Article Per Year (5 Year)
p-Index From 2020 - 2025
3.2
P-Index
This Author published in this journals
All Journal Litera Syntax Jurnal Informatika Indonesian Journal of Science and Technology JITK (Jurnal Ilmu Pengetahuan dan Komputer) JMM (Jurnal Masyarakat Mandiri) Indonesian Journal of Applied Informatics Jurnal Linguistik Komputasional Jurnal Abmas Brilliance: Research of Artificial Intelligence Academic Journal of Computer Science Research (AJCSR) Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Digital Transformation Technology (Digitech) JATIKOM: Jurnal Aplikasi dan Teori Ilmu Komputer Hipotenusa: Journal of Mathematical Society
Wibisono, Yudi
Universitas Pendidikan Indonesia
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Mathematics Social Sciences Other

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)

 1 
Penerapan Large Languange Models Dalam Pembaruan Artikel Biografi Wikipedia Dwiharani, Najma Qalbi; Yudi Wibisono; Yaya Wihardi
Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI) Vol. 4 No. 2 (2025): September 2025
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i2.499

Abstract

Wikipedia merupakan sumber informasi daring yang sangat populer di Indonesia, namun pembaruan artikelnya masih sangat bergantung pada kontribusi penyunting. Pada kategori artikel biografi, pembaruan informasi secara berkala sangat penting karena adanya perkembangan karier dan peristiwa terkini dari tokoh yang bersangkutan. Penelitian ini bertujuan untuk mengeksplorasi penerapan Large Language Models (LLM) dalam menambahkan informasi baru ke artikel biografi Wikipedia Indonesia dengan referensi dari satu artikel berita daring. Model utama yang digunakan adalah Gemma 3 yang kemudian dibandingkan dengan model baseline Phi-3-mini. Penelitian ini juga menguji efektivitas lima strategi prompting yang berbeda, yaitu simple prompt, system prompt (en), system prompt (id), one-shot, dan prompt chaining untuk mengarahkan model dalam menghasilkan keluaran yang relevan dan sesuai dengan gaya Wikipedia. Proses fine-tuning dilakukan menggunakan data berbentuk kombinasi artikel Wikipedia sebelum diperbarui, artikel berita sebagai referensi, dan teks berisi informasi baru yang relevan untuk ditambahkan ke dalam artikel Wikipedia sebagai target keluaran. Evaluasi dilakukan dengan metrik ROUGE untuk mengukur kesamaan antara hasil keluaran model dan referensi dari penyunting Wikipedia. Hasil penelitian menunjukkan bahwa fine-tuning model Gemma 4B secara signifikan meningkatkan performa, khususnya pada strategi prompt chaining dengan rata-rata skor ROUGE-1 sebesar 0.3687. Dibandingkan dengan baseline Phi-3-mini, model Gemma memberikan hasil yang lebih konsisten dan relevan. Temuan ini menunjukkan bahwa pendekatan berbasis LLM dapat menjadi solusi potensial dalam membantu proses pembaruan artikel biografi Wikipedia.
Integrasi YOLOv11 dan Intersection-Based Method Untuk Estimasi Karakteristik Parkir Berdasarkan Parking Lot Surveillance Video Muhammad Kamal Robbani; Yudi Wibisono; Eddy Prasetyo Nugroho
Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI) Vol. 4 No. 2 (2025): September 2025
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i2.502

Abstract

The rapid growth of vehicles without a corresponding increase in parking space availability has led to various issues such as traffic congestion, fuel waste, and excessive emissions. This study develops a computer vision-based parking analysis system using the YOLOv11 model to automatically detect vehicles in parking areas. The system integrates an intersection-based method and the BoT-SORT object tracking algorithm to classify parking spot availability. The classification results are then used to extract parking characteristic data. Video data were obtained from a publicly accessible livestream on YouTube in Kusatsu, Japan, and used for training and evaluating the model. The model achieved an mAP@50-95 of 0.926 under bright lighting conditions and 0.859 in low-light conditions. Additionally, estimation accuracy was evaluated using MAE and R² metrics, showing promising results, with MAE of 1.27 and R² of 0.989 during daytime, and MAE of 0.91 and R² of 0.91 at night.
Analisis Sentimen dan Pemodelan Topik pada Post tentang Merek Teknologi di X Menggunakan Fine-tuning IndoBERT dan BERTopic Muhammad Rayhan Nur; Yudi Wibisono; Rani Megasari
Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI) Vol. 4 No. 2 (2025): September 2025
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i2.508

