Article Per Year (5 Year)
p-Index From 2020 - 2025
2.319
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) ComEngApp : Computer Engineering and Applications Journal Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Annual Research Seminar IJoICT (International Journal on Information and Communication Technology) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal Ilmiah Matrik Jiko (Jurnal Informatika dan komputer) Jurnal Generic
Dian Palupi Rini
Universitas Sriwijaya
Computer Science & IT Electrical & Electronics Engineering Engineering

Published : 19 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 19 Documents
Search

 1   2 
Integrasi Pendekatan Level Data Pada Logistic Regression Untuk Prediksi Cacat Perangkat Lunak andre hardoni; Dian Palupi Rini
JIKO (Jurnal Informatika dan Komputer) Vol 3, No 2 (2020)
Publisher : Journal Of Informatics and Computer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33387/jiko.v3i2.1734

Abstract

Prediksi awal modul cacat perangkat lunak dapat membantu pengembang perangkat lunak untuk mengalokasikan sumber daya yang tersedia dalam membuat produk perangkat lunak yang memiliki kualitas tinggi yang dapat membatu dalam setiap proses bisnis perusahaan. Perbaikan software setelah pengiriman dan implementasi, membutuhkan biaya jauh lebih mahal dari pada saat pengembangan. Model Logistic Regression (LR) merupakan salah satu model pengklasifikasi yang memiliki kinerja terbaikdalam prediksi cacat software, namun kelemahannya adalah rentan terhadap underfitting dataset yang kelasnya tidak seimbang, sehingga menghasilkan penurunan kinerja. Dataset NASA MDP bersifat publik yang banyak digunakan peneliti dalam penelitian prediksi cacat software, namun dataset ini memiliki ketidakseimbangan pada kelas. Untuk menangani masalah ketidakseimbangan kelas pada dataset ini diusulkan metode pendekatan level data yaitu Random Over Sampling (ROS), Random Under Sampling(RUS) dan Synthetic Minority Over-sampling Technique  (SMOTE), sehingga pada penelitian ini dilakukan integrasi antara pendekatan level data (ROS, RUS dan SMOTE) dengan model logistic regression dan kemudian membandingkan hasil antara sebelum diintegrasikan dengan sesudah diintegrasikan. Dari hasil percobaan yang dilakukan pada 9 dataset NASA MDP diperoleh hasil bahwa model ROS + LR dan SMOTE + LR dapat menigkatkan kinerja model pengklasifikasi hampir pada seluruh dataset, namun RUS + LR tidak menunjukan adanya perubahan yang signifikan namun ada beberapa nilai AUC pada dataset yang cenderung menurun.
Optimalisasi Interkoneksi VPN Menggunakan Hardware Based dan Iix (Indonesia Internet Exchange) Sebagai Alternatif Jaringan Skala Luas (WAN) Deris Stiawan; Dian Palupi Rini
Generic Vol 4 No 1 (2009): Vol 4, No 1 (2009)
Publisher : Fakultas Ilmu Komputer, Universitas Sriwijaya

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

Abstract

Virtual Private Network (VPN) salah satu solusi yang bisa digunakan untuk interkoneksi jaringan skala luas (WAN), saat ini banyak para provider telcom menawarkan solusi VPN sebagai komunikasi data perusahaan bisnis untuk interkoneksi ke kantor-kantor cabangnya. Indonesia Internet Exchange (IIX) yang menginterkoneksikan semua penyedia jasa internet (ISP) di Indonesia dalam satu jaringan yang terpusat secara lokal. Solusi interkoneksi VPN dapat menggunakan hardware based yang mempunyai kelebihan dibandingkan software based. Solusi VPN dan penggunaan Interkoneksi IIX dapat menjawab interkoneksi secara lokal ke jaringan intranet dengan aman namun melalui jaringan yang bisa diakses dengan mudah dan murah seperti jaringan Internet. IIX lebih murah dan bisa dioptimalkan pengelamatan routingnya selama digunakan untuk diwilayah layanan Indonesia. IIX akan memperpendek lompatan paket data, memperkecil latency waktu, dan meningkatkan penggunaan traffic content di Indonesia.
Prototipe Laboratorium Bahasa Berbasis Komputer Menggunakan Model Arsitektur Three-Tier Dian Palupi Rini; Deris Stiawan; Endang Lestari
Generic Vol 4 No 2 (2009): Vol 4, No 2 (2009)
Publisher : Fakultas Ilmu Komputer, Universitas Sriwijaya

