Article Per Year (5 Year)
p-Index From 2020 - 2025
4.6
P-Index
This Author published in this journals
All Journal MATICS : Jurnal Ilmu Komputer dan Teknologi Informasi (Journal of Computer Science and Information Technology) Jurnas Nasional Teknologi dan Sistem Informasi Digital Zone: Jurnal Teknologi Informasi dan Komunikasi Building of Informatics, Technology and Science Zonasi: Jurnal Sistem Informasi Jurnal Informatika Ekonomi Bisnis Journal of Computer System and Informatics (JoSYC) Jurnal Sistem Komputer dan Informatika (JSON) Jurnal Computer Science and Information Technology (CoSciTech) KLIK: Kajian Ilmiah Informatika dan Komputer Bulletin of Information Technology (BIT) Malcom: Indonesian Journal of Machine Learning and Computer Science Jurnal Informatika Ekonomi Bisnis Science, Technology, and Communication Journal
Agustian, Surya
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology

Published : 35 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 35 Documents
Search

 1   2   3   4 
Penerapan Deep Learning Menggunakan Gated Recurrent Unit Untuk Memprediksi Harga Minyak Mentah Dunia Saputra, Nugroho Wahyu; Insani, Fitri; Agustian, Surya; Sanjaya, Suwanto
Building of Informatics, Technology and Science (BITS) Vol 5 No 1 (2023): June 2023
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v5i1.3552

Abstract

Crude oil is a much-needed energy for the whole world. Each country is inseparable from the use of crude oil for use in various sectors, such as transportation, so that the price of world crude oil is the most important variable for the world. Fluctuations in oil prices will cause various problems, such as inflation, changes in market prices, and others. Therefore, the prediction of world crude oil prices is very important as a consideration for decision making. This study implements deep learning using the Gated Recurrent unit model. The data used is the price of Brent crude oil with a total of 5834 data, starting from January 4, 2000 to December 19, 2022. The parameters used are the number of GRU units, batch size, and lookback. The best model produced in this study is the GRU model with hyperparameters consisting of 30 lookbacks, 50 GRU units, and 256 batch sizes with the lowest MAPE value among the other models, which is 2.25%. The MAPE value states that predictions using the GRU model are said to be very good at predicting world crude oil prices
Klasifikasi Sentimen Terhadap Pengangkatan Kaesang Sebagai Ketua Umum Partai PSI Menggunakan Metode Support Vector Machine .Safrizal, Safrizal; Agustian, Surya; Nazir, Alwis; Yusra, Yusra
Building of Informatics, Technology and Science (BITS) Vol 6 No 1 (2024): June 2024
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i1.5340

Abstract

The appointment of Kaesang Pangarep as the Chairman of the Indonesian Solidarity Party (PSI) has sparked various responses on social media, particularly on Twitter. This research aims to classify public sentiment regarding the appointment using the Support Vector Machine (SVM) algorithm with FastText feature representation. The data used for classification involves a small training dataset. The text preprocessing process includes cleaning, case folding, tokenizing, normalization, stopword removal, and stemming. FastText word embedding is used to convert words into vectors, and an SVM model with Grid Search is used for parameter tuning to obtain the optimal model. The use of external datasets to expand the initially limited training dataset enhances data representation and improves the model's performance in sentiment classification. The Covid dataset was expanded by adding 100, 200, and 300 tweets for each negative, positive, and neutral label. From the experiments conducted, the best accuracy on the test data was found in experiment ID C2 with an F1-Score of 53.59% and an accuracy of 62.73%. In experiment ID C3 with the same dataset, the F1-Score was 50.46% and the accuracy was 60.46%. Finally, in experiment ID C7 with the same dataset, the F1-Score was 47.19% and the accuracy was 53.09%.
SVM Method with FastText Representation Feature for Classification of Twitter Sentiments Regarding the Covid-19 Vaccination Program Mukti M Kusairi; Agustian, Surya
Digital Zone: Jurnal Teknologi Informasi dan Komunikasi Vol. 13 No. 2 (2022): Digital Zone: Jurnal Teknologi Informasi dan Komunikasi
Publisher : Publisher: Fakultas Ilmu Komputer, Institution: Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/digitalzone.v13i2.11531

Abstract

Covid-19 is a virus that has a high level of spread, making the government implement a mass vaccination program throughout Indonesia. This program received a lot of responses from the public, with positive and negative opinions or comments. Currently, the public's response through social media is also an input and consideration for the government to implement a program. Therefore, this study was conducted to produce a method approach to assessing the Covid-19 vaccination program by calculating the percentage of each sentiment class. The method used is the Support Vector Machine (SVM) and the fasttext language model feature as a representation of words in the Covid-19 vaccination sentiment dataset collected from Twitter. The data used has been dataset balancing, feature selection and parameter tuning, the optimal SVM model is obtained with a composition of 2536 training data, 778 development data and testing of 400 testing data, resulting in the best value of fi-1 score of 59% with an accuracy rate of 68%. The system is quite successful in detecting sentiment in tweets compared to before. Keywords: sentiment classification, FastText, SVM, Covid-19 vaccine.
Peringkas teks otomatis pada artikel berbahasa indonesia menggunakan metode maximum marginal relevance Idhafi, Zaky; Agustian, Surya; Yanto, Febi; Safaat H, Nazruddin
Computer Science and Information Technology Vol 4 No 3 (2023): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v4i3.6311

