Article Per Year (5 Year)
p-Index From 2021 - 2026
3.457
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Dinamik Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Semantik Jurnal Pemberdayaan Masyarakat Madani (JPMM) MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer JURNAL PENDIDIKAN TAMBUSAI Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) EDUMATIC: Jurnal Pendidikan Informatika Idealis : Indonesia Journal Information System SKANIKA: Sistem Komputer dan Teknik Informatika Jurnal Kajian Ilmiah Indonesian Journal of Applied Research (IJAR) Jurnal Pendidikan dan Teknologi Indonesia Jurnal Indonesia : Manajemen Informatika dan Komunikasi Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) Indonesian Community Journal Malcom: Indonesian Journal of Machine Learning and Computer Science Eduvest - Journal of Universal Studies Telematika MKOM
Indra Indra
Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Budi Luhur
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Neuroscience Public Health Social Sciences Other

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search

 1   2   3 
Penerjemahan Diagnosis Medis Inggris – Indonesia menggunakan Transfer-Based Rule-Based Machine Translation Purwadi Purwadi; Muhammad Bagus Bintang Timur; Indra Indra
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10546

Abstract

Akurasi terjemahan diagnosis medis sangat penting untuk keselamatan pasien karena kesalahan interpretasi terminologi klinis dapat berdampak langsung pada pengambilan keputusan medis. Penelitian ini bertujuan mengembangkan sistem penerjemahan diagnosis medis dari bahasa Inggris ke bahasa Indonesia menggunakan metode Transfer-Based Rule-Based Machine Translation (RBMT) yang dirancang untuk domain medis terbatas. Pendekatan yang digunakan berbasis rekayasa bahasa alami dengan penerapan aturan linguistik pada proses analisis, transfer struktur, dan pemetaan leksikal istilah medis. Pengujian dilakukan menggunakan 500 data diagnosis medis berstandar ICD-10 dengan evaluasi kuantitatif dan validasi pakar medis. Hasil penelitian menunjukkan bahwa sistem mampu menghasilkan terjemahan yang konsisten secara struktural dan mempertahankan makna klinis, sehingga pendekatan RBMT dinilai layak dan aman untuk penerjemahan diagnosis medis pada domain sempit. Pendekatan ini juga menunjukkan potensi untuk dikembangkan sebagai dasar sistem pendukung penerjemahan medis berbasis aturan pada domain klinis lainnya.
Pemodelan Penyebaran Misinformasi pada Komunitas Teknologi Daring berbasis NLP dan Analisis Jaringan Purwadi Purwadi; Muhammad Bagus Bintang Timur; Indra Indra
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10547

Abstract

Komunitas teknologi daring seperti Reddit dan Stack Overflow berperan penting dalam pertukaran pengetahuan teknis, namun juga rentan terhadap penyebaran misinformasi. Penelitian ini bertujuan untuk memodelkan dan menganalisis penyebaran misinformasi dalam komunitas teknologi daring menggunakan pendekatan netnografi komputasional yang mengombinasikan Natural Language Processing (NLP) dan analisis jaringan. Data penelitian dikumpulkan dari 6.875 diskusi pengguna pada berbagai forum teknologi dan dianalisis untuk mendeteksi konten misinformasi, mengidentifikasi aktor yang berpengaruh, serta memetakan pola penyebaran informasi dalam jaringan komunitas. Hasil penelitian menunjukkan bahwa sekitar 38% diskusi mengandung informasi teknis yang usang atau menyesatkan, yang umumnya bersumber dari interpretasi keliru atau ketidaksesuaian konteks teknis, bukan dari niat penyebaran informasi palsu secara sengaja. Model NLP yang digunakan mencapai nilai F1-score sebesar 0,84 dalam klasifikasi misinformasi. Analisis jaringan menunjukkan bahwa pengguna dengan tingkat reputasi dan keterhubungan tinggi memiliki peran penting dalam mempercepat penyebaran informasi sekaligus dalam proses koreksi misinformasi. Selain itu, diskusi dengan muatan emosional yang tinggi cenderung mempercepat difusi misinformasi, sementara koreksi lebih sering terjadi dalam kelompok pengguna ahli dengan struktur jaringan yang relatif tertutup. Penelitian ini berkontribusi pada pengembangan kajian netnografi digital berbasis komputasi serta menawarkan implikasi praktis bagi perancangan sistem deteksi misinformasi dan strategi moderasi komunitas pada platform teknologi daring.
Pendekatan Otomatis dalam Pembentukan Signature Metadata Malware untuk Deteksi Ancaman Siber Purwadi Purwadi; Muhammad Bagus Bintang Timur; Indra Indra
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10548

