Jurnal Teknologi Informasi dan Ilmu Komputer最新文献

{"title":"Kajian Strategi Pendidikan Vokasi Bidang Teknologi Informasi dan Komunikasi Menghadapi Bonus Demografi","authors":"Faizatul Amalia, Waras Kamdi, R. Machmud Sugandi","doi":"10.25126/jtiik.20231057305","DOIUrl":"https://doi.org/10.25126/jtiik.20231057305","url":null,"abstract":"Bonus demografi juga menjadi tantangan jika tidak mampu mengimbangi dengan ketersediaan lapangan kerja. Agar lulusan dari SMK dapat terserap dengan baik, diperlukan adanya strategi atau cara dalam membekali lulusan dengan kompetensi yang dibutuhkan industri. Penelitian ini menggunakan Systematic Review (SR) atau yang secara umum disebut Systematic Literature Review (SLR). Langkah penelitian SLR yang digunakan dalam penelitian yaitu Planning, Conducting, dan Reporting. Planning menghasilkan pertanyaan penelitian yaitu bagaimana strategi Pendidikan vokasi dalam menghadapi bonus demografi. Conducting dilakukan dengan pencarian jurnal artikel penelitian dari google scholar dengan memanfaatkan operator Boolean yaitu: “kompetensi siswa” AND “SMK” and “TIK”. Jurnal yang terindeks nasional, memiliki ISSN atau E-ISSN menjadi sumber data dalam penelitian ini. Berdasarkan 46 artikel, diperoleh bahwa 10 faktor memengaruhi kompetensi siswa SMK khususnya program keahlian Teknik Informatika dan Komunikasi (TIK). Untuk mencapai kompetensi siswa SMK TIK dapat dilakukan dengan: penerapan model pembelajaran di kelas seperti problem based learning dan project based learning, penggunaan metode pembelajaran demonstrasi dan discovery learning, penggunaan strategi problem solving, media pembelajaran yang dapat dimanfaatkan berupa e-learning, video, e-modul, software simulation, penggunaan fasilitas yang mumpuni di laboratorium, kurikulum yang disusun mencantumkan prakerin sebagai mata pelajaran yang harus diikuti oleh siswa, penggunaan perangkat pembelajaran melalui LKS berstruktur dan berbasis konstruktivisme, pembangunan sekolah kejuruan berdasarkan konsep corporate school, kompetensi guru melalui keterampilan pedagogik, sosial dan kepribadian yang dapat mendukung peningkatan motivasi belajar yang nantinya memengaruhi kompetensi siswa, dan pengalaman prakerin dapat meningkatkan kompetensi siswa SMK. Abstract The demographic bonus is also a challenge if it is unable to match the availability of jobs. For graduates from Vocational High School (SMK) to be well absorbed, a strategy or method is needed to equip graduates with the competencies needed by the industry. This study uses a Systematic Review (SR) or what is generally called a Systematic Literature Review (SLR). The SLR research steps used in this research are Planning, Conducting, and Reporting. Planning generates research questions, namely how is the vocational education strategy in dealing with demographic bonuses? Conducting is done by searching research journal articles from Google Scholar by utilizing Boolean operators, namely: \"student competence\" AND \"SMK\" and \"TIK\". Journals that are nationally indexed, having ISSN or E-ISSN are the source of data in this study. Based on 22 articles, it was found that eight factors influenced the competence of SMK students, especially the Informatics and Communication Engineering (ICT) expertise program. To achieve the competence of ICT Vocational High School students, th","PeriodicalId":32501,"journal":{"name":"Jurnal Teknologi Informasi dan Ilmu Komputer","volume":"127 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-17","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136077991","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Penerapan Deep Convolutional Generative Adversarial Network Untuk Menciptakan Data Sintesis Perilaku Pengemudi Dalam Berkendara","authors":"Michael Stephen Lui, Fitra Abdurrachman Bachtiar, Novanto Yudistira","doi":"10.25126/jtiik.20231056978","DOIUrl":"https://doi.org/10.25126/jtiik.20231056978","url":null,"abstract":"Kecelakaan kendaraan adalah salah satu penyebab kematian tertinggi di Indonesia. Salah satu solusi untuk mencegah kecelakaan adalah dengan menggunakan sensor eksternal untuk mendeteksi kondisi jalan. Namun, penyebab utama