Article Per Year (5 Year)
p-Index From 2021 - 2026
2.225
P-Index
This Author published in this journals
All Journal Jurnal Pendidikan Teknologi dan Kejuruan KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika) ISSN: 2252-9063 Jurnal Sains dan Teknologi Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Informatika dan Teknik Elektro Terapan SINTECH (Science and Information Technology) Journal WIDYABHAKTI Jurnal Ilmiah Populer Jurnal Bali Membangun Bali Unri Conference Series: Community Engagement Jurnal Ilmu Komputer Dan Informatika Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Journal of Artificial Intelligence and Digital Business Sains Data Jurnal Studi Matematika dan Teknologi KOMTEKS: Komputer dan Teknologi Sains
I Nyoman Saputra Wahyu Wijaya
Universitas Pendidikan Ganesha
Agriculture, Biological Sciences & Forestry Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Languange, Linguistic, Communication & Media Mathematics Medicine & Pharmacology Physics Public Health Social Sciences Transportation Other

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

Found 19 Documents
Search

 1   2 
Pengembangan Model Hybrid Untuk Deteksi Serangan XSS Menggunakan Algoritma Random Forest dan BERT Anggaradiva Bendesa; Kadek Yota Ernanda Aryanto; I Nyoman Saputra Wahyu Wijaya
KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika) Vol. 15 No. 2 (2026): [ONGOING] Karmapati Vol 15 No 2 Tahun 2026
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/karmapati.v15i2.116372

Abstract

Cross-Site Scripting (XSS) merupakan serangan pada aplikasi web yang memanfaatkan kelemahan validasi input untuk menyisipkan skrip berbahaya. Variasi payload seperti event handler, encoding, obfuscation, dan JavaScript URI menyebabkan proses deteksi menjadi lebih kompleks. Penelitian ini bertujuan mengembangkan model hybrid untuk deteksi payload XSS dengan menggabungkan Random Forest dan BERT. Random Forest dilatih menggunakan TF-IDF berbasis karakter dan fitur statistik, sedangkan BERT digunakan melalui proses fine-tuning untuk klasifikasi teks. Model hybrid dibangun dengan menggabungkan skor prediksi dari kedua model. Hasil evaluasi menunjukkan bahwa Random Forest dan BERT memperoleh akurasi sebesar 99,21%, sedangkan model hybrid memperoleh akurasi sebesar 99,28% pada data uji. Hasil ini menunjukkan bahwa pendekatan hybrid dapat digunakan sebagai metode pendukung deteksi payload XSS.
Arduino MKR Analysis Using the RTC Alarm Method I Gusti Made Ngurah Desnanjaya; I Nyoman Saputra Wahyu Wijaya; Wayan Gede Suka Parwita; I Made Aditya Nugraha
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 8 No. 3 (2022): September
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v8i3.23631

Abstract

The researcher analyzed the Real-Time Clock (RTC) alarm readings on the Arduino MKR Zero, Arduino MKR Wan 1300, and Arduino MKR GSM 1400. The Arduino MKR board compared the data with the accuracy of reading the RTC values. To support this research, experimental quantitative research methods were used, and an independent sample t-test was used. The use of this method is very suitable because this method displays numbers as data and also conducts experiments directly on the Arduino MKR board. Comparative measurement of the three MKR using the RTC Alarm get the average time difference. This average indicates the IC capability and accuracy of MKR. From the experimental results, MKR GSM 1400 has the greatest. Arduino MKR GSM 1400 is the Arduino MKR that has the fastest data response among the other two Arduino MKRs. So, to create or develop a project related to real-time data transmission, it is recommended to use the Arduino MKR GSM 1400.
KLASIFIKASI SAMPAH NON-ORGANIK MENGGUNAKAN ARSITEKTUR VGG-16, RESNET50 DAN DENSENET121 Anak Agung Candra Widyaningsih; Ni Wayan Yulya Wiani; I Nyoman Saputra Wahyu Wijaya
KOMTEKS Vol 5, No 1 (2026)
Publisher : Universitas Panji Sakti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37637/komteks.v5i1.3000

