Article Per Year (5 Year)
p-Index From 2021 - 2026
2.392
P-Index
This Author published in this journals
All Journal Nirmana Journal of Environmental Engineering and Sustainable Technology Jurnal Teknologi Informasi dan Ilmu Komputer Register: Jurnal Ilmiah Teknologi Sistem Informasi International Journal of Artificial Intelligence Research Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jiko (Jurnal Informatika dan komputer) Jurnal Teknik Informatika (JUTIF)
Sigit Adinugroho
STMIK Amikom Yogyakarta
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Environmental Science Mechanical Engineering

Published : 17 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 17 Documents
Search

 1   2 
Halaman Belakang dan Daftar Indeks Adinugroho, Sigit
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Halaman Belakang dan Daftar Indeks
Analisis Sentimen Ulasan Kedai Kopi Menggunakan Metode Naive Bayes dengan Seleksi Fitur Algoritme Genetika Azhar, Naziha; Adikara, Putra Pandu; Adinugroho, Sigit
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834436

Abstract

Di era sekarang, kedai kopi tak hanya dikenal sebagai tempat berkumpul dan menyeruput kopi saja, tetapi kedai kopi telah menjadi tempat yang nyaman untuk belajar dan bekerja. Namun, tidak semua kedai kopi memiliki kualitas yang baik sesuai dengan apa yang diharapkan pelanggan. Ulasan tentang kedai kopi dapat membantu pemilik kedai kopi untuk mengetahui bagaimana respons mengenai produk dan pelayanannya. Ulasan tersebut perlu diklasifikasikan menjadi ulasan positif atau negatif sehingga membutuhkan analisis sentimen. Terdapat beberapa tahap pada penelitian ini yaitu pre-processing untuk pemrosesan ulasan, ekstraksi fitur menggunakan Bag of Words dan Lexicon Based Features, serta mengklasifikasikan ulasan menggunakan metode Naïve Bayes dengan Algoritme Genetika sebagai seleksi fitur. Data yang digunakan pada penelitian ini sebanyak 300 data dengan 210 data sebagai data latih dan 90 data sebagai data uji. Hasil evaluasi yang didapatkan dari klasifikasi Naïve Bayes dan seleksi fitur Algoritme Genetika yaitu accuracy sebesar 0,944, precision sebesar 0,945, recall sebesar 0,944, dan f-measure sebesar 0,945 dengan menggunakan parameter Algoritme Genetika terbaik yaitu banyak generasi = 50, banyak populasi = 18, crossover rate = 1, dan mutation rate = 0. AbstractIn this era, coffee shops are not only known as a place to gather and drink coffee, but also have become a comfortable place to study and work. However, not all coffee shops are in good quality according to what customers expect. Coffee shop reviews can help coffee shop owners to find out the response to their products and services. These reviews need to be classified as positive or negative reviews so that sentiment analysis is needed. There are several steps in this study, which are pre-processing to process reviews, feature extraction using Bag of Words and Lexicon Based Features, also classifying reviews using the Naïve Bayes method with Genetic Algorithm as a feature selection. The data used in this study were 300 data with 210 data as training data and 90 data as test data. Evaluation results obtained from the Naïve Bayes classification and Genetic Algorithm feature selection are 0.944 for accuracy, 0.945 for precision, 0.944 for recall, and 0.945 for f-measure using the best Genetic Algorithm parameters which are many generations = 50, many populations = 18, crossover rate = 1, and mutation rate = 0.
Klasifikasi Kelas Kata (Part-Of-Speech Tagging) untuk Bahasa Madura Menggunakan Algoritme Viterbi Firmansyah, Ilham; Adikara, Putra Pandu; Adinugroho, Sigit
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 5: Oktober 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021854483

