Claim Missing Document
Check
Articles

Found 38 Documents
Search

Sistem Informasi Pengiriman Barang Pada PT Citra Abadi Cargo Menggunakan Metode Personal Extreme Programming (PXP) Bayu Agung Setiawan; Gita Indah Marthasari; Christian Sri Kusuma Aditya
Jurnal Repositor Vol. 7 No. 4 (2025): November 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v7i4.35618

Abstract

Goods delivery service is a service to service users to deliver both documents and goods to be sent to the intended address. The distribution of goods is usually carried out by companies engaged in transportation, especially in freight forwarding services, one of which is PT Citra Abadi Cargo. At present, PT Citra Abadi Cargo in recording delivery data is still done manually, this results in frequent duplication of data. recording of goods delivery data and making goods delivery reports is one of them. As for the things that make the vulnerability of recording errors by using proof of payment and delivery reports in the form of paper notes. Incomplete recording results in delays in the process of shipping goods. In addition, it is prone to data loss due to delays in recording data on goods to be sent, thus slowing down the process of making reports. The method used in this research is the Personal Extreme Programming (PXP) method. This research aims to build a goods delivery information system that is able to meet the needs of users, especially at PT Citra Abadi Cargo. The results of this study can be concluded based on UAT (User Acceptance Test) testing the system built according to user needs with an average value of 77% which is included in the good category. Estimated system development time for 17 days based on previous planning or planning stages got an additional time in iteration 2 of 7 days. So that the total estimate in working on this system is 22 days.
Penerapan Model Pre-Trained BERT dalam Mendeteksi Teks Buatan ChatGPT Putri Maharani Isnainiyah; Christian Sri Kusuma Aditya; Didih Rizk`i`` Chandranegara
Jurnal Repositor Vol. 7 No. 3 (2025): Agustus 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v7i3.37082

Abstract

Perkembangan AI yang berkembang saat ini tentu saja mempermudah pekerjaan manusia.. Tetapi, disamping itu, terdapat beberapa dampak buruk ada AI. Contohnya dampak buruk adanya AI yang dapat mengenerate text seperti adanya potensi saran disinformasi dan resiko pelanggaran terhadap privasi pengguna. Penelitian ini menggunakan BERT untuk mendeteksi teks ChatGPT. Dataset dibagi menjadi kurang dari 200 kata dan lebih dari 200 kata. Optimizer SGD menunjukkan akurasi lebih tinggi pada dataset lebih dari 200 kata (97%) dibandingkan yang kurang (95%). Dengan AdamW, akurasi kedua dataset sama, namun loss pada teks kurang dari 200 kata lebih rendah (0.086) dibanding yang lebih dari 200 kata (0.18).
Deteksi Stres pada Sosial Media Reddit Menggunakan Metode Gated Recurrent Unit (GRU) Erlita Setio Widianti; Christian Sri Kusuma Aditya
Jurnal Repositor Vol. 8 No. 3 (2026): Agustus 2026
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v8i3.37088

Abstract

Gangguan mental, khususnya stress, merupakan masalah serius dalam bidang medis, termasuk di Indonesia. Penelitian menunjukkan bahwa sekitar 9,8% dari 51.547 responden di 21 negara mengalami gangguan kecemasan, dengan penanganan yang tidak memadai di negara-negara berpenghasilan rendah. Stres sering kali menjadi fase awal dari berbagai penyakit mental, seperti depresi, dan muncul akibat interaksi individu dengan lingkungan sosial dan biologis mereka. Penggunaan media sosial, terutama platform Reddit, dapat memperburuk kondisi stres, khususnya di kalangan remaja dan dewasa. Penelitian ini bertujuan untuk mengembangkan metode berbasis Gated Recurrent Unit (GRU) dalam menganalisis postingan pengguna di Reddit untuk mendeteksi stres. Hasil penelitian menunjukkan bahwa model GRU yang menggunakan optimizer AdamW mencapai akurasi 84%, lebih tinggi dibandingkan akurasi 82% yang diperoleh dengan optimizer Adam. Model ini menunjukkan kemampuan yang signifikan dalam mendeteksi stres dari teks di media sosial, dengan performa yang stabil dan efektif dalam mengatasi masalah overfitting. Temuan ini diharapkan mampu memberikan pemahaman yang lebih mendalam tentang hubungan stres dan penggunaan media social.
Pengaruh Preprocessing Kontras dan Pencahayaan pada Kinerja Model VGG16 dalam Deteksi Sel Malaria Muchamad Thaqifullah; Christian Sri Kusuma Aditya
Jurnal Repositor Vol. 7 No. 4 (2025): November 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v7i4.38421

