Article Per Year (5 Year)
p-Index From 2021 - 2026
4.934
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer SCIENCE TECH: Jurnal Ilmiah Ilmu Pengetahuan dan Teknologi JURNAL MEDIA INFORMATIKA BUDIDARMA JOURNAL OF APPLIED INFORMATICS AND COMPUTING Jurnal Sisfokom (Sistem Informasi dan Komputer) MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer JURTEKSI Jurnal Abdimas PHB : Jurnal Pengabdian Masyarakat Progresif Humanis Brainstorming Jurnal Teknik Informatika (JUTIF) PARAHITA : Jurnal Pengabdian kepada Masyarakat Sevanam: Jurnal Pengabdian Masyarakat AMMA : Jurnal Pengabdian Masyarakat Jurnal Informatika: Jurnal Pengembangan IT The Indonesian Journal of Computer Science JuTISI (Jurnal Teknik Informatika dan Sistem Informasi) Jurnal Pengabdian Masyarakat Inovasi Indonesia
Sasongko, Theopilus Bayu
Informatics, Faculty Of Computer Science, Universitas Amikom Yogyakarta, Indonesia
Religion Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mechanical Engineering Nursing Public Health Social Sciences

Published : 34 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : The Indonesian Journal of Computer Science

 1 
Hyperparameter Tuning Algoritma Supervised Learning untuk Klasifikasi Keluarga Penerima Bantuan Pangan Beras Joshua Agung Nurcahyo; Theopilus Bayu Sasongko
The Indonesian Journal of Computer Science Vol. 12 No. 3 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i3.3254

Abstract

Indonesia memiliki berbagai macam program untuk menekan kemiskinan, salah satunya adalah program bantuan pangan beras. Namun, berdasarkan temuan di lapangan, program bantuan ini tidak tepat sasaran. Melalui klasifikasi supervised learning dengan hyperparameter tuning, penelitian ini bertujuan untuk mengetahui algoritma klasifikasi umum yang paling optimal dan akurat dalam menentukan keluarga penerima bantuan pangan beras. Algoritma Support Vector Machine (SVM), decision tree, naïve bayes, dan K-nearest neighbor (Knn) serta metode hyperparameter tuning grid search, random search, dan optimasi bayesian digunakan dalam penelitian. Data pada penelitian ini bersumber dari IFLS. Berdasarkan hasil analisis, penerapan hyperparameter tuning memiliki dampak yang signifikan dalam meningkatkan kinerja algoritma KNN, decision tree, dan SVM. Algoritma Knn dengan random search serta optimasi bayesian dan SVM dengan optimasi bayesian memberikan nilai akurasi yang sama, yakni sebesar 74%.Oleh karena itu, model tersebut memiliki kinerja yang setara dan sama baiknya dalam mengklasifikasikan keluarga penerima bantuan pangan beras.
Implementasi Algoritma MFCC dan CNN dalam Klasifikasi Makna Tangisan Bayi Yusdiantoro, Senli Yusdiantoro; Sasongko, Theopilus Bayu
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3243

Abstract

Menangis merupakan salah satu usaha bayi dalam berkomunikasi untuk menyampaikan suatu kondisi yang sedang dialaminya, baik itu sedang lelah, sakit perut, rasa tidak nyaman maupun lapar. Bagi sebagian orang tua yang baru memiliki anak tentu tidak selalu mampu untuk memahami apa yang dikehendaki oleh bayi ketika dia menangis, karena suara tangisan yang dihasilkan terdengar hampir sama. Maka, pada penelitian ini dibuat sebuah sistem klasifikasi makna tangisan bayi dengan mengimplementasikan deep learning. Untuk memahami arti tangisan bayi berdasarkan penyebabnya dengan mengimplementasikan metode Mel-Frequency Cepstral (MFCC) sebagai fitur ekstraksi ciri dan CNN sebagai metode klasifikasi. Diantara proses pelatihan dan pengujian yang telah berhasil dilakukan dalam penelitian ini diperoleh hasil akurasi tertinggi terhadap pelatihan yang dilakukan dengan 50 epoch sebesar 93,84% dan model mampu mengklasifikasikan makna tangisan bayi berdasarkan penyebabnya terhadap data baru dengan rata-rata akurasi 88.04%.
Optimasi K-Nearest Neighbor dengan Grid Search CV pada Prediksi Kanker Paru-Paru Kusuma, Satya Tegar; Sasongko, Theopilus Bayu
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3267

