Article Per Year (5 Year)
p-Index From 2020 - 2025
3.087
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Informasi Jurnal Buana Informatika JUTI: Jurnal Ilmiah Teknologi Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Systems Engineering and Business Intelligence Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi (JUST-SI) J-Intech (Journal of Information and Technology)
Rizal Setya Perdana
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Engineering Library & Information Science

Published : 33 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 33 Documents
Search

 1   2   3   4 
Klasifikasi Data Twitter pada Masa Transisi Pandemi menuju Endemi menggunakan Latent Semantic Analysis (LSA) Fiqri, Miftahul; Indriati, Indriati; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 6 (2023): Juni 2023
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Saat ini, platform media sosial yang memiliki penggunaan paling luas adalah Twitter. Twitter memiliki potensi untuk memberikan pemahaman mendalam tentang perubahan perilaku masyarakat terkait aturan pencegahan, tingkat kepatuhan terhadap vaksinasi, dan perubahan adaptasi sosial seiring berjalannya waktu selama masa endemi. Untuk dapat mengklasifikasikan data dari Twitter secara efisien, diperlukan pengembangan model klasifikasi yang solid dan penerapan metode analisis data yang canggih. Pendekatan yang diadopsi dalam penelitian ini adalah menerapkan teknik Latent Semantic Analysis (LSA), yang bertujuan untuk mengungkap struktur semantik atau makna yang tersembunyi dalam kalimat. Fokus utama penelitian ini adalah untuk mengevaluasi pengaruh dari klasifikasi data Twitter sepanjang masa pandemi hingga fase endemi terhadap performa Latent Semantic Analysis yang diaplikasikan menggunakan metode Naïve Bayes. Hasil penelitian menunjukkan bahwa dalam skenario klasifikasi menggunakan metode Naïve Bayes tanpa melalui proses LSA, tingkat akurasi yang berhasil dicapai adalah 22,00%. Akan tetapi, dalam konteks yang sama, saat LSA diaplikasikan sebelum menerapkan metode Naïve Bayes, terjadi peningkatan signifikan dalam tingkat akurasi menjadi 24,00%. Dari hasil ini, dapat ditarik kesimpulan bahwa penggunaan LSA memberikan sumbangan positif dalam mencapai hasil yang lebih memuaskan. Selanjutnya, dalam upaya mengklasifikasikan data menggunakan metode Naïve Bayes, penelitian dilakukan dalam dua skenario, yaitu menggunakan data yang seimbang dan tidak seimbang. Ketika data seimbang digunakan bersamaan dengan penerapan metode Naïve Bayes setelah tahap LSA, tingkat akurasi yang tercapai adalah 16,00%. Sebaliknya, ketika data tidak seimbang digunakan dalam skenario yang sama, terjadi peningkatan yang signifikan dalam tingkat akurasi, mencapai angka 24,00%. Dari hasil ini, dapat disimpulkan bahwa penggunaan data yang tidak seimbang memiliki dampak positif pada performa klasifikasi.
Implementasi Chatbot Frequently Asked Question (FAQ) Universitas Brawijaya berbasis Voice Command pada Raspberry Pi 4 dengan Metode Naïve Bayes Lase, Nicolash Jeremy Onoma; Perdana, Rizal Setya; Syauqy, Dahnial
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 6 (2023): Juni 2023
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penelitian ini berfokus pada implementasi chatbot Frequently Asked Question (FAQ) Universitas Brawijaya berbasis voice command pada Raspberry Pi 4 dengan metode Naïve Bayes. Mahasiswa sering menghadapi kesulitan dalam mencari informasi yang dibutuhkan di lingkungan universitas, terutama karena keterbatasan waktu, jumlah staf akademik, dan akses lokasi. Dalam mengatasi masalah tersebut, penelitian ini membangun sebuah chatbot yang menggunakan teknologi Artificial Intelligence (AI) untuk memberikan respons cepat dan efisien terhadap pertanyaan mahasiswa. Penelitian ini memanfaatkan Pytorch sebagai framework untuk membuat model chatbot, dengan data FAQ dari Universitas Brawijaya yang diproses menggunakan Natural Language Processing (NLP) dan metode Naïve Bayes untuk meningkatkan akurasi respons chatbot. Selanjutnya, model chatbot diimplementasikan pada Raspberry Pi 4 dan dilengkapi dengan kemampuan voice command menggunakan PyAudio, SpeechRecognition, dan Google Text-to-Speech. Hasil penelitian menunjukkan bahwa sistem ini memiliki nilai Word Error Rate (WER) sebesar 14.26. Selain itu, nilai akurasi, presisi, recall, dan F1-score dari sistem chatbot berbasis perintah suara menggunakan metode Naïve Bayes adalah 0.733, 0.707, 1, dan 0.828 secara berturut-turut.
