Article Per Year (5 Year)
p-Index From 2021 - 2026
0.817
P-Index
This Author published in this journals
All Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) Indonesia Symposium on Computing IJoICT (International Journal on Information and Communication Technology) JURNAL MEDIA INFORMATIKA BUDIDARMA JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) Jurnal Teknik Informatika (JUTIF) eProceedings of Engineering Jurnal Pengabdian Masyarakat Bangsa IJoICT (International Journal on Information and Communication Technology)
Fitriyani Fitriyani
Universitas Telkom
Agriculture, Biological Sciences & Forestry Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Physics Public Health Social Sciences

Published : 29 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 29 Documents
Search

 1   2   3 
Evaluasi Kinerja Sparse Matrix-vector Multiplication Menggunakan Format Penyimpanan Csr Dan Bcsr Pada Mpi Akyas Khaqqi Maulana; Fitriyani Fitriyani
eProceedings of Engineering Vol 4, No 1 (2017): April, 2017
Publisher : eProceedings of Engineering

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

Abstract

Banyak permasalahan di dunia ini yang dimodelkan dengan matematika dalam proses penyelesaiannya, salah satunya memodelkan dalam bentuk matriks, Banyak penelitian menggunakan matriks jarang yang dihitung menjadi Sparse Matrix-Vector Multiplication (SpMV) dalam benchmarking perangkat keras mereka, dengan tujuan mendapatkan waktu optimal dalam mengeksekusi matriks tersebut, sehingga semakin cepat waktu eksekusinya, akan semakin baik kinerja dari perangkat keras mereka. Untuk mempermudah pemetaan matriks dibutuhkan format penyimpanan yang baik pula, format penyimpanan ini akan berfungsi penuh saat pemetaan matriks dan mempermudah pembacaan suatu matriks yang sudah di konversi dari matriks koordinat,penelitian ini akan menggunakan dua format penyimpanan yaitu CSR dan BCSR. , kinerja kedua format ini di evaluasi dan di jalankan pada personal computer dengan dua mekanisme yaitu secara serial dan parallel, pada mekanisme parallel akan dijalankan dengan protokol komunikasi MPI. Hasil pengujian menggunakan beberapa matriks dengan tipe data yang berbeda-beda dan dengan ukuran baris kolom yang beragam, masing-masing matriks di eksekusi dengan lima iterasi agar mendapatkan hasil yang optimal, masing-masing format penyimpanan menghasilkan hasil yang beragam, disebabkan oleh ukuran matriks dan sebaran data pada matriks koordinat, pada format CSR peningkatan kecepatan sebanyak 229 kali terdapat pada thread 3 menuju thread 4, pada dan pada format BCSR, peningkatan kecepatan 300 kali lebih cepat pada thread 4, namun penurunan kecepatan pada thread 3 untuk setiap matriks, dalam hal ini dapat disimpulkan setiap metode memiliki keunggulan dan kelemahan tersendiri dalam mengeksekusi SpMV. Yaitu pengaruh pada ukuran matriks dan sebaran data pada matriks tersebut. Kata kunci: SpMV, CSR, BCSR, MPI, thread
Implementasi Sistem Grid Computing Berbasis Cluster Di Prodi Ilmu Komputasi Andi Farid Arif Nur; Fitriyani Fitriyani; Izzatul Ummah
eProceedings of Engineering Vol 3, No 1 (2016): April, 2016
Publisher : eProceedings of Engineering

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

Abstract

Grid computing adalah teknologi komputasi terdistribusi yang memanfaatkan sumber daya yang terhubung  melalui  jaringan  komputer  secara  bebas  tapi  terkoordinasi dengan  mekanisme  tertentu. Dengan menyediakan sumber daya yang dapat dipakai bersama dapat mempermudah akses dan meningkatkan Quality of Service. Pembangunan infrastruktur Grid computing tidaklah mudah karena membutuhkan kemampuan dan pengalaman di dalam instalasi dan konfigurasi program berbasis Linux. Tujuan akhir dari penelitian ini, penulis membangun infrastruktur Grid computing berbasis pada cluster yang  akan  dijadikan  sebagai  sumber  daya  back-end  dengan  menggunakan  Globus  Tookit  sebagai midlleware pengalokasian sumber daya. Penelitian ini menggunakan jaringan lokal Universitas Telkom. Kata kunci: grid computing, globus toolkit, cluster
Kriptanalisis Md5 Dengan Menggunakan Pendekatan Komputasi Kinerja Tinggi Rizky Alfiansyah; Fitriyani Fitriyani; Nurul Ikhsan
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

