Article Per Year (5 Year)
p-Index From 2021 - 2026
5.329
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 Sinkron : Jurnal dan Penelitian Teknik Informatika Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Knowledge Engineering and Data Science 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 : 52 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 52 Documents
Search

 2   3   4   5   6 
Analisis Pengaruh Model Embedding Pada Kualitas Retrieval Dokumen: Studi Kasus Peraturan Rektor Universitas Brawijaya Adriansyah, Rachmat; Perdana, Rizal Setya; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Dokumen hukum seperti Peraturan Rektor Universitas Brawijaya memiliki struktur kompleks dan terminologi teknis yang menyulitkan pencarian informasi secara efisien melalui metode manual. Penelitian ini bertujuan untuk menganalisis pengaruh dan membandingkan performa beberapa model embedding terhadap kualitas retrieval dokumen hukum sebagai komponen utama dalam system Retrieval-Augmented Generation (RAG). Evaluasi dilakukan terhadap tiga model embedding, yaitu Legal-BERT, Qwen3-Embedding-8B, dan Linq-Embed-Mistral, dengan menerapkan dua strategi chunking berupa fixed-size dan semantic chunking. Data uji terdiri dari 32 query pengguna nyata yang diujikan pada empat dokumen Peraturan Rektor Universitas Brawijaya. Kinerja retrieval diukur menggunakan metrik Precision@k, Mean Reciprocal Rank (MRR), Mean Average Precision (MAP), dan Normalized Discounted Cumulative Gain (NDCG@k). Hasil pengujian menunjukkan bahwa Qwen3-Embedding-8B dengan strategi fixed-size chunking memberikan performa terbaik dengan nilai Precision@5 sebesar 0,456, MRR 0,819, MAP 0,810, dan NDCG@5 sebesar 0,848. Sebaliknya, Legal BERT menunjukkan kinerja terendah dengan Precision@5 sebesar 0,031, MRR 0,073, MAP 0,069, dan NDCG@5 sebesar 0,076. Selain itu, strategi fixed-size chunking secara konsisten menghasilkan performa lebih baik dibandingkan semantic chunking dalam menjaga relevansi konteks dokumen. Temuan ini menegaskan bahwa pemilihan model embedding dan strategi chunking berperan penting dalam meningkatkan akurasi retrieval dokumen hukum sebagai fondasi sistem RAG.
Analisis Komparatif Model Arima, LSTM, dan GRU untuk Peramalan Harga Komoditas Pangan di Kota Malang Keintjem, Arthurito; Setiawan, Budi Darma; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Harga komoditas pangan berperan penting dalam pembentukan inflasi dan stabilitas ekonomi daerah. Fluktuasi harga yang tinggi, terutama pada komoditas hortikultura, menimbulkan tantangan dalam perencanaan dan pengendalian inflasi, sehingga diperlukan metode peramalan yang akurat dan adaptif. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja model Autoregressive Integrated Moving Average (ARIMA), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU) dalam meramalkan harga komoditas pangan harian di Kota Malang. Data yang digunakan bersumber dari Sistem Pemantauan Pasar Kebutuhan Pokok (SP2KP) dan dianalisis menggunakan pendekatan kuantitatif eksperimental dengan pemodelan deret waktu univariat. Setiap model dilatih dan dievaluasi menggunakan konfigurasi parameter atau hyperparameter terbaik melalui skema evaluasi yang sama, dengan metrik Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa tidak terdapat satu model yang secara konsisten unggul pada seluruh komoditas. Model ARIMA memberikan kinerja terbaik pada komoditas dengan pola harga relatif stabil, sedangkan model berbasis deep learning, khususnya GRU, lebih unggul pada komoditas dengan fluktuasi harga tinggi dan pola nonlinier. Temuan ini menegaskan bahwa pemilihan model peramalan perlu disesuaikan dengan karakteristik masing-masing komoditas. Penelitian ini diharapkan dapat mendukung perumusan kebijakan pengendalian inflasi dan stabilisasi harga pangan di tingkat daerah.