Abstract

Pertumbuhan populasi global memicu lonjakan produksi sampah padat, termasuk di Indonesia di mana sebagian besar sampah berakhir di Tempat Pembuangan Akhir (TPA) tanpa melalui proses pemilahan yang memadai. Kurangnya pemahaman dan kesadaran masyarakat terkait klasifikasi sampah, khususnya sampah non-organik, mengakibatkan pengelolaan yang tidak optimal serta memicu dampak negatif terhadap lingkungan dan kesehatan masyarakat. Seiring dengan kemajuan teknologi kecerdasan buatan, penelitian ini mengusulkan solusi klasifikasi sampah otomatis melalui sistem deteksi cerdas berantarmuka visual berbasis Deep Learning. Penelitian ini membandingkan kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu VGG-16, ResNet50, dan DenseNet121, dengan mengimplementasikan teknik fine-tuning guna menghasilkan model klasifikasi sampah non-organik yang paling optimal. Hasil penelitian menunjukkan bahwa arsitektur DenseNet121 merupakan model yang paling unggul dengan tingkat akurasi validasi mencapai 93%. Keterbatasan kuantitas dan variasi dataset teridentifikasi sebagai faktor yang membuat arsitektur lainnya menjadi kurang optimal. Implementasi sistem ini diharapkan dapat diaplikasikan pada tempat sampah umum maupun fasilitas industri guna meningkatkan akurasi pemilahan sampah, menekan biaya operasional, serta mendukung pembangunan berkelanjutan.
Penerapan Metode Fine Tuning BRIO (Bringing Order to Abstractive Summarization) pada Model mBART untuk Peringkasan Abstraktif Berita Berbahasa Indonesia Devina Marsya Rani; I Nyoman Saputra Wahyu Wijaya; I Made Putrama; Ni Putu Novita Puspa Dewi
Sains Data Jurnal Studi Matematika dan Teknologi Vol 4, No 2: July-December 2026
Publisher : Institut Nurul Islam Mojokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52620/sainsdata.v4i2.456

Abstract

Meningkatnya jumlah berita pada media daring menyulitkan pembaca memperoleh informasi secara cepat karena keterbatasan waktu untuk membaca seluruh artikel. Kondisi ini mendorong pengembangan sistem peringkasan teks abstraktif berbasis Transformer yang mampu menghasilkan ringkasan baru dengan tetap mempertahankan informasi penting. Model mBART memiliki kemampuan baik dalam berbagai tugas pemrosesan bahasa alami, namun masih memerlukan fine tuning agar sesuai dengan karakteristik data dan tugas spesifik. Hingga saat ini, penerapan metode BRIO pada model mBART untuk tugas peringkasan abstraktif berita berbahasa Indonesia masih belum banyak dilaporkan, sehingga efektivitas pendekatan tersebut belum diketahui secara memadai. Oleh karena itu, penelitian ini bertujuan mengevaluasi efektivitas BRIO sebagai metode fine-tuning pada model mBART untuk peringkasan abstraktif berita berbahasa Indonesia. Penelitian ini menggunakan dataset Liputan6 yang terdiri atas 26.903 pasangan artikel dan ringkasan. Evaluasi dilakukan menggunakan ROUGE, METEOR, Novel Unigram, dan Compression Ratio. Hasil menunjukkan ROUGE-1 sebesar 48,39%, ROUGE-2 sebesar 32,41%, ROUGE-L sebesar 41,72%, ROUGE-L sebesar 41,72%, METEOR sebesar 41,52%, Novel Unigram sebesar 0,0557, dan Compression Ratio sebesar 6,93. Hasil tersebut menunjukkan bahwa penerapan BRIO mampu menghasilkan ringkasan yang tetap mempertahankan informasi utama dengan tingkat pemadatan yang baik, sehingga berpotensi menjadi pendekatan fine tuning untuk pengembangan sistem peringkasan berita berbahasa Indonesia.
FINE TUNNING MODEL INDOBERT UNTUK ANALISIS SENTIMEN BERITA PARIWISATA INDONESIA I Nyoman Saputra Wahyu Wijaya; Ketut Agus Seputra; Ni Putu Novita Puspa Dewi
Jurnal Pendidikan Teknologi dan Kejuruan Vol. 22 No. 2 (2025): Edisi Juli 2025
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jptk-undiksha.v22i2.104056

Abstract

Perkembangan kecerdasan buatan pada ranah NLP dewasa ini sangat pesat. Beberapa teknologi kecerdasan buatan pada text-based teknologi seperti ChatGPT, Gemini, LLaMA, dan lain-lain telah dimanfaatkan dalam ranah riset ataupun industry. Dalam analisis sentimen, yang menjadi komponen utama adalah representasi teks. Teknik representasi teks yang menonjol pada akhir-akhir ini adalah bidirectional encoder representation from transformer(BERT). Sesuai dengan permasalahan yang disebutkan sebelumnya, analisis sentimen ini dapat dilakukan untuk berita pariwisata. Namun untuk meningkatkan akurasi dapat dilakukan fine tunning pada metode BERT. Berdasarkan permasalahan tersebut, dalam penelitian ini akan dilakukan analisis sentiment dengan menggunakan metode IndoBERT. Akan dilakukan fine tuning untuk fokus ranah pariwisata. Berdasarkan hasil pengujian yang telah dilakukan didapatkan tangkat akurasi sebesar 77%. Model dapat melakukan klasifikasi sentiment negative dengan baik, namun masih perlu ditingkatkan pada sentiment positif dan netral.  
PERBANDINGAN PERFORMA TF-IDF DAN BOW PADA ANALISIS SENTIMEN BPJS KESEHATAN MENGGUNAKAN XGBOOST Made Donita Maharani; I Gusti Ayu Agung Diatri Indradewi; I Nyoman Saputra Wahyu Wijaya
Jurnal Pendidikan Teknologi dan Kejuruan Vol. 23 No. 1 (2026): Edisi Januari 2026
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jptk-undiksha.v23i1.109604