Abstract

Malaria adalah penyakit serius yang disebabkan oleh parasit Plasmodium dan ditularkan melalui gigitan nyamuk Anopheles, dengan jutaan kasus terjadi setiap tahun dan dampak besar di negara berkembang. Diagnosis yang cepat dan akurat sangat penting untuk pengendalian penyakit ini, namun metode konvensional seperti mikroskopi dan tes diagnostik cepat memiliki keterbatasan, termasuk ketergantungan pada tenaga ahli serta biaya yang tinggi. Penelitian ini memanfaatkan Convolutional Neural Network (CNN) berbasis arsitektur VGG-16 yang dioptimalkan menggunakan pendekatan transfer learning untuk mendeteksi malaria pada citra sel darah merah. Teknik Contrast Limited Adaptive Histogram Equalization (CLAHE) digunakan dalam tahap pemrosesan gambar guna meningkatkan kualitas citra sebelum dilakukan klasifikasi. Hasil penelitian menunjukkan bahwa penerapan CLAHE mampu menghasilkan akurasi tertinggi sebesar 96% dengan meningkatkan kontras gambar tanpa menambah noise secara signifikan, sehingga pola penting pada citra menjadi lebih mudah dikenali. Pendekatan ini membuktikan bahwa kombinasi VGG-16 dan CLAHE efektif dalam mendukung diagnosis malaria dengan cepat dan akurat, serta berpotensi memperkuat upaya pengendalian penyakit ini.
Sentimen Analisis Terkait Dengan Penerapan Artificial Intelligence Terhadap Dunia Pendidikan Di Indonesia Menggunakan Deep Learning Luthfiya Indah Fithriani; Christian Sri Kusuma Aditya
Jurnal Repositor Vol. 8 No. 1 (2026): Februari 2026
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v8i1.40791

Abstract

Artificial Intelligence memberikan pengaruh besar diberbagai sektor, salah satunya di dunia pendidikan. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terkait dengan penerapan artificial intelligence terhadap dunia pendidikan di Indonesia dengan menggunakan pendekatan deep learning. Data dikumpulkan melalui proses crawling dari aplikasi x yang berada di rentang waktu bulan Oktober 2023 hingga November 2024, yang selanjutnya data di proses dan diberi label. Ekstraksi fitur dilakukan dengan menggunakan model word2vec. Selanjutnya pada proses klasifikasi menggunakan dua arsitektur model yaitu Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (Bi-LSTM). Berdasarkan hasil evaluasi, Bi-LSTM menunjukkan performa yang lebih unggul dibandingkan model LSTM. Penelitian ini merupakan pengembangan dari penelitian terdahulu, yang dimana penelitian terdahulu memiliki keterbatasan pada jumlah data yang sedikit dan performa model yang belum optimal. Dengan meningkatkan sisi kualitas dan kuantitas data serta penggunaan model yang lebih kompleks, penelitian ini diharapkan dapat memberikan gambaran yang lebih akurat.
Analisis Sentimen Media Sosial X Terhadap Isu Tapera Menggunakan Metode XGBoost Berbasis PSO Saniyya Ruzzy Marwa; Christian Sri Kusuma Aditya; Yufis Azhar
Jurnal Repositor Vol. 7 No. 4 (2025): November 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v7i4.40796