Abstract

Dalam era digital yang semakin terhubung, ancaman siber terus berkembang seiring meningkatnya jumlah dan kompleksitas varian malware, termasuk malware dengan karakteristik polymorphic dan metamorphic yang mampu menghindari sistem deteksi konvensional. Pendekatan deteksi malware berbasis tanda tangan masih banyak digunakan karena efisiensinya, namun sangat bergantung pada pembaruan tanda tangan yang umumnya dilakukan secara manual dan memerlukan waktu serta keahlian tinggi. Penelitian ini mengusulkan pendekatan otomatis dalam pembentukan signature metadata malware berbasis analisis statis dan pembelajaran mesin. Dataset yang digunakan terdiri dari 5.000 file Portable Executable (PE) yang seimbang antara malware dan benign. Ekstraksi metadata dilakukan terhadap struktur PE, entropi, dan informasi API, yang selanjutnya diklasifikasikan menggunakan algoritma Random Forest dan Gradient Boosting. Hasil eksperimen menunjukkan bahwa model Random Forest mencapai akurasi sebesar 96,2% dengan F1-score 0,96, sedangkan Gradient Boosting mencapai akurasi 95,4%. Selain itu, sistem mampu menghasilkan signature metadata secara otomatis dengan waktu pemrosesan kurang dari 2 detik per sampel, serta menunjukkan konsistensi tinggi dalam mendeteksi malware dari keluarga yang sama menggunakan aturan YARA. Hasil ini menunjukkan bahwa pendekatan yang diusulkan mampu meningkatkan efisiensi dan adaptivitas sistem deteksi malware, serta berpotensi mendukung respons cepat terhadap evolusi ancaman siber modern.
Comparative Analysis of Naive Bayes and Support Vector Machine for Hate Speech Classification Rolanda Difandana; Ian Imaduddin; Indra Indra
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2571

Abstract

This study addresses the increasing need for automated hate speech detection in Indonesia due to the rapid growth of social media and the rise of abusive online content. It compares the performance of Naive Bayes (NB) and Support Vector Machine (SVM) algorithms in classifying Indonesian-language tweets into three categories: hate speech (27.52%), abusive language (34.25%), and neutral content (38.23%). The dataset consists of 13,169 manually annotated tweets collected from Twitter (now X), with moderate class imbalance handled using stratified sampling. Text preprocessing included tokenization, case folding, stopword removal, and stemming using the Nazief–Adriani algorithm, followed by TF-IDF feature extraction with a unigram configuration (min_df=3, max_df=0.95). Both algorithms were evaluated using 10-fold stratified cross-validation with accuracy, precision, recall, and F1-score as performance metrics. Experimental results show that SVM with a linear kernel outperformed NB, achieving an accuracy of 93.28%, precision of 92.45%, and F1-score of 92.89%, compared to NB’s accuracy of 84.71%, precision of 83.56%, and F1-score of 84.12%. Although effective, this study is limited to classical machine learning approaches with TF-IDF features and does not incorporate deep learning or contextual embeddings, while still providing practical guidance for algorithm selection in Indonesian hate speech detection systems.
Algorithm-Sensitive Feature Weighting using Mutual Information and ReliefF for Heart Disease Classification Dwi Prihantono; Umar Faqih; Indra Indra
Jurnal Pendidikan Informatika (EDUMATIC) Vol 10 No 1 (2026): Edumatic: Jurnal Pendidikan Informatika
Publisher : Universitas Hamzanwadi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29408/edumatic.v10i1.34262

