Article Per Year (5 Year)
p-Index From 2021 - 2026
2.024
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 Informatika Universitas Pamulang Jurnal Leverage, Engagement, Empowerment of Community (LeECOM) Jurnal Informatika dan Sistem Informasi (JUISI) Teknika Journal of Applied Data Sciences JUSTIN (Jurnal Sistem dan Teknologi Informasi) JuTISI (Jurnal Teknik Informatika dan Sistem Informasi)
Lestari, Caecilia Citra
Universitas Ciputra Surabaya
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Engineering Library & Information Science Social Sciences

Published : 17 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 17 Documents
Search

 1   2 
Pengembangan Model Prediksi Risiko Hipertensi Menggunakan Algoritma Gradient Boosting Decision Tree Yang Dioptimalkan Ongkosianbhadra, Franciscus Valentinus; Lestari, Caecilia Citra
Jurnal Informatika dan Sistem Informasi Vol. 9 No. 2 (2023): Jurnal Informatika dan Sistem Informasi
Publisher : Universitas Ciputra Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37715/juisi.v9i2.4403

Abstract

Penelitian ini dilatarbelakangi adanya kebutuhan akan sistem prediksi yang dapat membantu dalam mengidentifikasi pasien yang memiliki risiko terkena hipertensi sejak dini. Hipertensi adalah kondisi medis dimana tekanan darah dalam arteri menjadi terlalu tinggi secara berkepanjangan. Hal ini menyebabkan beban tambahan pada jantung dan pembuluh darah, yang pada gilirannya dapat menyebabkan kerusakan pada organ dan meningkatkan risiko serangan jantung, stroke, dan penyakit ginjal. Hipertensi sering tidak menimbulkan gejala dan hanya dapat di diagnosa melalui pemeriksaan darah. Pengobatan melibatkan perubahan gaya hidup seperti mengurangi asupan garam, berolahraga secara teratur, dan mengontrol berat badan. Obat-obatan juga dapat diberikan untuk membantu menurunkan tekanan darah. Algoritma Gradient Boosting Decision Tree merupakan salah satu teknik machine learning yang memiliki akurasi tinggi dalam mengatasi masalah pembelajaran biner. Model dibuat dengan melatih algoritma Gradient Boosting Decision Tree pada 70693 baris dataset dari Pusat Pengendalian dan Pencegahan Penyakit Amerika Serika. Dataset tersebut memiliki 17 perilaku dan riwayat kesehatan seseorang yang dapat mengindikasikan risiko hipertensi orang tersebut. Algoritma Gradient Boosting Decision Tree dioptimalkan menggunakan beberapa metode hyperparameter tuning yaitu Random Search, Grid Search, Bayesian Optimization, Grading Search, dan Tree Parzer Estimation. Validasi tertinggi diperoleh dari pengoptimalan model menggunakan Tree Parzer Estimation, yaitu mencapai akurasi 74,43%.
Sistem Pendeskripsian Gambar Pemandangan Sekitar Bagi Penyandang Tunanetra Dengan Metode Reflective Decoding Network Santoso, Vincent Leonard; Lestari, Caecilia Citra
Jurnal Informatika dan Sistem Informasi Vol. 10 No. 1 (2024): Jurnal Informatika dan Sistem Informasi
Publisher : Universitas Ciputra Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37715/juisi.v10i1.4685

Abstract

Terdapat 217 juta orang yang tergolong Mild to Severe Visual Impairment (MSVI) yang membuat pengeliahatan mereka sangat terganggu. Tetapi orang tunanetra juga perlu melakukan aktivitas sehari-hari yang tetap perlu mengetahui keadaan atau pemandangan sekitar. Tetapi tidak mudah bagi orang tunanetra untuk mendapatkan informasi mengenai pemandangan sekitarnya tanpa bantuan orang lain. Salah satu metode untuk menyelesaikan masalah ini adalah dengan menggunakan Image Captioning yaitu sistem yang dapat mendeskripsikan sebuah foto menggunakan Natural Language Processing. Reflective Decoding Network adalah model untuk image captioning yang dapat membuat caption pada foto dengan tingkat metric METEOR yang bagus. Adanya sistem ini dapat membantu orang tunanetra untuk mendengarkan deskripsi pemandangan tanpa perlu mencari bantuan orang lain untuk mendeskripsikan pemandangan itu sendiri. Reflective Decoding Network ini berhasil diimplementasikan ke dalam aplikasi berbasis iOS dimana pengguna dapat mengambil gambar dan aplikasi mengeluarkan deskripsi dalam bentuk suara menggunakan library AVSpeechSynthesizer. Sistem ini bekerja dengan mengirim gambar yang diambil atau diupload dari aplikasi ke sebuah server yang memiliki model image captioning sebagai pembuat deskripsi gambar. Deskripsi tersebut lalu akan dikirimkan kembali ke aplikasi dan diubah kedalam bentuk suara. Model Reflective Decoding Network pada sistem ini memiliki nilai METEOR 20,1%. Objek deteksi pada sistem memiliki akurasi paling bagus di pencahayaan pagi dengan akurasi 53,9% dan jarak deteksi terjauh 20 meter.
Nature-based Hyperparameter Tuning of a Multilayer Perceptron Algorithm in Task Classification: A Case Study on Fear of Failure in Entrepreneurship Saputri, Theresia Ratih Dewi; Kurniawan, Edwin; Lestari, Caecilia Citra; Antonio, Tony
Journal of Applied Data Sciences Vol 6, No 2: MAY 2025
Publisher : Bright Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47738/jads.v6i2.539