Abstract

Automated text summarization is a method for retrieving the essence of one or more text documents. Automatic Text Summarizer is needed for a faster and more efficient process of reading, searching, and understanding information. This study proposes the Maximum Marginal Relevance method to carry out the text summarization process automatically. The method was developed and tested on each of the 150 Indonesian article documents. The summary is generated from the similarity score between sentences calculated using cosine similarity. MMR's performance in producing summaries was evaluated using ROUGE (Recall-Oriented Understudy for Gisting Evaluation), which compares them to gold-generated summaries. Test results for a compression rate of 50% gave F1 scores on ROUGE-1, ROUGE-2, and ROUGE-L at 71.86%, 64.18%, and 71.56%, respectively. In comparison, the test results with a compression rate of 30% produced F1-scores for ROUGE-1, ROUGE-2, and ROUGE-L, respectively 62.95%, 53.61%, and 62.47%. Compared to previous studies, this study produced better scores.
Question Answering System pada Chatbot Telegram Menggunakan Large Language Models (LLM) dan Langchain (Studi Kasus UU Kesehatan): Question Answering System on Telegram Chatbot Using Large Language Models (LLM) and Langchain (Case Study: Health Law) Lubis, Anggun Tri Utami BR.; Harahap, Nazruddin Safaat; Agustian, Surya; Irsyad, Muhammad; Afrianty, Iis
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1378

Abstract

Di bidang kesehatan, peraturan yang diterapkan dikenal sebagai hukum kesehatan, yang bertujuan untuk melindungi kepentingan pasien dan meningkatkan standar praktik medis. Pada tahun 2023, Indonesia menerapkan UU No 17 Tahun 2023 tentang Kesehatan, mencakup hak pasien, standar layanan, dan partisipasi masyarakat. Omnibus Law ini diharapkan menyelesaikan masalah kesehatan dan melindungi penyedia layanan. Penelitian ini bertujuan untuk mengembangkan Question Answering System (QAS) berbasis chatbot yang terintegrasi dengan Telegram. Metode yang digunakan adalah Langchain dan Large Language Models (LLM). Langchain digunakan untuk memfasilitasi pembangunan chatbot, sementara LLM adalah jenis model AI yang menggunakan pendekatan pembelajaran mesin untuk menghasilkan teks yang serupa dengan bahasa manusia. Sumber data yang digunakan sebagai basis pengetahuan adalah UU No 17 tahun 2023 tentang kesehatan. Chatbot yang dibangun telah berhasil memberikan jawaban kepada pengguna dengan hasil pengujian menggunakan BERTScore mendapatkan rata-rata nilai precision, recall, f1-score masing-masing sebesar 76%, 80%, 78%. Sedangkan untuk ROUGE-1 sebesar 60%, 45%, 50%, untuk ROUGE-2 sebesar 34%, 25%, 28%,  dan untuk ROUGE-L sebesar 45%,34%,38%.
Penerapan Teknologi LangChain pada Question Answering System Fikih Empat Madzhab: Application of Langchain Technology to the Fiqh Question Answering System of Four Madhhab Rahayu, Suci; Harahap, Nazruddin Safaat; Agustian, Surya; Pizaini, Pizaini
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1397