kecelakaan adalah kelalaian pengemudi ketika mengemudi yang tidak dapat terdeteksi oleh sensor eksternal. Sensor visual dapat mendeteksi perilaku pengemudi di dalam kendaraan. Penggunaan sensor visual memiliki performa yang lebih baik ketika menggunakan metode deep learning. Salah satu metode untuk meningkatkan performa metode deep learning adalah dengan menggunakan data sintesis hasil model generatif sebagai tambahan data. Deep Convolutional Generative Adversarial Network (DCGAN) adalah salah satu model generatif yang menggunakan lapisan konvolusi. DCGAN terdiri dari dua neural network bernama generator dan discriminator yang membentuk hubungan ­zero-sum game. Generator menerima masukan berupa gambar asli dengan tambahan noise sebagai input proses latih secara unsupervised, menghasilkan gambar sintesis, sedangkan discriminator menerima gambar asli dan gambar sintesis sebagai input dan menghitung keaslian gambar yang selanjutnya digunakan sebagai nilai loss dengan fungsi loss Binary Cross Entropy. Arsitektur DCGAN terdiri dari beberapa transposed convolutional layer dengan batch normalization dan fungsi aktivasi ReLU dan fungsi aktivasi Tanh sebagai output layer pada generator dan beberapa convolutional layer dengan batch normalization dan fungsi aktivasi Leaky ReLU dan fungsi aktivasi Sigmoid sebagai output layer pada discriminator. Dataset yang digunakan pada penelitian ini adalah dataset ISDDS perilaku umum pengemudi yang dikumpulan pada skenario simulasi dengan jumlah dua ribu gambar. Hasil pengujian menemukan bahwa nilai hyperparameter dapat menghasilkan gambar sintesis perilaku pengemudi di dalam kendaraan yang baik dengan nilai FID sebesar 274,16 pada learning rate discriminator pada 0,0001, β1 discriminator pada 0,8005, learning rate generator pada 0,0017, β1 generator pada 0,1138 selama 43 epoch dengan menggunakan optimizer Adam pada generator dan discriminator. Abstract Vehicle crash is one of the leading causes of death in Indonesia. One of the solutions to prevent vehicle crash is by using external sensor to detect road condition. Yet, most crash happened because of driver distraction, which is hard to detect using external sensor. Visual sensor can be used to detect driver activity inside vehicle. Visual sensor that uses deep learning method performs well. One way to increase deep learning method performance is by using additional synthesis data made by generative model. Deep Convolutional Generative Adversarial Network (DCGAN) is a generative model that uses convolution layer. DCGAN consists of two neural networks titled generator and discriminator which create zero-sum game relationship. Generator will receive real image with added noise as input of unsupervised training process, creating synthetic image, while di","PeriodicalId":32501,"journal":{"name":"Jurnal Teknologi Informasi dan Ilmu Komputer","volume":"6 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-10-17","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136078169","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Prediksi Rating Film IMDb Menggunakan Decision Tree","authors":"Rifqy Rosdiyah Ilmi, Fachrul Kurniawan, Sri Harini","doi":"10.25126/jtiik.20241046615","DOIUrl":"https://doi.org/10.25126/jtiik.20241046615","url":null,"abstract":"Industri Film bukan hanya industri atau pusat hiburan semata melainkan menjadi pusat bisnis global. Popularitas atau kesuksesan film box office  selalu menjadi perhatian di seluruh dunia. Data kesuksesan atau popularitas film saat ini tersedia secara online. IMDb merupakan satu dari sekian situs daring penyedia informasi yang berkaitan dengan film, acara televisi, yang meliputi sinopsis, daftar pemain, ulasan penilaian, dan tentunya pemberian rating film. Keberhasilan film dapat ditandai dengan perolehan rating yang tinggi. Prediksi rating film menjadi topik menarik untuk menilai keberhasilan film baik yang telah diproduksi maupun yang belum diproduksi. Pada penelitian ini, dilakukan prediksi nilai rating film menggunakan metode decision tree. Hasil dari penelitian ini diperoleh kesimpulan bahwa atribut popularitas film dan nilai vote user pada laman IMDb berpengaruh