Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal Jurnal Sistem Cerdas Jurnal Informatika Teknologi dan Sains (Jinteks) Journal of Applied Informatics Science
Ardi Susanto
Universitas Islam Negeri Siber Syekh Nurjati Cirebon
Automotive Engineering Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
XSentiment-HS: Hierarchical CNN-BiGRU-SVM with Explainable for Indonesian Multi-Level Hate Speech Detection Gina Khayatun Nufus; Rizki Dewantara; Ardi Susanto; Sokid; Lia Farhatuaini; Jaka Septiadi; Mohammad Raihan Akbar
Journal of Applied Informatics Science Volume 2 Issue 1 (2026)
Publisher : GWS Tech Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65897/jais.v2.i1.81

Abstract

Deteksi ujaran kebencian pada media sosial menuntut interpretasi teks yang kompleks karena sifatnya yang spontan dan ambigu, terutama dalam bahasa Indonesia yang kaya akan slang. Tantangan utama saat ini adalah keterbatasan penelitian sebelumnya yang mayoritas hanya melakukan klasifikasi biner tanpa mendeteksi tingkat keparahan konten. Penelitian ini mengusulkan XSentiment-HS, sebuah model deep learning hierarkis dua tahap untuk deteksi multi-tingkat hate speech. Arsitektur model menggabungkan Convolutional Neural Networks (CNN) untuk ekstraksi fitur lokal dan Bidirectional Gated Recurrent Unit (BiGRU) untuk menangkap ketergantungan kontekstual jangka panjang. Model ini juga diperkuat dengan mekanisme Multi-Head Attention dan Support Vector Machine (SVM) sebagai classifier final. Melalui integrasi ini, XSentiment-HS diharapkan mampu mengatasi tantangan ekstraksi fitur dan polisemi secara lebih efektif dibandingkan metode konvensional.
Elite-Refined Genetic Algorithm with Hill Climbing Local Search for University Course Scheduling Heru Purnomo Kurniawan; Lia Farhatuaini; Nurul Bahiyah; Ardi Susanto; Muhammad Iszul Wilsa; Gina Khayatun Nufus
Jurnal Sistem Cerdas Vol. 8 No. 3 (2025)
Publisher : APIC

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37396/jsc.v8i3.584

Abstract

Abstract— This paper proposes a hybrid optimization approach combining Genetic Algorithm (GA) and Hill Climbing (HC) to address the university course scheduling problem in the Informatics Study Program at Universitas Islam Negeri Siber Syekh Nurjati Cirebon. The hybrid GA-HC model integrates GA’s global exploration capability with HC's local refinement strategy to minimize hard and soft constraint violations while achieving balanced timetables. The dataset includes 56 course classes, 18 lecturers, and three rooms, with scheduling over five working days and 11 time slots per day. Experimental results demonstrate that GA-HC outperforms pure GA and pure HC in convergence speed, average fitness, and stability of feasible solutions. Parameter tuning analysis further shows that moderate mutation rates and limited HC iterations yield optimal trade-offs between runtime and solution quality. The proposed hybrid framework effectively enhances convergence, reduces conflicts, and improves overall timetable quality, confirming its robustness for large-scale academic scheduling problems.
PERBANDINGAN MODEL LSTM GRU BiLSTM CNN-LSTM DAN TRANSFORMER UNTUK PREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG) Ardi Susanto; Gina Khayatun Nufus; Layli Hardiyanti
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 4 (2025): EDISI 26
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i4.8071

Abstract

Prediksi Indeks Harga Saham Gabungan (IHSG) merupakan tantangan penting bagi investor dan analis di pasar modal Indonesia. Berbagai arsitektur deep learning telah dikembangkan untuk peramalan deret waktu finansial, namun studi komparatif komprehensif pada konteks IHSG masih terbatas, khususnya yang membandingkan lima arsitektur utama dengan hyperparameter tuning sistematis dan validasi statistik. Penelitian ini bertujuan membandingkan performa LSTM, GRU, BiLSTM, CNN-LSTM, dan Transformer untuk prediksi return harian dan arah pergerakan IHSG. Data historis IHSG periode 2015–2025 diperoleh dari Yahoo Finance dengan 32 fitur teknikal stasioner. Setiap model dituning menggunakan Optuna dengan 25 trial, dan performa divalidasi menggunakan Diebold-Mariano test. Hasil menunjukkan LSTM Tuned mencapai performa deep learning terbaik dengan RMSE 0,01109 dan MDA 55,83%, sementara Lasso Regression sebagai baseline mencapai RMSE 0,01094 dan MDA 56,67%. Uji Diebold-Mariano mengonfirmasi bahwa perbedaan Lasso dan LSTM Tuned tidak signifikan secara statistik (p=0,356), sedangkan LSTM secara signifikan mengungguli Transformer (p=0,047). Temuan ini menunjukkan bahwa LSTM Tuned mampu mencapai performa yang setara secara statistik dengan baseline linear regularized terbaik pada prediksi return IHSG. Penelitian menyediakan empirical benchmark yang berguna bagi peneliti dan praktisi pasar modal Indonesia
EVALUASI DISTANT SUPERVISON DAN INDOBERT UNTUK ANALISI SENTIMEN ULASAN E-COMMERCE DENGAN KETIDAK SEIMBANGAN KELAS EKSTREM Gina Nufus; Ardi Susanto; Nurul Istiqomah
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 4 (2025): EDISI 26
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i4.8075

Abstract

Rating bintang lazim digunakan sebagai sumber label pada penelitian analisis sentimen ulasan e-commerce, namun distribusinya yang sangat timpang jarang ditangani secara eksplisit. Penelitian ini mengklasifikasikan sentimen 5.229 ulasan peralatan rumah tangga elektronik dari Shopee yang memiliki rasio ketimpangan 37:1 antara kelas positif dan negatif. Label diperoleh melalui distant supervision dari rating bintang, dan seluruh pelatihan dievaluasi menggunakan stratified k-fold lima lipatan agar estimasi kinerja tidak bergantung pada satu pembagian data. Empat varian IndoBERT dibandingkan terhadap baseline TF-IDF, mencakup pengaruh praproses klasik, pembobotan kelas, focal loss disertai penalaan ambang, korpus prapelatihan alternatif, serta pembelajaran multi-tugas yang menggabungkan sentimen dengan prediksi kebermanfaatan ulasan. IndoBERTweet memperoleh macro-F1 tertinggi sebesar 0,8156 dengan F1 kelas negatif 0,6412, mengungguli baseline TF-IDF sebesar 3,71 poin. Praproses klasik tidak menurunkan kinerja secara berarti, sedangkan focal loss dan pembelajaran multi-tugas tidak memberikan peningkatan. Analisis pendukung menunjukkan ulasan berbintang satu memperoleh peluang disukai 13,9 kali lebih besar dibanding berbintang lima, sehingga rerata rating cenderung melebihkan kepuasan konsumen.
Co-Authors Farhatuaini, Lia Gina Khayatun Nufus Gina Nufus Jaka Septiadi Kurniawan, Heru Purnomo Layli Hardiyanti Mohammad Raihan Akbar Muhammad Iszul Wilsa Nurul Bahiyah Nurul Istiqomah Rizki Dewantara Sokid