Abstract

Fikih sebagai ilmu yang luas, terkadang menimbulkan beragam persoalan dan perbedaan pandangan antara madzhab-madzhabnya. Tujuan pandangan ulama tentang isu-isu fikih adalah untuk memperkaya opsi pemahaman, bukan menyebabkan perpecahan. Keberadaan mazhab penting bagi umat Islam awam dalam memahami hukum Islam, karena membantu dalam menafsirkan Al-Qur'an dan Hadits untuk masalah sehari-hari. Pengiriman informasi saat ini dapat dilakukan dengan cepat dan mudah, salah satunya melalui aplikasi tanya jawab atau Question Answering System (QAS) terkait materi yang ingin diketahui oleh pengguna. Sehingga pada penelitian ini bertujuan membuat sebuah QAS berbasis web tentang fikih empat madzhab menggunakan teknologi LangChain dan Large Language Model (LLM). LangChain dan model LLM mampu memberikan jawaban atas pertanyaan terkait file Portable Document Format (PDF). QAS dilatih menggunakan kumpulan data berupa file PDF serta memanfaatkan model LLM untuk menghasilkan respons teks yang relevan terhadap pertanyaan yang diajukan oleh pengguna. Sistem yang telah dikembangkan berhasil memberikan respons kepada pengguna dengan pengujian menggunakan BERTScore yang mendapatkan nilai rata-rata dari precision sebesar 80%, recall sebesar 81%, dan f-1 score sebesar 81%. Sedangkan ROUGEScore mendapatkan nilai rata-rata dari ROUGE-1 sebesar 56%, 58%, dan 56%, ROUGE-2 sebesar 33%, 33%, 33%, dan ROUGE-L sebesar 43%, 44%, dan 43%.
Pengelompokan Data Pendistribusian Listrik Menggunakan Algoritma Mini Batch K-Means Clustering: Grouping Electricity Distribution Data Using The Mini Batch K-Means Clustering Algorithm Mulyadi, Syahrul; Insani, Fitri; Agustian, Surya; Afriyanti, Liza
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1425

Abstract

Manajemen distribusi listrik merupakan aspek penting dalam infrastruktur yang memerlukan pemahaman mendalam tentang pola distribusi di berbagai wilayah untuk memastikan pasokan listrik stabil bagi masyarakat dan pemerintah. Namun, mengelola data distribusi listrik yang melibatkan berbagai variabel seperti rumah tangga, industri, bisnis, sosial, gedung kantor pemerintah, dan jalan umum membutuhkan pendekatan yang efektif dalam mengelompokkan data untuk mengidentifikasi pola-pola yang signifikan. Penelitian ini bertujuan mengimplementasikan algoritma mini batch k-means untuk mengelompokkan distribusi listrik di setiap wilayah. Data yang digunakan dalam penelitian ini adalah data distribusi listrik dari tahun 2014-2022 yang terdiri dari 35 provinsi. Hasil pengujian menunjukkan bahwa terdapat tiga cluster yang signifikan dalam data peneliti, masing-masing ditandai dengan Silhouette Score yang berbeda. Cluster dengan Silhouette Score tertinggi adalah Cluster 2 dengan nilai 0.625, menunjukkan kohesi yang tinggi di wilayah regional Kalimantan-Sulawesi yang diamati dalam cluster 2 ini. Sementara itu, Cluster 4 memiliki Silhouette Score yang terendah dengan nilai 0.419, menunjukkan tingkat kohesi yang lebih rendah dalam pola distribusi listrik di setiap wilayah regional bagian Kalimantan-Sulawesi. Penelitian ini menegaskan bahwa algoritma mini batch k-means efektif untuk pengelompokkan data distribusi listrik dengan hasil yang memuaskan dalam pemisahan klaster yang berbeda
Pengelompokan Data Pendistribusian Listrik Menggunakan Algoritma Density Based Spatial Clustering of Application With Noise (DBSCAN): Clustering Electricity Distribution Data Using Density-Based Spatial Clustering of Applications With Noise (DBSCAN) Algorithm Farid, Miftah; Insani, Fitri; Agustian, Surya; Afriyanti, Liza
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1426

Abstract

Pada masa kini, listrik sudah menjadi kebutuhan penting dalam kehidupan, karena kebanyakan aktivitas manusia bergantung pada listrik. Kebutuhan listrik pada setiap wilayah di Indonesia dipengaruhi oleh sejumlah faktor dan karakteristik khusus masing-masing. PLN mempublikasikan statistik penggunaan listrik untuk setiap wilayah di Indonesia dari tahun 2014 hingga 2022, yang terdiri dari 35 provinsi di Indonesia. Data ini menawarkan wawasan berharga untuk prediksi permintaan listrik, pelacakan tren historis untuk memprediksi pengembangan wilayah, memprioritaskan wilayah dengan permintaan tinggi untuk efisiensi dan konservasi energi, dan lain sebagainya.  Salah satu alat untuk mencapai tujuan tersebut adalah dengan mengelompokkan (clustering) wilayah berdasarkan karakteristik dan ciri-ciri wilayahnya. Penelitian ini melakukan proses clustering dengan membagi data pada tiga regional utama: Sumatera, Jawa-Bali, dan Kalimantan-Sulawesi, sementara regional Papua tidak dianalisis karena jumlah wilayah/propinsi yang terbatas. Metode yang dipakai adalah Density-Based Spatial Clustering of Applications with Noise (DBSCAN). Tuning parameter dengan cara pencarian grid dilakukan untuk memperoleh hasil optimal berdasarkan silhouette score. Hasil clustering dapat memberikan gambaran keunikan profil konsumsi listrik di tiap wilayah, dengan silhouette score terbaik sebesar 0.62 untuk regional Jawa-Bali, 0,67 untuk Kalimantan-Sulawesi, dan 0,64 untuk Sumatera. Penelitian menunjukkan bahwa algoritma DBSCAN dapat digunakan untuk pengelompokkan distribusi listrik dengan hasil yang efektif.
Pengelompokan Data Pendistribusian Listrik Menggunakan Algoritma Mean Shift: Clustering Electricity Distribution Data Using the Mean Shift Algorithm Utari, Roid Fitrah; Insani, Fitri; Agustian, Surya; Afriyanti, Liza
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1428