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

Abstract

Abstrak MD5 merupakan sebuah algoritma kriptografi hash function yang banyak digunakan sebagai digital signature dari sebuah file atau sebagai enkripsi password dalam database. Salah satu teknik kriptanalisis yang bisa diterapkan untuk menembus enkripsi MD5 adalah exhaustive key search. Kebutuhan performa komputasi tingkat tinggi dari teknik ini akan diatasi dengan penggunaan dua buah GPU kelas high-end (NVIDIA & AMD), dengan kriptanalisis yang diimplementasikan secara paralel dengan menggunakan bahasa CUDA dan OpenCL. Pengujian dilakukan dengan menggunakan 1 s/d 9 digit random string yang berdasar dari 65 macam karakter. Hasil pengujian menunjukkan sebuah high-end GPU memiliki batas kemampuan kriptanalisis hingga 8 s/d 9 digit random string, dengan waktu kriptanalisis terlama mencapai lebih dari 1 minggu. Sedangkan untuk perbandingan performansi, OpenCL pada GPU AMD menghasilkan performa terbaik jika dibandingkan dengan CUDA & OpenCL pada GPU NVIDIA. Kata kunci : MD5, Kriptanalisis, CUDA, OpenCL, GPU.
Paralelisasi Klasifikasi Data Ekspresi Gen Kanker Dengan Algoritma Deep Neural Network Menggunakan Stacked Sparse Autoencoder Aswindo Putra; Jondri Jondri; Fitriyani Fitriyani
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Penelitian bidang bioinformatika menjadi populer saat ini sebagai solusi bagi dunia medis. Salah satunya klasifikasi penyakit kanker menggunakan data gene expression. Deep learning telah menjadi penelitian yang menarik pada bidang bioinformatika. Banyak penelitian tentang klasifikasi kanker yang diangkat menggunakan deep learning. Klasifikasi menggunakan data gene expression berguna di dunia medis. Karena dapat mengklasifikasikan penyakit hanya menggunakan gen. Penelitian ini mengangkat klasifikasi gene kanker menggunakan metode deep neural network dengan stacked spare autoencoder dan autoencoder sebagai metode extraksinya. Selain itu digunakan juga sparse autoencoder sebagai representasi dari pembelajaran neural network. Ini digunakan untuk mengurangi masalah saat pembelajaran. Fine-tune digunakan sebagai optimasi bobot dan bias untuk jaringan neural network dengan metode gradient descent. Pengklasifikasian hasil dari pembelajaran menggunakan softmax classifier. Data yang digunakan bersumber dari portal of National Center for Biotechnology Information. Jumlah dataset yang digunakan sebanyak 1065 sampel dari 8 kategori kelas untuk beberapa penyakit kanker dan non kanker. Dengan ini diperoleh hasil akurasi tertinggi 97,3 % untuk training dan 92,6 % untuk testing. Paralelisasi dari algoritma ini dapat bekerja dengan baik, dimana efesiensi terhadap waktu komputasi lebih cepat dengan speed up sekitar 13,03 terhadap komputasi sekuensial. Tentunya ini menjadi momentum untuk mengembangkan algoritma neural network lainnya dengan teknik paralelisasi. Kata Kunci : Deep Learning, SSAE, Parallel Computing, High Performance Computing, Cancer Classification, gene expression Nowadays, research in bioinformatics can be one of the popular researches for the medical professional researcher. One of them is the classification using data gene expression. Deep learning has become an interesting research in bioinformatics fields. Many kinds of research about cancer classification are appointed using deep learning. Classification using gene expression dataset is useful in the medical profession. Because it can classify diseases using gene only. This research raised the classification gene expression cancer using deep neural network with stacked sparse autoencoder and autoencoder as an extraction method. In addition, sparse autoencoder is also used as a represented of neural network learning. Fine tuning is used as weight and bias optimization for neural network with gradient descent method. Classification of the learning result using the softmax classifier. This research, the data is sourced from the portal of National Center for Biotechnology Information. With this obtained, the highest accuracy of 97.3% for training and 92,6 % for testing. Parallelization for this algorithm work quite well, this shows to the efficiency of the computation time is faster with speed up 000% for sequential computation. Of course, this research becomes the best moment for other neural network algorithm development with parallelism technique. Keyword: Deep Learning, SSAE, Parallel Computing, High Performance Computing, Cancer Classification, gene expression
Analisis Implementasi Algoritma Mapreduce K-means Clustering Pada Hadoop Aditya Alifinsyah; Fitriyani Fitriyani
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Clustering merupakan sebuah teknik yang banyak digunakan untuk pendistribusian dan pengolahan data. Tujuan dari klustering itu sendiri adalah untuk menemukan struktur dasar dari sebuah data dan mengelompokkannya menjadi sekumpulan data yang mempunyai nilai untuk dapat dipelajari dan dianalisis lebih lanjut. Sebuah teknik pengelompokan dan pendistribusian data yang banyak digunakan saat ini adalah K-Means Clustering. K-Means Clustering banyak digunakan karena kemudahan dalam pengaplikasiannya serta memberikan hasil klustering yang cukup baik. Ditengah era Big Data yang semakin berkembang seperti saat ini, penggunaan teknik dan analisis data yang masih bersifat tradisional ataupun serial mungkin tidak akan efisien lagi dalam pengolahan data yang jumlah dan ukurannya sangat besar. Maka dari itu penggunaan sebuah hardware ataupun system seperti Hadoop akan sangat membantu dalam proses klustering data yang sangat besar tersebut. Hadoop dapat digunakan secara efisien untuk pengolahan data dalam jumlah besar dikarenakan Hadoop memiliki sebuah algoritma pemrosesan data sendiri yang disebut MapReduce. MapReduce adalah sebuah algoritma yang dapat digunakan untuk mengatasi ukuran dan jumlah data yang besar dengan melakukan pendistribusian dan pengolahan data secara bersamaan. Pada penelitian ini akan dianalisis bagaimana implementasi penggunaan MapReduce pada algoritma K-Means Clustering dengan menggunakan sebuah Single Node Hadoop yang akan dibandingkan dengan pemrosesan algoritma K-Means Clustering secara sekuensial dengan melihat waktu komputasinya. Kata kunci: Hadoop , MapReduce, K-Means, Mapreduce K-Means
Hate Speech Detection in Indonesia Twitter Comments Using Convolutional Neural Network (CNN) and FastText Word Embedding Fadhilah Nadia Puteri; Yuliant Sibaroni; Fitriyani F.
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 7, No 3 (2023): Juli 2023
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v7i3.6401

