Article Per Year (5 Year)
p-Index From 2020 - 2025
7.361
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Speed - Sentra Penelitian Engineering dan Edukasi Jurnal Teknologi Informasi dan Ilmu Komputer Telematika JUITA : Jurnal Informatika KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Komputasi Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Sebatik Journal of Computer Science and Informatics Engineering (J-Cosine) Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Mnemonic Journal of Data Science and Software Engineering Jurnal Informatika Polinema (JIP) Jurnal Pengabdian Masyarakat Tekno
Friska Abadi
Universitas Lambung Mangkurat
Aerospace Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Library & Information Science

Published : 47 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 47 Documents
Search

 1   2   3   4   5 
THE EFFECT THE EFFECT OF SPREADING FACTOR ON LORA TRANSMISSION Muhammad Khairin Nahwan; Dodon Turianto Nugrahadi; M. Itqan Mazdadi; Andi Farmadi; Friska Abadi
Journal of Data Science and Software Engineering Vol 3 No 03 (2022)
Publisher : Fakultas MIPA Universitas Lambung Mangkurat

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (554.399 KB)

Abstract

The conditions of a different area can affect the transmission of data so that transmission is needed that is resistant to interference and in certain conditions a device that can monitor several places is needed at once. The concept of Wireless Sensor Network (WSN) is applied to meet these demands. This research is shown to determine the effect of Spreading Factor (SF) on Long Range (LORA) transmission on distance by analyzing Quality of Service (QOS). The test is divided into 2 conditions, namely: The Line of Sight (LOS) condition & Non-Line of Sight (NLOS) condition. The test results show that the maximum distance that the LoRa transmitter can reach is 1100m in LOS conditions while for NLOS conditions it can only reach a distance of 300m. The QOS parameters used to consist of Delay, Throughput, RSSI, & SNR. Spreading Factor (SF) affects Delay and Throughput, not RSSI and SNR. The best value of Delay (9.64 ms), Throughput (667.60 Bps), and RSSI ( -94.25 dBm) is at Spreading Factor (SF) 6 and SNR (5.23 dB) is Spreading Factor (SF) 8 and for the distance, the value of RSSI (-76.45 dBm) and SNR (5.23 dB) is at a distance of 10m. This applies in LOS and NLOS conditions.
IMPLEMENTASI PROTOKOL MQTT-SN PADA INTERNET GATEWAY DEVICE DENGAN PENGIRIMAN PAKET DATA UDP Wahyu Dwi Styadi; Dodon Turianto Nugrahadi; M. Itqan Mazdadi; Mohammad Reza Faisal; Friska Abadi
Journal of Data Science and Software Engineering Vol 3 No 03 (2022)
Publisher : Fakultas MIPA Universitas Lambung Mangkurat

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (275.431 KB)

Abstract

Internet of Things (IoT) is one of the new trends in the world of technology that is likely to become a trend in the future, to be able to make this happen, communication protocols such as MQTT-SN are needed which is a variant of the MQTT protocol and the connection protocol that supports IoT is NB- IoT to support this. Unlike MQTT which uses TCP as its communication protocol, MQTT-SN uses UDP as its data communication protocol. The purpose of this study is to determine the results of Quality of Service on the value of delay and throughput at QoS levels 0, 1, and 2. There are 2 test scenarios, namely real-time test scenarios and phased test scenarios. The design of the instrument consists of sensor instruments, Raspberry Pi microcontrollers for internet gateway device, and NB-IoT modules to then be tested with scenarios to get test results. Based on the test results, the best QoS results for the delay parameter in the real-time scenario are QoS level 2 with a delay value of 1.602 seconds, while for the gradual scenario there is QoS 0 with a delay value of 1.622 seconds. Furthermore, the best QoS results for throughput parameters in real-time scenarios are found at QoS level 2 with a throughput value of 245.79 bits per second and in a phased scenario found at QoS level 1 with a throughput value of 286.42 bits per second.
IMPLEMENTATION OF LORA WITH TEMPERATURE SENSORS IN IRRIGATION AREA (CASE STUDY: MARTAPURA CITY) Muhammad Mirza Hafiz Yudianto; Dodon Turianto Nugrahadi; Dwi Kartini; M. Itqan Mazdadi; Friska Abadi
Journal of Data Science and Software Engineering Vol 3 No 03 (2022)
Publisher : Fakultas MIPA Universitas Lambung Mangkurat