Abstract

Heart disease remains a critical global health issue requiring reliable early prediction for clinical decision-making. This study evaluates the effect of feature selection and feature weighting on the performance of machine learning models with different learning mechanisms, namely K-Nearest Neighbors (KNN), Naïve Bayes (NB), and Logistic Regression (LR), for heart disease prediction. An algorithm-sensitive comparative framework was applied using global feature relevance estimation (Mutual Information), local feature relevance estimation (ReliefF), feature selection, and feature weighting, with raw features as baseline. Experiments were conducted on the Cleveland Heart Disease dataset using stratified 5-fold cross-validation. The results show that ReliefF-based feature weighting achieves the best performance for Naïve Bayes (accuracy = 0.8085; F1-score = 0.7774), while Logistic Regression attains the highest overall performance under the baseline (accuracy = 0.8547; F1-score = 0.8324). Feature selection improves KNN performance due to reduced sensitivity to irrelevant features. These findings indicate that the effectiveness of feature importance strategies depends on model-specific learning behavior, where feature weighting benefits probabilistic models, while feature selection is more effective for distance-based models. This study contributes an algorithm-sensitive evaluation perspective for aligning feature importance strategies with machine learning model characteristics to improve heart disease prediction performance.
Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Peramalan Penjualan pada PT. Central Pacific Development Indra Hertanto; Riskiana Wulan; Lutfi Rizaldi Mahida; Dzaky Rakha Meilano; Prayoga Ajitya Setiawan; Indra Indra
SKANIKA: Sistem Komputer dan Teknik Informatika Vol 8 No 2 (2025): Jurnal SKANIKA Juli 2025
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/skanika.v8i2.3589

Abstract

Central Pacific Development possesses an abundance of sales transaction data, yet currently lacks a system to optimally leverage this data for strategic planning. This research aims to implement an Artificial Neural Network (ANN) using the Backpropagation method to predict product sales, based on historical data from January 2022 to November 2024. The system involves stages such as data normalization, splitting the dataset into training and testing sets, and evaluating model performance using Mean Squared Error (MSE) and Mean Absolute Percentage Error (MAPE) metrics. A Multi-Layer Perceptron (MLP) model with a 12-15-1 configuration yielded the best results, achieving a training MSE of 0.000999, a testing MSE of 0.062680, a MAPE of 22.24%, and an accuracy of 77.75%. The developed system can assist the company in designing data-driven production and marketing strategies, while also opening opportunities for further development through the integration of big data technologies or hybrid methods to improve prediction accuracy.
Co-Authors Agus Priyono Agus Umar Hamdani Anggi Triyani Anton Haryanto Bagaskoro, Muhammad Akbar Besar Agung Martono Candra Kirana, Jution Darmawan, Rizqi Desianti, Vania Dwi Prihantono Dzaky Rakha Meilano Fatayati, Fitri Nur Fauzan, Rubi Ahmad Firdaus, Hanafi Firmansyah, Eko Gagal Rencana, Feri Susilo Hartanto, Rosa Ian Imaduddin Indra Hertanto Indra Indra Juan Kalyzta Lutfi Rizaldi Mahida Mufti Mufti MUFTI MUFTI, MUFTI Muhammad Ardi Willdan Muhammad Bagus Bintang Timur Nanang Wahyu Hidayat Nur Aliza Painem, Painem Prayoga Ajitya Setiawan Priandana, Rangga Kusuma Purwadi Purwadi Puspita Rani Riskiana Wulan Riskiana Wulan Rolanda Difandana Rosul, Mekar Bunga Allamanda Sabasteo, Jeremy Noel Saputra, Rilo Anggoro saputro, heru Selfiana Halfiani Sismadi, Wawan Sri Hartati SRI RAHAYU Surahmat, Asep Syafrullah, Muhammad Titing Widyastuti Umar Faqih