Article Per Year (5 Year)
p-Index From 2020 - 2025
1.116
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Ilmu Komputer dan Agri-Informatika Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Systems Engineering and Business Intelligence Jurnal INFOTEL
Hardhienata, Medria Kusuma Dewi
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Computer Science & IT Electrical & Electronics Engineering Engineering

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Pengelompokan Publikasi Ilmiah Berdasarkan Bidang Kepakaran Menggunakan Latent Dirichlet Allocation dan Normalized PSO-K-means Hayatina, Fina Charisma; Wijaya, Sony Hartono; Hardhienata, Medria Kusuma Dewi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.121-132

Abstract

Salah satu cara untuk memvalidasi klaim kepakaran dosen adalah dengan meninjau dokumen publikasi ilmiah yang tersedia. Namun, menentukan kelompok kepakaran dari sejumlah dokumen memerlukan pengetahuan yang memadai dan waktu yang relatif lama, sehingga menjadi sulit dilakukan. Penelitian ini bertujuan untuk membangun suatu model yang dapat mengelompokkan dokumen berdasarkan bidang kepakaran. Penelitian ini menggunakan algoritma klasterisasi K-means untuk mengelompokkan dokumen berdasarkan bidang kepakaran dosen. Latent dirichlet allocation digunakan untuk mereduksi dimensi data, dan particle swarm optimization digunakan untuk menentukan centroid awal pada algoritma K-means. Hasil penelitian ini berhasil mengelompokkan dokumen publikasi ilmiah dengan nilai koefisien silhouette sebesar 0.42. Selain itu, penggunaan PSO sebagai penentu centroid optimal pada algoritma K-means dapat meningkatkan nilai koefisien silhouette sebesar 5.56%. Model yang dibangun dievaluasi dengan mencocokkan klaster yang dihasilkan dengan klaim yang diberikan. Hasilnya menunjukkan bahwa sebanyak 75% hasil pencocokan sesuai dan 25% tidak sesuai.
Prediksi Performa Akademik Mahasiswa untuk Kelulusan Predikat Cum Laude dengan Pendekatan Machine Learning Indra Kusuma Budiyanto , Firgiawan; Hermadi, Irman; Hardhienata, Medria Kusuma Dewi
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 1 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.1.39-49

Abstract

Penelitian ini bertujuan untuk mengembangkan model yang dapat memprediksi jumlah mahasiswa yang lulus dengan predikat cum laude pada perguruan tinggi. Penelitian ini menggunakan algoritma machine learning untuk klasifikasi sehingga dapat dilakukan prediksi. Hasil dari penelitian ini menunjukkan efektivitas model dalam memprediksi kelulusan cum laude agar dapat memberikan kesempatan bagi universitas untuk meningkatkan kualitas lulusan secara keseluruhan dan mengatasi penurunan standar kelulusan yang mungkin terjadi. Prediksi jumlah mahasiswa cum laude dilakukan pada penelitian ini, untuk membantu proses pengambilan keputusan oleh pemangku kebijakan pada perguruan tinggi. Dengan memanfaatkan teknik machine learning, institusi dapat mengantisipasi dan mendukung mahasiswa dalam mencapai predikat cum laude, sehingga diharapkan dapat meningkatkan kualitas lulusan secara keseluruhan. Dalam penelitian ini, dibandingkan tiga algoritma machine learning yakni algoritma Naïve Bayes, Random Forest, dan C4.5 untuk melakukan prediksi kelulusan mahasiswa dengan predikat cum laude. Hasil penelitian menunjukkan bahwa dalam kasus ini kinerja terbaik dicapai oleh algoritma Naïve Bayes dengan nilai akurasi 87.60%, precision 86.70%, recall 92.10% dan F1-score 89.30%. Selain itu, algoritma Naïve Bayes juga menghasilkan nilai waktu komputasi terendah pada kasus yang diujikan dibandingkan dengan algoritma lainnya.
Pembangunan Model Prediksi Potensi Kebakaran Hutan dan Lahan Menggunakan Algoritma Machine Learning Berdasarkan Data Patroli Santoso, Angga Bayu; Sitanggang, Imas Sukaesih; Hardhienata, Medria Kusuma Dewi
JURNAL INFOTEL Vol 16 No 3 (2024): August 2024
Publisher : LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/infotel.v16i3.1180