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (343.073 KB)

Abstract

This study applies to the concept of a Wireless Sensor Network (WSN) consisting of a transmitting instrument and a receiving instrument using Long Range (LoRa) data transmission with a frequency of 915 MHz and LoRa 920 MHz. The test is divided into 2 tropical weather conditions, namely when the weather is sunny and rainy. The test results show that the maximum distance that the LoRa transmitter can reach is 1 kilometer. The QoS (Quality of Service) parameters used to consist of Delay, Throughput, RSSI, & SNR. Based on the test results of the QoS parameters, both frequencies affect tropical weather conditions and increase as the distance of data collection increases. LoRa Frequency 915 MHz and Frequency 920 MHz have their respective differences and advantages, which are uncertain on weather conditions and data transmission distances.
Classification of Natural Disaster Reports from Social Media using K-Means SMOTE and Multinomial Naïve Bayes Nor Indrani; Mohammad Reza Faisal; Irwan Budiman; Dwi Kartini; Friska Abadi; Septyan Eka Prastya; Mera Kartika Delimayanti
Journal of Computer Science and Informatics Engineering (J-Cosine) Vol 7 No 1 (2023): June 2023
Publisher : Informatics Engineering Dept., Faculty of Engineering, University of Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jcosine.v7i1.503

Abstract

Disasters can occur anytime and anywhere. Floods and forest fires are two types of disasters that occur in Indonesia. South Kalimantan Province is an area that frequently experiences floods and forest fires. The dataset used for previous research's flood and forest fire disaster data is unbalanced. Unbalanced data conditions can complicate the classification method in carrying out the classification process. The sampling method for the data level approach that can be used to solve imbalance problems is oversampling, one of the derivatives of oversampling, namely SMOTE. The K-Means SMOTE method is a modification of SMOTE. One Naïve Bayes model often used in text classification is Multinomial Naïve Bayes. Multinomial Naïve Bayes has a good performance in classifying text. The research results on flood disaster data using K-Means SMOTE with Multinomial Naïve Bayes yielded an f1 score of 66.04%, and forest fire disaster data using K-Means SMOTE with Multinomial Naïve Bayes produced an f1 score of 66.31%.
Implementation of Information Gain Ratio and Particle Swarm Optimization in the Sentiment Analysis Classification of Covid-19 Vaccine Using Support Vector Machine Muhamad Fawwaz Akbar; Muhammad Itqan Mazdadi; Muliadi; Triando Hamonangan Saragih; Friska Abadi
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 5 No 4 (2023): October
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v5i4.328

Abstract

In the current digital era, sentiment analysis has become an effective method for identifying and interpreting public opinions on various topics, including public health issues such as COVID-19 vaccination. Vaccination is a crucial measure in tackling this pandemic, but there are still a number of people who are skeptical and reluctant to receive the COVID-19 vaccine. This public perception is largely influenced by, including information received from social media and online platforms. Therefore, sentiment analysis of the COVID-19 vaccine is one way to understand the public's perception of the COVID-19 vaccine. This research has the purpose to enhance the classification performance in sentiment analysis of COVID-19 vaccines by implementing Information Gain Ratio (IGR) and Particle Swarm Optimization (PSO) on the Support Vector Machine (SVM). With a dataset of 2000 entries consisting of 1000 positive labels and 1000 negative labels, validation was performed through a combination of data splitting with an 80:20 ratio and stratified 10-Fold cross-validation. Applying the basic SVM, an accuracy of 0.794 and an AUC value of 0.890 were obtained. Integration with Information Gain Ratio (IGR) feature selection improved the accuracy to 0.814 and an AUC of 0.907. Furthermore, through the combination of SVM based on PSO and IGR, the accuracy significantly improved to 0.837 with an AUC of 0.913. These results demonstrate that the combination of feature selection techniques and parameter optimization can enhance the performance of sentiment classification towards COVID-19 vaccines. The conclusions drawn from this research indicate that the integration of IGR and PSO positively contributes to the effectiveness and predictive capability of the SVM model in sentiment classification tasks.
IMPLEMENTASI ALGORITMA GENETIKA UNTUK SELEKSI FITUR PADA KLASIFIKASI GENRE MUSIK MENGGUNAKAN METODE RANDOM FOREST Nurlatifah Amini; Triando Hamonangan Saragih; Mohammad Reza Faisal; Andi Farmadi; Friska Abadi
Jurnal Informatika Polinema Vol. 9 No. 1 (2022): Vol 9 No 1 (2022)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i1.1028

