Article Per Year (5 Year)
p-Index From 2020 - 2025
6.66
P-Index
This Author published in this journals
All Journal Media Statistika Matematika: Jurnal Teori dan Terapan CAUCHY: Jurnal Matematika Murni dan Aplikasi TELKOMNIKA (Telecommunication Computing Electronics and Control) BAREKENG: Jurnal Ilmu Matematika dan Terapan JTAM (Jurnal Teori dan Aplikasi Matematika) Jurnal Cendekia : Jurnal Pendidikan Matematika International Journal of Supply Chain Management Jambura Journal of Mathematics ComTech: Computer, Mathematics and Engineering Applications Kumawula: Jurnal Pengabdian Kepada Masyarakat BERNAS: Jurnal Pengabdian Kepada Masyarakat International Journal of Research in Community Services Operations Research: International Conference Series International Journal of Global Operations Research International Journal of Quantitative Research and Modeling SisInfo : Jurnal Sistem Informasi dan Informatika Jurnal Matematika Integratif In Search (Informatic, Science, Entrepreneur, Applied Art, Research, Humanism)
Herlina Napitupulu
Departemen Matematika, Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Padjadjaran
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Mechanical Engineering Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 42 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : SisInfo : Jurnal Sistem Informasi dan Informatika

 1 
Implementasi Modifikasi Algoritma Box-Counting Dimension pada Perhitungan Dimensi Fraktal Garis Pantai Australia dengan Python Michael Lim; Herlina Napitupulu; Alit Kartiwa
SisInfo Vol 4 No 2 (2022): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (406.185 KB) | DOI: 10.37278/sisinfo.v4i2.518

Abstract

Perhitungan dimensi fraktal sudah banyak diterapkan pada berbagai bidang ilmu pengetahuan. Salah satu metode perhitungan dimensi fraktal, yakni metode box-counting dimension, teruji lebih ideal di zaman modern yang identik dengan ilmu komputasi. Meski demikian, terdapat perbedaan algoritma antarpeneliti yang mencakup pendefinisian dimensi ataupun persyaratan pemilihan dan pengolahan objek. Oleh karenanya, penelitian ini bertujuan memodifikasi algoritma box-counting dimension yang diaplikasikan dengan bahasa pemrograman Python pada objek garis pantai Australia. Hasil perhitungan dengan algoritma ini kemudian dibandingkan dengan penelitian sebelumnya dengan metode yang serupa, namun melalui algoritma yang berbeda. Berdasarkan penelitian yang telah dilakukan, didapati bahwa dimensi fraktal Australia menggunakan modifikasi algoritma box-counting dimension adalah 1.087 dengan selisih perhitungan sebesar 4.9% terhadap metode segmentasi dan selisih perhitungan sebesar 3.85% terhadap metode box-counting dimension pada penelitian terdahulu.
Ekstraksi Fitur Berdasarkan Fuzzy Restricted Boltzmann Machine Pada Klasifikasi Fashion-MNIST Dengan Dan Tanpa Noise Muhammad Ribhan Hadiyan; Firdaniza Firdaniza; Herlina Napitupulu
SisInfo Vol 6 No 2 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i2.876

Abstract

Mixed accelerated learning method based on a Fuzzy Restricted Boltzmann Machine merupakan metode ekstraksi fitur pada gambar yang relatif baru dan belum banyak diimplementasikan. MAFRBM memiliki kelebihan dalam melakukan ekstraksi fitur pada gambar yang memiliki noise. Pada umumnya keberadaan noise pada gambar dapat mempengaruhi hasil ekstraksi fitur secara signifikan. Pada penelitian ini dilakukan ekstraksi fitur menggunakan MAFRBM pada dataset Fashion-MNIST dengan dan tanpa penambahan noise. Jenis noise yang ditambahkan pada gambar yaitu gaussian, salt & pepper, dan poisson. Hasil ekstraksi fitur MAFRBM kemudian diklasifikasikan menggunakan Support Vector Machine (SVM). Hasil klasifikasi yang diperoleh menunjukkan akurasi tertinggi sebesar 88,2%. Selain itu, perbandingan hasil akurasi dari klasifikasi fashion-MNIST dengan noise tidak berbeda jauh dengan gambar tanpa noise.
Penerapan Model Support Vector Machine Pada Kasus Klasifikasi Teks Berdasarkan Tujuan SDGS Ke Tiga, Empat, Dan Enam Saprilian Hidayat; Herlina Napitupulu; Nurul Gusriani
SisInfo Vol 6 No 2 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i2.893

