kata-kata yang tidak normal atau tidak baku pada dataset teks informal memengaruhi proses augmentasi sehingga hasil teks sintetis yang diperoleh tidak sebaik pada dataset teks formal.   Abstract Text classification is one of the fundamental tasks in natural language processing (NLP). However, data and resources for text classification are limited in actual application. One of the constraints on the dataset for text classification is imbalanced data, or the condition when one label has more data than the others. Imbalanced data affects the performance and accuracy of the model because the model only focuses on the majority label data. Meanwhile, the minority label data tends to be classified incorrectly by the model, even though, in some cases, the model's ability to predict data with minority labels is more important. To solve this problem, this research uses an oversampling approach to augment data and balance the dataset. The application of oversampling text data is known as text augmentation. This research uses two text augmentation techniques, synonym replacement and back translation, applied to several imbalance conditions and augmentation scenarios for two datasets. Based on experimental results, augmentation can increase the F1 score of the minority class. Augmentation is more significant in small datasets and severe imbalance conditions. The results of the back translation technique are better than synonym replacement. In addition, this study's results show that the number of augmentation scenarios affects an increase in F1-score. However, increasing the augmentation data cannot ensure the results are getting better. Furthermore, words that are not normal in informal text datasets affect the augmentation process, so the results of synthetic text are better than the formal text dataset.
Penerapan Metode Simple Additive Weighting dalam Pemeringkatan Kinerja Keuangan Perusahaan Sektor Teknologi yang Terdaftar di Bei Sundara, I Made Satya; Putri, I Gst. Agung Pramesti Dwi; Wijaya, I Nyoman Yudi Anggara
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 5: Oktober 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107329

Abstract

Investasi merupakan penempatan sejumlah dana pada saat ini dengan tujuan mendapatkan keuntungan atau laba di masa yang akan datang. Berdasarkan laporan Kustodian Sentral Efek Indonesia (KSEI), dari tahun 2019 sampai tahun 2022 jumlah investor pasar modal selalu mengalami peningkatan. Meskipun mengalami peningkatan pada jumlah investor pasar modal, namun tingkat literasi keuangan masyarakat Indonesia pada tahun 2022 hanya sebesar 49,68 persen, dapat dikatakan bahwa pemahaman seseorang terhadap isu-isu keuangan masih tergolong rendah. Rendahnya tingkat literasi keuangan seseorang dapat menyebabkan risiko salah berinvestasi sehingga mengakibatkan kerugian di masa depan. Untuk itu, penelitian ini bertujuan untuk membantu calon investor dalam pengambilan keputusan memilih perusahaan dengan kinerja keuangan terbaik pada sektor teknologi menggunakan metode SAW (Simple Additive Weighting). Metode SAW digunakan dalam menghasilkan ranking perusahaan teknologi sebagai acuan calon investor untuk berinvestasi. Kriteria yang digunakan untuk mengukur kinerja keuangan perusahaan teknologi adalah 4 rasio keuangan yaitu rasio lancar, rasio kas, rasio utang terhadap ekuitas dan margin laba kotor. Jumlah alternatif yang digunakan pada penelitian ini berjumlah 8 alternatif. Hasil penelitian ini adalah perusahaan MLPT sebagai perusahaan dengan kinerja keuangan terbaik dalam sektor teknologi dengan nilai tertinggi yaitu 0.866. Dari hasil perhitungan metode SAW tersebut, maka sangat direkomendasikan untuk memilih perusahaan MLPT sebagai acuan untuk berinvestasi bagi calon investor.   Abstract   Investment is the placement of a certain amount of funds at present with the aim of gaining profit or returns in the future. According to the report from the Indonesia Central Securities Depository (KSEI), from 2019 to 2022, the number of investors in the capital market has consistently increased. However, despite this growth in the number of investors in the capital market, the level of financial literacy among the Indonesian population in 2022 is only 49.68%, indicating that the understanding of financial issues among individuals is still relatively low. The low level of financial literacy can lead to the risk of making incorrect investment decisions, resulting in potential losses in the future. Therefore, this research aims to assist prospective investors in making decisions in selecting companies with the best financial performance in the technology sector using the Simple Additive Weighting (SAW) method. The SAW method is employed to generate a ranking of technology companies that serve as a reference for prospective investors in making investment decisions. The criteria used to measure the financial performance of technology companies include four financial ratios: current ratio, cash ratio, debt-to-equity ratio, and gross profit margin. There are a total of 8 alternatives considered in this research. The result of this study indicates that MLPT company performs the best in terms of financial performance in the technology sector, with the highest score of 0.866 according to the SAW method. Based on the results of the SAW calculation, it is highly recommended to choose MLPT company as a reference for investment purposes for prospective investors.
Prediksi Kelulusan Tepat Waktu Berdasarkan Riwayat Akademik Menggunakan Metode K-Nearest Neighbor Riadi, Imam; Umar, Rusydi; Anggara, Rio
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 2: April 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20241127330