Abstract

Musik memiliki jenis yang beragam di Dunia. Adapun jenis musik yang paling popular diantaranya yaitu pop, disco, country, dangdut, jazz, blues, reggae, hiphop, rock, metal. Penelitian ini mengenai Klasifikasi genre musik menggunakan metode Random Forest menggunakan dataset dari GitHub atau GTZAN tentang genre musik dengan jumlah label ada 10, memiliki 26 fitur dan jumlah keseluruhan data ada 1000. Penelitian ini dibagi menjadi beberapa tahap, yaitu dengan klasifikasi seluruh data, mengklasifikasi dengan data yang dinormalisasi, melakukan klasifikasi dengan data asli menggunakan tahap seleksi fitur Algoritma Genetika, dan mengklasifikasi pada data yang dinormalisasi dengan seleksi fitur menggunakan Algoritma Genetika. Parameter yang digunakan pada Algoritma Genetika yaitu menggunakan Probabilitas Crossover, Probabilitas Mutasi. Pada penelitian ini Min-Max digunakan untuk metode normalisasi data, dan untuk perhitungan akurasi menggunakan metode Confusion Matrix. Peformasi terbaik dari parameter GA untuk Pc dan Pm menggunakan kombinasi 0.5 dan 0.2. Performasi populasi size terbaik adalah 26 dan iterasi atau max generasi terbaik ada pada 100 iterasi. Akurasi yang dihasilkan ketika menggunakan seluruh data menghasilkan akurasi sebesar 62%, 59% dengan data yang dinormalisasi, 64% dengan semua data menggunakan seleksi fitur Algoritma Genetika dan didapatkan akurasi sebesar 67% dengan menggunakan seleksi fitur Algoritma Genetika yang datanya dinormalisasi. Hasil ini memberi pengetahuan nilai rata-rata akurasi menunjukkan peningkatan dengan diterapkannya seleksi fitur Algoritma Genetika.
PERBANDINGAN METODE EXTREME GRADIENT BOOSTING DAN METODE DECISION TREE UNTUK KLASIFIKASI GENRE MUSIK SALLY LUTFIANI; Triando Hamonangan Saragih; Friska Abadi; Mohammad Reza Faisal; Dwi Kartini
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1319