Abstract

Indonesia allocates 120 million hectares or 64% of its land area as forest areas. Indonesia's forests continue to experience deforestation; one of the causes is forest and land fires (karhutla). The government conducts forest and land fire prevention through integrated patrols with the Forest and Land Fire Prevention Patrol Information System (SIPP Karhutla) facility for patrol data management. However, the patrol data are still primarily used for data observation and simple spatial analysis in the spatial module. Patrol data has not been used for further forest and land fire prevention studies. Based on these problems, this research aims to build a prediction model of potential forest and land fires using SVM, Random Forest, and XGBoost algorithms and compare model performance to get the best model. The preprocessing stage uses the SMOTE-ENN method to handle data class imbalance, and the k-fold cross-validation stage and hyperparameter tuning use the random search method. The confusion matrix evaluation method to see the model performance in terms of accuracy is XGBoost (94.81%), Random Forest (90.23%), SVM-linear (79.58%), SVM-polynomial model (73.99%), SVM-rbf (74.26%), and SVM-sigmoid (35.04%). Therefore, the best prediction model is XGBoost (94.81%) with boosting technique. The results of this study have implications for helping early prevention of forest and land fires on the islands of Sumatra and Kalimantan.
Pengembangan Algoritme Niching Particle Swarm Optimization untuk Pencarian Target pada Sistem Multi-Robot Raehan, Siti; Buono, Agus; Hardhienata, Medria Kusuma Dewi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.0813173

Abstract

Robot seringkali digunakan untuk mencari target, dalam hal ini target bisa korban, barang berbahaya dan tidak bisa dijangkau oleh manusia sehingga diganti menggunakan robot.Robot melakukan pencarian untuk menemukan target yang kemudian mengalokasikan diri ketarget dengan asumsi bahwa targetnya dapat memancarkan sinyal. Permasalahan tersebut dipandang sebagai suatu masalah optimasi. Salah satu teknik yang dapat menyelesaikan masalah optimasi merupakan algoritme Particle Swarm Optimization (PSO). Masalah yang sering ditangani PSO sampai saat ini hanya sebatas masalah single-target. Beberapa masalah pada dunia nyata merupakan masalah multi-target, sehingga tidak dapat diselesaikan dengan algoritme PSO. Multi-target merupakan pencarian multi-robot untuk mengoptimasi pencarian target pada satu atau lebih titik optimum di dalam ruang pencarian. Masalah optimasi pada multi-target dapat diselesaikan menggunakan algoritme Niching Particle Swarm Optimization (NichePSO). Penelitian ini bertujuan untuk mengembangkan algoritme NichePSO untuk pencarian target pada sistem multi-robot. Pengembangan algoritme dilakukan dengan menggabungkan algoritme NichePSO dengan parameter robot e-puck yang merupakan kontribusi pertama pada penelitian ini. Kontribusi kedua adalah menerapkan algoritme penghindaran dan menggunakan teknik reflecting untuk robot yang keluar dari batas area pencarian.Pada studi ini membandingkan hasil performa antara algoritme NichePSO tanpa algoritme penghindaran dan dengan algoritme penghindaran, diuji dengan beberapa rintangan dalam lingkungan statis. Hasil penelitian menunjukkan bahwa pengembangan algoritme NichePSO pada tanpa algoritme penghindaran dan dengan algoritme penghindaran jauh berbeda dalam jumlah tabrakan tetapi tidak berbeda secara signifikan dalam waktu pencarian dan nilai fitnes. Abstract Robots are often used to find targets, in this case targets can be victims, dangerous goods and cannot be reached by humans so they are replaced using robots. The robot does a search to find a target which then allocates itself to the target assuming that the target can emit a signal. This problem is seen as an optimization problem. One technique that can solve optimization problems is the Particle Swarm Optimization (PSO) algorithm. The problem that is often handled by PSO to date is only limited to single-target problems. Some real-world problems are multi-target problems, so they cannot be solved by the PSO algorithm. Multi-target is a multi-robot search to optimize target search at one or more optimum points in the search space. The problem of optimization on multi-targets can be solved using the Niching Particle Swarm Optimization (NichePSO) algorithm. This study aims to develop a NichePSO algorithm for target search on multi-robot systems. The development of the algorithm is done by combining the NichePSO algorithm with the e-puck robot parameters which is the first contribution to this research. The second contribution is to apply avoidance algorithms and use reflecting techniques for robots that come out of the boundary of the search area. In this study comparing the performance results between the NichePSO algorithm without the avoidance algorithm and with the avoidance algorithm, tested with several obstacles in a static environment. The results showed that the development of the NichePSO algorithm without the avoidance algorithm and with the avoidance algorithm differed significantly in the number of collisions but did not differ significantly in search time and fitness values. Robot seringkali digunakan untuk mencari target, dalam hal ini target bisa korban, barang berbahaya dan tidak bisa dijangkau oleh manusia sehingga diganti menggunakan robot. Robot melakukan pencarian untuk menemukan target yang kemudian mengalokasikan diri ke target dengan asumsi bahwa targetnya dapat memancarkan sinyal. Permasalahan tersebut dipandang sebagai suatu masalah optimasi. Salah satu teknik yang dapat menyelesaikan masalah optimasi merupakan algoritme Particle Swarm Optimization (PSO). Masalah yang sering ditangani PSO sampai saat ini hanya sebatas masalah single-target. Beberapa masalah pada dunia nyata merupakan masalah multi-target, sehingga tidak dapat diselesaikan dengan algoritme PSO. Multi-target merupakan pencarian multi-robot untuk mengoptimasi pencarian target pada satu atau lebih titik optimum di dalam ruang pencarian. Masalah optimasi pada multi-target dapat diselesaikan menggunakan algoritme Niching Particle Swarm Optimization (NichePSO). Penelitian ini bertujuan untuk mengembangkan algoritme NichePSO untuk pencarian target pada sistem multi-robot. Pengembangan algoritme dilakukan dengan menggabungkan algoritme NichePSO dengan parameter robot e-puck yang merupakan kontribusi pertama pada penelitian ini. Kontribusi kedua adalah menerapkan algoritme penghindaran dan menggunakan teknik reflecting untuk robot yang keluar dari batas area pencarian.Pada studi ini membandingkan hasil performa antara algoritme NichePSO tanpa algoritme penghindaran dan dengan algoritme penghindaran, diuji dengan beberapa rintangan dalam lingkungan statis. Hasil penelitian menunjukkan bahwa pengembangan algoritme NichePSO pada tanpa algoritme penghindaran dan dengan algoritme penghindaran jauh berbeda dalam jumlah tabrakan tetapi tidak berbeda secara signifikan dalam waktu pencarian dan nilai fitnes.
Modeling Human Mobility by Train on the Spread of COVID-19 in East Java Province Using Distance-Decay PageRank Algorithm Al-Fajri, Rizha; Hardhienata, Medria Kusuma Dewi; Herdiyeni, Yeni
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 9 No. 4 (2023): December
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i4.27285