Abstract

Hate speech is a problem that is often present in Indonesia, including on social media platforms such as Twitter. Refers to any form of communication, whether oral, written, or symbolic, that may offend, threaten or insult an individual or group based on attributes such as religion, race, ethnicity, sexual orientation, or other characteristics. The existence of freedom of expression and communication on social media triggers the spread of hate speech quickly and widely. To avoid this, a system is needed that can detect hate speech on social media. Deep learning is potentially better at recognizing and analyzing language patterns that reflect hate speech in text. In the previous study, the accuracy obtained was 73.2% using the Convolutional Neural Network method. This study proposed a hate speech detection system using Convolutional Neural Network model and FastText word embedding. The performance of Convolutional Neural Network classification model and FastText as word embedding provide excellent performance results in detecting hate speech, by involving the K-Fold Cross Validation process to the appropriate dropout value is able to achieve an accuracy value of 80%. The resulting accuracy value can be a benchmark that the model that has been built is able to avoid the spread of hate speech on social media.
Analysis of Public Sentiment Regarding the 2024 Jakarta Election on Platform X Using Deep Learning Moch. Rizki Khaerul Muhaemin; Fitriyani; Lazuardy Syahrul Darfiansa
IJoICT (International Journal on Information and Communication Technology) Vol. 11 No. 1 (2025): Vol. 11 No. 1 Jun 2025
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/ijoict.v11i1.9176

Abstract

The 2024 Jakarta Regional Head Election (Pilkada Jakarta) is a critical issue that requires an in-depth understanding of public sentiment. This platform generates complex, unstructured text with informal language and ambiguity, posing challenges alongside the lack of local context-specific datasets and inaccuracies in traditional sentiment analysis models. Analyzing sentiment for the Pilkada is crucial for evaluating public response to policies, aiding political strategy, and improving governance. Current systems struggle with complex data and class imbalance (dominant neutral sentiment), leading to underrepresented information. This study addresses these issues by constructing a sentiment analysis system using four deep learning models: IndoBERT, LSTM, CNN, and GRU. The procedure encompassed data acquisition from X, preprocessing, model training, and assessment based on accuracy, precision, recall, and F1-score. The CNN model achieved the highest accuracy of 83.37%, followed by LSTM at 82.61%, GRU at 82.30%, and IndoBERT at 80.77%. All models achieved the accuracy benchmark of a minimum of 80%, however the neutral class continues to pose a challenge. Research contributions include a deep learning-based sentiment classification system that can be implemented in local political opinion analysis, as well as recommendations for using hybrid models like IndoBERT + CNN for further research.
Pemanfaatan Generative AI untuk Optimalisasi Kegiatan Penyuluhan di Masyarakat Bojongsoang Fitriyani Fitriyani; Toufan Diansyah Tambunan; Asya Azhar Fathina; Izzatul Ummah; Lazuardy Syahrul Darfiansa; Fifinella Rahma
Jurnal Pengabdian Masyarakat Bangsa Vol. 4 No. 5 (2026): Juli
Publisher : Amirul Bangun Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59837/jpmba.v4i5.4744