Abstract

Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap isu Tabungan Perumahan Rakyat (Tapera) melalui media sosial X. Data dikumpulkan melalui crawling dengan kata kunci "Isu Tapera" dan menghasilkan 2.268 data. Data diberi label secara manual ke dalam kategori negatif, positif, netral, dan others, lalu diproses melalui tahap pra-pemrosesan dan ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Data dibagi menjadi data latih dan data uji dengan rasio 80:20. Model klasifikasi menggunakan algoritma Extreme Gradient Boosting (XGBoost) yang dioptimasi dengan Particle Swarm Optimization (PSO) untuk mendapatkan parameter terbaik. Hasil menunjukkan kombinasi XGBoost dan PSO meningkatkan akurasi model hingga 85%. Penelitian ini memberikan gambaran potensi analisis opini publik secara real-time melalui media sosial. Hasilnya dapat digunakan sebagai dasar pertimbangan kebijakan pemerintah terhadap respon masyarakat.
Optimalisasi Klasifikasi Tipe Kepribadian Menggunakan Dataset MBTI dengan Metode SMOTE dan Perbandingan Dua Teknik Boosting Elna Pocut Israeta; Christian Sri Kusuma Aditya
Jurnal Repositor Vol. 8 No. 3 (2026): Agustus 2026
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v8i3.37436

Abstract

Tipe kepribadian merupakan salah satu indikator penting yang dapat membantu memahami perilaku individu dalam berbagai konteks sosial dan profesional. Myers-Briggs Type Indicator (MBTI) adalah salah satu metode klasifikasi tipe kepribadian yang sering digunakan. Namun, dataset MBTI sering kali mengalami ketidakseimbangan kelas yang signifikan, yang dapat menurunkan performa model klasifikasi. Penelitian ini bertujuan untuk menoptimalkan klasifikasi tipe kepribadian menggunakan metode SMOTE (Synthetic Minority Over-Sampling Technique) untuk menyeimbangkan data, serta membandingkan dua teknik boosting, yaitu XGBoost dan AdaBoost, guna meningkatkan performa model. Dataset yang digunakan dalam penelitian ini terdiri dari ribuan data kepribadian dengan distribusi yang tidak merata antar tipe. Setelah menerapkan SMOTE, dilakukan optimasi dan evaluasi model menggunakan metrik akurasi micro dan macro. Hasil penelitian ini menunjukkan bahwa teknik XGBoost lebih unggul dalam menjaga keseimbangan performa dengan makro akurasi mencapai 95.24%, meskipun akurasi mikro sedikit menurun menjadi 61.96%. Sementara itu, AdaBoost menunjukkan penurunan yang lebih signifikan dalam akurasi mikro setelah penerapan SMOTE dengan nilai 44.32%, meskipun makro akurasi masih cukup tinggi pada angka 93.03%. Dengan demikian, XGBoost dipilih sebagai teknik yang lebih optimal dalam menangani ketidakseimbangan data pada klasifikasi tipe kepribadian.
Comparison of Classification for Indonesian Language News Documents Using Recurrent Neural Network (RNN) and Long Short Term Memory (LSTM) Algorithms Christian Sri Kusuma Aditya; Muh Ridha Agam; Andhika Rezky Fadillah; Briansyah Setio Wiyono
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1888

Abstract

The development of online news has grown very fast. The high volume of text documents was triggered by activities from various news sources. Due to the large amount of news that is included on the website, sometimes the news is posted not according to its category which is most likely caused by human error. The grouping of online news is important for user convenience in searching for news according to its category. It need an intelligent system that can classify online news automatically. This research evaluates deep learning techniques using LSTM and RNN, and compared with the results obtained from previous studies, which used the NBC algorithm. To experiment the system, an Indonesia News Corpus with 7 different categories and total 2100 documents, collected by crawling online national news portals, is used. Due to the unbalanced number of class compositions or news categories, integration is also carried out SMOTE. The average empirical results show that the classification accuracy from RNN with SMOTE with an accuracy of 95.2% and followed by LSTM with SMOTE is 97.8%, both of which are able to outperform the NBC method with an accuracy of 73.2%.