Analisis Sentimen Konflik Israel Dan Iran Pada Media Sosial X Menggunakan Metode Support Vector Machine Dan Word2vec Nabil Auliya, Muhammad Hanif; Muflikhah, Lailil; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Konflik antara Israel dan Iran memicu beragam opini publik di media sosial, khususnya pada platform X (Twitter). Karakteristik bahasa media sosial yang tidak terstruktur, kaya singkatan, dan bahasa gaul menjadi tantangan dalam analisis sentimen. Penelitian ini bertujuan menganalisis sentimen opini publik terhadap konflik Israel–Iran di media sosial X menggunakan algoritma Support Vector Machine (SVM) dengan representasi teks berbasis Word2Vec, serta mengevaluasi pengaruh penerapan slang words conversion pada tahap preprocessing. Data diperoleh melalui proses web scraping terhadap cuitan berbahasa Indonesia yang relevan dengan topik penelitian. Tahapan preprocessing meliputi cleaning, case folding, tokenizing, dan slang words conversion. Representasi teks dilakukan menggunakan Word2Vec dengan pendekatan Skip-gram dan dibentuk menjadi vektor kalimat melalui sentence embedding. Klasifikasi sentimen dilakukan menggunakan SVM dengan kernel polynomial, sedangkan evaluasi kinerja model diukur menggunakan accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa penerapan slang words conversion meningkatkan kinerja model secara konsisten. Model dengan penerapan tahap tersebut menghasilkan nilai accuracy sebesar 0,7453 dan F1-score sebesar 0,7482, lebih tinggi dibandingkan model tanpa slang words conversion. Temuan ini menegaskan pentingnya kualitas preprocessing dalam analisis sentimen data media sosial.
Prediksi Lama Studi Mahasiswa Menggunakan Data Nilai Mata Kuliah Dengan Algoritma Long Short Term Memory (LSTM) Sitorus, Theresia Artha Putri; Perdana, Rizal Setya; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Lama studi merupakan indikator penting dalam penjaminan mutu perguruan tinggi. Namun, capaian kelulusan tepat waktu di Fakultas Ilmu Komputer Universitas Brawijaya per 31 Agustus 2024 baru mencapai 27,6% dari target LAMDIK sebesar 50%. Penelitian ini mengembangkan model prediksi lama studi mahasiswa menggunakan nilai mata kuliah dengan algoritma Long Short Term Memory (LSTM) sebagai upaya deteksi dini potensi keterlambatan kelulusan. Data penelitian berasal dari 2.290 mahasiswa Program Studi Teknik Informatika angkatan 2013–2021. Setiap mata kuliah direpresentasikan sebagai sekuens dengan fitur semester pengambilan, nilai, dan SKS, serta embedding mata kuliah. Sebanyak 36 mata kuliah wajib digunakan setelah proses penyetaraan kurikulum. Data dibagi menjadi 70% data latih dan 30% data uji, dengan proses pelatihan selama 20 epoch menggunakan Adam optimizer dan learning rate sebesar 0,001. Hasil pengujian hyperparameter tuning menunjukkan bahwa konfigurasi terbaik diperoleh pada hidden size 32 dan dimensi embedding 8, dengan nilai RMSE sebesar 1,7012 semester dan MAE sebesar 1,2374 semester pada sekuens penuh. Pada pengujian data parsial, nilai error tertinggi terjadi pada penggunaan data semester 1 dengan RMSE sebesar 3,6628 dan MAE sebesar 2,7975, kemudian menurun pada hingga semester 7 dengan RMSE sebesar 2,4052 dan MAE sebesar 1,6981. Analisis SHapley Additive exPlanations (SHAP) menunjukkan bahwa fitur nilai mata kuliah memberikan kontribusi terbesar terhadap prediksi lama studi. Selain itu, hasil interpretasi menghasilkan dua puluh nilai mata kuliah dengan kontribusi terbesar terhadap hasil prediksi.
Multimodal Detection Models for Poultry Fraud Monitoring on Jetson Nano Atmoko, Rachmad; Perdana, Rizal Setya; Wijaya, Fariz Rizky; Setiawan, Akas Bagus
Sinkron : jurnal dan penelitian teknik informatika Vol. 10 No. 2 (2026): Article Research April, 2026
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/sinkron.v10i2.15884

