Article Per Year (5 Year)
p-Index From 2021 - 2026
2.607
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Indonesian Journal on Computing (Indo-JC) Proceeding of the Electrical Engineering Computer Science and Informatics JURNAL MEDIA INFORMATIKA BUDIDARMA JTP - Jurnal Teknologi Pendidikan Building of Informatics, Technology and Science Jurnal Locus Penelitian dan Pengabdian eProceedings of Engineering Advance Sustainable Science, Engineering and Technology (ASSET)
Dade Nurjanah
Universitas Telkom
Aerospace Engineering Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics

Published : 38 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 38 Documents
Search

 1   2   3   4 
Music Recommendation System Using Alternating Least Squares Method Irfansyah, Muhammad Rafi; Dade Nurjanah; Hani Nurrahmi
Indonesian Journal on Computing (Indo-JC) Vol. 9 No. 1 (2024): April, 2024
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2024.9.1.908

Abstract

Music is not just entertainment, but it also has a positive impact on psychological well-being. The music landscape is generally dominated by millennials, especially in Indonesia. Music recommendation systems are becoming an important factor in offering songs that match users' preferences. Collaborative Filtering (CF), particularly the Alternating Least Squares (ALS) method, has become a popular solution for data sparsity problems in user-item interactions. Using the Precision@K metric, ALS provides the best results at a 50:50 data split ratio, 0.30225 for the Last FM dataset and 0.19742 for the Taste Profile dataset. Further analysis shows that ALS is more effective on datasets with balanced data distributions, such as Last FM, than on datasets with noisier characteristics, such as Taste Profile. The main conclusion is that ALS is suitable for use on datasets with balanced data distributions and can provide more optimal recommendations. For further development, handling sparsity data on Taste Profile needs to be improved to improve the performance of the recommendation model. This illustrates the importance of adapting the model to the unique characteristics of each dataset to achieve more accurate music recommendations.
Diversity Balancing in Two-Stage Collaborative Filtering for Book Recommendation Systems Muttaqien, Rifqi Fauzia; Nurjanah, Dade; Nurrahmi, Hani
JURNAL TEKNIK INFORMATIKA Vol. 16 No. 2 (2023): JURNAL TEKNIK INFORMATIKA
Publisher : Department of Informatics, Universitas Islam Negeri Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/jti.v16i2.36580

Abstract

A book recommender system is a system used to provide relevant book recommendations for readers. One approach that is often used in recommender systems is Collaborative Filtering (CF). CF provides book recommendations based on books liked by other similar users. However, CF only provides recommendations for items that are popular, so items that are less popular will be difficult to recommend. Therefore, we propose a book recommendation system based on Two-stages CF using the Diversity Balancing method. Diversity Balancing method in CF is used to balance diversity in the recommendation results by replacing popular items with less popular relevant items. System accuracy is measured using precision and recall, while diversity is measured using personal diversity and aggregate diversity. The test results show that the accuracy of the proposed system increases with the increasing number of recommended items. meanwhile, the diversity of recommended items continues to decrease as more items are included in the recommendation list. In consideration of the trade-off between accuracy and diversity, our system achieves a recall score of 0.301, a precision score of 0.282, a PD score of 0.048, and an AD score of 0.095 with a recommendation list size of 8 items.
Utilizing Sequential Pattern Mining and Complex Network Analysis for Enhanced Earthquake Prediction Henri Tantyoko; Nurjanah, Dade; Rusmawati, Yanti
Advance Sustainable Science Engineering and Technology Vol. 6 No. 4 (2024): August-October
Publisher : Science and Technology Research Centre Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/asset.v6i4.1003