Abstract

Lulus tepat waktu adalah pencapaian paripurna ingin dicapai oleh semua mahasiswa atau calon mahasiswa. Kelulusan memiliki 2 klasifikasi seperti lulus tidak tepat waktu dan lulus tepat waktu. Kelulusan menjadi suatu penilaian akreditasi universitas dan penilaian oleh masyarakat secara luas. Perguruan tinggi meluluskan mahasiswa-mahasiwa dengan beberapa kriteria standar yang harus dimiliki. Diharapkan mahasiswa lulus memenuhi syarat standar kelulusan dalam waktu maksimal 4 tahun masa studi. Evaluasi dan pemantauan kelulusan sangat penting dilakukan, salah satunya dengan mempelajari data history mahasiswa yang telah lulus sebagai upaya mahasiswa lulus tidak melebihi waktu standar yang telah ditetapkan. Prediksi kelulusan yang dilakukan pada riset menggunakan kaidah klasifikasi K-Nearest Neighbor dengan objek penelitian yaitu mahasiswa. Atribut yang dipakai dalam penelitian metode klasifikasi yaitu nama, asal SMA/SMK, wilayah asal SMA/SMK, nilai rata-rata matematika dan lama studi. Tahapan penelitian diawali dengan pengumpulan data, pemilihan atribut, pembersihan data, transformasi data, pemilihan data testing dan data training. Pengujian akurasi yang didapatkan pada penelitian metode klasifikasi dengan klaster data k=1, k=2, k=3, k=4, k=5, k=6 dan k=7 menghasilkan klaster dengan nilai k=3 paling tinggi. Hasil pengujian akurasi prediksi penelitian menggunakan confusion matrix menghasilkan akurasi paling besar sesuai target yaitu mencapai 78% menggunakan objek penelitian sebanyak 93 data mahasiswa terdiri dari 78 training dan 12 data testing. Hasil pengujian point k=1 sampai point k=7, k=3 merupakan nilai akurasi prediksi yang paling tinggi sehingga hasil penelitian menjadi sumber pengetahuan untuk fakultas dalam prediksi kelulusan mahasiswa.AbstractGraduating on time is a plenary achievement to be achieved by all students or prospective students. Graduation has 2 classifications such as graduating not on time and graduating on time. Graduation becomes an assessment of university accreditation and an assessment by the wider community. Universities graduate students with several standard criteria that must be possessed. It is expected that graduating students meet the graduation standard requirements within a maximum of 4 years of study period. Evaluation and monitoring of graduation is very important to do, one of which is by studying the history data of students who have graduated as an effort for students to graduate not to exceed the standard time that has been set. The graduation predictions carried out in research use the K-Nearest Neighbor classification rules with the research object being students. The attributes used in the research classification method are name, high school/vocational high school origin, high school/vocational high school origin, average grade in mathematics and length of study. The research phase begins with data collection, attribute selection, data cleaning, data transformation, selection of testing data and training data. The accuracy test obtained in the classification method research with data clusters k = 1, k = 2, k = 3, k = 4, k = 5, k = 6 and k = 7 produces a cluster with the highest k = 3 value. The results of testing the accuracy of research predictions using the confusion matrix produced the greatest accuracy according to the target, reaching 78% using a research object of 93 student data consisting of 78 training and 12 testing data. The test results point k=1 to point k=7, k=3 is the highest prediction accuracy value so that the research results become a source of knowledge for the faculty in predicting student graduation.
Automated Essay Scoring Menggunakan Semantic Textual Similarity Berbasis Transformer Untuk Penilaian Ujian Esai Pradani, Kharisma Ayu; Suadaa, Lya Hulliyyatus
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107338

