Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Jurnal Pendidikan dan Teknologi Indonesia
Fadilatul Fajriyah, Rizqi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Energy Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementation of Particle Swarm Optimization (PSO) to Improve Neural Network Performance in Univariate Time Series Prediction Tyas, Fitri Ayuning; Setianama, Mamur; Fadilatul Fajriyah, Rizqi; Ilham, Ahmad
Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Vol. 6, No. 4, November 2021
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/kinetik.v6i4.1330

Abstract

One of the oldest known predictive analytics techniques is time series prediction. The target in time series prediction is use historical data about a specific quantity to predicts value of the same quantity in the future. Multivariate time series (MTS) data has been widely used in time series prediction research because it is considered better than univariate time series (UTS) data. However, in reality MTS data sets contain various types of information which makes it difficult to extract information to predict the situation. Therefore, UTS data still has a chance to be developed because it is actually simpler than MTS data. UTS prediction treats forecasts as a single variable problem, whereas MTS may employ a large number of time-concurred series to make predictions. Neural Network (NN) model could be built to predict the target variable given the other (predictor) variables. In this study, we used Particle Swarm Optimization (PSO) algorithm to optimize performance of NN on a UTS dataset. Our proposed model is validated using x-validation and and use RMSE to measure its performance. The experimental results show that NN performance after optimization using PSO produces good results compared to classical NN performance. This is evidenced by the value of RMSE = 0.410 which is the smallest RMSE value produced. The smaller the RMSE value, the better the model performance. It can be concluded that the proposed method can improve NN performance on UTS data.
Analisis Tren Penelitian Hyperparameter Tuning dalam Software Engineering melalui Systematic Literature Review dan Bibliometric Analysis Fadilatul Fajriyah, Rizqi; Sulistyo nugroho, Yusuf
Jurnal Pendidikan dan Teknologi Indonesia Vol 5 No 8 (2025): JPTI - Agustus 2025
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.817

Abstract

Hyperparameter tuning merupakan salah satu aspek penting dalam meningkatkan performa model machine learning di bidang software engineering. Meskipun memiliki dampak signifikan, kajian terkait tren dan perkembangan penelitian hyperparameter tuning di bidang ini masih terbatas dan belum banyak dieksplorasi secara sistematis. Penelitian ini bertujuan untuk menganalisis tren penelitian hyperparameter tuning dalam software engineering melalui pendekatan Systematic Literature Review (SLR) dan Bibliometric Analysis. Metode bibliometrix menggunakan Bibliometrix R-Package, sebanyak 503 artikel diperoleh dari database Scopus dianalisis untuk mengidentifikasi metode tuning yang dominan, tantangan yang dihadapi, serta peluang penelitian masa depan. Hasil kajian menunjukkan adanya fluktuasi jumlah publikasi dari tahun 2020 hingga 2025, dengan peningkatan signifikan pada tahun 2024 (132 artikel), namun diiringi penurunan rata-rata sitasi pada  tahun 2025 (10 artikel) dapat dikaitkan dengan waktu yang lebih singkat bagi publikasi baru untuk mendapatkan kutipan.  Wang Y menjadi penulis terbanyak dengan 11 artikel dan sebagai penulis yanng paling berpengaruh dengan skor fraksionalisasi 1,75. Sumber paling relevan dan populer berdasarkan jumlah publikasi kategori Jurnal ilmiah adalah IEEE Transactions on Software Engineering (18 artikel), untuk kategori konferensi yaitu ACM International Conference Proceeding Series (15 artikel). Tren topik berdasarkan kata kunci yang sering muncul adalah deep learning dengan 89 kemunculan. Tren penelitian juga menunjukkan peningkatan signifikan dalam eksplorasi teknik tuning otomatis guna mengatasi kompleksitas model dan biaya komputasi yang tinggi. Kajian ini memberikan wawasan mengenai perkembangan terkini dan tantangan, seperti kurangnya generalisasi hasil tuning dan pendekatan akan pendekatan yang lebih adaptif, serta membuka peluang penelitian untuk inovasi di bidang hyperparameter tuning dalam software engineering.
Co-Authors Fitri Ayuning Tyas Ilham, Ahmad Setianama, Mamur Yusuf Sulistyo Nugroho