Abstract

Since early 2020, the world has been dealing with the COVID-19 outbreak. A person who has been infected with COVID-19 has the potential to transmit the virus to others. This study aims to model human mobility by train using the spatial network in East Java Province. This research examines the relationship between human mobility by train and the spread of COVID-19 in East Java Province. The spatial network is formed based on train stations and train trips, and the model was created using the Distance-decay PageRank algorithm. This research has modeled human mobility using the train in East Java Province. The result shows that human mobility by train is highly correlated with the spread of COVID-19 in East Java Province, with a correlation coefficient of 0.7 (r = 0.7).Since early 2020, the world has been dealing with the COVID-19 outbreak. A person who has been infected with COVID-19 has the potential to transmit the virus to others. This study aims to model human mobility by train using the spatial network in East Java Province. This research examines the relationship between human mobility by train and the spread of COVID-19 in East Java Province. The spatial network is formed based on train stations and train trips, and the model was created using the Distance-decay PageRank algorithm. This research has modeled human mobility using the train in East Java Province. The result shows that human mobility by train is highly correlated with the spread of COVID-19 in East Java Province, with a correlation coefficient of 0.7 ( = 0.7).
Leveraging Biotic Interaction Knowledge Graph and Network Analysis to Uncover Insect Vectors of Plant Virus Katili, Moh. Zulkifli; Yeni Herdiyeni; Hardhienata, Medria Kusuma Dewi
Journal of Information Systems Engineering and Business Intelligence Vol. 10 No. 1 (2024): February
Publisher : Universitas Airlangga

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20473/jisebi.10.1.94-109

Abstract

Background: Insect vectors spread 80% of plant viruses, causing major agricultural production losses. Direct insect vector identification is difficult due to a wide range of hosts, limited detection methods, and high PCR costs and expertise. Currently, a biodiversity database named Global Biotic Interaction (GloBI) provides an opportunity to identify virus vectors using its data. Objective: This study aims to build an insect vector search engine that can construct an virus-insect-plant interaction knowledge graph, identify insect vectors using network analysis, and extend knowledge about identified insect vectors. Methods: We leverage GloBI data to construct a graph that shows the complex relationships between insects, viruses, and plants. We identify insect vectors using interaction analysis and taxonomy analysis, then combine them into a final score. In interaction analysis, we propose Targeted Node Centric-Degree Centrality (TNC-DC) which finds insects with many directly and indirectly connections to the virus. Finally, we integrate Wikidata, DBPedia, and NCBIOntology to provide comprehensive information about insect vectors in the knowledge extension stage. Results: The interaction graph for each test virus was created. At the test stage, interaction and taxonomic analysis achieved 0.80 precision. TNC-DC succeeded in overcoming the failure of the original degree centrality which always got bees in the prediction results. During knowledge extension stage, we succeeded in finding the natural enemy of the Bemisia Tabaci (an insect vector of Pepper Yellow Leaf Curl Virus). Furthermore, an insect vector search engine is developed. The search engine provides network analysis insights, insect vector common names, photos, descriptions, natural enemies, other species, and relevant publications about the predicted insect vector. Conclusion: An insect vector search engine correctly identified virus vectors using GloBI data, TNC-DC, and entity embedding. Average precision was 0.80 in precision tests. There is a note that some insects are best in the first-to-five order.   Keywords: Knowledge Graph, Network Analysis, Degree Centrality, Entity Embedding, Insect Vector
Co-Authors Agus Buono Al-Fajri, Rizha Hayatina, Fina Charisma Imas Sukaesih Sitanggang Indra Kusuma Budiyanto , Firgiawan Irman Hermadi Katili, Moh. Zulkifli Raehan, Siti Santoso, Angga Bayu Sony Hartono Wijaya