Abstract

Musik merupakan sebuah “bahasa” yang mampu dimengerti dan dipahami oleh semua orang. Dalam musik sendiri, terdapat banyak genre musik yang berkembang yang dipengaruhi oleh budaya dari daerah-daerah yang berbeda-beda, seperti musik jazz, reggae, pop, rock, punk, dan masih banyak lagi genre musik yang ada seperti musik tradisional. Bertambahnya jumlah musik dalam bentuk digital secara pesat menyebabkan pemberian label genre secara manual menjadi tidak efektif. Pemberian label genre secara otomatis dapat dilakukan dengan menerapkan algoritma kecerdasan buatan yaitu salah satunya klasifikasi yang dapat mengelompokkan jenis musik berdasarkan genre dengan menggunakan fitur-fitur musik. Salah satu metode klasifikasi yang cukup sering digunakan adalah metode Extreme Gradient Boosting. Metode ini seringkali digunakan karena kecepatan, efisiensi dan skalabilitasnya untuk memecahkan beragam masalah klasifikasi ataupun regresi. Selain itu ada juga metode yang sering digunakan dalam melakukan klasifikasi yaitu metode Decision Tree yang merupakan metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan dan juga berguna untuk mengekplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena kedua metode ini termasuk dalam rumpun keluarga pohon atau ensemble learning, maka dilakukan perbandingan antara kedua metode tersebut. Pada penelitian ini melakukan perbandingan tingkat akurasi metode klasifikasi Extreme Gradient Boosting dan metode klasifikasi Decision Tree dengan melakukan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan. Berdasarkan hasil penelitian metode klasifikasi Extreme Gradient Boosting dengan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan menghasilkan kinerja akurasi yang lebih baik dibandingkan dengan metode klasifikasi Decision Tree yaitu sebesar 72% karena pada metode Extreme Gradient Bossting ini mampu meminimalisir eror dengan menggunakan data residu atau kesalahan prediksi pada model sebelumnya sehingga bisa mendapatkan dan mengoptimalkan hasil akurasi terbaik, yang membuktikan bahwa metode klasifikasi Extreme Gradient Boosting lebih baik dibandingkan dengan metode klasifikasi Decision Tree dengan pengujian parameter.
PENERAPAN MWMOTE UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS PADA KLASIFIKASI RISIKO KREDIT Maria Ulfah; Triando Hamonangan Saragih; Dwi Kartini; Muhammad Itqan Mazdadi; Friska Abadi
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1331

Abstract

Salah satu bentuk usaha yang dijalankan oleh perbankan adalah pemberian kredit terhadap nasabaah. Bank akan selalu berusaha mengoptimalkan penyaluran kredit terhadap nasabah, akan tetapi tidak menutup kemungkinan bahwa kredit yang diberikan tersebut memiliki risiko. Guna menekan dan meminimalisir risiko kredit pihak bank perlu melakukan analisis terhadap data yang dimiliki nasabah agar dapat mengambil keputusan apakah nasabah atau calon debitur layak diberikan pinjaman dalam bentuk kredit. Salah satu cara untuk menyelesaikan masalah analisa risiko kredit adalah dengan melakukan klasifikasi dengan menggunakan machine learning. Pada penelitian ini dilakukan klasifikasi dengan menggunakan algoritma Support Vector Machine (SVM) serta oversampling data dengan menggunakan MWMOTE dan Improve MWMOTE. Data yang digunakan pada penelitian ini adalah data german credit risk yang memiliki Kelas bad credit yang terdiri atas 300 data dan kelas good credit terdiri atas 700 data. Penelitian dilakukan dengan membandingkan klasifikasi SVM dengan dan tanpa oversampling. Hasilnya didapatkan bahwa nilai akurasi dari klasifikasi Improve MWMOTE SVM memiliki nilai tertinggi jika dibandingan dengan SVM MWMOTE, dan SVM yaitu sebesar 77,95%.
Effect of Hyperparameter Tuning Using Random Search on Tree-Based Classification Algorithm for Software Defect Prediction Rizky, Muhammad Hevny; Faisal, Mohammad Reza; Budiman, Irwan; Kartini, Dwi; Abadi, Friska
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 18, No 1 (2024): January
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.90437

Abstract

The field of information technology requires software, which has significant issues. Quality and reliability improvement needs damage prediction. Tree-based algorithms like Random Forest, Deep Forest, and Decision Tree offer potential in this domain. However, proper hyperparameter configuration is crucial for optimal outcomes. This study demonstrates the use of Random Search Hyperparameter Setting Technique to predict software defects, improving damage estimation accuracy. Using ReLink datasets, we found effective algorithm parameters for predicting software damage. Decision Tree, Random Forest, and Deep Forest achieved an average AUC of 0.73 with Random Search. Random Search outperformed other tree-based algorithms. The main contribution is the innovative Random Search hyperparameter tuning, particularly for Random Forest. Random Search has distinct advantages over other tree-based algorithms
PENINGKATAN KINERJA PREDIKSI CACAT SOFTWARE DENGAN HYPERPARAMETER TUNING PADA ALGORITMA KLASIFIKASI DEEP FOREST Emma Andini; Faisal, Mohammad Reza; Rudy Herteno; Nugroho, Radityo Adi; Friska Abadi; Muliadi
Jurnal Mnemonic Vol 5 No 2 (2022): Mnemonic Vol. 5 No. 2
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v5i2.4793