Abstract

Bahasa manusia adalah bahasa yang digunakan oleh manusia dalam bentuk tulisan maupun suara. Banyak teknologi/aplikasi yang mengolah bahasa manusia, bidang tersebut bernama Natural Language Processing yang merupakan ilmu yang mempelajari untuk mengolah dan mengekstraksi bahasa manusia pada perkembangan teknologi. Salah satu proses pada Natural Language Processing adalah Part-Of-Speech Tagging. Part-Of-Speech Tagging adalah klasifikasi kelas kata pada sebuah kalimat secara otomatis oleh teknologi, proses ini salah satunya berfungsi untuk mengetahui kata-kata yang memiliki lebih dari satu makna/arti (ambiguitas). Part-Of-Speech Tagging merupakan dasar dari Natural Language Processing lainnya, seperti penerjemahan mesin (machine translation), penghilangan ambiguitas makna kata (word sense disambiguation), dan analisis sentimen. Part-Of-Speech Tagging dilakukan pada bahasa manusia, salah satunya adalah bahasa Madura. Bahasa Madura adalah bahasa daerah yang digunakan oleh suku Madura dan memiliki morfologi yang mirip dengan bahasa Indonesia. Penelitian pada Part-Of-Speech Tagging pada bahasa Madura ini menggunakan algoritme Viterbi, terdapat 3 proses untuk implementasi algoritme Viterbi pada pada Part-Of-Speech Tagging bahasa Madura, yaitu pre-processing pada data training dan testing, perhitungan data latih dengan Hidden Markov Model dan klasifikasi kelas kata menggunakan algoritme Viterbi. Kelas kata (tagset) yang digunakan untuk klasifikasi kata pada bahasa Madura sebanyak 19 kelas, kelas kata tersebut dirancang oleh pakar. Pengujian sistem pada penelitian ini menggunakan perhitungan Multiclass Confusion Matrix. Hasil pengujian sistem mendapatkan nilai micro average accuracy sebesar 0,96 dan nilai micro average precision dan recall yang sama sebesar 0,68. Precision dan recall masih dapat ditingkatkan dengan menambahkan data yang lebih banyak lagi untuk pelatihan. AbstractNatural language is a form of language used by human, either in writing or speaking form. There is a specific field in computer science that processes natural language, which is called Natural Language Processing. It is a study of how to process and extract natural language on technology development. Part-Of-Speech Tagging is a method to assign a predefined set of tags (word classes) into a word or a phrase. This process is useful to understand the true meaning of a word with ambiguous meaning, which may have different meanings depending on the context. Part-Of-Speech Tagging is the basis of the other Natural Language Processing methods, such as machine translation, word sense disambiguation, and sentiment analysis. Part-Of-Speech Tagging used in natural languages, such as Madurese language. Madurese language is a local language used by Madurese and has a similar morphology as Indonesian language. Part-Of-Speech Tagging research on Madurese language using Viterbi algorithm, consists of 3 processes, which are training and testing corpus pre-processing, training the corpus by Hidden Markov Model, and tag classification using Viterbi algorithm. The number of tags used for words classification (tagsets) on Madurese language are 19 class, those tags were designed by an expert. Performance assessment was conducted using Multiclass Confusion Matrix calculation. The system achieved a micro average accuracy score of 0,96, and micro average precision score is equal to recall of 0,68. Precision and recall can still be improved by adding more data for training.
Klasifikasi Kinerja Akademik Siswa Menggunakan Neighbor Weighted K-Nearest Neighbor dengan Seleksi Fitur Information Gain Azizah, Rizky Adinda; Bachtiar, Fitra; Adinugroho, Sigit
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022935751

Abstract

Kinerja akademik siswa merupakan indikator kesuksesan dari pembelajaran di sekolah. Mengukur kinerja akademik siswa dapat membantu tenaga didik mengembangkan pembelajaran yang sesuai untuk siswa sehingga meningkatkan keberhasilan pembelajaran sekolah. Kinerja akademik siswa dapat diamati melalui suatu Learning Management System bernama Kalboard 360 yaitu sistem yang berhubungan dengan perilaku siswa menggunakan alat pelacak aktivitas siswa yang memantau aktivitas pembelajaran. Data sekunder dari aktivitas tersebut dapat digunakan untuk mengetahui kinerja siswa dengan salah satu caranya adalah klasifikasi. Klasifikasi menggunakan metode Neighbor Weighted K-Nearest Neighbor dengan seleksi fitur Information Gain diterapkan pada penelitian ini untuk membantu klasifikasi kinerja siswa karena metode NWKNN mempunyai kelebihan memperhitungkan metode pembobotan kelas dan mengatasi data tidak seimbang. Seleksi fitur dengan Information Gain digunakan agar dapat mengoptimalkan hasil kerja classifier. Berdasarkan pengujian dan analisis penelitian, didapatkan nilai akurasi terbaik sebesar 0,604, dengan nilai precision adalah 0,719, nilai recall sebesar 0,676, dan nilai f-measure diperoleh adalah 0,661. Nilai tersebut dihasilkan saat menggunakan 9 fitur yaitu VisitedResource, StudentAbsenceDay, RaisedHands, AnnouncementsView, Relation, ParentsAnsweringSurvey, Discussion, NationalITy, dan PlaceofBirth dimana fitur tersebut memperoleh nilai Gain tertinggi dari urutan Gain keseluruhan fitur, dengan nilai Gain ≥ 0,1182 dan menggunakan nilai parameter optimal yaitu nilai E = 6, dan nilai K = 45. AbstractThe academic performance of students is an indicator of the success of learning in school. Measuring and understanding student performance can help for  improving learning systems that are suitable for students so the success of school learning will increase. Student academic performance can be observed via Learning Management System (LMS) named Kalboard 360 dealing with student behavior through a student activity tracking device so it can monitor learning activities. In this research, the secondary data is used to determine student performance through a classification. Neighbor Weighted K-Nearest Neighbor algorithm with Information Gain method will be applied to this study to help predict student performance. NWKNN method has advantages in calculating the weight of classes and overcoming unbalanced data. Information Gain is used to optimize the classifier. Based on the research analysis, the accuracy value is 0,604, with precision value obtained is 0,719, recall value obtained is 0,676, and the f-measure value obtained is 0,661. That values is generated when using 9 features with the highest order value of all features namely VisitedResource, StudentAbsenceDay, RaisedHands, AnnouncementsView, Relation, ParentsAnsweringSurvey, Discussion, NationalITy, dan PlaceofBirth, which have Gain value≥0,1182  and using optimal parameters value, that is E = 6 and K = 45.
SPERM ABNORMALITY CLASSIFICATION USING MULTI-PURPOSE IMAGE EMBEDDING AND CLASSICAL MACHINE LEARNING Adinugroho, Sigit; Sari, Yuita Arum; Kurniawan, Wijaya; Arwan, Achmad
JIKO (Jurnal Informatika dan Komputer) Vol 7, No 3 (2024)
Publisher : Universitas Khairun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33387/jiko.v7i3.8938