Abstract

Ujian berbasis esai seringkali digunakan untuk menguji pemahaman siswa dalam menyelesaikan permasalahan. Tak terkecuali dalam pelaksanaan ujian di Politeknik Statistika STIS. Dalam melakukan penilaian pada jawaban tipe ini, dibutuhkan waktu serta tenaga yang besar, dan sering kali menimbulkan ketidakkonsistenan dalam penilaian. Hal ini dapat terjadi salah satunya karena perbedaan cara penilaian yang dilakukan oleh orang yang berbeda. Oleh karena itu diperlukan penyelesaian yang bisa mengefektifkan waktu, tenaga serta menjaga kekonsistenan aspek penilaian, diantaranya yaitu dengan automated essay scoring (AES). AES merupakan suatu model yang dilatih untuk menilai suatu esai secara otomatis berdasarkan kemiripan jawaban dengan kunci jawaban. Pada penelitian ini, metode yang diusulkan untuk menghitung kemiripan semantik teks berbahasa Indonesia antara jawaban esai dan kunci jawabannya yaitu model berbasis Transformers IndoBERT. Sebagai baseline, digunakan teknik ekstraksi fitur Term Frequency - Inverse Document Frequency (TF-IDF) dan penghitungan kemiripan fitur menggunakan cosine similarity dan linear regression. Selanjutnya nilai kemiripan tersebut dikonversi ke rentang nilai yang diinginkan sebagai prediksi nilai dari setiap esai. Berdasarkan hasil evaluasi, diperoleh bahwa model fine-tuned IndoBERT merupakan model terbaik dengan nilai MAE dan RMSE sebesar 0.1285 dan 0.2001.   Abstract Essay-based exams are often used to test students’ understanding of solving problems. However, assessing this type of answer takes a lot of time and effort and often results in inconsistencies. One of the reasons is the different ways between people while doing the assessment. Therefore, a solution is needed to streamline time, effort, and maintain consistency in aspects of assessment, including automated essay scoring (AES). AES is a model trained to assess an essay automatically based on the similarity of answers with the answer key. In this study, the method proposed to calculate the semantic similarity of Indonesian text between essay answers and answer keys is a model based on the Transformer BERT. As a baseline, the Term Frequency – Inverse Document Frequency (TF-IDF) feature extraction technique is used and calculating feature similarity using cosine similarity and linear regression. Then the similarity value is converted to the desired range of values as the predicted value of each essay. Based on the evaluation results, it was found that the fine-tuned IndoBERT model was the best model, with MAE and RMSE values of 0.1285 and 0.2001.
Survei Penelitian Metode Kecerdasan Buatan untuk Mendeteksi Ancaman Teknologi Serangan Siber Fitria, Eza Yolanda; Mutijarsa, Kusprasapta
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107341

Abstract

Keamanan siber merupakan isu penting di era modern seperti sekarang ini. Serangan siber yang semakin beragam terus bermunculan. Teknik dan metode baru machine learning dan deep learning terus dikembangkan oleh banyak peneliti untuk menangani serangan siber. Selain teknik baru, berbagai jenis dataset baru terkait serangan siber juga turut berkembang. Permasalahan muncul ketika banyaknya teknik atau metode yang ada belum tentu tepat menangani berbagai jenis serangan siber. Begitupun sebaliknya, belum tentu berbagai jenis serangan siber dapat ditangani hanya dengan menggunakan teknik atau metode tertentu saja. Tujuan penelitian ini adalah memetakan teknik-teknik dan metode kecerdasan buatan untuk mendeteksi ancaman teknologi serangan siber dalam bentuk Systematic Literature Review (SLR). Pada penelitian ini teknik dan metode machine learning maupun deep learning dievaluasi untuk dapat menangani jenis serangan siber tertentu dengan tepat. Berbagai dataset yang dapat digunakan untuk eksperimen juga dieksplorasi. Jenis serangan siber yang dibahas pada penelitian ini difokuskan jenis serangan pada sistem host dan serangan pada lapisan keamanan jaringan. Pada penelitian SLR sebelumnya, hal-hal tersebut dibahas secara terpisah atau bahkan salah satunya saja sehingga dalam penelitian ini perlu dibangun kembali SLR yang bisa mengisi kekurangan pada penelitian SLR sebelumnya. Originalitas penelitian ini terletak pada analisis teknik atau metode kecerdasan buatan yang secara spesifik tepat untuk menangani jenis serangan siber tertentu. Terdapat total 44 paper survei yang diulas, diterbitkan antara tahun 2018 hingga 2023. Dari keseluruhan paper tersebut, 30 paper membahas penggunaan teknk machine learning dan deep learning. Kemudian, 19 paper yang membahas penggunaan dataset dan 13 paper membahas peluang penelitian masa depan. Terakhir, 5 paper yang membahas terkait tools. Hasil dari penelitian ini diharapkan dapat berkontribusi dalam memberikan wawasan baru di dunia keamanan siber untuk membuka peluang penelitian masa depan, terutama bagi para peneliti pemula yang ingin melakukan riset di bidang keamanan siber.   Abstract Cybersecurity is an essential issue in today's modern era. An increasingly diverse range of cyberattacks continues to emerge. Many researchers continue to develop new techniques and methods for machine learning and deep learning to deal with cyberattacks. In addition to new techniques, various types of new datasets related to cyberattacks are also developing. Problems arise when the many existing techniques or methods are not appropriate for dealing with various types of cyberattacks. Vice versa, it is not certain that various types of cyberattacks can be handled only using specific techniques or methods. This research aims to map the techniques and methods of artificial intelligence to detect cyber-attack technology threats in the form of a Systematic Literature Review (SLR). In this research, machine learning and deep learning techniques and methods are evaluated to be able to handle certain types of cyberattacks properly. Various datasets that can be used for experiments are also explored. The types of cyberattacks discussed in this study focus on attacks on the host system and the network security layer. In previous SLR research, these matters were discussed separately or even just one of them. In this study, it was necessary to rebuild the SLR, which could fill the deficiencies in the previous SLR research. The originality of this research lies in the analysis of artificial intelligence techniques or methods that are specifically appropriate for dealing with certain types of cyberattacks. A total of 44 reviewed survey papers were published between 2018 and 2023. Of all these, 30 papers discuss machine learning and deep learning techniques. Then, 19 papers examine the use of datasets, 13 papers discuss future research opportunities, and five papers discuss developing tools. The results of this research are expected to contribute to providing new insights into the world of cybersecurity to open future research opportunities, especially for novice researchers who wish to conduct research in the field of cybersecurity.
Kontrol Level Kecepatan Kipas Melalui Deteksi Gestur Jari Tangan Menggunakan MediaPipe dan Faster-RCNN Fakhruddin, Muhammad Aldi; Pratikno, Heri; Musayyanah; Kusumawati, Weny Indah
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107345