terhadap nilai rating film. Nilai akurasi penggunaan model decision tree pada data training, validasi dan testing bertuturt – turut adalah 0,7529, 0,7237 dan 0,7079. AbstractThe film industry is not just an industry or entertainment but also a global business center. The popularity or success of box office movies has always been a concern around the world. Data on the success or popularity of a movie is currently available online. IMDb is one of the many online sites that provide information related to movies, television shows, which include synopsis, cast lists, rating reviews, and of course movie rating assignments. Prediction of movie ratings is an interesting topic to assess the success of films that have been produced and those that have not been produced. Prediction of movie ratings values can be modeled through machine learning using the decision tree model. From this research, it can be concluded that the popularity of the film and the value of user votes on the IMDb page have an effect on the film rating value. The accuracy values of using the descision tree model in training data, validation and testing are respectively 0.7529, 0.7237 and 0.7079.","PeriodicalId":32501,"journal":{"name":"Jurnal Teknologi Informasi dan Ilmu Komputer","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-08-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"48461455","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Desain Penilaian Risiko Privasi pada Aplikasi Seluler Melalui Model Machine Learning Berbasis Ensemble Learning dan Multiple Application Attributes","authors":"R. Zakariya, Kalamullah Ramli","doi":"10.25126/jtiik.20241047029","DOIUrl":"https://doi.org/10.25126/jtiik.20241047029","url":null,"abstract":"Aplikasi berbasis Android banyak dikembangkan dan tersedia secara bebas di berbagai sumber aplikasi karena sistem operasi Android yang bersifat open-source.  Namun, tidak semua penyedia aplikasi memberikan informasi detail mengenai aspek keamanan aplikasi, sehingga pengguna mengalami kesulitan untuk menilai dan memahami risiko keamanan privasi yang mereka hadapi. Pada penelitian ini kami mengusulkan desain penilaian risiko privasi melalui pendekatan analisis permission dan informasi atribut aplikasi. Kami menggunakan ensemble learning untuk mengatasi kelemahan dari penggunaan model klasifikasi tunggal. Penilaian likelihood dilakukan dengan mengombinasikan prediksi ensemble learning dan informasi multiple application attributes, sementara penilaian severity dilakukan dengan memanfaatkan jumlah dan karakteristik permission. Sebuah matriks risiko dibentuk untuk menghitung nilai risiko privasi aplikasi dan dataset CIC-AndMal2017 digunakan untuk mengevaluasi model ensemble learning dan desain penilaian risiko privasi. Hasil percobaan menunjukkan bahwa penerapan ensemble learning dengan algoritma klasifikasi Decision Tree (DT), K-Nearest Neighbor (KNN), dan Random Forest (RF) memiliki performa model yang lebih baik dibandingkan dengan menggunakan algoritma klasifikasi tunggal, dengan accuracy sebesar 95.2%, nilai precision 93.2%, nilai F1-score 92.4%, dan True Negative Rate (TNR) sebesar 97.6%. Serta, desain penilaian risiko mampu menilai aplikasi secara efektif dan objektif.  AbstractSince the Android operating system is open-source, many Android-based applications are developed and freely available in app stores. However, not all developers of applications supply detailed information about the app's security aspects, making it difficult for users to assess and understand the risk of privacy breaches they confront. We propose a privacy risk assessment design in this study using an analytical approach to app permissions and attribute information. We use ensemble learning to overcome the drawbacks of using a single classification model. The likelihood assessment is performed by combining ensemble learning predictions and information on multiple application attributes, while the severity assessment is performed by utilizing the number and characteristics of permissions. A risk matrix was created to calculate the value of application privacy risk, and the CIC-AndMal2017 dataset was used to