Articles
<![CDATA[Deep Learning-based Mobile Tourism Recommender System ]]>
<![CDATA[Fudholi, Dhomas Hatta]]>;
<![CDATA[Rani, Septia]]>;
<![CDATA[Arifin, Dimastyo Muhaimin]]>;
<![CDATA[Satyatama, Mochamad Rezky]]>
<![CDATA[ Scientific Journal of Informatics Vol 8, No 1 (2021): May 2021 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v8i1.29262
<![CDATA[A tourism recommendation system is a crucial solution to help tourists discover more diverse tourism destinations. A content-based approach in a recommender system can be an effective way of recommending items because it looks at the user's preference histories. For a cold-start problem in the tourism domain, where rating data or past access may not be found, we can treat the user's past-travel-photos as the histories data. Besides, the use of photos as an input makes the user experience seamless and more effortless. The current development in Artificial Intelligence-based services enable the possibilities to implement such experience. This research developed a Deep Learning-based mobile tourism recommender system that gives recommendations on local tourism destinations based on the user's favorite traveling photos. To provide a recommendation, we use cosine similarity to measure the similarity score between one's pictures and tourism destination's galleries through their label tag vectors. The label tag is inferred using an image classifier model that runs from a mobile user device through Tensorflow Lite. There are 40 label tags, which refer to local tourism destination categories, activities, and objects. The model is trained using state-of-the-art mobile deep learning architecture EfficientNet-Lite. We did several experiments and got an accuracy result of more than 85% on average, using EfficientNet-Lite as the base architecture. The implementation of the system as an Android application has been proved to give an excellent recommendation with Mean Absolute Percentage Error (MAPE) equals to 5%.]]>
<![CDATA[Deep Learning-based Mobile Tourism Recommender System ]]>
<![CDATA[Fudholi, Dhomas Hatta]]>;
<![CDATA[Rani, Septia]]>;
<![CDATA[Arifin, Dimastyo Muhaimin]]>;
<![CDATA[Satyatama, Mochamad Rezky]]>
<![CDATA[ Scientific Journal of Informatics Vol 8, No 1 (2021): May 2021 ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/sji.v8i1.29262
<![CDATA[Purpose: This study developed a deep learning-based mobile travel recommendation system that provides recommendations for local tourist destinations based on users' favorite travel photos. To provide recommendations, use cosine similarity to measure the similarity score between a person's image and a tourism destination gallery through the tag label vector. Label tags are inferred using an image classifier model run from a mobile user device via Tensorflow Lite. There are 40 tag labels that refer to categories, activities and objects of local tourism destinations. Methods: The model is trained using state-of-the-art mobile deep learning architecture EfficientNet-Lite, which is new in the domain of tourism recommender system. Result: This research has conducted several experiments and obtained an average model accuracy of more than 85%, using EfficientNet-Lite as its basic architecture. The implementation of the system as an Android application is proven to provide excellent recommendations with a Mean Absolute Percentage Error (MAPE) of 5.2%. Novelty: A tourism recommendation system is a crucial solution to help tourists discover more diverse tourism destinations. A content-based approach in a recommender system can be an effective way of recommending items because it looks at the user's preference histories. For a cold-start problem in the tourism domain, where rating data or past access may not be found, we can treat the user's past-travel-photos as the histories data. Besides, the use of photos as an input makes the user experience seamless and more effortless. ]]>