Abstract

Interaksi antara manusia dan komputer saat ini lebih interaktif, responsif dan intuitif, di masa lalu proses interaksi tersebut diperlukan kontak secara fisik atau menggunakan sensor-sensor elektronik. Pada penelitian ini interaksi antara manusia dan komputer atau peralatan elektronik tidak diperlukan kontak fisik maupun melalui sensor karena dilakukan secara computer vision hanya menggunakan webcam sehingga proses interaksinya lebih natural. Penerapan mikrokontroler sebagai backbone utama teknologi berbasis Internet of Things di era Industry 4.0, bertujuan untuk mempermudah pekerjaan manusia terutama dukungan layanan di dunia industri. Pada era Society 5.0 semua penerapan teknologi yang ada tujuan utamanya tidak hanya mempermudah pekerjaan manusia tetapi bagaimana teknologi tersebut bisa lebih mengerti dan memahami manusianya maka disitulah diterapkan Artificial Itelligence. Dalam penelitian ini diterapkan sistem kontrol interaksi antara pengguna dan komputer untuk pengaturan level kecepatan putaran kipas angin secara otomatis dan realtime berbasis teknologi computer vision for deep learning melalui deteksi bentuk gestur jari tangan kanan dan gestur jari tangan kiri menggunakan webcam. Mikrokontroler yang digunakan pada penelitian ini adalah Arduino Uno, sedangkan penerapan computer vision for deep learning menggunakan framework MediaPipe dan Faster-RCNN. MediaPipe berfungsi untuk mendeteksi bentuk gestur fitur jari kedua tangan dan Faster-RCNN digunakan untuk proses klasifikasi empat bentuk gestur jari tangan untuk mematikan kipas angin atau menghidupkan kipas angin dengan kecepatan putarannya pada level 1, level 2 atau level 3. Hasil pengujian akurasi rata-rata deteksi gestur jari tangan menggunakan MediaPipe pada jarak 10 cm (41,6%), jarak 50 cm (85,35%), jarak 100 cm (71,68%), dan jarak 175 cm (69,33%). Sedangkan hasil pengujian Faster-RCNN mempunyai akurasi klasifikasi rata-rata pada jarak 10 cm (36%), jarak 50 cm (30,75%), jarak 100 cm (18,68 %), dan jarak 175 cm (14.83%).   Abstract Interaction between humans and computers is now more interactive, responsive and intuitive, in the past the interaction process required physical contact or using electronic sensors. In this study, the interaction between humans and computers or electronic equipment does not require physical contact or through sensors because it is done in computer vision using only a webcam so that the interaction process is more natural. The application of microcontrollers as the main backbone of Internet of Things-based technology in the Industry 4.0 era, aims to facilitate human work, especially service support in the industrial world. In the era of Society 5.0, all applications of technology that have the main goal are not only to facilitate human work but how technology can better understand and understand humans, so that's where Artificial Intelligence is applied. In this study, an interaction control system was applied between the user and the computer to adjust the fan speed level automatically and in real time based on computer vision technology for deep learning through the detection of the shape of the right hand finger gesture and the left hand finger gesture using a webcam. The microcontroller used in this study is Arduino Uno, while the application of computer vision for deep learning uses the MediaPipe and Faster-RCNN frameworks. MediaPipe serves to detect the shape of the finger feature gestures of both hands and Faster-RCNN is used to process the classification of four finger gestures to turn off the fan or turn on the fan with its rotational speed at level 1, level 2 or level 3. The results of the average accuracy test detection of finger gestures using the MediaPipe at a distance of 10 cm (37%), a distance of 50 cm (70%), a distance of 100 cm (54.7%), and a distance of 175 cm (63.3%). While the Faster-RCNN test results have an average classification accuracy at a distance of 10 cm (34%), a distance of 50 cm (24%), a distance of 100 cm (8.7%), and a distance of 175 cm (4.7%).
Implementasi High Order Intuitionistic Fuzzy Time Series Pada Peramalan Indeks Harga Saham Gabungan Nugraha, Titis Jati; Sulandari, Winita; Slamet, Isnandar; Subanti, Sri; Zukhronah, Etik; Sugianto, Sugianto; Susanto, Irwan
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 2: April 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20241127363