evaluate the ensemble learning model and privacy risk assessment designs. The experimental results show that the application of ensemble learning with the Decision Tree (DT), K-Nearest Neighbor (KNN), and Random Forest (RF) classification algorithms provides better model performance compared to using a single classification algorithm, with an accuracy of 95.2%, a precision value of 93.2%, a F1-score of 92.4%, and a True Negative Rate (TNR) of 97.6%. In addition, the risk assessment design can to assess the application effectively and objectively. ","PeriodicalId":32501,"journal":{"name":"Jurnal Teknologi Informasi dan Ilmu Komputer","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-08-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"48657580","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Evaluasi Faktor-Faktor Pembelajaran Online pada Perguruan Tinggi Menggunakan Analytic Hierarchy Process (AHP): Studi Kasus Politeknik Elektronika Negeri Surabaya (PENS)","authors":"Rosiyah Faradisa, Moh. Hasbi Assidiqi, Tessy Badriah","doi":"10.25126/jtiik.20231036860","DOIUrl":"https://doi.org/10.25126/jtiik.20231036860","url":null,"abstract":"Pandemi Covid-19 dan lockdown telah memaksa dunia pendidikan untuk bergerak secara online. Perubahan yang telah terjadi akibat pandemi covid-19 yang telah terjadi sementara sekitar dua tahun di perguruan tinggi, diperkirakan tidak bersifat sementara dan bahkan akan berlanjut. Standar evaluasi pembelajaran tatap muka tradisional tidak dapat diterapkan begitu saja pada pembelajaran online, di perlukan penyesuaian khusus untuk kondisi kelas online. Pada penelitian ini dilakukan pandangan dan pengkajian yang komprehensif terhadap 3 faktor utama dalam penyelenggaraan perkuliahan online di perguruan tinggi meliputi faktor dosen, siswa, dan Learning Management System (LMS). Penelitian dilakukan dengan studi kasus Politeknik Elektronika Negeri Surabaya (PENS) dari sudut pandang dosen dan mahasiswa. Evaluasi faktor-faktor tersebut dilakukan dengan menggunakan AHP untuk pemeringkatan dan mendapatkan nilai kepentingan relatif. Dari perhitungan AHP yang telah dilakukan, diperoleh 10 faktor dengan penilaian tertinggi baik dari responden dosen maupun mahasiswa. Dari 10 faktor tersebut diperoleh 5 faktor yang beririsan antara dosen dan mahasiswa. Kesimpulan yang diperoleh dari penelitian ini dapat digunakan sebagai bahan evaluasi faktor-faktor pembelajaran online di perguruan tinggi pada umumnya, dan PENS khususnya.AbstractThe COVID-19 pandemic and lockdown have forced the world of education to move online. The changes that have taken place as a result of the COVID-19 pandemic, which has occurred for about two years in college, are not expected to be temporary and will even continue. Traditional face-to-face learning evaluation standards cannot simply be applied to online learning; special adjustments are needed for online class conditions. A comprehensive view and assessment of the three main factors in the implementation of online lectures in tertiary institutions, including lecturers, students, and the Learning Management System (LMS), were carried out in this study. The research was conducted using PENS case studies from the perspective of lecturers and students. These factors are ranked and their relative importance values are calculated using AHP. From the AHP calculations that have been carried out, 10 factors with the highest ratings were obtained from both lecturer and student respondents. From these 10 factors, 5 factors were obtained that intersected between lecturers and students. The findings of this study can be used to evaluate the factors of online learning in tertiary institutions in general, and PENS in particular.","PeriodicalId":32501,"journal":{"name":"Jurnal Teknologi Informasi dan Ilmu Komputer","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-08-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"44047358","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Clustering Gempabumi di Wilayah Regional VII Menggunakan Pendekatan DBSCAN","authors":"Ihsana Arafat, M. A. Hariyadi, I. Santoso, Cahyo