<![CDATA[Stock Prediction Based on Twitter Sentiment Extraction Using BiLSTM-Attention ]]>
<![CDATA[Dhomas Hatta Fudholi]]>;
<![CDATA[Royan Abida N. Nayoan]]>;
<![CDATA[Septia Rani]]>
<![CDATA[ Indonesian Journal of Electrical Engineering and Informatics (IJEEI) Vol 10, No 1: March 2022 ]]>
Publisher : <![CDATA[IAES Indonesian Section ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.52549/ijeei.v10i1.3011
<![CDATA[A profitable stock price prediction will yield a large profit. According to behavioural economics, other people's emotions and viewpoints have a significant impact on business. One of them is the rise and fall of stock prices. Previous studies have shown that public sentiments retrieved from online information can be very valuable on market trading. In this paper, we propose a model that works well in predicting future stock prices by using public sentiments from social media. The online information used in this research is financial tweets collected from Twitter and the stock prices values retrieved from Yahoo! Finance. We collected tweets related to Netflix Company stocks and the stock prices for the same period which is 5 years from 2015 to 2020 as the dataset. We extracted the sentiment value using VADER algorithm. In this paper, we apply a Bidirectional Long Short-Term Memory (BiLSTM) architecture to achieve our goal. Moreover, we created seven different experiments with different stock price parameters and selected sentiment values combinations and investigated the model by adding an attention layer. We experimented with two different sentiment values, tweet’s compound value and tweet’s compound value multiplied by favorites count. We considered the favorites count as one representation of public sentiments. From the seven experiments, the experiment with Bidirectional Long Short-Term Memory (BiLSTM) - attention model combined with our selected stock price parameters namely close price, open price, and using Twitter sentiment values that are multiplied with the tweet’s favorites count yields a better RMSE result of 2.482e-02 in train set and 2.981e-02 in the test set.]]>
<![CDATA[PEMANFAATAN GOOGLE MAPS API UNTUK VISUALISASI DATA BASE TRANSCEIVER STATION ]]>
<![CDATA[Septia Rani]]>
<![CDATA[ Teknoin Vol. 22 No. 2 (2016) ]]>
Publisher : <![CDATA[Faculty of Industrial Technology Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.20885/teknoin.vol22.iss2.art3
<![CDATA[This paper discusses the use of the Google Maps API to perform data visualization for Base Transceiver Station (BTS) data. BTS are typically used by telecommunications companies to facilitate wireless communication between communication devices with the network operator. Each BTS has important information such as it’s location, it’s transaction traffic, as well as information about revenue. With the implementation of BTS data visualization using the Google Maps API, key information owned by each BTS can be presented more attractive and also easier to understand. BTS data visualization supports decision-making processes related to company policies such as marketing strategy in order to increase the revenue of the company]]>
<![CDATA[Rancang Bangun Aplikasi Berbasis Augmented Reality untuk Virtual Fitting Room Frame Kacamata ]]>
<![CDATA[Muhamad Riadi Almasyariqi]]>;
<![CDATA[Septia Rani]]>;
<![CDATA[Beni Suranto]]>
<![CDATA[ Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2018 ]]>