Abstract

Media sosial telah menjadi wadah bagi konsumen untuk menyampaikan persepsi dan opini. Opini yang beredar tersebut berpotensi menjadi sumber data yang berharga bagi brand, termasuk Xiaomi, dalam memahami persepsi publik terhadap produk mereka. Penelitian ini bertujuan untuk menganalisis sentimen dan mengidentifikasi topik diskusi pada unggahan (post) mengenai merek teknologi Xiaomi di platform X (sebelumnya Twitter) dengan pendekatan berbasis Transformer. Dua metode utama yang digunakan adalah fine-tuning IndoBERT untuk model klasifikasi sentimen dan BERTopic untuk pemodelan topik. Data yang berhasil dikumpulkan sebanyak 10.130 post dari bulan Mei 2023 hingga Mei 2025 yang dilanjutkan menuju tahapan praproses serta pelabelan. Model klasifikasi dilatih dengan berbagai kombinasi konfigurasi hyperparameter, dengan hasil pengujian terbaik menghasilkan nilai accuracy 79,8%, precision 73,0%, recall 67,7%, dan f1-score (macro) sebesar 0,699. Distribusi sentimen dalam data menunjukkan dominasi sentimen netral, sedangkan BERTopic berhasil menghasilkan 16 cluster topik dengan rata-rata nilai coherence (C_v) sebesar 0,5437. Topik paling dominan dengan jumlah anggota cluster terbanyak membahas mengenai produk Xiaomi Series dan Poco. Sementara itu, topik dengan persentase sentimen negatif tertinggi berkaitan dengan layanan service center dan sentimen positif tertinggi mengenai produk komputer tablet (tab) Xiaomi. Penggabungan hasil analisis sentimen dan topik memberikan pemahaman yang lebih mendalam terhadap isu yang dibicarakan serta persepsi konsumen. Penelitian ini membuktikan bahwa kombinasi IndoBERT dan BERTopic efektif dalam menganalisis opini konsumen di media sosial serta memberikan wawasan strategis yang relevan bagi perusahaan untuk mengidentifikasi kekuatan dan potensi peningkatan yang dapat dilakukan.
Co-Authors Acep Aris Mubarok Ade Mulyana, Ade Ade Rohayati Ananias Erlita Mamu Anisyah, Ani Arie Gunawan Asep Wahyudin Chairul Furqon, Chairul Christina Prilla Rosaria Ardyanti Dwiharani, Najma Qalbi Eddy Prasetyo Nugroho Eddy Prasetyo Nugroho Emilia Stefani Nurung Febyana Ramadhanti Fikry Al Farisi Muslim Husain, Mohammad Labib Ibrahim Zein Abdillah Ignasius Kevin Rinta Johan, Riche Cynthia Kristianus Viktor Pantaleon Lala Septem Riza Maharani, Fenny Feronika Makur, Alberta P Maulana R, M Rifky Maximus Tamur Mediayani, Melani Muhammad Fadhil Muhammad Kamal Robbani Muhammad Rayhan Nur Muhammad Rizki Munir Munir Niagara, Asep Indra Nikmah, Qoidatun Nurjanah . Nursalman, Muhammad Pantaleon, Kristianus Viktor Paulus Roldin Ganas Pérez, Alejandro Rosales Putra, Budi Lasono Putro, Budi Laksono Rani Megasari Rani Megasari Rosa Ariani Sukamto Setiadiputra, Dodi Siregar, Herbert Sobana, Aceng Tamur, Maximus Teti Suryati Tommy Tanu Wijaya Umar Syahid Aulia Rahman Wawan Setiawan Wawan Setiawan Wihardi, Yaya Yosefus Januarisky Berchmans Yudi Wahyudi Yuniarti Musa'adah Yupa Umigi Al-khairi Zulfikar, Ihsan Ghozi