Article Per Year (5 Year)
p-Index From 2020 - 2025
2.233
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Techno.Com: Jurnal Teknologi Informasi JUTI: Jurnal Ilmiah Teknologi Informasi JUITA : Jurnal Informatika Jurnal Leverage, Engagement, Empowerment of Community (LeECOM) Jurnal Informatika dan Sistem Informasi Teknika Journal of Applied Data Sciences JUSTIN (Jurnal Sistem dan Teknologi Informasi)
Lestari, Caecilia Citra
Universitas Ciputra
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Engineering Library & Information Science Social Sciences

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
RANCANG BANGUN SISTEM REKOMENDASI RESEP MASAKAN BERDASARKAN BAHAN BAKU DENGAN MENGGUNAKAN ALGORITMA PENYARINGAN BERBASIS KONTEN Mulyawan, Yandhy Raka; Lestari, Caecilia Citra
JUTI: Jurnal Ilmiah Teknologi Informasi Vol. 17, No. 2, Juli 2019
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v17i2.a791

Abstract

Banyak ibu rumah tangga yang kebingungan untuk menentukan masakan apa yang akan mereka masak sehingga bahan makanan yang mereka miliki menjadi rusak akibat tidak kunjung dimasak. Sebagian besar ibu rumah tangga mendapatkan ide resep dari website resep karena mudah untuk diakses dan memiliki resep yang cukup lengkap, namun kelemahannya kebanyakan dari website resep tidak memiliki fitur untuk pencarian resep berdasarkan bahan-bahan yang dimiliki. Aplikasi telepon genggam dipilih untuk memecahkan masalah tersebut. Pada penelitian ini penulis akan membuat rancang bangun sistem rekomendasi resep masakan berdasarkan bahan baku dengan menggunakan algoritma penyaringan berbasis konten (CBFA). Algoritma ini merekomendasikan resep yang memiliki kesamaan dengan bahan makanan yang dimasukkan oleh pengguna. Aplikasi dibuat menggunakan file PHP untuk memproses data resep, seperti query data, mengecek data yang sama, menentukan weight serta menghitung dan mengurutkan resep menurut CBFA. Hasil dari pengujian menunjukkan bahwa rekomendasi resep sudah sesuai dengan kekuatan 71%.
Rancang Bangun Aplikasi Desktop Simulasi Respon Hewan Peliharaan Berbasis Leap Motion Cenjaya, Andrean; Lestari, Caecilia Citra
Jurnal Informatika dan Sistem Informasi Vol. 7 No. 2 (2021): Jurnal Informatika dan Sistem Informasi
Publisher : Universitas Ciputra Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Memiliki hewan peliharaan adalah salah satu dari keinginan setiap orang. Dengan memiliki hewan peliharaan, orang dapat menikmati kelucuan atau keindahan dari hewan peliharaan tersebut. Namun tidak sedikit pula orang dengan keinginan memiliki hewan peliharaan tidak terkabul. Hal tersebut disebabkan beberapa faktor seperti kesehatan, biaya perawatan, dan tempat tinggal. Oleh karena itu, akan dilakukan rancang bangun aplikasi simulasi hewan peliharaaan dengan integrasi Leap Motion, yang mampu memenuhi keinginan mereka yang tidak sanggup memiliki hewan peliharaan¸ dengan fitur interaktif dan efek realisme dengan grafik 3D yang dibangun menggunakan Unity. Tujuan dari penelitian ini adalah merancang dan membangun aplikasi simulasi hewan peliharaan berbasis desktop. Pembuatan aplikasi menggunakan Unity dengan bahasa pemograman C#. Aplikasi menggunakan Leap Motion sebagai alat input penangkap gerakan tangan. Pada rancang bangun aplikasi ini, model hewan peliharaan yang digunakan adalah kucing.Simulasi pada aplikasi berpusat pada interaksi antara pengguna dengan hewan. Interaksi tersebut dibagi menjadi dua bagian, masukan dari pengguna dan reaksi dari hewan terhadap masukan. Masukan akan diklasifikasi menggunakan metode Dynamic Time Warping untuk menentukan jenis gerakan. Reaksi dari hewan akan diklasifikasi menggunakan metode Naïve Bayes. Data pelatihan untuk reaksi hewan didapat secara eksperimental. Pengujian aplikasi difokuskan pada pengukuran akurasi dari kedua metode klasifikasi yang digunakan, dengan data pengujian yang disediakan. Hasil pengujian menunjukan akurasi untuk klasifikasi gerakan tangan adalah 100% dan untuk klasifikasi respon hewan adalah 43,75%. Kesimpulan yang ditarik adalah model data pelatihan masih underfitting sehingga perlu penambahan sampel untuk data pelatihan.
Rancang Bangun Sistem Rekomendasi Tempat Makan Menggunakan Algoritma Typicality Based Collaborative Filtering Muliadi, Kevin Hartato; Lestari, Caecilia Citra
Techno.Com Vol. 18 No. 4 (2019): November 2019
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (528.521 KB) | DOI: 10.33633/tc.v18i4.2515

Abstract

Makanan merupakan bagian penting bagi manusia baik sebagai kebutuhan primer maupun sebagai bagian dari gaya hidup seseorang. Tempat makan yang semakin banyak dan tawaran makanan yang beragam, membuat seseorang memiliki lebih banyak pilihan akan tempat makan yang dapat dikunjungi. Dengan dibantu oleh teknologi, sekarang seseorang bisa mencari rekomendasi dengan menggunakan algoritma sistem rekomendasi. Saat ini ada tiga algoritma sistem rekomendasi yang populer yaitu Content Based Filtering (CBF), Collaborative Filtering (CF) dan metode hybrid. Metode CF merekomendasikan sebuah item kepada pengguna dengan memprediksi preferensi dari pengguna aktif terhadap sejumlah item berdasarkan preferensi dari pengguna atau item lain yang mirip. Ada dua jenis metode dalam CF yaitu User Based CF dan Item Based CF. Terdapat sebuah metode baru yang dikembangkan dari metode User Based CF, metode ini adalah Typicality Based CF. Typicality Based CF (TyCo) memiliki kelebihan yang tidak dimiliki metode CF lainnya dapat memberikan prediksi yang akurat walau data terbatas, dapat melakukan clustering tanpa algoritma tambahan dan dapat mengatasi masalah cold-start yang biasa dialami metode CF. Berdasarkan pengujian yang telah dilakukan diketahui bahwa aplikasi ini memiliki nilai rata-rata Mean Absolute Error (MAE) sebesar 1.366 yang disebabkan karena kurangnya data training.
Co-Authors Cenjaya, Andrean Daniel Martomanggolo Wonohadidjojo Dhienalight Edwin Kurniawan Endratno, Jeremy Evan Tanuwijaya Fadiel Mufassir Laura Mahendratta Tjahjono Linardi, Shelina Muliadi, Kevin Hartato Mulyawan, Yandhy Raka Mychael Maoeretz Engel Ongkosianbhadra, Franciscus Valentinus Salmon Charles Siahaan Santoso, Vincent Leonard Siswanto, Felicia Devina Theresia Ratih Dewi Saputri Tony Antonio Yuwono Marta Dinata