Abstract

Entrepreneurship plays a key role in generating economic growth, encouraging innovation, and creating job opportunities. Understanding which demographic, psychological, and socio-economic factors contribute to fear of failure in entrepreneurship is essential to developing proper standards in entrepreneurship education and policy. However, it remains challenging to accurately classify these factors, especially when balancing model performance with model complexity in a multilayer perceptron algorithm. An effective model requires the correct parameter setting via a hyperparameter tuning process. Adjusting each hyperparameter by hand requires significant effort and knowledge, as there are frequently multiple combinations to consider. Furthermore, manual tuning is prone to human error and may overlook optimal configurations, resulting in inferior model performance and prediction accuracy. This study evaluates nature-inspired optimization techniques, including particle swarm optimization (PSO), genetic algorithm (GA), and grey wolf optimization (GWO). Several parameters are tuned in the present multilayer perceptron model, including the number of hidden layers and the number of nodes in each hidden layer, learning rate, and activation functions. The used dataset which consists of 39 features from 333 samples captured individual fears, loss score, and computational efficiency as the required amount of time for finding the best parameter combination. Model accuracy performance scores are 45.16%, 53.76%, and 58.61% for GA, PSO, and GWO, respectively. Meanwhile their execution time are 10 minutes, 27 minutes, and 23 minutes, for GA, PSO, and GWO, respectively. Experiment results further reveal that each optimization algorithm has distinct advantages: GA excels at speedy convergence, PSO provides a robust exploration of hyperparameter space, and GWO offers remarkable adaptability to complicated parameter interdependencies. This study provides empirical evidence for the efficacy of nature-inspired hyperparameter modification in improving multilayer perceptron performance for fear of failure categorization tasks.
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.
Penerapan YOLOv5 untuk Klasifikasi Gambar dalam Sistem Estimasi Kandungan Kalori Masakan Indonesia Wiranata, Maximus Aurelius; Lestari, Caecilia Citra
Jurnal Teknik Informatika dan Sistem Informasi Vol 11 No 1 (2025): JuTISI
Publisher : Maranatha University Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28932/jutisi.v11i1.10284

Abstract

In this era of continuously evolving technology, calorie counting applications have become crucial for individuals who are concerned about their eating habits and health. However, most of these applications have not fully accommodated the variety of dishes commonly consumed in Indonesia, especially the popular dishes in Java Island, which has the largest population in Indonesia. To address this limitation, this research introduces an innovative solution in the form of an Indonesian Cuisine Classification and Calorie Content Estimation System using YOLOv5 technology. In this approach, the YOLOv5 object classification technology is used to identify various types of Indonesian dishes, including eight classes such as satay, meatball soup, traditional soup, fried rice, mixed vegetables salad, fried chicken, beef soup, and beef stew. This system is not only capable of accurately classifying dishes but also provides calorie content estimation based on the composition of the classified food ingredients. The implementation of this research combines YOLOv5 to apply the Indonesian cuisine classification model using the nutrition API from API Ninjas to obtain the required nutrition data. This research uses datasets obtained from Kaggle website, Mendeley Data, and Roboflow, with a total of 303 images for each class of dishes. As a result, the model achieved an accuracy score of 94.2%, precision of 94.3%, recall of 93.8%, and an F1 Score of 93.8%.
RANCANG BANGUN SISTEM REKOMENDASI RESEP MASAKAN BERDASARKAN BAHAN BAKU DENGAN MENGGUNAKAN ALGORITMA PENYARINGAN BERBASIS KONTEN Yandhy Raka Mulyawan; Caecilia Citra Lestari
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%.
Co-Authors Andrean Cenjaya Andreas Lim Cenjaya, Andrean Daniel Aprilio Daniel Martomanggolo Wonohadidjojo Dhienalight Edwin Kurniawan Endratno, Jeremy Evan Tanuwijaya Fadiel Mufassir Kenny Jihiro Laura Mahendratta Tjahjono Linardi, Shelina Muliadi, Kevin Hartato Mychael Maoeretz Engel Nehemia Sugianto Nehemia Sugianto Ongkosianbhadra, Franciscus Valentinus Salmon Charles Siahaan Santoso, Vincent Leonard Siswanto, Felicia Devina Theresia Ratih Dewi Saputri Tony Antonio Wiranata, Maximus Aurelius Yandhy Raka Mulyawan Yuwono Marta Dinata