Article Per Year (5 Year)
p-Index From 2021 - 2026
0.817
P-Index
This Author published in this journals
All Journal Communications in Science and Technology Jurnal Linguistik Komputasional Journal of Internet and Software Engineering
Hastuti, Rochana Prih
Unknown Affiliation
Computer Science & IT Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Content Retrieval dengan Fasttext Word Embedding pada Learning Management System Olimpiade Hastuti, Rochana Prih; Riona, Vellya; Hardiyanti, Margareta
Journal of Internet and Software Engineering Vol 4 No 1 (2023): Journal of Internet and Software Engineering
Publisher : Department of Electrical Engineering and Informatics, Vocational College, Universitas Gadjah Mada

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/jise.v4i1.6766

Abstract

Learning Management System (LMS) merupakan jenis media pembelajaran daring yang digunakan siswa di berbagai tingkat. Penggunaannya pada keperluan kompetisi, secara khusus olimpiade, memiliki karakteristik tersendiri dibanding LMS untuk keperluan pembelajaran sehari-hari. Salah satunya adalah kemampuan sistem mengelola bank soal dan menyajikan kategori yang relevan kepada user. User pada LMS Olimpiade tersegmentasi sesuai bidang ilmu yang ingin ditekuni. Meski begitu, tiap bidang memiliki topik pembelajaran yang beragam jenisnya dan bahkan cenderung berkembang seiring waktu. Manajemen bank soal dengan anotasi topik di awal memerlukan tenaga ahli dan memakan waktu. Sedangkan fitur pencarian tanpa menggunakan informasi metadata tersebut tentu juga sulit dilakukan. Fitur pencarian semantik menjadi penting pada sistem seperti ini. Dibutuhkan skema pencarian berdasarkan konten yang mampu mengembalikan soal-soal yang relevan dengan topik di masing-masing bidang. Fitur pencarian dibangun menggunakan skema information retrieval yakni vector space model. Hasil eksperimen dan evaluasi responden menunjukkan representasi word embedding dengan performa pencarian terbaik adalah FastText word embedding. Efisiensi ukuran model dilakukan dengan menggunakan compressed version. Representasi ini selain dapat mengakomodasi hasil pencarian sesuai konteks kueri juga dapat mengatasi permasalahan out-of-vocabulary.
Analisis Sentimen Berbasis Aspek Pada Ulasan Pengguna Aplikasi Starbucks Menggunakan Algoritma Support Vector Machine Palimbani, Muhammad Adin; Hastuti, Rochana Prih; Rajagede, Rian Adam
Journal of Internet and Software Engineering Vol 5 No 1 (2024): Journal of Internet and Software Engineering
Publisher : Department of Electrical Engineering and Informatics, Vocational College, Universitas Gadjah Mada

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/jise.v5i1.9130

Abstract

Perkembangan transformasi digital di semua aspek bisnis saat ini telah mengubah cara perusahaan memberikan nilai tambah bagi bisnis mereka. Salah satu contohnya yaitu perusahaan bisnis kedai kopi Starbucks yang memanfaatkan tren teknologi aplikasi mobile dengan mengembangkan "Loyalty Rewards App". Namun, banyak ditemukan ulasan negatif di Google Play Store yang harus diperhatikan pihak pengembang. Belum ada penelitian pada ulasan tersebut sehingga sentimen dan informasi terkait aspek penting seperti aspek-aspek usability aplikasi masih belum diketahui. Penelitian ini bertujuan untuk mengetahui sentimen ulasan pengguna aplikasi Starbucks serta aspek-aspek usability aplikasi yaitu learnability, efficiency, errors dan satisfaction, menggunakan metode SVM, dengan menguji tiga jenis kernel yaitu Linear, Polinomial dan RBF. Tahap preprocessing data diikuti dengan ekstraksi fitur menggunakan TF-IDF. Untuk mendapatkan hasil klasifikasi yang lebih baik, juga dilakukan Hyperparameter tuning pada model SVM menggunakan GridSearchCV. Dataset diperoleh dari hasil scraping ulasan pengguna aplikasi Starbucks di Google Play Store. Hasil penelitian menunjukkan bahwa pembuatan model klasifikasi menggunakan SVM memiliki performa yang cukup baik yaitu dengan rata-rata skor dari skor accuracy sebesar 88.96%, f1-score 66.85%, precision 75.77% dan recall 64.68%. Sementara itu, hasil analisis menunjukkan bahwa mayoritas sentimen bernilai negatif di seluruh aspek aplikasi terutama pada aspek errors, yang menandakan tingginya tingkat kesalahan pada sistem.
Implementasi Active Learning Pada Klasifikasi Emosi Tweet Berbahasa Indonesia Asa, Ragajiwa; Hastuti, Rochana Prih
Jurnal Linguistik Komputasional Vol 6 No 2 (2023): Vol. 6, No. 2
Publisher : Indonesia Association of Computational Linguistics (INACL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jlk.v6i2.155

Abstract

Terbatasnya dataset klasifikasi emosi tweet berbahasa Indonesia membuat metode active learning menjadi pilihan untuk dapat meningkatkan akurasi model supaya dapat reliable ketika memprediksi data baru. Penelitian ini menjelaskan bagaimana dampak implementasi metode active learning ke dalam aplikasi dengan memanfaatkan data tak berlabel yang dihasilkan oleh aplikasi. Active learning pada penelitian ini menggunakan skenario stream-based selective sampling dan memilih data dengan least confidence uncertainty sampling. Pada penelitian ini dilakukan pengujian membandingkan performa active learning dengan pemilihan data secara acak pada penambahan data 20, 10, dan 50 di setiap iterasi. Menurut hasil yang didapat, model dengan active learning memiliki akurasi yang lebih baik dibandingkan dengan model acak. Model active learning dapat meningkatkan akurasi model 0,23% hingga 1,09% dari akurasi model dasar pada 66,85%.
Al-Quran recitation verification for memorization test using Siamese LSTM network Rajagede, Rian Adam; Hastuti, Rochana Prih
Communications in Science and Technology Vol 6 No 1 (2021)
Publisher : Komunitas Ilmuwan dan Profesional Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21924/cst.6.1.2021.344

Abstract

In the process of verifying Al-Quran memorization, a person is usually asked to recite a verse without looking at the text. This process is generally done together with a partner to verify the reading. This paper proposes a model using Siamese LSTM Network to help users check their Al-Quran memorization alone. Siamese LSTM network will verify the recitation by matching the input with existing data for a read verse. This study evaluates two Siamese LSTM architectures, the Manhattan LSTM and the Siamese-Classifier. The Manhattan LSTM outputs a single numerical value that represents the similarity, while the Siamese-Classifier uses a binary classification approach. In this study, we compare Mel-Frequency Cepstral Coefficient (MFCC), Mel-Frequency Spectral Coefficient (MFSC), and delta features against model performance. We use the public dataset from Every Ayah website and provide the usage information for future comparison. Our best model, using MFCC with delta and Manhattan LSTM, produces an F1-score of 77.35%
Co-Authors Asa, Ragajiwa Hardiyanti, Margareta Palimbani, Muhammad Adin Rajagede, Rian Adam Riona, Vellya