Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JIKO (Jurnal Informatika dan Komputer)
Sri Redjeki
UTDI
Computer Science & IT

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

Found 2 Documents
Search

 1 
PREDIKSI KEJAHATAN DENGAN MODEL GRAFIK, DETEKSI ANOMALI, DAN PEMBELAJARAN MULTI-MODAL Muhammad Alyfansyah Rizky Anggara; Sri Redjeki
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2162

Abstract

Kejahatan tetap menjadi tantangan yang kompleks dan terus-menerus yang memengaruhi keamanan dan stabilitas masyarakat di Indonesia. Analisis kejahatan yang efektif, yang penting untuk memahami pola dan merumuskan kebijakan keamanan publik yang responsif, sering kali terhambat oleh sifat data kejahatan yang luas dan beragam. Makalah ini mengusulkan pendekatan baru yang memanfaatkan Pembelajaran Multi-Modal Berbasis Grafik yang terintegrasi dengan Deteksi Anomali untuk meningkatkan prediksi tingkat kejahatan dan menginformasikan pengembangan kebijakan keamanan publik di Indonesia. Kami mengintegrasikan kumpulan data heterogen termasuk data sosio-demografis, ekonomi, lingkungan, dan sentimen publik yang berasal dari Twitter. Alur kerja praproses yang komprehensif dikembangkan, yang mencakup pembersihan data, rekayasa fitur, dan normalisasi, diikuti oleh konstruksi grafik spasio-temporal di mana simpul mewakili kombinasi provinsi-tahun dan tepi menangkap kedekatan geografis dan suksesi temporal. Model Jaringan Konvolusional Grafik (GCN) digunakan untuk mempelajari hubungan yang kompleks dalam struktur grafik multi-modal ini. Sementara evaluasi awal menghasilkan Root Mean Squared Error (RMSE) Uji sekitar 306-314 pada skala asli, yang menunjukkan ruang untuk peningkatan presisi prediktif, utilitas inti model terletak pada kemampuannya untuk mengidentifikasi penyimpangan yang signifikan. 
PREDIKSI KUNJUNGAN WISATAWAN DOMESTIK ABNORMAL DENGAN ADAPTIVE LIGHTGBM DAN DETEKSI ANOMALI Listiana Dewi Milasari; Sri Redjeki
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2163

Abstract

Sektor pariwisata Indonesia menghadapi fluktuasi signifikan dalam kunjungan wisatawan, yang dipengaruhi oleh berbagai faktor ekonomi, lingkungan, dan sosial. Penelitian ini mengembangkan model Adaptive LightGBM with Anomaly Detection and Multi-Task Learning (ALAD-MTL) untuk memprediksi kunjungan wisatawan domestik tahunan di tingkat provinsi dan mengidentifikasi pola kunjungan yang tidak normal. Model ini mengintegrasikan data statistik multi-domain (ekonomi, lingkungan, transportasi, fiskal) dan data media sosial (Twitter) yang kaya sentimen. Data mentah diolah dan dinormalisasi ke dalam format panjang, dengan data Twitter menjalani ekstraksi fitur sentimen menggunakan model RoBERTa berbahasa Indonesia dan agregasi. Semua data kemudian digabungkan ke dalam master_df dengan granularitas provinsi-tahunan. Model LightGBM dioptimalkan melalui penyetelan hyperparameter dan dievaluasi menggunakan metrik MAE, RMSE, R-squared, dan MAPE. Deteksi anomali diimplementasikan berdasarkan residual Z-Score dan Isolation Forest. Multi-Task Learning disimulasikan dengan melatih model LightGBM terpisah untuk tugas-tugas terkait (misalnya, Tingkat Hunian Hotel Bintang, Jumlah Tamu Hotel Asing) menggunakan set fitur yang sama. Hasil menunjukkan model mencapai R-squared tinggi (misalnya, >0.96 untuk tugas utama) dengan MAPE yang kompetitif, menunjukkan kemampuan prediksi pola yang kuat.
Co-Authors Listiana Dewi Milasari Muhammad Alyfansyah Rizky Anggara