Abstract

Penggunaan Generative AI sudah lumrah digunakan pada kegiatan akademik dan pembelajaran. Mengenalkan generative AI kepada Masyarakat akan membantu efektifitas kegiatan kemasyarakatan. Kegiatan pengabdian masyarakat ini bertujuan meningkatkan kemampuan kader komunitas, seperti pengurus RW/RT, posyandu, dan majelis ta’lim, dalam memanfaatkan teknologi Generative Artificial Intelligence untuk kegiatan penyuluhan. Permasalahan utama mitra meliputi keterbatasan kemampuan dalam menyusun materi edukasi yang menarik, efisien, dan adaptif terhadap kebutuhan masyarakat. Program ini menawarkan solusi berupa pelatihan berbasis praktik menggunakan aplikasi ChatGPT untuk pembuatan konten teks penyuluhan serta Canva untuk pengembangan materi visual dan audio yang komunikatif. Kegiatan pengabdian Masyarakat ini meliputi pelatihan dan praktik. Luaran yang diharapkan berupa modul pelatihan, template konten penyuluhan berbasis AI, serta peningkatan literasi digital peserta. Melalui kegiatan ini, diharapkan terciptanya penyuluhan masyarakat yang lebih efektif, kreatif, dan berbasis teknologi, sehingga mampu mendukung transformasi digital komunitas secara berkelanjutan.
Enhancing Big Five Personality Prediction on Indonesian Tweets: A Comparative Study of LSTM-GRU Hybrid and IndoBERT/IndoXLNet with Augmentation Techniques Izzatul Ummah; Fitriyani Fitriyani; Novia Natasya
Jurnal Teknik Informatika (Jutif) Vol. 7 No. 4 (2026): JUTIF Volume 7, Number 4, August 2026
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2026.7.4.5444

Abstract

Over the past few years, researches on Big Five personality prediction model focusing on Indonesian tweets has mostly faced data scarcity and imbalance problem. This study aims to build Big Five personality prediction models for the low-resource language setting using Indonesian social media texts in platform X, and conduct a comparative performance analysis using deep learning model (hybrid BiLSTM-BiGRU) and transferred learning models (IndoBERT and IndoXLNet) with the optimization using various data augmentation and feature expansion techniques to overcome data scarcity and imbalance. We carried out data collection of 11746 tweets from hybrid sources (BFI questionnaire and keyword-based crawling), preprocessing using tokenization and stemming, extraction using Word2Vec and FastText, data augmentation (using SYN-REP, BACK-TRANS, RAND-INS, and SMOTE variants), Top-N feature expansion (with N = 1, 5, and 10), hyperparameter tuning using Optuna (for learning rate, batch size, dropout rate, and weight decay), and evaluating the model's accuracy, precision, recall, and F1-score. The result shows that IndoBERTweet+BACK-TRANS+Top-10 achieved 84% accuracy and an F1-score of 81.5%, surpassing IndoXLNet+BACKTRANS+Top-5 (82%) and LSTM+GRU+FastText+KMeansSMOTE+Top-5 (78%), with the BACK-TRANS technique improves overall F1 result by 13%. These findings bolster computational psychology informatics for low-resource NLP focusing on Indonesian language, as well as aiding mental health screening with 18% better generalization in imbalanced data, and enabling scalable trait inference in human resource and mental health applications.
Co-Authors Aditya Alifinsyah Akyas Khaqqi Maulana Andi Farid Arif Nur Anggit Wulandoro Asep Suherman Asep Suherman Aswindo Putra Asya Azhar Fathina Erqy Sara Quartian Fadhilah Nadia Puteri Fhira Nhita Fifinella Rahma Fikri Auzi Al Haq Galih Nugraha Nurkahfi Hanif Wicaksono Iksandi Lojaya Indwiarti Irvan Nur Aziz Izzatul Ummah Jondri Kemas Rahmat Saleh Wiharja Lazuardy Syahrul Darfiansa M. Abdul Jabbar Moch. Rizki Khaerul Muhaemin Muchlis Insani Muhammad Arief Muhammad Arief Novia Natasya Nurul Ikhsan Okky Steviano Sudaro Rafiqa Humaira Rahadian Rizkina Rizky Alfiansyah Tiara Nursyahdini Toufan Diansyah Tambunan Walid Fathoni Yogi Nugraha Yuliant Sibaroni Yunasz Praditya