Abstract

Prediksi cacat software adalah salah satu studi pada bidang Rekayasa Perangkat Lunak yang telah diteliti oleh banyak peneliti. Tujuan dari studi ini adalah untuk mencari tahu algoritma yang dapat memberikan kinerja prediksi cacat software yang lebih baik. Salah satu penelitian yang telah dilakukan adalah melakukan prediksi cacat software dengan menggunakan algoritma berbasis pohon seperti Decision Tree, Random Forest dan Deep Forest. Deep Forest adalah algoritma klasifikasi berbasis pohon yang baru yang merupakan perbaikan dari algoritma Random Forest. Namun implementasi Deep Forest dalam penelitian terdahulu masih belum memberikan kinerja yang maksimal. Hasil pada penelitian terdahulu menunjukan bahwa kinerja algoritma Deep Forest masih ada yang lebih rendah dibandingkan algoritma berbasis pohon yang lain. Pada penelitian ini berfokus pada peningkatan kinerja algoritma berbasis pohon dengan melakukan normalisasi pada dataset dan hyperparameter tuning pada algoritma klasifikasi dengan menggunakan pencarian grid. Dataset yang digunakan adalah 3 dataset dari ReLink yaitu Apache, Safe, dan Zxing. Setiap model prediksi divalidasi dengan Stratified 10-Fold Cross Validation dan kinerja dievaluasi menggunakan AUC. Dari hasil eksperimen yang didapatkan,hasil prediksi dari pendekatan yang diusulkan lebih baik daripada metode sebelumnya.
Co-Authors A.A. Ketut Agung Cahyawan W AA Sudharmawan, AA Abdullayev, Vugar Achmad Zainudin Nur Adi Mu'Ammar, Rifqi Ahmad Juhdi Amalia, Raisa Andi Farmadi Andi Farmandi Arif, Nuuruddin Hamid budiman, irwan Dodon Turianto Nugrahadi Dwi Kartini Dwi Kartini, Dwi Emma Andini Faisal, Mohammad Reza Fathmah, Siti Fatma Indriani Halimah Halimah Halimah Herteno, Rudy Indriani, Fatma Irwan Budiman Irwan Budiman M Kevin Warendra Mafazy, Muhammad Meftah Mera Kartika Delimayanti Muhamad Fawwaz Akbar Muhammad Alkaff Muhammad Azmi Adhani Muhammad Denny Ersyadi Rahman Muhammad Haekal Muhammad Itqan Mazdadi Muhammad Khairin Nahwan Muhammad Mirza Hafiz Yudianto Muhammad Nazar Gunawan Muhammad Noor Muhammad Reza Faisal, Muhammad Reza Muhammad Sholih Afif Muliadi Muliadi Muliadi Aziz Muliadi Muliadi Nabella, Putri Nor Indrani Nugrahadi, Dodon Nurlatifah Amini Nursyifa Azizah Prastya, Septyan Eka Putri Nabella Radityo Adi Nugroho Rahman Hadi Rahman Rahmat Ramadhani Rahmina Ulfah Aflaha Reina Alya Rahma Rinaldi Riza Susanto Banner Rizal, Muhammad Nur Rizky, Muhammad Hevny Rudy Herteno Rudy Herteno SALLY LUTFIANI Saragih, Triando Hamonangan Sarah Monika Nooralifa Sa’diah, Halimatus Septyan Eka Prastya Setyo Wahyu Saputro Setyo Wahyu Saputro Siti Napi'ah Tri Mulyani Ulya, Azizatul Umar Ali Ahmad Vina Maulida, Vina Wahyu Dwi Styadi Yunida, Rahmi