Crysdian","doi":"10.25126/jtiik.20241046918","DOIUrl":"https://doi.org/10.25126/jtiik.20241046918","url":null,"abstract":"Wilayah Regional VII meliputi Jawa Tengah, Yogyakarta, dan Jawa Timur merupakan wilayah tektonik yang aktif karena terletak di wilayah zona subduksi lempeng Indo-Australia dan Eurasia serta terdapat beberapa patahan aktif di daratan. Oleh karena itu, perlu dilakukan klasifikasi gempabumi untuk memetakan zona rawan gempabumi berdasarkan sumbernya di wilayah Regional VII berdasarkan kesamaan atribut salah satunya adalah berdasarkan karakteristik gempabumi dari sumber yang sama. Pada penelitian ini digunakan pendekatan algoritma Unsupervised Learning Clustering berbasis kepadatan yaitu, Density Based Spatial Clustering of Application with Noise atau DBSCAN, algoritma ini membutuhkan parameter input epsilon (ε) dan MinPts. Data yang digunakan pada penelitian ini adalah data gempabumi wilayah Regional VII tahun 2017 hingga 2021 yang diperoleh dari BMKG. Selanjutnya, proses clustering dilakukan dengan membagi data gempabumi berdasarkan periode yaitu periode tahunan dan periode lima tahun dengan tujuan untuk mengetahui pola cluster berdasarkan periode waktu. Hasil yang terbentuk selanjutnya dievaluasi menggunakan Silhouette Coefficient serta dibandingkan dengan peta Seismisitas Jawa yang telah ada dari katalog PuSGeN 2017. Hasil clustering menggunakan DBSCAN diperoleh jumlah cluster sebanyak 2 hingga 6 cluster dengan nilai Silhouette Coefficient terendah sebesar 0.270 untuk periode T5_2017-2021 dan tertinggi sebesar 0.499 untuk periode T1_2020. AbstractRegional VII area covering Central Java, Yogyakarta and East Java is an active tectonic region because it is located in the subduction zone of the Indo-Australian and Eurasian plates and there are several active faults on land. Therefore, it is necessary to classify earthquakes to map earthquake-prone zones based on their sources in Regional VII area based on the similarity of attibutes, based on the characteristics of earthquakes from the same source. In this study, a density-based Unsupervised Learning Clustering algorithm approach was used namely, Density Based Spatial Clustering of Application with Noise or DBSCAN, this algorithm requires the input parameters epsilon (ε) and MinPts. The data used in this study are earthquake data for Regional VII from 2017 to 2021 obtained from the BMKG. Then, the clustering process is carried out by dividing earthquake data based on the period, namely the annual period and the five-year period with the aim of knowing the pattern of cluster based on the time period. The results are then evaluated using the Sillhouette Coefficient and compared with the existing Java Seismicity map from the 2017 PuSGeN catalog. Clustering results using DBSCAN obtained a number of clusters of 2 to 6 clusters with the lowest Silhouette Coefficient value is 0.270 for the T5_2017-2021 period and the highest is 0.499 for the T1_2020 period.  ","PeriodicalId":32501,"journal":{"name":"Jurnal Teknologi Informasi dan Ilmu Komputer","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-08-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"41798662","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Pengelompokan Hasil Pencarian Skripsi Berbahasa Indonesia Menggunakan Metode DBSCAN dengan Pembobotan BM25","authors":"Rangga Adi Satria, Indriati Indriati, Sutrisno Sutrisno","doi":"10.25126/jtiik.20241046899","DOIUrl":"https://doi.org/10.25126/jtiik.20241046899","url":null,"abstract":"Skripsi merupakan tugas akhir yang disusun oleh mahasiswa sebagai persyaratan untuk memperoleh gelar sarjana. Mesin pencari untuk mempermudah pencarian dokumen skripsi yang disimpan pada perpustakaan maupun penyimpanan digital umumnya menggunakan metode sederhana dengan mengembalikan dokumen yang mengandung potongan kata atau identik dengan kata kunci, sehingga dokumen yang diperoleh kurang relevan. Hasil pencarian dapat dikelompokan sehingga dokumen tersaji dengan lebih terperinci dan memudahkan pencarian lebih lanjut. Guna mengelompokan hasil pencarian skripsi berbahasa Indonesia, dengan menggunakan judul dan abstrak skripsi, digunakan pembobotan kata BM25 dan pengelompokan