Abstract

Since sperm cells have big impact for human welfare in terms of reproduction, there are many studies have been done. In this case, we are attracted to enrich the method in determining the morphological properties of them using machine learning. Most study about it is done using 2-steps action that are feature extraction which is continued by classification. In our work, we aimed to lower the complexity by using image embedding as a general-purpose feature extractor that requires no training. For feature extraction using image, it is found that RGB has better performance compared to grayscale if we want to use Support Vector Machine (SVM). Meanwhile, when a comparation is done between SVM, random forest, Multi-Layer Perceptron (MLP), Naïve Bayes, and k-Nearest Neighbour (kNN) for classification process, MLP shows the best performance among them which is around 85%. Moreover, our proposed method has low complexity indicated by the training time around one and a quarter minute s for the most accurate method, compared to hours of training time in similar methods.
Analisis Karakteristik Spectrogram dan Mel-Spectrogram dalam Merepresentasikan Fitur Akustik untuk Klasifikasi Emosi Berbasis Suara Fadhilah, Muhammad Aldy Naufal; Adinugroho, Sigit; Sari, Irawati Nurmala
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini membahas pengaruh representasi fitur audio terhadap performa sistem Speech Emotion Recognition (SER) dengan menggunakan arsitektur ConvNeXt. Dua jenis representasi fitur yang dibandingkan adalah spectrogram linear dan Mel-spectrogram, yang dievaluasi pada berbagai skenario pengujian. Dataset utama yang digunakan adalah RAVDESS sebagai data pelatihan, sedangkan pengujian dilakukan pada data bersih, data dengan gangguan noise, dan data audio berbahasa Indonesia. Pengujian noise dirancang dalam dua skenario, yaitu noise sebagai latar sepanjang durasi audio dan noise yang ditambahkan hanya pada saat ucapan berlangsung. Hasil eksperimen menunjukkan bahwa Mel-spectrogram memberikan performa yang lebih stabil pada kondisi data bersih, sedangkan spectrogram linear menunjukkan kinerja yang relatif lebih baik pada skenario noise yang berinteraksi langsung dengan ucapan. Namun, pada kondisi noise latar kontinu, performa kedua representasi mengalami penurunan yang signifikan. Selain itu, pengujian pada data audio berbahasa Indonesia menunjukkan penurunan performa yang tajam akibat perbedaan bahasa dan kondisi perekaman dibandingkan data pelatihan. Penelitian ini juga mengidentifikasi bahwa perbedaan struktur visual spectrogram, termasuk keberadaan artefak black gap dan dominasi noise, berpengaruh terhadap kemampuan generalisasi model. Temuan ini menegaskan pentingnya kesesuaian kondisi data pelatihan dan pengujian dalam pengembangan sistem SER yang robust.
Klasifikasi Tingkat Sisa Makanan Pasien Menggunakan Arsitektur Lightweight Convolutional Neural Network soegiharto, sekar Parameswara Meilia; Arum Sari, Yuita; Adinugroho, Sigit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Naskah ini akan diterbitkan di International Conference on Data Science and Geoinformatic
Co-Authors Achmad Arwan Artha Sitorus, Yoshua Arum Sari, Yuita Azhar, Naziha Azizah, Rizky Adinda Bihanda, Yusuf Gladiensyah Budi Darma Setiawan Fadhilah, Muhammad Aldy Naufal Fatchurrahman, Danial Firmansyah, Ilham Fitra Abdurrachman Bachtiar Haikal, M. Fikri Hapsani, Anggi Gustiningsih Intan Rizky Mutiaz Jaya Mahar Maligan Jayawarsa, A.A. Ketut Lukman Hakim Nugraha, Dwi Cahya Astria Nuraini, Nabila Putra Pandu Adikara Sari, Irawati Nurmala Siti Mutrofin soegiharto, sekar Parameswara Meilia Utaminingrum, Fitri Wijaya Kurniawan Yuita Arum Sari