Abstract

Text classification is a branch of Natural Language Processing (NLP) that enables computers to understand, interpret, and respond to text in a comprehensible language. Classifying texts based on the Sustainable Development Goals (SDGs) is crucial because monitoring the progress of SDGs remains a challenge. Previous studies have shown that text classification techniques using the BERT model have proven effective in classifying texts based on SDG goals. This research utilizes data sourced from the OSDG community website. The method employed is the Support Vector Machine Multiclass (SVM) model and TF-IDF word representation. This research aims to classify texts based on the Sustainable Development Goals (SDGs), specifically focusing on goals three, four, and six., evaluate the model's performance based on the F1-Score metric, and determine the optimal values for the hyperparameters regularized constant and gamma in the RBF kernel. The results of this research yielded a default F1-Score of 97.95% and a post-tuning F1-Score of 97.95%, with the optimal values of C=1, gamma=1, and kernel=rbf.
Peramalan Data Univariat Menggunakan Metode Long Short Term Memory Helma Syifa Izzadiana; Herlina Napitupulu; Firdaniza Firdaniza
SisInfo Vol 5 No 2 (2023): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v5i2.669

Abstract

Peramalan data univariat mengacu pada kegiatan meramalkan nilai pada data dengan satu variabel independen yang mungkin muncul di masa depan berdasarkan nilai-nilai yang ada di masa lalu. Penelitian ini bertujuan untuk memperoleh model yang dibangun menggunakan pendekatan deep learning jenis supervised learning yaitu metode Long Short Term Memory (LSTM) yang diterapkan pada data univariat. Metode LSTM merupakan pengembangan dari metode Recurrent Neural Network (RNN) dengan menambahkan 3 gate yang mampu memilih informasi yang dibutuhkan untuk pelatihan sel sehingga mampu mengurangi kemungkinan exploding gradients dan vanishing gradients. Model dibangun dengan input layer LSTM dengan unit sel dan output dense layer dengan tambahan hyperparameter tuning yang diset menggunakan optimizer, fungsi aktivasi dan , dan nilai epoch. Performa model peramalan diuji menggunakan mean absolute percentage error (MAPE).
Analisis Sentimen Menggunakan Metode Klasifikasi Support Vector Machine (SVM) dan Seleksi Fitur Chi-Square Ewen Hokijuliandy; Herlina Napitupulu; Firdaniza Firdaniza
SisInfo Vol 5 No 2 (2023): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v5i2.670

Abstract

Analisis sentimen adalah teknik komputasi untuk mengidentifikasi opini, sikap, emosi, dan maksud seseorang terhadap suatu subjek melalui ulasan yang diberikan. Studi sebelumnya menunjukkan teknik analisis sentimen menggunakan machine learning, seperti metode klasifikasi Support Vector Machine (SVM) telah terbukti efektif dalam mengklasifikasi opini. Penerapan metode seleksi fitur dapat meningkatkan performa model dan efisiensi model. Salah satu metode yang sering digunakan untuk seleksi fitur adalah metode Chi-Square. Penelitian ini bertujuan untuk memperoleh model SVM dari data teks yang telah melewati tahap seleksi fitur Chi-Square. Analisis sentimen dilakukan dengan kerangka kerja yang terdiri dari text preprocessing, representasi kata Term Frequency Inverse Document Frequency (TF-IDF), seleksi fitur Chi-Square, klasifikasi menggunakan metode SVM, evaluasi performa model, dan hyperparameter tuning.
Co-Authors Adi Suripto, Adi Agus Santoso Aisyah, Ranti Rivani Albert Raja Harungguan Alit Kartiwa Alit Kartiwa Ariesandy, Sena Asep K. Supriatna Betty Subartini Diah Chaerani Dwi Purnomo Dwi Susanti Edi Kurniadi Edi Kurniadi Edi Kurniadi Ema Carnia Eman Lesmana Erwin Harahap Ewen Hokijuliandy Fauziyah, Wida Nurul Febrianty, Popy Firdaniza Firdaniza Firdaus, Hamidah 'Alina Ghazali, Puspa Liza Hadiana, Asep Id Helma Syifa Izzadiana Hidayana, Rizki Apriva Ida Widianingsih Ira Sumiati Ismail Bin Mohd Jeane R. M. D. P Chantique Julita Nahar, Julita Kusumaningtyas, Valentina Adimurti Melina Melina Melina Melina, Melina Michael Lim Michelle Selina Buntara Muhammad Deni Johansyah Muhammad Helambang Prakasa Yudha Muhammad Ribhan Hadiyan Nabilla, Ulya Norizan Mohamed Novitasari, Ela Nursanti Anggriani Nurul Gusriani Nurul Gusriani, Nurul Rahmadini, Nurhaliza Rayyan Al Muddatstsir Fasa Riaman Riaman Ridwan Pandiya Saprilian Hidayat Saputra, Jumadil Satyaputra, Ida Bagus Wira Krishna Siti Aizal Yasni Ellena Sudrajat Supian Sukono . Supian, Sudradjat Supian, Sudrajat Sutisna, Sarah Valentina Adimurti Kusumaningtyas Valerie ​Valerie Valerie ​Valerie Viona Prisyella Balqis Viona Prisyella Balqis Wida Nurul Fauziyah Yosza Dasril Yudha, Muhammad Helambang Prakasa Yulison Herry Chrisnanto Yuyun Hidayat