Article Per Year (5 Year)
p-Index From 2021 - 2026
1.168
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Abadimas Adi Buana International Journal of Education, Science, Technology, and Engineering (IJESTE) Journal of Informatics and Computer Science (JINACS)
Eka Putra, Ricky
Unknown Affiliation
Humanities Computer Science & IT Economics, Econometrics & Finance Education Energy Engineering Public Health Other

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Journal of Informatics and Computer Science (JINACS)

 1 
Sistem Deteksi Stunting pada Balita Berbasis Web Menggunakan Metode Random Forest Syafa Iswahyudi, Silvia Nanda; Eka Putra, Ricky
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p755-764

Abstract

Stunting adalah kondisi gagal tumbuh yang sering dialami oleh balita di Indonesia dan dapat berdampak negatif jangka panjang terhadap perkembangan fisik serta kognitif anak. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stunting berbasis web menggunakan Random Forest, yang dikenal efektif dalam menangani data yang tidak seimbang. Dataset yang digunakan dalam penelitian ini berasal dari situs web Kaggle, yang terdiri dari 10.000 data balita di Indonesia. Metodologi yang digunakan adalah CRISP-DM, dengan tahapan mulai dari pemahaman bisnis hingga implementasi aplikasi web menggunakan Flask dan Railway untuk deployment. Evaluasi model dilakukan menggunakan confusion matrix dan hasilnya menunjukkan bahwa model dengan tuning hyperparameter pada pembagian data 90:10 mencapai akurasi sebesar 85%. Model ini kemudian diintegrasikan ke dalam aplikasi web. Sistem yang dikembangkan menyediakan dua opsi deteksi, yaitu deteksi individu untuk mendeteksi status stunting pada satu anak, dan deteksi kelompok yang memungkinkan pengguna untuk mengunggah data beberapa anak sekaligus dalam bentuk file CSV. Aplikasi ini di-deploy menggunakan platform Railway yang memudahkan pengelolaan dan pemeliharaan aplikasi, serta memberikan kemampuan untuk melakukan update secara otomatis melalui GitHub. Diharapkan aplikasi ini dapat memberikan kontribusi dalam upaya deteksi aplikasi ini dapat memberikann kontribusi dalam upaya deteksi dini stunting secara efektif dan efisien, terutama di daerah dengan akses layanan kesehatan yang terbatas. Kata Kunci— Stunting, Random Forest, Deteksi dini, Aplikasi web, dan Balita.
Implementasi Long Short-Term Memory dalam Mendeteksi Kesalahan Pronunciation Bahasa Inggris Berbasis Audio Fasha Dewatri, Roro Ayu; Eka Putra, Ricky
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p747-754

Abstract

Perkembangan kecerdasan buatan membuka peluang dalam mendukung pembelajaran bahasa, khususnya dalam mendeteksi dan memperbaiki kesalahan pengucapan (pronunciation). Bahasa Inggris, sebagai bahasa internasional, sering kali menimbulkan tantangan dalam pengucapan yang dapat mengubah makna pesan jika ada kesalahan. Penelitian ini memanfaatkan model Long Short-Term Memory (LSTM) untuk mendeteksi kesalahan pengucapan bahasa Inggris berbasis audio. Data yang digunakan terdiri dari dataset TIMIT, yang mewakili penutur asli Amerika, dan Common Voice untuk penutur non-Amerika. Data diproses dengan resampling, padding zero, trimming berbasis energi, dan normalisasi untuk mengekstraksi fitur yang lebih fokus pada bagian audio yang signifikan. Pembagian data dilakukan menggunakan K-Fold Cross-Validation (k=10) dengan proporsi 80% untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian. Eksperimen dilakukan dengan fokus pada optimizer Adam dengan berbagai kombinasi hyperparameter, seperti batch size (16, 32, 64), epoch (50, 75, 100), dan learning rate (0.001, 0.0001), dengan evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Kombinasi hyperparameter yang optimal ditemukan pada akurasi 94% dan F1-score 95% pada kombinasi batch size 32, epoch 100, dan learning rate . Penelitian ini mengidentifikasi kombinasi hyperparameter yang optimal untuk mencapai stabilitas model yang baik dan membuka peluang untuk pengembangan sistem yang dapat memberikan umpan balik korektif otomatis bagi pengguna. Kata Kunci— Long Short-Term Memory (LSTM), Pengucapan Bahasa Inggris, Pemrosesan Audio, TIMIT, Common Voice, Hyperparameter Tuning.
Penerapan Metode Long Short Term Memory untuk Memprediksi Harga Beras di Indonesia Kurniatul Hidayah, Anggun; Eka Putra, Ricky
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p720-729