Publisher : <![CDATA[Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Makalah ini membahas mengenai pengembangan aplikasi mobile untuk virtual fitting room frame kacamata berbasis augmented reality (AR). Pada umumnya, calon pembeli frame kacamata harus datang langsung ke toko frame kacamata untuk mencoba frame yang diinginkan. Cara ini tentu saja membuat waktu konsumen menjadi kurang efisien. Selain itu, mencoba frame kacamata asli juga memiliki resiko menyebabkan kerusakan pada frame saat mencobanya. Berdasarkan permasalahan tersebut, maka aplikasi mobile berbasis AR dapat menjadi salah satu solusi yang dapat digunakan untuk virtual fitting room frame kacamata. Aplikasi yang dikembangkan pada penelitian ini berbasis Android dan bekerja dengan cara menggabungkan model frame kacamata dalam dunia virtual dengan wajah pengguna pada dunia nyata yang ditangkap oleh kamera depan smartphone pengguna. Pembangunan aplikasi dilakukan dengan metode face tracking agar model frame kacamata dapat ditampilkan tepat pada wajah pengguna. Agar dapat mencapai hasil yang optimal, maka dilakukan pengujian kompatibilitas aplikasi dan User Acceptance Testing (UAT). Dari hasil pengujian diperoleh kesimpulan bahwa telah dihasilkan aplikasi mobile berbasis AR untuk mencoba frame kacamata melalui smartphone Android yang memiliki kompatibilitas baik pada berbagai macam perangkat Android yang berbeda. Selain itu aplikasi juga dapat diterima dengan persentase sebesar 85.05% dari segi manfaat dan 85.05% dari segi tampilan berdasarkan UAT.]]>
<![CDATA[Travel Itinerary Planning using Traveling Salesman Problem, K-Means Clustering, and Multithreading Approach ]]>
<![CDATA[Muhammad Yasin Deru Saputra]]>;
<![CDATA[Sheila Nurul Huda]]>;
<![CDATA[Septia Rani]]>
<![CDATA[ AUTOMATA Vol. 1 No. 1 (2020) ]]>
Publisher : <![CDATA[AUTOMATA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[In this paper we proposed an algorithm for arranging travel itinerary using various approaches such as, traveling salesman problem with genetic algorithm, k-means clustering, and multithreading. The algorithm will be applied to develop a web based application which capable of making itinerary planning recommendation. This paper mainly focusing on how the proposed algorithm able to optimize the application in terms of computational proccessing time for the sake of efficiency. To make the itinerary recommendation, travelers must fill the input requirements such as number of days for vacation and list of destionations which they whish to visit. The destinations will first be clustered. Then find the TSP solution for the best route for each cluster. This TSP solution will be the itinerary recommendation.]]>
<![CDATA[Wasiban: Game Edukasi untuk Meningkatkan Kewaspadaan dan Kesiagaan Terhadap Banjir ]]>
<![CDATA[Arfian Syawal Adli]]>;
<![CDATA[Septia Rani]]>
<![CDATA[ AUTOMATA Vol. 1 No. 2 (2020) ]]>
Publisher : <![CDATA[AUTOMATA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Banjir merupakan bencana yang sering terjadi di beberapa daerah di Indonesia. Akan tetapi, masyarakat seringkali tidak waspada dan peduli terhadap bahaya yang ditimbulkan dari bencana banjir. Selain itu, masyarakat juga masih memiliki kesadaran yang minim dalam tindakan pencegahan bencana banjir. Game edukasi Wasiban (waspada dan siaga banjir) ini dirancang dengan tujuan agar masyarakat dapat lebih sadar dan waspada terhadap bahaya-bahaya yang ditimbulkan oleh bencana banjir. Dengan kewaspadaan tersebut, masyarakat diharapkan dapat melakukan langkahlangkah preventif untuk mencegah terjadinya banjir dan dapat lebih siap apabila bencana tersebut terjadi]]>
<![CDATA[Implementasi Kombinasi Algoritma Genetika dan Tabu Search untuk Penyelesaian Travelling Salesman Problem ]]>
<![CDATA[Syarifah Elza Ramadhania]]>;
<![CDATA[Septia Rani]]>
<![CDATA[ AUTOMATA Vol. 2 No. 1 (2021) ]]>