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja metode ekstraksi fitur Term Frequency–Inverse Document Frequency (TF-IDF) dan Bag of Words (BoW) menggunakan algoritma XGBoost dalam analisis sentimen masyarakat terhadap BPJS Kesehatan berdasarkan ulasan pada platform X. Tahapan penelitian meliputi preprocessing teks, ekstraksi fitur, penanganan ketidakseimbangan kelas, serta pengujian model menggunakan tujuh skenario dengan validasi 10-fold dan pembagian data 80:20. Hasil pengujian menunjukkan bahwa kombinasi TF-IDF dan XGBoost memperoleh rata-rata akurasi sebesar 78,63%, presisi 70,30%, recall 65,68%, dan F1-score 67,12%. Sementara itu, kombinasi BoW dan XGBoost menghasilkan akurasi 78,52%, presisi 68,53%, recall 70,23%, dan F1-score 69,14%. Hasil visualisasi word cloud menunjukkan bahwa sentimen negatif lebih dominan dengan kata-kata seperti “lama”, “antri”, dan “buruk”, sedangkan sentimen positif didominasi oleh kata “baik” dan “bagus”. Secara keseluruhan, TF-IDF lebih unggul dalam akurasi dan presisi, sedangkan BoW lebih efektif dalam meningkatkan recall dan F1-score pada analisis sentimen BPJS Kesehatan.
Perancangan Aplikasi Analisis Sentimen Mengenai Utang Negara Indonesia Berbasis LSTM Trihana Santhi; I Made Dendi Maysanjaya; I Nyoman Saputra Wahyu Wijaya
KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika) Vol. 15 No. 1 (2026): Karmapati Vol 15 No 1 Tahun 2026
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/karmapati.v15i1.108664

Abstract

Indonesia sebagai negara berkembang sangat memanfaatkan utang negara untuk meningkatkan pertumbuhan ekonomi dan kesejahteraan masyarakat. Sepanjang pemerintahan Presiden Joko Widodo dari tahun 2014 hingga 2024 utang negara meningkat sangat tinggi, hal ini dapat menyebabkan Indonesia terjebak debt trap bahkan kebangkrutan. Peningkatan utang negara menimbulkan banyak reaksi masyarakat pada media sosial seperti X. Masyarakat terbagi kedalam beberapa kelompok dalam menyikapi isu kenaikan utang negara sehingga diperlukan solusi untuk memahami pandangan masyarakat dan dapat menjadi bahan pertimbangan pemerintah dalam menyusun kebijakan keuangan. Perancangan Aplikasi berbasis metode LSTM menjadi salah satu solusi untuk dapat memprediksi sekaligus memvisualisasikan sentimen masyarakat mengenai utang negara. Data penelitian bersumber dari platform X yang menghasilkan 14.245 tweet yang kemudian diseleksi menjadi 5.359 tweet dan dikelompokkan kedalam tiga kelas sentimen yaitu positif, netral dan negatif. Proses analisis meliputi pre-processing, ekstraksi fitur menggunakan TF-IDF, klasifikasi dengan LSTM dengan SMOTE, dan evaluasi dengan confusion matrix. Hasil evaluasi menunjukkan model mampu mencapai akurasi 85%, presisi 86%, recall 86% dan f1-score 85%. Aplikasi dikembangkan dengan dasar hasil evaluasi dan menggunakan Streamlit untuk membangun interface yang memungkinkan pengguna melakukan prediksi sentimen secara interaktif. Selain menghasilkan prediksi, aplikasi menggunakan sistem warna dan confidence score, aplikasi juga menampilkan hasil pre-processing serta visualisasi distribusi probabilitas pada ketiga kelas sentimen. Aplikasi yang telah dikembangkan diharapkan dapat membantu pemerintah atau pembuat kebijakan serta masyarakat memahami sentimen publik dan dapat menjadi salah satu dasar dalam membuat serta memutuskan kebijakan keuangan yang lebih baik.
Pengembangan Aplikasi Mobile Klasifikasi Object Detection Sampah Anorganik Menggunakan Arsitektur SSD MobilenetV2 Ngakan Gde Satria Abirama; Ketut Agus Seputra; I Nyoman Saputra Wahyu Wijaya
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.11992