Abstract

Earthquakes are natural events caused by the movement of the earth's plates, often triggered by the energy release from hot liquid magma. Predicting earthquakes is crucial for raising public awareness and preparedness in seismically active areas. This study aims to predict earthquake activity by identifying patterns in seismic events using Sequential Pattern Mining (SPM). To enhance the prediction accuracy, Sequential Rule Mining (SRM) is applied to derive rules with confidence values from these patterns. The results show that using betweenness centrality as a weight increases the prediction accuracy to 83.940%, compared to 78.625% without weights. Using eigenvector centrality as a weight yields an accuracy of 83.605%. These findings highlight the potential of using centrality measures to improve earthquake prediction systems, offering valuable insights for disaster preparedness and risk mitigation.
Analisis Sentimen Review Film Menggunakan Naive Bayes Classifier Dengan Fitur TF-IDF Razaq, Muhammad Thaariq; Nurjanah, Dade; Nurrahmi, Hani
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Penilaian mengenai isi dari review film dapat disebut dengan sentiment analysis. Sentiment analysis pada review film terbagi menjadi 2 yaitu berupa review positif dan review negatif. Salah satu algoritma data mining yang paling sering digunakan dalam penelitian adalah Naïve Bayes karena bekerja dengan cepat dan efisien sebagai metode pengklasifikasian teks tetapi memiliki kekurangan yang sangat sensitif dalam pemilihan fitur. Pada umumnya, data review film memuat isi yang sangat panjang sehingga diperlukan feature selection atau pemangkasan fitur yang berguna untuk mengurangi dimensi pada saat proses klasifikasi. Pada penelitian ini menggunakan fitur Tf-Idf sebagai salah satu solusi untuk mempermudah dan mempercepat pencarian informasi yang sesuai adalah dengan meringkas konten tersebut. Tf-Idf (Term Frequency Inverse Document Frequency) merupakan metode pembobotan dalam bentuk integrasi antar term frequency dengan inverse document frequency. Metode Tf-Idf digunakan pada penelitian ini untuk memilih fitur sebagai hasil ringkasan, dengan penerapannya pada seleksi fitur bobot kata. Sebelum proses klasifikasi, dilakukan tahapan preprocessing yang meliputi data cleaning dan case folding, stop words removal, stemming, dan tokenization. Pada penelitian ini menghasilkan nilai akurasi mencapai 86.48%. Sehingga Naïve Bayes dengan fitur Tf-Idf pada masalah analisis klasifikasi sentimen review film terbukti memberikan akurasi yang akuratKata kunci- sentiment analysis, film, Naïve Bayes, TF-IDF
Anime Rekomendasi Menggunakan Collaborative Filtering Jayaperwira, Iklil; Wibowo, Agung Toto; Nurjanah, Dade
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Di era digital ini orang-orang semakin mudah mendapatkan hiburan yang mereka perlukan salah satunya adalah anime[1]. Anime merupakan animasi khas dari jepang anime bisa di buat baik di gambar menggunakan tangan atau menggunakan komputer. Anime menjadi salah satu hiburan yang banyak di sukai orang-orang di dunia, hal ini bisa di lihat dari Netflix salah satu layan streaming yang besar mulai memasukkan anime ke dalam aplikasi dan situs mereka. Pada tahun 2021 sekarang terdapat kurang lebih 18350 anime baik