Publisher : <![CDATA[AUTOMATA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Saat melakukan kunjungan ke beberapa tempat, seringkali seseorang kebingungan dalam menentukan urutan titik atau tempat yang akan dikunjungi agar seluruh tempat tersebut dapat dilalui dan jarak yang ditempuh sekecil mungkin. Permasalahan ini dikenal dengan Travelling Salesman Problem (TSP). TSP adalah sebuah persoalan klasik seorang salesman saat mencari rute atau jalur terpendek. Banyak algoritma yang dapat digunakan dalam penyelesaian TSP, namun setiap algoritma juga memiliki kelebihan dan kekurangan masing-masing. Tujuan dari makalah ini yaitu merancang kombinasi Algoritma Genetika dan Tabu Search (GA-TS) dalam menyelesaikan kasus TSP. Diharapkan dengan menggunakan kombinasi GA-TS, hasil akhir dari penyelesaian TSP yang didapatkan lebih optimal dibandingkan dengan Algoritma Genetika. Kombinasi GA-TS memiliki beberapa tahapan yaitu inisialisasi kromosom, evaluasi kromosom, seleksi kromosom, pengecekan tabulist, crossover, mutasi, regenerasi, dan penentuan kromosom terbaik. Tahapan selanjutnya setelah perancangan yaitu implementasi sistem. Sistem diharapkan dapat menghasilkan sebuah program yang mampu menyelesaikan beberapa kasus TSP yang berbeda dan mendapatkan hasil yang optimal.]]>
<![CDATA[Kajian Literatur Named Entity Recognition pada Domain Wisata ]]>
<![CDATA[Annisa Zahra]]>;
<![CDATA[Ahmad Fathan Hidayatullah]]>;
<![CDATA[Septia Rani]]>
<![CDATA[ AUTOMATA Vol. 2 No. 1 (2021) ]]>
Publisher : <![CDATA[AUTOMATA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Abstrak—Saat merencanakan perjalanan wisata, pencarian destinasi wisata merupakan hal yang umumnya dilakukan. Proses tersebut seringkali dilakukan menggunakan bantuan mesin pencari, yaitu dengan membaca artikel yang tersedia di internet dan ditulis oleh orang lain. Pada proses pencarian informasi tersebut, terkadang dibutuhkan waktu yang tidak sedikit karena perlu membaca artikel-artikel yang tersedia untuk memperoleh informasi yang relevan. Named Entity Recognition (NER) dapat digunakan dalam mendeteksi entitas nama pada suatu teks sehingga dapat membantu pengguna dalam menemukan informasi yang diinginkan. Makalah ini mengkaji sebanyak 8 literatur mengenai NER pada domain wisata yang didapat dari hasil pencarian pada Google Scholar dengan kata kunci “Tourism Named Entity Recognition”. Dari kajian literatur yang telah dilakukan, diperoleh informasi bahwa model NER yang paling banyak digunakan pada domain wisata adalah Bidirectional Encoder Representations from Transformers (BERT). Model BERT bertujuan untuk melakukan pelatihan representasi kata menggunakan konverter dua arah dengan menyesuaikan konteks pada sisi kiri dan kanan semua lapisan. Sehingga, penggunaan BERT dapat membantu mencegah terjadinya ambiguitas pada suatu kata yang mengakibatkan kesalahan pengenalan entitas. Hasil penelitian ini diharapkan dapat membantu dalam pengembangan NER pada domain wisata selanjutnya.]]>
<![CDATA[Kajian Literatur Metode Pendeteksian dan Pengenalan Kendaraan Berdasarkan Citra Digital ]]>
<![CDATA[Septia Rani]]>;
<![CDATA[Aldhiyatika Amwin]]>
<![CDATA[ PETIR Vol 13 No 2 (2020): PETIR (Jurnal Pengkajian Dan Penerapan Teknik Informatika) ]]>
Publisher : <![CDATA[Sekolah Tinggi Teknik - PLN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33322/petir.v13i2.1026
<![CDATA[Pendeteksian dan pengenalan kendaraan menjadi topik yang menarik oleh para peneliti terutama di bidang visi komputer. Sistem pendeteksian dan pengenalan kendaraan secara otomatis dan real-time merupakan bagian penting pada Intelligent Transportation System (ITS). Pada makalah ini membahas beberapa kajian literatur tentang metode yang digunakan untuk pendeteksian dan pengenalan kendaraan. Kajian dilakukan dengan cara meninjau literatur yang berhubungan dengan pendeteksian dan pengenalan kendaraan menggunakan pendekatan image processing, baik dengan data masukan berupa citra maupun video. Hasil yang diharapkan dapat menjadi acuan untuk peneliti yang hendak melakukan penelitian tentang pendeteksian dan pengenalan kendaraan.]]>
