Article Per Year (5 Year)
p-Index From 2021 - 2026
3.713
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) International Journal of Informatics and Communication Technology (IJ-ICT) IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Bulletin of Electrical Engineering and Informatics Jurnal Informatika dan Teknik Elektro Terapan JOIN (Jurnal Online Informatika) BAREKENG: Jurnal Ilmu Matematika dan Terapan Building of Informatics, Technology and Science Indonesian Journal of Electrical Engineering and Computer Science Computer Science and Information Technologies Brahmana : Jurnal Penerapan Kecerdasan Buatan Journal La Multiapp Action Research Literate (ARL) Malcom: Indonesian Journal of Machine Learning and Computer Science Cerdika: Jurnal Ilmiah Indonesia The Indonesian Journal of Computer Science
Zahra, Amalia
Unknown Affiliation
Aerospace Engineering Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Action Research Literate (ARL)

 1 
Player Churn Prediction In Free To Play Game Using Ensemble Learning David, David; Zahra, Amalia
Action Research Literate Vol. 8 No. 4 (2024): Action Research Literate
Publisher : Ridwan Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46799/arl.v8i4.280

Abstract

Player churn is a prevalent challenge in the gaming industry. Most predictions of player churn utilize private datasets that are not easily accessible to the public. This study aims to investigate the performance of Logistic Regression, Random Forest, Support Vector Machines, and Ensemble Learning models using a dataset from a public API for predicting player churn, in comparison to other studies that typically rely on private game logs. In this research, the dataset consists of 418 unique player IDs, with a churn rate of 15%. After training the models, it was found that Logistic Regression and SVM achieved an accuracy of 95%, Random Forest achieved an accuracy of 96%, and Ensemble Learning, with Neural Network as the meta-learner, achieved an accuracy of 92%. These results underscore the validity of using public API data as an alternative data source for predicting player churn. n.
Speech Recognition Dengan Whisper Dalam Bahasa Indonesia William, Ezra; Zahra, Amalia
Action Research Literate Vol. 9 No. 2 (2025): Action Research Literate
Publisher : Ridwan Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46799/arl.v9i2.2573

Abstract

Perkembangan teknologi kecerdasan buatan telah mendorong kemajuan dalam pengenalan suara (speech recognition), terutama dalam mendukung komunikasi digital yang lebih efisien. Salah satu model terbaru yang banyak digunakan adalah Whisper, yang dikembangkan oleh OpenAI dengan kemampuan pengenalan suara multibahasa yang diklaim memiliki akurasi tinggi. Namun, tantangan utama dalam implementasi teknologi ini di Indonesia adalah keterbatasan sumber daya data dalam bahasa lokal serta variasi aksen yang signifikan. Oleh karena itu, penelitian ini dilakukan untuk mengevaluasi kinerja model Whisper dalam mengenali dan mentranskripsi suara berbahasa Indonesia. Penelitian ini bertujuan untuk menganalisis tingkat akurasi Whisper dalam pengenalan ucapan bahasa Indonesia berdasarkan Word Error Rate (WER) serta membandingkannya dengan model XLS-R dan XLSR-53. Metode yang digunakan dalam penelitian ini adalah pendekatan komparatif dengan melakukan fine-tuning terhadap model Whisper menggunakan dataset Common Voice 13 dalam bahasa Indonesia. Evaluasi model dilakukan dengan mengukur WER pada tahap pelatihan dan pengujian. Hasil penelitian menunjukkan bahwa model Whisper memiliki performa terbaik dibandingkan model XLS-R dan XLSR-53 dalam mengenali ucapan bahasa Indonesia. Nilai WER Training yang diperoleh adalah 22.33505%, sedangkan nilai WER Testing adalah 19.774909%. Hal ini menunjukkan bahwa model Whisper lebih unggul dalam menangani variasi aksen dan kondisi akustik dibandingkan dengan model lainnya. Keunggulan ini terutama disebabkan oleh pelatihan berbasis data yang lebih besar serta kemampuan adaptasi model terhadap berbagai bahasa. Implikasi penelitian ini memberikan kontribusi dalam pengembangan teknologi speech recognition berbahasa Indonesia serta meningkatkan aksesibilitas bagi pengguna dalam berbagai sektor, seperti pendidikan, layanan publik, dan teknologi komunikasi.
Co-Authors Al Mukarram, Khasyi Cahyadi, Jonathan Caprisiano, Ebenhaiser Jonathan Chandra, Wiryanata David David Fadhil, Muhammad Farhan Fadzlul Rahman, Ferry Faldi, Faldi Farhan Fadhil, Muhammad Fathur Rahman Halim, Rico Harits, Sayekti Hendra Saputra Henry, Michael Himawan, Randy Joko Pranoto, Wawan Karyawati, Tati Kristian Handoko Wijaya Sukardjoh Martulandi, Adipta Maskur, Maimunah Michael, Stefanus Muhammad Manaqib, Muhammad Mukhlas, M. Anang Naibaho, Agusti Frananda Alfonsus Novika, Andien Dwi Raharjo, Alim Ramadhansyah, Muhammad Hafizh Riftiarrasyid, Mohammad Faisal Roesmiatun Purnamadewi, Yasinta Sadewo, Satrio Sams, Andrew Steven Setyoko, Andreas Dimas Seventina, Healthy Suma'inna, Suma'inna Vincent Vincent, Vincent William, Ezra