yang sudah selesai maupun yang masih berlanjut[2]. hal ini membuat orang-orang yang sudah menyukai anime ataupun orang-orang yang baru ingin menonton anime kebingungan mencari anime yang seusai dengan selera mereka karena itulah kita memerlukan sistem rekomendasi. Sistem rekomendasi merupakan sistem yang dibuat untuk membantu pengguna mendapatkan rekomendasi sebuah barang/informasi yang pengguna sukai/butuhkah dari banyaknya barang ataupun informasi yang ada. Rekomendasi yang di berikan di harapkan bisa memberikan bantuan pada pengguna untuk dapat menentukan pilihan yang akan di ambil. Dalam sistem rekomendasi sendiri terdapat banyak metode yang bisa di gunakan salah satunya adalah metode collaborative filtering yang di gunakan untuk mencari kesamaan item/ barang yang di carik oleh user lain[3] dengan algoritma yang digunakan adalah KNNWithMeans yang berupakan salah satu basic algoritma collaborative filtering[4], [5].Pada penelitian ini dilakukan tiga skenario pengujian yang bergguna untuk mendapatkan hasil rekomendasi terbaik dengan melakukan pengukuran MAE dan NDCG.Dapat di simpulkan metode collaboratif filtering dengan menggunakan algoritma KNNWithMeans mendapatkan rekomendasi yang cukup akurat dengan hasil MAE terbaik sebesar 0.8989 dan NDCG sebesar 0.2028.Kata kunci-sistem rekomendasi, collaborative filtering
Diversity Balancing pada Two-stage Collaborative Filtering untuk Mengatur Less Popular Item dalam Domain Film Ardiyanto, Fajar Widhi; Nurjanah, Dade; Meliana, Selly
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Sistem pemberi rekomendasi film adalah sistem yang bertanggung jawab untuk memberikan rekomendasi kepada penonton film tentang judul film lain yang relevan, menarik, dan mungkin disukai oleh penonton. Salah satu metode yang paling sering digunakan pada system pemberi rekomendasi adalah Collaborative Filtering (CF). CF unggul dalam tingkat accuracy terhadap item yang direkomendasikan kepada pengguna meskipun dalam keadaan konten yang sulit dianalisis sekalipun. Kelemahannya, CF hanya merekomendasikan item yang populer saja. Maka karena itu, dibutuhkan system pemberi rekomendasi yang dapat memberikan rekomendasi item yang kurang popular dengan tingkat accuracy yang masih dapat diterima. Tugas akhir ini mengusulkan sistem pemberi rekomendasi film berbasis Two-stages CF dengan menggunakan metode Diversity Balancing. Sistem ini bekerja dengan memprediksi rating pengguna kemudian menghasilkan daftar kandidat untuk selanjutnya dilakukan Diversity Balancing. Diversity Balancing dilakukan dengan cara mengganti item yang populer dengan item yang kurang populer namun relevan. Hasil pengujian dengan metode precision, recall, personal diversity dan aggregate diversity menunjukkan nilai tertinggi masing-masing adalah 0.8000, 0.5366, 0.5301. 0.3709. Berdasarkan hasil tersebut didapatkan keseimbangan antara accuracy dan diversity di parameter k=7 dan threshold rating sebesar 3.0.Kata kunci-sistem pemberi rekomendasi, collaborative filtering, diversity, less popular item
Evaluasi AI Bias and Fairness dalam Akuisisi Agen Penjualan Perbankan (Agen BRIlink-Bank Rakyat Indonesia) Wardani, Berliana Shafa; Sa'adah, Siti; Nurjanah, Dade
eProceedings of Engineering Vol. 10 No. 6 (2023): Desember 2023
Publisher : eProceedings of Engineering