DBSCAN, metode pengelompokan yang mempertimbangkan kepadatan titik sampel dokumen. Pengujian dilakukan dengan mengukur hasil pengelompokan menggunakan rata-rata silhouette coefficient terhadap parameter epsilon dan MinPts pada metode DBSCAN, serta k1 dan b pada pembobotan BM25 dengan 4 skenario yang berbeda. Hasil pengujian menunjukan bahwa parameter k1 dan b pada pembobotan BM25 cukup mempengaruhi kualitas pengelompokan dengan metode DBSCAN. Hasil rata – rata silhouette coefficient terbaik untuk masing masing skenario secara berurutan adalah 0.722, 0.762, 0.945 dan 0.907 dengan parameter terbaik berupa k1=1.8, b=0.5, epsilon=0.1 dan MinPts=5 pada skenario pertama. k1=1.9, b=0.5, epsilon=0.1 dan MinPts=5 pada skenario kedua. k1=1.4, b=0.55, epsilon=0.1 dan MinPts=5 pada skenario ketiga dan k1=1.8, b=0.65, epsilon=0.1 dan MinPts=5 pada skenario keempat. AbstractThesis is a final project that must be completed by students as requirement to obtain a bachelor degree. Search engines used for searching thesis documents stored in libraries or digital storage generally use a simple method by returning documents that contain a snippet of the word or are identical to the keywords, so the obtained documents become less relevant. Search results can be clustered with the purpose of presenting the documents in more detailed way and to ease further searches. In order to cluster the search results of Indonesian language thesis, using the title and abstract of the thesis, BM25 word weighting and DBSCAN clustering were used, a clustering method that considers the document sample density point. The test performed by measuring the clustering results using the average silhouette coefficient on the epsilon and MinPts parameters in the DBSCAN method, as well as k1 and b in the BM25 weighting on 4 different scenarios. The test results show that k1 and b parameters on BM25 weighting is quite affecting the quality of the clustering results using DBSCAN method. The best average silhouette coefficient results for each scenario sequentially are 0.722, 0.762, 0.945 and 0.907 by using the best parameters in the form of k1=1.8, b=0.5, epsilon=0.1 and MinPts=5 in the first scenario. k1=1.9, b=0.5, epsilon=0.1 and MinPts=5 in the second scenario. k1=1.4, b=0.55, epsilon=0.1 and MinPts=5 in the third scenario","PeriodicalId":32501,"journal":{"name":"Jurnal Teknologi Informasi dan Ilmu Komputer","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-08-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"46427954","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Pengukuran Niat Penggunaan Virtual Reality sebagai Alat Simulasi Pelatihan","authors":"Riski Arifin, Adithya Sudiarno","doi":"10.25126/jtiik.20241046456","DOIUrl":"https://doi.org/10.25126/jtiik.20241046456","url":null,"abstract":"<p><span style=\"font-size: 10pt; font-family: 'Times New Roman', 'serif';\" lang=\"EN-US\">Virtual</span><em><span style=\"font-size: 10pt; font-family: 'Times New Roman', 'serif';\" lang=\"EN-US\"> Reality </span></em><span style=\"font-size: 10pt; font-family: 'Times New Roman', 'serif';\" lang=\"EN-US\">merupakan teknologi yang menggambarkan lingkungan secara virtual, penggunaan <em>virtual reality</em> terus menunjukkan tren peningkatan penggunaan secara masif. Pengunaan <em>virtual reality</em> digunakan untuk bermain game atau menjadi alat simulasi suatu pelatihan. Keuntungan menggunakan <em>virtual </em>reality sebagai alat simulasi memberikan peningkatan pemahaman seseorang dibandingkan dengan pelatihan yang bersifat konvensional. Selanjutnya diperlukan pengukuran untuk terus meningkatkan penggunaan teknologi <em>virtual reality</em> dari variabel-variabel yang mempengaruhi penggunaan <em>virtual reality</em> dengan menggunakan <em>technology acceptance model</em> yang mengukur niat penggunaan sebuah teknologi. Partisipan dalam penelitian ini berjumlah 60 orang untuk mengukur variabel yang berpengaruh dalam penggunaan <em>virtual reality</em>. <em>Partial least square </em>digunakan pada penelitian ini sebagai alat pengujian variabel. Hasil penelitian ini menunjukkan bahwa variabel persepsi kemudahan penggunaan, persepsi kenikmatan dan persepsi kegunaan berpengaruh kepada variabel niat seseorang untuk menggunakan <em>virtual reality</em>. Model yang dibangun menunjukkan bahwa ketiga variabel tersebut berpengaruh sebesar 50% untuk niat dalam menggunakan <em>virtual reality</em> dan masih terdapat variabel yang belum diketahui untuk niat dalam menggunakan <em>virtual reality.