Abstract

Beras merupakan makanan pokok masyarakat di Indonesia. Berdasarkan data Sistem Pemantauan Pasar dan Kebutuhan Pokok (SP2KP) Kementerian Perdagangan, harga beras di Indonesia terus meningkat sejak Agustus 2022 [1], hal ini berdampak pada tingkat kemiskinan, tingkat inflasi, dan stabilitas ekonomi. Oleh karena itu, pemerintah membutuhkan Solusi agar dapat menghindari dampak dari naik turunnya harga beras di Indonesia. Metode Long Short Term Memory (LSTM) memiliki kemampuan dalam menangani masalah ketergantungan jarak jauh pada data berurutan, sehingga cocok digunakan untuk memprediksi harga beras. Kombinasi parameter yang digunakan adalah metode normalisasi data, pembagian data, layer, batch size, epoch, dan learning rate. Hasil evaluasi model menggunakan MAPE (Mean Absolute Percentage Error) menunjukkan bahwa LSTM dapat memprediksi harga beras dengan akurasi 98.57% dan nilai MAPE 1.43%. Hasil prediksi terbaik didapatkan dengan menggunakan parameter metode normalisasi data StandardScaler, pembagian data validasi 10%, data latih 80%, data uji 10%, layer 2, batch size 4, epoch 40, dan learning rate 0.01, dengan pembagian data secara acak. Performa metode LSTM terbukti memiliki performa yang lebih baik. Untuk mengetahui performa LSTM, dilakukan perbandingan dengan metode ARIMA (Autoregressive Integrated Moving Average) dan RNN (Recurrent Neural Network). Nilai MAPE terbaik dari LSTM 1.43%, ARIMA 10.41%, dan RNN 3.53%. Adapun hasil akurasi terbaik LSTM ialah 98.57%, ARIMA 89.59%, dan RNN 96.47%. Kata Kunci— Long Short Term Memory, Autoregressive Integrated Moving Average, Recurrent Neural Network, Mean Absolute Percentage Error, prediksi, beras
Perbandingan Algoritma LSTM dan BiLSTM Untuk Analisis Sentimen Multi-Class Media Sosial Twitter Asnawiyah; Eka Putra, Ricky
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p778-786

Abstract

Perkembangan teknologi khususnya internet dan media sosial banyak digunakan oleh masyarakat. Salah satunya media sosial twitter sangat popular di Indonesia. Pengguna twitter dapat berinteraksi dan berbagi pendapat maupun opini melalui tweet. tweet ini berisi informasi berupa teks yang mengandung emosi pengguna. Analisis sentimen merupakan proses untuk menentukan emosi dari opini seseorang berupa teks. Penelitian ini, melakukan analisis multiclass menggunakan model long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM). Model ini dipilih karena memiliki kemampuan dalam memahami data teks dan menangkap konteks temporal dalam kalimat. Penelitian dilakukan pada data sentiment yang berlabel yang diklasifikasikan dalam 5 kelas yaitu anger, fear happy, sadness, dan love. LSTM dan BILSTM dilatih menggunakan representasi vector kata dan parameter yang dioptimalkan untuk meningkatkan akurasi. Proses implemetasi juga membandingan dengan menggunakan hyperparameter learning rate, batch size, epoch embedding glove, dan penyeimbang smote. Hasil evaluasi analisis sentiment multi-class pada media sosial twitter menunjukkan bahwa model BiLSTM memiliki akurasi 60% lebih baik dibandingkan LSTM memiliki akurasi 58%. Kata Kunci— Analisis sentimen, multi-class, Twitter, LSTM, BiLSTM
Co-Authors Aditya Prapanca Agustin Tjahyaningtijas, Hapsari Peni Andy Rachman Anggraini, Lusiana ANITA QOIRIAH Asnawiyah Bisma, Rahadian Choirul Anam AM Diponegoro Fakhrur Rozi, Nanang Fasha Dewatri, Roro Ayu Kurniatul Hidayah, Anggun Muchammad Kurniawan Salim, Ach. Khafid Suartana, I Made Sulistyowati Syafa Iswahyudi, Silvia Nanda Tohari Ahmad YUNI YAMASARI