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

Abstract

Laboratorium bahasa adalah sebuah ruang yang berisi perangkat keras dan perangkat lunak yang berfungsi sebagai tempat para siswa untuk melatih dan menguji kemampuan bahasanya. Prototipe laboratorium bahasa berbasis komputer adalah sebuah perangkat lunak yang mengadopsi fungsi dari sebagian atau keseluruhan sebuah laboratorium bahasa. Three-Tier adalah arsitektur client-server dimana masing-masing user interface, functional process logic (business rules), data storage dan data access dikembangkan dan disusun sebagai modul-modul yang berdiri sendiri. "three-tier" atau "threelayer", adalah bagian dari multitier architectures. Sistem threetier yang diterapkan pada prototipe laboratorium bahasa berbasis komputer memberi kemudahan pada pengelolaan aplikasi perangkat lunak yang berada pada layer logik dan pengelolaan data pada layer data, karena perubahan yang terjadi pada layer logic dan layer data tidak akan memberi pengaruh pada layer presentasi.
Klasifikasi Berita Berbahasa Indonesia Menggunakan Naïve Bayes Classifier Qurrota ‘Aini Muthmainnah; Dian Palupi Rini; Desty Rodiah
Generic Vol 12 No 1 (2020): Vol 12, No 1 (2020)
Publisher : Fakultas Ilmu Komputer, Universitas Sriwijaya

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

Abstract

Berita pada awalnya disalurkan melalui media seperti televisi, radio dan koran, namun dengan kemajuan teknologi saat ini membuat digitalisasi informasi lebih mudah, berita berbentuk teks digital lebih cepat tersebar, aktual dan murah, sehingga dapat mengalami pelonjakan yang besar. Oleh karena itu, perlu adanya sistem yang bisa mengklasifikasikan berita secara otomatis sesuai dengan kategori-kategori berita yang ada, dengan menggunakan metode klasifikasi teks, maka kumpulan dokumen yang jumlahnya sangat besar tersebut dapat diorganisir, sehingga dapat mempermudah dan mempercepat pencarian informasi yang dibutuhkan. Dalam penelitian ini, klasifikasi teks berita menggunakan metode Naïve Bayes Classifier untuk mengklasifikasikan ke dalam empat kategori yaitu, bencana alam, kesehatan, olahraga dan pendidikan. Pengujian dilakukan sebanyak empat kali dengan pembagian data yang berbeda-beda, dan hasil akurasi yang didapat yaitu pengujian pertama 100%, pengujian kedua 100%, pengujian ketiga 98,33% dan pengujian keempat 96,25%. Dari hasil tersebut, dapat disimpulkan bahwa hasil klasifikasi teks berita sudah baik.
Effect of Genetic Algorithm on Prediction of Heart Disease Stadium using Fuzzy Hierarchical Model Dian Palupi Rini; Defrian Afandi; Desty Rodiah
Computer Engineering and Applications Journal Vol 11 No 3 (2022)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (335.885 KB) | DOI: 10.18495/comengapp.v11i3.415

Abstract

The Fuzzy Hierarchical Model method can be used to predict the stage of heart disease. The use of the Fuzzy Hierarchical Model on complex problems is still not optimal because it is difficult to find a fuzzy set that provides a more optimal solution. This method can be improved by changing the membership function constraints using Genetic Algorithm to get better predictions. Tests carried out using 282 heart disease patient data resulted in a Root Mean Squared Error (RMSE) value of 0.55 using the best Genetic Algorithm parameters, including population size of 140, number of generations of 125, and a combination of cross-over rate and mutation rate of 0.4 and 0.6 whereas the RMSE value generated by the Fuzzy Hierarchical Model before being optimized by the Genetic Algorithm was 0.89. These results indicate an increase in the predictive value of the Fuzzy Hierarchical Model after being optimized using the Genetic Algorithm.
Optimization of Deep Neural Networks with Particle Swarm Optimization Algorithm for Liver Disease Classification Muhammad Nejatullah Sidqi; Dian Palupi Rini; Samsuryadi Samsuryadi
Computer Engineering and Applications Journal Vol 12 No 1 (2023)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18495/comengapp.v12i1.432

Abstract

Liver disease has affected more than one million new patients in the world. which is where the liver organ has an important role function for the body's metabolism in channeling several vital functions. Liver disease has symptoms including jaundice, abdominal pain, fatigue, nausea, vomiting, back pain, abdominal swelling, weight loss, enlarged spleen and gallbladder and has abnormalities that are very difficult to detect because the liver works as usual even though some liver functions have been damaged. Diagnosis of liver disease through Deep Neural Network classification, optimizing the weight value of neural networks with the Particle Swarm Optimization algorithm. The results of optimizing the PSO weight value get the best accuracy of 92.97% of the Hepatitis dataset, 79.21%, Hepatitis 91.89%, and Hepatocellular 92.97% which is greater than just using a Deep Neural Network.
Classification of Epilepsy Diagnostic Results through EEG Signals Using the Convolutional Neural Network Method Tri Kurnia Sari; Dian Palupi Rini; Samsuryadi Samsuryadi
Computer Engineering and Applications Journal Vol 12 No 2 (2023)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18495/comengapp.v12i2.429