Klasifikasi Penyakit berdasarkan Indikator Faktor Risiko dalam Survei Pelayanan Terpadu Penyakit Tidak Menular (PANDU PTM) dengan Algoritma Decision Tree Firdaus, Agung; Adikara, Putra Pandu; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 9 (2023): September 2023
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Maraknya penyakit tidak menular (PTM) telah menjadi masalah kesehatan global yang signifikan. PTM berkontribusi tinggi dalam memengaruhi angka kesakitan, angka kematian, serta biaya perawatan kesehatan. Laporan hasil studi Organisasi Kesehatan Dunia (WHO) menunjukkan bahwa PTM bertanggung jawab atas 71% dari seluruh angka kematian di seluruh dunia, dengan 15 juta kematian dini di antara usia 30 hingga 70 tahun. Penyakit-penyakit kronis seperti penyakit kardiovaskular, diabetes, kanker, penyakit pernapasan, terus meningkat diakibatkan oleh faktor gaya hidup masyarakat yang terpengaruh oleh perubahan budaya dari globalisasi serta perubahan lingkungan dan iklim. Faktor-faktor risiko seperti pola makan yang tidak sehat, kurangnya aktivitas fisik, aktivitas merokok, dan konsumsi alkohol yang berlebihan. Dalam upaya penanggulangan, badan-badan kesehatan mencanangkan program seperti [Gerakan Masyarakat Hidup Sehat (GERMAS)] di Indonesia yang bertujuan untuk mendeteksi dini dan mencegah perkembangan penyakit tidak menular di lingkungan masyarakat. Namun, pendeteksian dan proses diagnosis penyakit dapat memakan waktu yang lama juga biaya tinggi. Oleh karena itu, integrasi pembelajaran mesin dengan klasifikasi memiliki potensi untuk mempermudah proses tersebut. Salah satu metode pembelajaran mesin yang dapat digunakan adalah pohon keputusan. Suatu penelitian yang menggunakan algoritma konstruksi pohon keputusan C4.5 dalam klasifikasi penyakit leukimia, menghasilkan nilai akurasi hingga 90% menunjukkan potensi penerapan pohon keputusan dalam membantu klasifikasi penyakit.
Penerapan Arsitektur BERT2BERT pada Model Respon Dialog Chatbot Berbahasa Indonesia dengan Dataset Berukuran Terbatas Lina, Femi Novia; Perdana, Rizal Setya; Fatyanosa, Tirana Noor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Efisiensi yang ditawarkan menjadikan chatbot sebagai salah satu solusi yang populer untuk beragam permasalahan. Misalnya, dalam konteks layanan akademik, chatbot dapat berperan menghemat sumber daya yang diperlukan dalam menyediakan jawaban pertanyaan yang bersifat rutin, tetapi masih sulit diterapkan karena kurangnya data. Arsitektur yang populer dalam tugas text generation diantaranya encoder-decoder dan decoder-only. Menggunakan arsitektur encoder-decoder, BERT2BERT memanfaatkan BERT pre-trained model yang digunakan untuk inisialisasi komponen encoder dan decoder (Rothe et al., 2020). Arsitektur ini telah digunakan dalam penelitian untuk membangun conversational model berbahasa Arab dan merupakan solusi yang baik untuk permasalahan kurangnya dataset (Naous et al., 2021). Penelitian ini mencoba menggunakan arsitektur BERT2BERT untuk membangun model respon chatbot berbahasa Indonesia dengan data terbatas dan untuk keperluan layanan akademik. Hasil dari penelitian ini adalah arsitektur BERT2BERT memberikan performa yang kurang dengan perplexity score yang diperoleh adalah 573.0654, sementara perplexity score dari model GPT2 adalah 61.2645. Skor cosine similarity juga lebih rendah di angka 0.4009 dibandingkan dengan model GPT2 dengan skor cosine similarity 0.7037. Meskipun begitu, model BERT2BERT memberikan hasil yang lebih baik dibandingkan dengan model encoder-decoder sejenis, BERT2GPT. Model dengan arsitektur encoder-decoder seperti BERT2BERT tidak unggul dalam penelitian ini kemungkinan dikarenakan sulitnya mendapatkan konteks dari data yang berukuran terbatas.