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

Abstract

Membangun loyalitas dengan para nasabah dengan melakukan pengambilan kepemilikian perusahaan atau aset (akuisisi) untuk menjadi pihak yang diajak bekerja sama (agen) bank disebut dengan akuisisi agen. Fitur-fitur penting nasabah dipertimbangkan dalam proses akuisisi. Penelitian ini dilakukan dengan dataset BRIlink yang merupakan penerapan akuisisi agen penjualan perbankan di Bank Rakyat Indonesia (BRI). Dengan banyaknya data nasabah BRI dapat menimbulkan keberagaman data yang memungkinkan menyebabkan hasil akuisisi agen tidak merata. Dengan ini, diperlukan algoritma pendeteksi dan mitigasi bias untuk mencapai fairness. AI fairness 360 (AIF 360) merupakan sebuah toolkit yang menyediakan algoritma deteksi dan mitigasi bias. Algoritma mitigasi bias pada AIF 360 dibagi menjadi tiga proses, yaitu: reweighing dan learning fair representation pada tahap pre-processing, prejudice remover dan adversarial debasing pada tahap in-processing, serta calibrated equalized odds dan reject option classification pada tahap post-processing. Luaran penelitian ini berupa hasil perbandingan perhitungan deteksi bias dengan disparate impact (DI) dan statistical parity difference (SPD) sebelum dan sesudah mitigasi. Algoritma reweighing menghasilkan rata-rata DI 0,8% dan SPD 0,102% yang menunjukkan berhasilnya mitigasi, tetapi nilai AUC pada reweighing berkurang. Berbeda dengan reweighing, adversarial debiasing dan reject option classification dapat memitigasi bias sembari mempertahankan nilai AUC. Dilakukannya penelitian ini dapat membantu akuisisi agen BRIlink secara lebih adil.Kata kunci— akuisisi agen, bias, fairness, mitigasi, BRIlink
Correlation Between Automatic Short Answer Scoring and Manual Scoring by Teacher on Indonesian Assessments Ayu, Ravika; Nurjanah, Dade
JTP - Jurnal Teknologi Pendidikan Vol. 27 No. 2 (2025): Jurnal Teknologi Pendidikan
Publisher : Lembaga Penelitian dan Pengabdian kepada Masyarakat, Universitas Negeri Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21009/jtp.v27i2.48378

Abstract

Assessment is one tool evaluation in the learning teaching process to determine quality of learning. One of method being assessed Enough complicated in the assessment process is essay test. The essay test requires more time lots in the proofreading process as well as low validity and reliability because possible essay assessment influenced element subjective. Therefore, needed application used for correct essay answers expected automatically can help teachers to correct answer with fast and more results objective namely Automated Short Answer Scoring (ASAS). This research use sentence embedding method for measure similarity meaning between answer key and students answer. Data sets used consists of two data. One data consists of 1200 pairs of answer keys and students answer used for train the model. Two data totaling 250 words is used for evaluate models. Before enter the sentence embedding process, answering will through the pre-processing stage is remove stop words, remove empty, case folding, delete number, delete punctuation. Testing this system will done with method compare assessment carried out system with assessment carried out by teachers conventional use coefficient correlation. The result of test coefficient correlation Pearson of 0.81 and concluded reached 81 % similar with human rater assessment. This study can help teachers to be more efficient in the assessment.
Co-Authors Ade Romadhony Aditia Rafif Khoerulloh Aditiyan Iswahyudin Adiyaka Niastya Ihsan Maulana Agung Toto Wibowo Arbaatun, Cepthari Ningtyas Ardiyanto, Fajar Widhi Ayu, Ravika Berliana Shafa Wardani Dhuki Dwi Rachman Diffo Elza Pratama Fahmi, Fitra Zul Fakhri Fauzan Fikri Bahiransyah Fitra Zul Fahmi Florita Diana Sari Hani Nurrahmi Henri Tantyoko Henri Tantyoko Hilmi Eko Arianto Irfansyah, Muhammad Rafi Ismail, Asep Maulana Jayaperwira, Iklil Johan NMP Simatupang Josua Deston Girsang Julia Julia Maman Abdurohman Mohammad Fathurrahman Muhammad Rafi Irfansyah Muttaqien, Rifqi Fauzia Odia Pratama Putri Waisnawa, Ni Luh Putu Mawar Silveria R. Hatim Muhammad Amin Rahmawati Sitti Azizah Razaq, Muhammad Thaariq Rifqi Fauzia Muttaqien Riki Nur Afifuddin Rita Rismala Rusmawati, Yanti sa'adah, siti Sari Rahmawati Selly Meliana Setyadi Putra Rahmandya Shendy Murty Siti Sa'adah Wahyu Setiawan Wardani, Berliana Shafa Yanti Rusmawati Yunanda, Gisela Zaki Mudzakir Hidayatullah