Abstract

Indeks Harga Saham Gabungan (IHSG) adalah indeks yang mengukur kinerja harga semua saham yang terdaftar di Bursa Efek Indonesia (BEI) Peramalan IHSG menjadi referensi bagi investor untuk memperoleh keuntungan di pasar modal. Penelitian ini membahas penerapan metode High Order Intuitionistic Fuzzy Time Series (HOIFTS) dalam peramalan IHSG di BEI. Metode HOIFTS melibatkan tiga indikator, yaitu derajat keanggotaan, derajat non- keanggotaan, dan fungsi skor (indeks intutionistic) sehingga model yang dihasilkan mampu menangani ketidakpastian dalam data. Tahapan penting dalam pemodelan HOIFTS adalah pada fuzzifikasi intuitionistic, penentuan relasi logika fuzzy intutionistic, dan proses defuzifikasi order tinggi intuitionistic. Penelitian ini menetapkan metode Chen, baik order satu maupun order tinggi sebagai metode pembanding untuk melihat seberapa jauh keberhasilan metode HOIFTS dalam meramalkan data bulanan IHSG. Hasil perbandingan nilai RMSE (root mean square error) dan MAPE (mean absolute percentage error) yang dihasilkan oleh ketiga model menunjukkan bahwa metode HOIFTS memiliki nilai kesalahan yang paling kecil. Dengan demikian, metode HOIFTS lebih direkomendasikan dalam peramalan IHSG dibandingkan dua metode lain yang dibahas dalam penelitian ini. 
Penerapan Model Technology Readiness Index untuk Mengukur Tingkat Kesiapan Mahasiswa dalam Penerimaan Sistem E-Polvot Anam, M Khairul; Zoromi, Fransiskus; Soni; Nasution, Torkis; Andesa, Khusaeri
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 6: Desember 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107368

