Ridwan Ridwan
Universitas Rokania

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Optimizing Scientific Document Similarity Detection Using Jaro–Winkler and Machine Learning Firman Santosa; Detri Amelia Chandra; Sri Wahyudi; Ridwan Ridwan; Rahmat Rahmat
Computing and Education Technology Journal Vol 6, No 1 (2026): APRIL
Publisher : Pendidikan Komputer FKIP Universitas Lambung Mangkurat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/cetj.v6i1.18697

Abstract

Penelitian ini bertujuan mengembangkan sistem deteksi kesamaan dokumen ilmiah berbasis integrasi algoritma Jaro–Winkler dan teknik machine learning sebagai dukungan awal menjaga integritas akademik. Metode yang digunakan adalah penelitian terapan dengan pendekatan pengembangan sistem (analisis kebutuhan, perancangan arsitektur, implementasi aplikasi, dan pengujian fungsional). Objek penelitian berupa dokumen ilmiah yang difokuskan pada judul dan abstrak artikel jurnal; data pembanding diperoleh melalui integrasi Open Journal Systems (OJS) menggunakan REST API. Hasil penelitian menunjukkan bahwa aplikasi JARWIN mampu melakukan pra-pemrosesan teks, menghitung kemiripan berbasis Jaro–Winkler per kata dan rekap per jurnal, menyimpan jejak hasil pemeriksaan, serta menyediakan dashboard administrasi untuk pengelolaan data pembanding dan riwayat pemeriksaan. Kebaruan penelitian terletak pada implementasi similarity engine Jaro–Winkler yang terintegrasi dengan arsitektur aplikasi modular (siap diperluas menjadi model hybrid berbasis machine learning) dan mekanisme sinkronisasi dataset jurnal dari OJS, sehingga sistem dapat digunakan sebagai fondasi operasional pemeriksaan awal kemiripan dokumen ilmiah di lingkungan perguruan tinggi.
EVALUASI MODEL PREDIKTIF BERBASIS IoT DAN LONG SHORT-TERM MEMORY UNTUK PREDIKSI JANGKA SANGAT PENDEK SUHU DAN INTENSITAS CAHAYA PADA SISTEM PERTANIAN CERDAS Ridwan Ridwan; Firman Santosa; Muslim Muslim
RJOCS (Riau Journal of Computer Science) Vol. 12 No. 1 (2026): RJOCS (Riau Journal of Computer Science)
Publisher : Fakultas Ilmu Komputer, Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjocs.v12i1.4928

Abstract

Pertanian cerdas memerlukan informasi lingkungan yang tidak hanya bersifat pemantauan, tetapi juga dapat dievaluasi untuk prediksi jangka sangat pendek. Penelitian ini merupakan eksperimen eksploratif (proof-of-concept) penerapan Internet of Things (IoT) dan Long Short-Term Memory (LSTM) menggunakan delapan parameter sensor, masing-masing 100 observasi selama sekitar 30,27 menit. Pemodelan difokuskan pada suhu lingkungan dan intensitas cahaya karena keduanya memiliki variasi temporal yang lebih informatif. Interval sampling tidak seragam (13-37 detik; median 18 detik), sehingga selisih waktu antarobservasi (Δt) dimasukkan sebagai fitur ketiga bersama suhu dan intensitas cahaya. Data dibentuk menjadi sekuen 15 langkah dan dibagi secara kronologis menjadi 59 sekuen latih, 12 validasi, dan 14 uji. Untuk mengurangi risiko overfitting, digunakan LSTM ringkas 8 unit secara terpisah untuk setiap target dan pelatihan diulang lima kali dengan seed berbeda. Model dibandingkan dengan persistence dan autoregression AR(3)-Ridge. Pada suhu, LSTM menghasilkan MAE 0,117±0,033 °C dan belum mengungguli persistence (0,021 °C). Pada intensitas cahaya, MAE LSTM 6,689±0,350 Lux sedikit lebih rendah daripada persistence (6,992 Lux), tetapi AR(3)-Ridge memberikan hasil terbaik dengan MAE 5,317 Lux, RMSE 6,704 Lux, dan R² 0,293. Hasil menunjukkan bahwa keunggulan LSTM belum dapat digeneralisasi pada dataset yang sangat kecil dan berdurasi pendek; model sederhana tetap kompetitif dan bahkan lebih stabil pada kondisi tertentu.