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 34 Documents
Search

 1   2   3   4 
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 (IJCS)
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%.
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.
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 (IJCS)
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 (IJCS)
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 (IJCS)
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%.
Komparasi dan Analisis Kinerja Model Algoritma SVM dan PSO-SVM (Studi Kasus Klasifikasi Jalur Minat SMA) Theopilus Bayu Sasongko
Jurnal Teknik Informatika dan Sistem Informasi Vol 2 No 2 (2016): JuTISI
Publisher : Maranatha University Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28932/jutisi.v2i2.627

Abstract

Attribute Selection is very important for classification process. This research has been done by doing attribute selection using PSO method (Particle Swarm Optimization) on SVM algorithm (Support Vector Machine). The development of the classification model uses three parameters especially data attribute, influence of the transformation of various kernel function and penalty factor (C) toward the performance of SVM and PSO-SVM classification.  The analysis uses five kernels in mySVM library that existed in Rapidminer application namely dot, radial, polynomial, neural, and anova kernel. The training data used in the first model classification development is student interest data at ABC high school on 2013-2014 year academic.  The first model is evaluated using accuracy, precision, recall, and auc value test. The first result shows that the anova kernel on PSO-SVM is able to work with accuracy level 99.30% using penalty factor 0.1. The second model has been developed to predict student interest in XYZ high school. The second result shows that PSO-SVM with kernel anova is able to classify students interest with 99.29% accuracy level.  Keywords— Optimization, SVM, PSO-SVM, Student Interest. 
Sentiment Analysis on BRImo Application Reviews Using IndoBERT Simarmata, Asyer Aprinando Pratama; Sasongko, Theopilus Bayu
Journal of Applied Informatics and Computing Vol. 9 No. 3 (2025): June 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i3.8162

Abstract

The advancement of information technology has significantly impacted various sectors, including digital banking. BRImo, a mobile banking application from Bank Rakyat Indonesia (BRI), has been widely used, generating numerous user reviews that reflect their experiences. This study applies IndoBERT, a transformer-based model specifically designed for the Indonesian language, to analyze sentiment in BRImo user reviews. IndoBERT excels in handling the unique characteristics of the Indonesian language, such as informal and mixed-language usage. The dataset was collected from Kaggle and processed through labeling, data balancing, and splitting into 80% training, 10% validation, and 10% testing data. The IndoBERT model was evaluated using a confusion matrix and achieved 90% accuracy, with F1-scores of 0.89 for negative, 0.91 for neutral, and 0.90 for positive sentiments. Sentiment analysis results indicate that a significant portion of negative reviews highlight issues related to login difficulties, transaction failures, and slow customer service response times. These insights can help BRI enhance application reliability and customer support efficiency. This study demonstrates that IndoBERT is effective in sentiment analysis for Indonesian text and can be utilized to enhance BRImo services by providing deeper insights into user feedback.
Implementasi Metode Forward Selection pada Algoritma Support Vector Machine (SVM) dan Naive Bayes Classifier Kernel Density (Studi Kasus Klasifikasi Jalur Minat SMA) Sasongko, Theopilus Bayu; Arifin, Oki
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 6 No 4: Agustus 2019
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1093.895 KB)

Abstract

Peminatan merupakan kegiatan yang disediakan oleh pihak sekolah yang berguna untuk mengakomodasi pilihan minat, bakat, atau kemampuan peserta didik dengan orientasi pemusatan. Penentuan jalur minat umumnya melibatkan banyak attribute. Klasifikasi maupun prediksi pada data mining menggunakan fitur seleksi sangat penting untuk pemilihan attribute yang tepat, karena berpengaruh pada performansi model, oleh sebab itu perlu metode untuk melakukan seleksi atribut. Penelitian ini membandingkan implementasi metode forward selection pada Algoritma SVM dan Naïve Bayes Kernel Density. Studi kasus yang digunakan adalah jalur minat pada siswa SMA pada dua sekolah yang berbeda. Proses pembentukan model klasifikasi dengan menganalisa perubahan kernel, faktor pinalti (C) SVM, number of kernel Naïve bayes kernel density, dan hasil feature subset forward selection. Digunakan lima buah eksperimen kernel SVM yaitu dot (linear), radial (RBF), polynomial, neural, dan anova. Proses uji coba perubahan parameter menggunakan rentang 0.0-100.0. Hasil dari penelitian ini diantaranya adalah feature subset dataset SMA ABC yang terpilih yaitu nilai IPA, tes akademik, abstrak konseptual, analisa sintesa, dan logika numerik, sedangkan feature subset SMA XYZ yaitu nilai IPA, logika numerik, dan analisa sintesa. Hasil pengujian dataset SMA ABC menggunakan algoritma FS-SVM berbasis kernel anova parameter C=10.0 sebesar 99.29%. Sedangkan hasil pengujian dataset SMA XYZ menggunakan algoritma FS-SVM berbasis kernel anova parameter C=10.0 sebesar 95.17%. AbstractSpecialization is an activity provided by the school that is useful to accommodate the choice of interests, talents, or abilities of students with a concentration of orientation. The determination of interest generally involved many attributes. The classification and prediction on the data mining that use the selection feature is very important for the selection of the right attribute, because it affects the performance of the model, therefore a method is needed to select attributes. This study compares the implementation of the forward selection method in the SVM Algorithm and Naïve Bayes Kernel Density. The case study that is used is the interest of students in high school and compared with two different schools. The process of modelling by studying kernel changes, penalty factors (C) SVM, number of kernel Naïve bayes kernels, and the results of features from subset forward selection. Five SVM kernel experiments ared used, namely dot (linear), radial (RBF), polynomial, neural, and anova. The trial process of changes parameters uses the range 0.0-100.0. The results of this study include features of selected ABC SMA subset datas, which are IPA values, academic tests, conceptual abstracts, synthesis analysis, and numerical logic, while the XYZ SMA subset features are IPA values, numerical logic, and synthesis analysis. The test results of the ABC High School dataset that use the kernel-based FS-SVM algorithm parameter C = 10.0 is 99.29%. While the results of testing the XYZ SMA dataset that use the kernel-based FS-SVM algorithm parameter C = 10.0 for 95.17%.
Analisis Efek Augmentasi Dataset dan Fine Tune pada Algoritma Pre-Trained Convolutional Neural Network (CNN) Sasongko, Theopilus Bayu; Haryoko, Haryoko; Amrullah, Agit
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 4: Agustus 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024106583