Abstract

BEM (Badan Eksekutif Mahasiswa) merupakan ujung tombak dalam menjalankan tata pemerintahan di kalangan mahasiswa dan media untuk menyampaikan aspirasi baik berupa kesejahteraan, keamanan baik secara lisan maupun dalam tulisan kepada perguruan tinggi. Pemilihan BEM di perguruan tinggi rutin dilaksanakan setiap setahun. Namun dalam pemilihan BEM, beberapa mahasiswa tidak dapat menggunakan hak memilih karena keterbatasan waktu yang disediakan oleh panitia pemilihan. Dalam pelaksanaan pemilihan, disediakan 3 jenis waktu perkuliahan, yaitu regular siang jam 08.00 – 17.00, malam jam 17.45 – 09.30, dan non-reguler diadakan perkuliahan jarak jauh atau online setiap akhir pekan. Untuk pemilihan biasanya mahasiswa reguler malam dan non reguler tidak melakukan voting atau pemilihan dikarenakan waktunya diadakan siang hari. Untuk mengatasi permasalahan tersebut perlunya sebuah sistem bisa digunakan dimana saja tanpa harus datang ke kampus. Salah satu sistem yang dapat digunakan adalah e-polvot atau elektronik polling dan voting. Namun untuk menghadirkan sistem tersebut perlu kesiapan baik dari infrastruktur maupun pengguna. Penelitian ini melakukan analisis terhadap kesiapan mahasiswa STMIK Amik Riau dalam penerimaan sistem e-polvot. Tujuan penelitian adalah menganalisis kesiapan mahasiswa menggunakan sistem e-polvot. Analisis kesiapan mahasiswa menggunakan model Technology Readiness Index (TRI). Model ini memiliki 4 variabel yaitu Optimism, Innovativeness, Discomfort dan Insecurity. Populasi yang digunakan dalam penelitian ini adalah seluruh mahasiswa STMIK Amik Riau dengan teknik total sampling. Hasil yang didapatkan pada penelitian ini yaitu mahasiswa STMIK Amik Riau siap untuk menerima sistem e-polvot. Hal ini dilihat dari nilai yang didapatkan dari pengukuran ini adalah 3,93 yang dikategorikan HIGH.   Abstract The Student Executive Board (BEM) plays a pivotal role in governing students and serves as a platform to express aspirations, both in terms of welfare and security, through both oral and written means to the university. BEM elections at the university are regularly conducted annually. However, in the BEM elections, some students are unable to exercise their voting rights due to time constraints set by the election committee. The election process offers three types of lecture schedules: regular daytime from 08:00 to 17:00, evening lectures from 17:45 to 09:30, and non-regular lectures held during weekends for distance or online learning. Consequently, regular evening and non-regular students often abstain from voting or participating in the election due to the daytime scheduling. To address this issue, a system is needed that can be accessed from anywhere without physically coming to the campus. One such system that can be used is the e-polvot or electronic polling and voting system. However, implementing such a system requires readiness in terms of infrastructure and user acceptance. This research aims to analyze the readiness of STMIK Amik Riau students in accepting the e-polvot system. The research objective is to assess the readiness of students in using the e-polvot system. The analysis of students' readiness utilizes the Technology Readiness Index (TRI) model, which consists of four variables: Optimism, Innovativeness, Discomfort, and Insecurity. The population used for this study comprises all students of STMIK Amik Riau, and the total sampling technique is employed. The findings of this research indicate that the students of STMIK Amik Riau are ready to accept the e-polvot system, as evidenced by a TRI score of 3.93, which falls into the "HIGH" category.
Pengaruh Klasifikasi Sentimen Pada Ulasan Produk Amazon Berbasis Rekayasa Fitur dan K-Nearest Negihbor Putri, Nitami Lestari; Warsito, Budi; Surarso, Bayu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 1: Februari 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20241117376

Abstract

Ulasan online menjadi faktor penting yang mendorong konsumen untuk membeli barang di e-commerce. Dalam e-commerce, ulasan pelanggan sebelumnya dapat membantu pembeli membuat keputusan yang lebih baik dengan memberikan informasi tentang kualitas produk, kekuatan dan kelemahan, perilaku penjual, harga, dan waktu pengiriman. Namun, keberadaan ulasan palsu menimbulkan tantangan dalam menilai sentimen yang diungkapkan oleh pelanggan asli secara benar. Dalam penelitian ini, berfokus pada analisis sentimen dan bertujuan untuk mengeksplorasi peran sentimen dalam ulasan produk Amazon. Penelitian ini menggunakan kombinasi fitur dari konten ulasan dengan menerapkan klasifikasi K-Nearest Neighbor untuk mengklasifikasikan polaritas sentimen ulasan secara akurat. Dalam mengekstrak skor polaritas dari ulasan, penelitian ini menggunakan pendekatan analisis sentimen berbasis leksikon yaitu Textblob Library dan menetapkan label sentimen dari ulasan produk. Hasil dari pemodelan yang diusulkan mencapai tingkat akurasi sebesar 83% yang menunjukkan keefektifan pemodelan yang diusulkan dalam analisis sentimen. Hasil dari penelitian ini dapat membantu konsumen dalam membuat keputusan pembelian dan membantu penjual dalam meningkatkan nilai produk dan layanan mereka berdasarkan feedback yang diberikan oleh pelanggan.

Page 99 of 129 | Total Record : 1288

 97   98   99   100   101 

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