Abstract

Pengelolaan sampah anorganik yang masih dilakukan secara manual menyebabkan proses pemilahan menjadi kurang efisien dan berpotensi meningkatkan kesalahan identifikasi jenis sampah serta Kondisi tersebut dapat menghambat upaya pengelolaan dan daur ulang sampah yang efektif. Penelitian ini bertujuan mengembangkan aplikasi mobile dengan menanamkan model SSD-MobileNetV2 yang mampu mendeteksi sampah plastik dan kaca secara real-time untuk membantu proses identifikasi dan pemilahan sampah plastik dan kaca secara lebih cepat dan akurat.. Penelitian menggunakan metode Research and Development (R&D) yang meliputi tahapan pengumpulan dan pengolahan data, pengembangan model, pengembangan aplikasi, serta pengujian aplikasi. Model dilatih menggunakan pendekatan transfer learning dengan partial fine-tuning pada 10 layer terakhir backbone MobileNetV2 dan diimplementasikan ke dalam aplikasi Android menggunakan TensorFlow Lite sehingga dapat dijalankan secara optimal pada perangkat Android tanpa memerlukan koneksi internet. Berdasarkan hasil evaluasi, model memperoleh akurasi sebesar 89,90%, presisi 90,00%, recall 90,00%, F1-score 90,00%, dan mean Average Precision (mAP) sebesar 95,88%. Hasil pengujian Black Box Testing menunjukkan seluruh fitur aplikasi berjalan sesuai dengan kebutuhan sistem, sedangkan pengujian System Usability Scale (SUS) menunjukkan aplikasi mudah dipahami dan digunakan oleh pengguna. Hasil penelitian menunjukkan bahwa aplikasi yang dikembangkan mampu mendeteksi sampah plastik dan kaca secara cepat dan akurat serta berpotensi menjadi solusi pendukung pemilahan sampah anorganik berbasis perangkat mobile untuk meningkatkan efektivitas pengelolaan sampah.
Evaluasi Kinerja Model LSTM dalam Memprediksi Nilai Penutupan IHSG Berdasarkan Variasi Optimizer Adam-based Valensia Natalia; I Nyoman Saputra Wahyu Wijaya; Luh Joni Erawati Dewi; Ni Putu Novita Puspa Ni Putu Novita Puspa
JUKOMIKA (Jurnal Ilmu Komputer dan Informatika) Vol. 9 No. 1 (2026): July
Publisher : LPPMPP Yayasan Sejahtera Bersama Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54650/jukomika.v9i1.713

Abstract

Prediksi Indeks Harga Saham Gabungan (IHSG) merupakan tantangan tersendiri karena pergerakannya yang bersifat non-linier dan dipengaruhi berbagai faktor eksternal. Penelitian ini mengevaluasi kinerja model Long Short-Term Memory (LSTM) dalam memprediksi nilai penutupan IHSG menggunakan tiga variasi algoritma optimasi berbasis Adam, yaitu Adam, AdamW, dan Nadam. Data yang digunakan adalah data historis IHSG dari Yahoo Finance periode 2015–2025 sebanyak 2.413 data harian. Model dibangun dengan teknik sliding window berukuran 60 dan dilatih menggunakan hyperparameter yang identik pada ketiga skenario untuk memastikan objektivitas perbandingan. Evaluasi dilakukan menggunakan metrik MAE, RMSE, dan MAPE. Hasil menunjukkan bahwa optimizer Adam menghasilkan performa terbaik dengan MAE sebesar 115,0, RMSE sebesar 144,4, dan MAPE sebesar 1,63%, unggul dibandingkan Nadam (MAPE 2,71%) dan AdamW (MAPE 3,18%). Keunggulan Adam berasal dari proses konvergensi yang lebih stabil sehingga model mampu mempelajari pola historis data secara lebih optimal.
Co-Authors A. A. Gede Yudhi Paramartha Agus Aan Jiwa Permana Agus Seputra I Ketut Anak Agung Candra Widyaningsih Anggaradiva Bendesa Atmaja, Ketut Jaya Devina Marsya Rani I Gusti Ayu Agung Diatri Indradewi I Gusti Made Ngurah Desnanjaya I Ketut Purnamawan I Ketut Resika Arthana I Made Aditya Nugraha I Made Putrama I Md. Dendi Maysanjaya I Putu Adi Pratama Ida Bagus Ary Indra Iswara Kadek Yota Ernanda Aryanto Luh Joni Erawati Dewi Made Donita Maharani Ngakan Gde Satria Abirama Ni Ketut Kertiasih Ni Putu Novita Puspa Dewi Ni Putu Novita Puspa Ni Putu Novita Puspa Ni Wayan Yulya Wiani Putu Mandiasa Putu Praba Santika Sandika, I Kadek Budi Trihana Santhi Valensia Natalia Wayan Gede Suka Parwita Yudhantara, I Kadek Prasta