</em></span></p><p><span style=\"font-size: 10pt; font-family: 'Times New Roman', 'serif';\" lang=\"EN-US\"><em></em><span style=\"text-align: center; font-family: Verdana, Arial, Helvetica, sans-serif; font-size: 10px;\"> </span><em><br /></em></span><strong><em><span lang=\"EN-US\">Abstract</span></em></strong></p><div><p><em>Virtual Reality is a technology that describes a virtual environment, the virtual reality continues to show a massive increase of usage over the years ranging from a gaming application to a simulation tool for education and training, which proven to provide better understanding of the learning subject compared to the conventional training. However, given to the current state of the virtual technology, an applicative measurement is needed to increase the use of virtual reality technology from each variable mentioned in this study, therefore this paper use Technology acceptance model to measure the intention of user to use the virtual technology. This study uses the variable data gained from 60 people to evaluate their intention on the use of virtual technology with partial least square is used in this study as a variable testing tool. The results of this study indicate that the variables of perceived ease of use, perceived enjoyment and perceived usefulness affect a","PeriodicalId":32501,"journal":{"name":"Jurnal Teknologi Informasi dan Ilmu Komputer","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-08-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43336593","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant Analysis","authors":"Yusraka Dimas, Alamul Iman, R. Isnanto, Oky Dwi Nurhayati","doi":"10.25126/jtiik.20241046787","DOIUrl":"https://doi.org/10.25126/jtiik.20241046787","url":null,"abstract":"Indonesia adalah suatu negara kepulaun yang memiliki 2/3 wilayah lautan, secara sektor indonesia memiliki potensi pangan yang sangan besar dalam sektor perikanan. Ikan di dunia yang berhasil diuraikan sebanyak 27.000 terutama paling banyak dilaut indonesai. Ikan adalah salah satu keanekaragaman biologi yang menyusun ekosistem bahari. Ikan mempunyai bentuk serta ukuran eksklusif yang berbeda jenis yang satu dangan jenis yang lain. Pengenalan spesies ikan umumnya dilakukan secara manual dengan pengamatan mata. Tujuan penelitian ini untuk mengenali spesies ikan laut. 2-Dimensional Linear Discriminant Analysis (2D-LDA) dipergunakan untuk ekstraksi ciri dan K-Nearest Neighbor (K-NN) dipergunakan untuk klasifikasi jenis ikan laut. Fitur 2-Dimensional Linear Discriminant Analysis (2D-LDA) yang diekstraksi untuk menghasilkan dua matrik baru yaitu matrik score. Klasifikasi menggunakan metode K-Nearest Neighbor (K-NN) dengan membandingkan nilai k-n. Penelitian ini menggunakan 5 jenis ikan laut, dengan total data latih 800 gambar dan data uji 160 gambar. Hasil percobaan tebaik diperoleh k-9 dengan tingkat akurasi terbaik sebesar 93,12%, presisi 82,05%, recall 100%, dan F-1 score 90,14%.AbstractIndonesia is an archipelagic country which has 2/3 of the sea area, in terms of sector Indonesia has enormous food potential in the fisheries sector. There are 27,000 fish in the world that have been successfully described, especially in the Indonesian seas. Fish is one of the biological diversity that makes up the marine ecosystem. Fish have specific shapes and sizes that differ from one type to another. The identification of fish species is generally done manually by eye observation. The purpose of this research is to identify marine fish species. 