Abstract

Penelitian ini mengkaji regionalisasi dan klasterisasi data distribusi listrik di Indonesia menggunakan algoritma Mean Shift, dengan tujuan untuk meningkatkan efisiensi distribusi energi di berbagai wilayah geografis yang beragam. Listrik memiliki peran krusial dalam kehidupan modern namun distribusinya masih belum merata, terutama di daerah terpencil dan pedesaan yang terkendala oleh akses dan keterbatasan dana. Sebagai salah satu Bada Usaha Milik Negera (BUMN)  utama di sektor ketenagalistrikan, Perusahaan Listrik Negera (PLN) bertanggung jawab dalam menyediakan listrik di seluruh Indonesia, mendukung pertumbuhan ekonomi melalui penyediaan energi untuk sektor industri, pertanian, dan perdagangan. Dengan menggunakan algoritma Mean Shift, penelitian ini mengelompokkan Indonesia menjadi Sumatra, Jawa-Bali, Kalimantan-Sulawesi, dan Papua berdasarkan pola distribusi listrik, dengan menemukan bahwa pengaturan bandwidth optimal 0.5 menghasilkan tiga klaster per wilayah yang mencerminkan infrastruktur serupa, kebutuhan energi, dan sektor ekonomi dominan. Temuan ini menunjukkan fleksibilitas Mean Shift dalam menangani struktur data yang kompleks tanpa jumlah klaster yang telah ditentukan sebelumnya, yang penting untuk perencanaan strategis dalam pengelolaan energi di Indonesia demi mencapai distribusi listrik yang lebih efisien dan berkelanjutan
Peningkatan Performa Klasifikasi Sentimen Tweet Kaesang Menggunakan Naïve Bayes dengan PSO pada Dataset Kecil Muhammad Ravil; Agustian, Surya; Fikry, Muhammad; Insani, Fitri
KLIK: Kajian Ilmiah Informatika dan Komputer Vol. 4 No. 6 (2024): Juni 2024
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/klik.v4i6.1939

Abstract

After the news of Kaesang's appointment as the Chairman of the Indonesian Solidarity Party (PSI), various speculations emerged on social media, particularly on Twitter (X). This study aims to classify sentiments regarding Kaesang's appointment as PSI Chairman using the Naïve Bayes algorithm optimized with Particle Swarm Optimization (PSO). The data used in this study consists tweets about Kaesang and tweets related to COVID-19. The text preprocessing process includes cleaning, case folding, tokenizing, stemming, and stopword removal. TF-IDF is used to represent words in vector form. In the initial experiment, Naïve Bayes performed classification using Kaesang data combined with COVID-19 data, with 300 data points for each label. Particle Swarm Optimization was used to improve the performance of the Naïve Bayes algorithm. The experiment results showed that the model tested with test data achieved the highest f1-score of 50%.
Co-Authors .Safrizal, Safrizal Afriyanti, Liza Aftari, Dhea Putri Ahmad, Rizmah Zakiah Nur Arasy, Abdurrahman Aulia Ramadhani Delifah, Nur Dermawan, Jozu Eka Pandu Cynthia, Eka Pandu El Saputra, Yoga Elin Haerani Elvia Budianita Fahrezy, Irgi Febi Yanto Fitri Insani Fitri Wulandari Fitri, Dina Deswara Hadi, Mukhlis Hasibuan, Ilham Habibi Idhafi, Zaky Iffa, Marwika Rifattul Iis Afrianty Illahi, Ridho Iwan Iskandar Jasril Jasril Jasril Jasril Lestari Handayani Lubis, Anggun Tri Utami BR. Miftah Farid Muhammad Fikry Muhammad Irsyad Muhammad Ravil Mukti M Kusairi Mulyadi, Syahrul naldi, Afri Nazir, Alwis Nazruddin Safaat Nazruddin Safaat H Novriyanto Novriyanto Oktavia, Lola Pangestu, Yoga Pizaini Pizaini Pranata, Joni Putri Zahwa Putri, Adilah Atikah Putri, Atika Rahmad Abdillah Ramadhani, Siti Saputra, Ikhsan Dwi Saputra, Nugroho Wahyu Sinaga, Habib Hakim Subhi, Yazid Abdullah Suci Rahayu Sulistia Ningsih, Sulistia Suwanto Sanjaya Utari, Roid Fitrah Yusra, Yusra