Abstract

Kemajuan teknologi deep learning seringkali berbanding lurus dengan keterkaitan metode yang dapat diandalkan dalam penggunaan jumlah data yang besar. Convolutional Neural Network (CNN) adalah salah satu algoritma deep learning yang paling popular saat ini guna pengolahan citra. Pada era deep learning model CNN yang kompleks seperti saat ini memiliki tantangan-tantangan yang baru baik gradient vanishing, overfitting yang dikarenakan keterbatasan dataset, optimasi parameter hingga keterbatasan perangkat keras. Penelitian ini bertujuan mengukur pengaruh teknik fine tuning dan augmentasi dataset pada model transfer learning CNN Mobilenet, Efficientnet, dan Nasnetmobile dengan dataset yang variasi jumlah dataset yang memiliki jumlah yang terbatas. Pada hasil dari penelitian ini, dari ketiga dataset yang digunakan sebagai dalam melakukan training pada model efisien transfer learning baik MobileNet, EfficientNet, dan NasNetmobile, teknik augmentasi zoom range ataupun random erase dapat meningkatkan akurasi pada dataset dengan jumlah 56 citra dan 222 citra, sedangkan pada dataset dengan jumlah 500 data citra, semua teknik augmentasi terbukti dapat meningkatkan akurasi pada model arsitektur MobileNetV2 dan NasNetMobile. Sedangkan teknik fine tuning terbukti efektif dalam meningkatkan akurasi pada semua skala data yang kecil. AbstractToday deep learning technology is often associated with reliable processes (methods) when we have large amounts of data. In deep learning CNN (Convolutional Neural Network) plays a very important role which is often used to analyze (classify or recognize) visual images. In the era of deep learning models such as the complex Convolutional Neural Network (CNN) as it is today, it has new challenges such as gradient vanishing, overfitting due to dataset limitations, parameter optimization to hardware limitations. The MobileNet architecture was coined in 2017 by Howards, et al, which is one of the convolutional neural networks (CNN) architectures that can be used to overcome the need for excessive computing resources. This study aims to measure the effect of fine tune and dataset augmentation techniques on CNN mobilenet, efficientnet, and nasnetmobile transfer learning models with very small datasets. The results of this study are that of the three datasets used as the basis for training in efficient transfer learning models (mobilenet, efficientnet, and nasnetmobile), random erase and zoom range augmentation techniques dominate the increase in model accuracy. The amount of increase in accuracy after random erase or zoom range augmentation that occurs is about 0.03% to 0.1%.
SENTIMENT ANALYSIS OF CYBERBULLYING USING BIDIRECTIONAL LONG SHORT TERM MEMORY ALGORITHM ON TWITTER Safitri, Anisa Ika; Bayu Sasongko, Theopilus
Jurnal Teknik Informatika (Jutif) Vol. 5 No. 2 (2024): JUTIF Volume 5, Number 2, April 2024
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2024.5.2.1922

Abstract

Cyberbullying on social media such as Twitter is becoming an increasing social problem in today's society. Cyberbullying has a negative influence on mental health, increasing the risk of anxiety, sadness, and even suicide. The purpose of this research is to develop a model to classify tweets that contain or do not contain cyberbullying by applying the BiLSTM technique to sentiment analysis on Twitter. In this research, Word2Vec is used to weight each word in a tweet. The initial stage in this research is data collection with a total dataset of 47,692 tweets generated by Kaggle, preprocessing which consists of data cleaning, removing duplicates, case folding, tokenizing, stopword removal and lemmatization, classification and evaluation. This research uses the Bidirectional Long Short-Term Memory (Bi-LSTM) method and identifies patterns associated with bullying on social media. Testing uses Confusion Matrix and the results on classification show accuracy of 82.29%, precision of 82,04%, recall of 81,95% and F1-Score 81,89%. This sentiment analysis technique is expected to be the first step to combat and avoid cyberbullying on the Twitter platform. From several tests of existing reference algorithms, the classification accuracy performed includes having good performance.
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 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