2-Dimensional Linear Discriminant Analysis (2D-LDA) is used for feature extraction and K-Nearest Neighbor (K-NN) is used for classification of marine fish species. The 2-Dimensional Linear Discriminant Analysis (2D-LDA) features were extracted to produce two new matrices, namely the score matrix. The classification uses the K-Nearest Neighbor (K-NN) method by comparing the k-n values. This study used 5 types of marine fish, with a total of 800 images of training data and 160 images of test data. The best experimental results were obtained by k-9 with the best accuracy rate of 93.12%, precision of 82.05%, recall of 100%, and F-1 score of 90.14%.","PeriodicalId":32501,"journal":{"name":"Jurnal Teknologi Informasi dan Ilmu Komputer","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-08-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43837208","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

{"title":"Implementasi Machine Learning dalam Deteksi Risiko Tinggi Diabetes Melitus pada Kehamilan","authors":"Aryo Pinandito, S. Wicaksono, S. Wijoyo","doi":"10.25126/jtiik.20241047005","DOIUrl":"https://doi.org/10.25126/jtiik.20241047005","url":null,"abstract":"Diabetes dalam kehamilan dapat meningkatkan berbagai risiko, baik pada maternal maupun neonatus. Adanya gangguan homeostasis glukosa dalam kehamilan dapat meningkatkan terjadinya malformasi kongenital, keguguran, risiko preeklampsia, Cepalo Pelvik Dispropotion (CPD), kelahiran prematur, kelainan letak, plasenta previa dan hipoglikemia neonatus. Oleh karena itu, diperlukan perhatian dan penanganan menyeluruh bagi ibu hamil yang menderita diabetes. Teknologi machine learning dapat dimanfaatkan dalam berbagai hal di bidang kesehatan. Salah satu dari pemanfaatan machine learning di bidang kesehatan adalah kemampuannya untuk mendeteksi risiko tinggi diabetus mellitus pada ibu hamil melalui berbagai data dan informasi seperti nama, usia, umur kehamilan, gravida, para, riwayat kehamilan, riwayat penyakit yang pernah diderita, faktor risiko, dan riwayat persalinan yang lalu. Proses persalinan ibu hamil dipengaruhi oleh faktor fisiologis dan faktor-faktor risiko lain yang dapat mempengaruhinya. Penelitian ini menggunakan dataset yang diperoleh dari data pemeriksaan ibu hamil di Puskesmas Lawang dari bulan Januari 2021 sampai dengan Agustus 2021 dan menggunakan16 atribut penting, yaitu: tanggal pengkajian, nama, tanggal HPHT, tanggal HPL, umur, GPA, usia kehamilan, KSPR, keterangan KSPR, IMT, kategori IMT, reduksi, albumin, hepatitis, HIV, dan IMS. Penelitian ini telah melakukan tahapan pengumpulan data, perancangan, implementasi, pengujian dan analisis data yang mengimplementasikan teknik machine learning K-Nearest Neighbor (KNN). Nilai akurasi tertinggi pada skenario pengujian pertama dengan atribut k=2 adalah 70.27%. Nilai akurasi tertinggi pada skenario pengujian kedua dengan k=3 adalah 75.68%. Nilai akurasi tertinggi pada skenario pengujian ketiga dengan k=4 adalah 78.38%. Sedangkan Nilai akurasi tertinggi pada skenario pengujian keempat dengan k=5 adalah 77.03%. Nilai akurasi tertinggi dicapai pada rasio sebesar 7:3 antara data latih dengan data testing. AbstractDiabetes in pregnancy can increase various risks, both maternal and neonatal. Disorders of glucose homeostasis in pregnancy can increase the occurrence of congenital malformations, miscarriage, risk of preeclampsia, Cepalo Pelvic Dispropotion (CPD), premature birth, malformations, placenta previa and neonatal hypoglycemia. Thorough attention and treatment is needed for pregnancy with diabetes. Machine learning technology can be used to detect the risk of diabetes mellitus in pregnancy. Several data such as name, age, gestational age, gravida, para, past pregnancy history, past medical history, risk factors, and past birth history were used in the risk detection. Delivery process in pregnancy is affected by the physiologic of prospective mother and several other risk factors.The dataset used in this study was 248 examination data of pregnancy check up at the Lawang Health Center from January 2021 to August 2021. The study used 16 attributes in determining the risk, i.e., date of assessment, na","PeriodicalId":32501,"journal":{"name":"Jurnal Teknologi Informasi dan Ilmu Komputer","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-08-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"49444576","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}