Deteksi Kategori Aspek pada Ulasan Restoran dengan Metode Support Vector Machine Prakoso, Andriko Fajar; Adikara, Putra Pandu; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pada kehidupan saat ini kecanggihan pasar menyebabkan ketatnya persaingan antar sektor usaha yang ada, salah satunya restoran. Pengujung yang ingin mengunjungi suatu restoran akan mempertimbangkan restoran yang akan dikunjunginya dengan cara melihat dari ulasan yang diberikan oleh pengunjung sebelumnya, baik itu positif maupun negatif terkait pengalaman selama mengunjungi restoran tersebut. Pada ulasan restoran dapat mencakup banyak aspek yang berbeda. Deteksi kategori aspek dapat dilakukan untuk mengekstraksi aspek dalam ulasan. Data penelitian ini merupakan data ulasan restoran dari SemEval-2016 yang berjumlah 2000 data. Untuk menemukan aspek-aspek yang terdapat pada ulasan restoran tersebut, dilakukan text preprocessing dan pembobotan kata, selanjutnya menggunakan strategi one-againts-all pada proses klasifikasi aspek dengan metode Support Vector Machine. Hasil evaluasi dari penelitian ini mendapatkan confusion matrix untuk klasifikasi aspek menunjukkan nilai precision sebesar 0,37, recall sebesar 0,27, dan F-measure sebesar 0,27.
Deteksi Kategori Aspek pada Ulasan Restoran dengan Menggunakan Multilabel Logistic Regression Silaban, Gilbert Samuel Nicholas; Adikara, Putra Pandu; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 13 (2024): Publikasi Khusus Tahun 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Jurnal ini akan dipublikasikan pada Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK)
Pengembangan Multimodal Convolutional Neural Network untuk Grading Buah Jambu Kristal dengan Dua Perspektif Citra Asghany, Yusrian; Perdana, Rizal Setya; Setiawan, Budi Darma
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 5 (2024): Mei 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Indonesia merupakan negara dengan sektor pertanian yang memiliki potensi besar, salah satu produk unggulannya adalah buah-buahan. Terdapat beberapa komoditas buah-buahan di Indonesia yang belum mendapatkan perhatian yang seharusnya, contohnya adalah buah jambu kristal. Upaya peningkatan pemanfaatan jambu kristal dapat dicapai dengan mengoptimalkan proses produksinya. Pengoptimalan ini dapat dicapai dengan menerapkan otomatisasi pada berbagai tahap, dan tahapan grading menjadi salah satu aspek yang sangat menguntungkan. Proses grading dapat diotomatisasi dengan pendekatan computer vision, lebih spesifik Multimodal Convolutional Neural Network (CNN). Pendekatan ini melakukan grading buah jambu kristal dengan masukan citra atas dan citra samping buah. Pendekatan CNN biasa tidak dapat menerima lebih dari satu modalitas sehingga penciri kualitas buah yang diperoleh lebih terbatas dan sangat mungkin untuk tidak mencukupi untuk grading dengan benar. Penelitian dilakukan dengan membangun model Multimodal CNN yang dapat menerima dua macam citra tadi dan menghasilkan prediksi kualitas buah jambu kristal. Model dilatih dengan data pasangan citra atas dan citra samping buah jambu kristal yang sudah melalui pemrosesan awal. Model dengan kinerja terbaik didapatkan dengan penerapan optimizer Adam tanpa scheduler dan learning rate awal sebesar 0.001 pada proses pelatihannya terhadap data yang mendapatkan pemrosesan awal secara lengkap. Model ini mendapatkan nilai akurasi 0.95 dan F1 score 0.95.
Kombinasi Hasil Inferensi Algoritma YOLOv8 dan Faster R-CNN dalam Isnpeksi Kualitas Underbody Mobil (Studi Kasus Pada Perusahaan Otomotif Indonesia) Abilo, Nelson Alfons; Indriati; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 13 (2024): Publikasi Khusus Tahun 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di Konferensi Internasional SIET
Klasifikasi Kerusakan Permukaan Jalan Menggunakan Model MobileNetV3-Small Maulana, M. Aziz; Setiawan, Budi Darma; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 8 (2024): Agustus 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Klasifikasi kerusakan permukaan jalan dari gambar dan video yang diambil menggunakan perangkat terbatas telah menjadi kebutuhan penting dalam pemeliharaan infrastruktur jalan. Tantangan utama dalam pengembangan metode ini adalah keterbatasan sumber daya dan memori pada perangkat terbatas. Pada penelitian ini diusulkan penggunaan model MobileNetV3-Small untuk klasifikasi kerusakan permukaan jalan. Model ini dirancang untuk efisiensi dan kinerja tinggi pada perangkat dengan sumber daya terbatas. MobileNetV3-Small menggunakan arsitektur ringan yang memungkinkan pengurangan kompleksitas komputasi tanpa mengorbankan akurasi. Model ini dilatih menggunakan dataset yang berisi berbagai jenis kerusakan jalan seperti retak, lubang, dan permukaan bergelombang, dengan teknik augmentasi data untuk meningkatkan generalisasi model. Evaluasi kinerja dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa MobileNetV3-Small mampu mengklasifikasikan kerusakan permukaan jalan dengan akurasi yang tinggi dan komputasi yang efisien. Sistem ini menunjukkan ketahanan yang baik dalam deteksi dan klasifikasi. Kata kunci: Convolutional Neural Network, klasifikasi kerusakan permukaan jalan, MobileNetV3-Small.