Abstract

Kanker paru-paru adalah salah satu kanker paling mematikan di seluruh. Salah satu penyebab kematian pada penderita kanker paru-paru adalah tidak ada sistem untuk memprediksi kanker paru-paru secara optimal apakah pasien menderita kanker paru-paru atau tidak. Oleh karena itu, penelitian ini bertujuan untuk melakukan optimasi nilai K pada algoritma k-nearest neighbor (KNN) menggunakan metode grid search cv. Algoritma KNN dipilih karena pada berbagai penelitian memiliki tingkat akurasi yang lebih baik dibandingkan dengan algoritma supervised learning lainnya. Data yang digunakan pada penelitian ini bersumber dari data publik yang ada di kaggle. Berdasarkan penelitian dan pembahasan mengenai optimasi nilai K pada algoritma KNN menggunakan metode grid search cv didapatkan nilai K paling optimal yaitu 3 dengan tingkat akurasi 96%. Oleh karena itu, nilai K=3 sangat baik diterapkan pada algoritma KNN untuk memprediksi kanker paru-paru karena memiliki akurasi yang tinggi.
Perbandingan Kinerja LSTM, Bi-LSTM, dan GRU pada Klasifikasi Judul Berita Clickbait Anas Fikri Hanif; Theopilus Bayu Sasongko; Arif Dwi Laksito
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3281

Abstract

Maraknya penggunaan konsep clickbait menjadi tantangan bagi para pengguna media sosial. Sering kali mereka tertipu dengan judul sebuah artikel yang berbeda dengan isi artikelnya. Oleh karena itu diperlukan sebuah model yang mampu melakukan klasifikasi terhadap judul clickbait maupun non-clickbait. Meskipun beberapa penelitian sudah dilakukan untuk membuat sebuah model klasifikasi judul clickbait, akan tetapi analisa perbandingan sangat diperlukan untuk menentukan model terbaik yang dapat digunakan dalam klasifikasi judul clickbait. Oleh karenanya peneliti melakukan perbandingan terhadap tiga model deep learning yang berbeda (LSTM, Bi-LSTM, dan GRU) guna menemukan model terbaik yang dapat menyelesaikan kasus ini dengan memanfaatkan data publik dari penelitian sebelumnya. Hasilnya algoritma GRU merupakan algoritma terbaik yang berhasil mencapai akurasi 97,16%. Tidak hanya itu GRU juga memiliki nilai tinggi dalam beberapa metrik evaluasi lainnya, yaitu precision 96,63%, recall 97,66%, dan F1-score 97,14%. Selain menghasilkan metrik evaluasi yang baik, model GRU juga tergolong cepat dalam melakukan training dengan waktu 328 detik.
Analisa Perbandingan Algoritma CNN dan LSTM untuk Klasifikasi Pesan Cyberbullying pada Twitter Radjavani, Alifqi; Bayu Sasongko, Theopilus
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3287

Abstract

Dengan meningkatnya penggunaan sosial media, cyberbullying telahmencapai titik puncak sepanjang masa. Anonimitas pada internet membuatcyberbullying sangat merusak, dikarenakan korban akan merasa jika tiadajalan keluar dari pelecehan tersebut. Setiap individu harus selalu waspadaterhadap cyberbullying dan dihimbau untuk selalu melindungi diri sendiribeserta orang lain dari hal ini. Pada kasus ini, penulis membuat model yangsecara otomatis akan menandai tweet yang berpotensi membahayakan sertamemecah pola pesan kebencian tersebut. Dataset yang disediakan olehpenulis berisi sekitar 48.000 tweet yang telah dilabeli sesuai dengan jenis dandata-data tersebut telah diseimbangkan dan berisi sekitar 8000 data.Penelitian ini membandingkan algoritma Convolutional Neural Networkdengan Long Short-Term Memory untuk menentukan algoritma terbaik untukdataset pada penelitian ini. Berdasarkan hasil penelitian yang sudahdilakukan disimpulkan jika Long Short-Term Memory adalah algoritmaterbaik dengan f1-score 83.09%.
Co-Authors Abd Mizwar A. Rahim Abdul Mizwar A. Rahim AGIT AMRULLAH Agus Fatkhurohman Agus Fatkhurohman Alifqi Radjavani Amrullah, Yusuf Amri Anas Fikri Hanif Anas Fikri Hanif Arif Dwi Laksito Arifin, Oki Arifiyanto Hadinegoro, Arifiyanto Arnandito, Seno Asrawi, Hannan Baasith, Rafi Haqul Dewantoro, Agus Erfina Nurussa’adah Fajar, Rizqi Al Fikri, Muhammad Ainul Ginanjar Wiro Sasmito Haryoko, Haryoko Hasbi Huda, Amirudin Khorul Joshua Agung Nurcahyo Joshua Agung Nurcahyo Khairul Rohman Kusuma, Satya Tegar Muhammad Fikri Hidayatullah Muhammad Taqiyuddin MUhammad Yusrizal Ningrum, Fauzia Anis Sekar Radjavani, Alifqi Rahim, Abd. Mizwar A. Restu Bumi Apit Rivi Neritarani Rivi Neritarani Rosyida, Anistya Safitri, Anisa Ika Saputro, Uyock Anggoro Satya Tegar Kusuma Senli Yusdiantoro Yusdiantoro Setyanto, Joko Simarmata, Asyer Aprinando Pratama Subagyo, Ageng Ramdhan Yusdiantoro, Senli Yusdiantoro