Abstract

The brain is one of the most important organs in the human body as a central nervous system which functions as a controlling center, intelligence, creativity, emotions, memories, and body movements. Epileptic seizure is one of the disorder of the brain central nervous system which has many symptoms, such as loss of awareness, unusual behavior and confusion. These symptoms lead in many cases to injuries due to falls, biting one’s tongue. Detecting a possible seizure beforehand is not an easy task. Most of the seizures occur unexpectedly, and finding ways to detect a possible seizure before it happens has been a challenging task for many researchers. Analyzing EEG signals can help us obtain information that can be used to diagnose normal brain activity or epilepsy. CNN has been demonstrated high performance on detection and classification epileptic seizure. This research uses CNN to classify the epilepsy EEG signal dataset. AlexNet and LeNet-5 are applied in CNN architecture. The result of this research is that the AlexNet architecture provides better precision, recall, and f1-score values on the epilepsy signal EEG data than the LeNet-5 architecture.
DETEKSI TUMOR OTAK PADA MAGNETIC RESONANCE IMAGING MENGGUNAKAN YOLOv7 Rahma Satila Passa; Siti Nurmaini; Dian Palupi Rini
Jurnal Ilmiah Matrik Vol 25 No 2 (2023): Jurnal Ilmiah Matrik
Publisher : Direktorat Riset dan Pengabdian Pada Masyarakat (DRPM) Universitas Bina Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33557/jurnalmatrik.v25i2.2404

Abstract

Abstract : Brain tumor detection is an important task in medical image analysis and diagnosis. In this study, we propose a brain tumor detection model based on deep learning with YOLOv7 which can accurately detect brain tumors. The dataset used is divided into training and testing datasets. Pre-processing techniques are carried out on the dataset to get maximum results. Research produces a detection model for brain tumors. The model achieved a mAP of 93.2%, precision of 91.4%, recall of 90.2% and F1-score of 90.8%. The results demonstrate the effectiveness of the proposed model in accurately detecting brain tumors, which can assist early diagnosis and treatment planning. Abstrak : Deteksi tumor otak adalah tugas penting dalam analisis dan diagnosa citra medis. Dalam penelitian ini, kami mengusulkan model deteksi tumor otak berdasarkan deep learning dengan YOLOv7 yang dapat mendeteksi tumor otak secara akurat. Dataset yang digunakan terbagi menjadi dataset pelatihan dan pengujian. Teknik pra proses dilakukan pada dataset untuk mendapatkan hasil yang maksimal. Penelitian menghasilkan model deteksi untuk tumor otak. Model mencapai mAP 93,2%, precision 91,4%, recall 90,4%, dan F1-score 90,8%. Hasilnya menunjukkan keefektifan model yang diusulkan dalam mendeteksi tumor otak secara akurat, yang dapat membantu diagnosis dini dan perencanaan perawatan.
Optimizing Hyperparameters of CNN and DNN for Emotion Classification Based on EEG Signals Dian Palupi Rini; Winda Kurnia Sari
International Journal on Information and Communication Technology (IJoICT) Vol. 10 No. 1 (2024): Vol. 10 No.1 June 2024
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/ijoict.v10i1.857

Abstract

EEG emotion is a research topic that has gained significant attention in the development of emotion classification systems. This study focuses on optimizing the hyperparameters of CNN (Convolutional Neural Network) and DNN (Deep Neural Network) for classifying EEG emotion signals. The data is divided into three train-test data ratio scenarios: 80:20, 70:30, and 60:40. After modeling and the classification process, hyperparameter tuning was conducted on both models to achieve the best results. Experimental results showed the highest accuracy of 98.36% for CNN, while DNN reached 98.18% in the 80:20 data ratio scenario. Despite the high accuracy, the differences in the loss curves between CNN and DNN reflect the complexity of the performance of both models. The train-test data ratio was also found to significantly impact the performance of both models, with the 80:20 data split yielding the best results, while the 70:30 and 60:40 splits resulted in slightly lower accuracies.
Co-Authors Akhiar Wista Arum andre hardoni Darmawahyuni, Annisa Defrian Afandi Deris Stiawan Desty Rodiah Dwi Meylitasari Tarigan Dwi Meylitasari Tarigan Endang Lestari Ruskan Ermatita - Evi Purnamasari Ika Oktavianti Iman Saladin B. Azhar M. Nejatullah Sidqi Mona Cindo Muhammad Naufal Rachmatullah Patiyus Agustiansyah Qurrota ‘Aini Muthmainnah Rahma Satila Passa Renny Amalia Pratiwi Reza Firsandaya Malik Reza Firsandaya Malik Samsuryadi Samsuryadi Samsuryadi Siti Nurmaini Sukemi Sukemi Tri Kurnia Sari Verlly Puspita Winda Kurnia Sari