Pembangkitan Respons pada Model Seq2seq Chatbot Berbahasa Indonesia dengan Multimodal Learning (Intensi dan Entitas) Baliyamalkan, Mohammad Nafi'; Perdana, Rizal Setya; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 9 (2024): September 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Helpdesk TIK UB adalah layanan helpdesk daring untuk membantu menyelesaikan permasalahan mengenai teknologi informasi di Universitas Brawijaya (UB). Helpdesk TIK UB dapat digunakan oleh seluruh civitas academica Universitas Brawijaya. Pelayanan Helpdesk TIK UB tersedia selama hari dan jam kerja, sehingga permasalahan yang mendesak di luar jam kerja tidak langsung dilayani. Salah satu bentuk teknologi yang dapat menyelesaikan permasalahan tersebut adalah penerapan chatbot pada Helpdesk TIK UB. Salah satu model chatbot adalah Sequence to Sequence (Seq2seq) Model yang dikembangkan oleh Sutskever, Vinyals, dan Le pada tahun 2014. Permasalahan yang ditemukan dari Seq2seq Model adalah model ini lebih berfokus pada generasi kata serta kurang memperhitungkan maksud dan konteks dari pengguna (Mustapha et al., 2008; Vinyals and Le, 2015; Dudy, Bedrick and Webber, 2021). Penelitian ini berupaya untuk mengatasi masalah tersebut dengan menambahkan modalitas intensi dan entitas serta menerapkan multimodal learning menggunakan Seq2seq Modality Translation Model. Hasil dari penelitian ini adalah penggunaan multimodal learning dengan modalitas intensi dan entitas membuat BLEU Score yang dihasilkan model menurun. Namun, kombinasi multimodal yang tepat justru dapat membuat model menangkap konteks kalimat lebih tepat sehingga dapat menghasilkan keluaran yang lebih baik. Hasil penelitian ini menunjukkan bahwa multimodal learning dengan modalitas intensi dan entitas dapat diterapkan pada pembangkitan respons model Seq2seq chatbot berbahasa Indonesia.
Co-Authors Abilo, Nelson Alfons Afrialdy, Firman Ahmad Febriyan Amin Ari Hernawan Ari Hernawan Arief Andy Soebroto Aryo Pinandito Asghany, Yusrian Baliyamalkan, Mohammad Nafi' Brilliansyach, Raihan Fikri Budi Darma Setiawan Budi Darma Setiyawan Candra Dewi Chastine Fatichah Dahnial Syauqy Dian Eka Ratnawati Diana Purwitasari Eka Prakarsa Mandyartha Ferdika Bagus Pristiawan Permana, Ferdika Bagus Pristiawan Fiqri, Miftahul Firdaus, Agung Haekal, Firhan Imam Hasibuan, Raka Ardiansyah Hendra Darmawan Ibnu, Mohammad Indriati Indriati Indriati Lailil Muflikhah Lase, Nicolash Jeremy Onoma Lina, Femi Novia Malik, Dzaki Rafif Maulana, M. Aziz Muchammad Kurniawan Nurannisa, Nadhira Nurul Hidayat Prakoso, Andriko Fajar Putra Pandu Adikara R. Arief Setiyawan Rahardiansyah, Tengku Muhammad Rafi Reddy Alexandro Satrio Agung Wicaksono Silaban, Gilbert Samuel Nicholas Tirana Noor Fatyanosa Tirana Noor Fatyanosa, Tirana Noor Tri Fadilah, Ghina Tri Hadiah Muliawati Vasya, M Azka Obila Wardana, Dzaky Ahmadin Berkah Wicaksana, Kesid Dewa Widhi Yahya Yuhana, Umi Laili