Abstract

This study defines an indoor commercial poultry-house scenario with no Global Positioning System (GPS) signal, variable bird density, illumination shifts, occlusion, and normal versus fraud episodes characterized as abnormal poultry population behavior (an unauthorized deviation between observed bird count and expected inventory baseline). We evaluate an unmanned aerial vehicle (UAV) to an edge-computing pipeline on Jetson Nano by comparing three models: You Only Look Once version 11 (YOLOv11) with red-green-blue (RGB) input, YOLOv11 with RGB and thermal late fusion, and a convolutional neural network (CNN) backbone with a support vector machine (SVM) classifier. The dataset contains 12,000 frames with synchronized RGB-thermal augmentation to preserve modality alignment. Evaluation covers mean Average Precision (mAP), precision, recall, F1-score, counting errors via mean absolute error (MAE) and root mean square error (RMSE), and edge metrics including frames per second (FPS), latency, and memory. YOLOv11 RGB+thermal records mAP@0.5 of 0.94 (Table 4a), MAE of 1.4, and RMSE of 2.0 (Table 4b), compared with YOLOv11 RGB at 0.91, 1.8, and 2.5 and CNN-SVM at 0.85, 2.6, and 3.4 (Table 4a-4b). For edge throughput, CNN-SVM reaches 28 FPS, while YOLOv11 RGB reaches 18 FPS and YOLOv11 RGB+thermal reaches 14 FPS (Table 8). As a scenario study, these metric-supported results indicate that YOLOv11 RGB+thermal is accuracy-first, CNN-SVM is speed-first, and YOLOv11 RGB is a balanced option for real-time poultry fraud monitoring.
Pengaruh Kombinasi Indikator Teknikal terhadap Kinerja Model Hybrid CNN–LSTM dalam Prediksi Arah Harga Bitcoin Setyawan, Frederikus; Muflikhah, Lailil; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pergerakan harga Bitcoin yang sangat volatil menjadikan prediksi arah harga sebagai tantangan penting dalam pasar cryptocurrency. Penelitian ini bertujuan untuk menganalisis pengaruh kombinasi indikator teknikal terhadap kinerja model hybrid Convolutional Neural Network–Long Short-Term Memory (CNN–LSTM) dalam memprediksi arah harga Bitcoin, serta mengevaluasi kontribusi masing-masing kategori indikator melalui metode ablation study. Model diuji menggunakan data harga Bitcoin periode 2023–2025 yang di-resample ke interval 15 menit dengan delapan indikator teknikal terpilih. Hasil pengujian menunjukkan bahwa Full Model mencapai performa terbaik dengan nilai accuracy sebesar 97,74% dan AUC-ROC 99,78%, meningkat signifikan dibandingkan model Baseline berbasis OHLCV. Analisis ablation menunjukkan bahwa indikator Trend-Following dan Momentum memberikan kontribusi terbesar terhadap peningkatan performa model, diikuti oleh indikator RSI, sementara kategori Oscillator justru menunjukkan dampak negatif. Temuan ini menegaskan bahwa kombinasi CNN untuk ekstraksi pola lokal dan LSTM untuk menangkap dependensi temporal efektif dalam menangani karakteristik pergerakan harga Bitcoin yang fluktuatif, serta berpotensi digunakan sebagai dasar pengembangan sistem pendukung keputusan dalam strategi trading aset kripto.
A Hybrid Soft Voting and Stacking-Based Meta-Learning Approach for Sentiment Analysis of Bangkalan Batik Wahyudi, Moh. Imron; Muflikhah, Lailil; Perdana, Rizal Setya
Knowledge Engineering and Data Science
Publisher : citeus

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

Abstract

Sentiment analysis is an important field in Natural Language Processing (NLP) that focuses on processing consumer opinions to gain useful insights. The information generated from sentiment analysis can be used as a basis for business decision-making, service quality evaluation, and the formulation of more effective marketing strategies. In the local context, Bangkalan Batik, as one of Madura's distinctive cultural products, has high economic value and cultural identity. However, consumer reviews available online, for example through Google Maps, are still rarely utilized optimally by MSMEs as a source of strategic information. Therefore, this study was conducted to develop a sentiment classification model capable of overcoming the limitations of small data and unbalanced class distribution. The research dataset consisted of 1,000 Bangkalan Batik consumer reviews categorized into three sentiment classes: positive, neutral, and negative. After the preprocessing stage, text representation was performed using TF-IDF. Next, three basic algorithms, Naïve Bayes, Logistic Regression, and Support Vector Machine, were combined through the Soft Voting approach. To improve performance, Logistic Regression meta-classification was used as an additional layer of stack-based Meta-Learning. In addition, the Synthetic Minority Oversampling Technique (SMOTE) was applied to overcome class imbalance so that the model was more sensitive to minority opinions. The results of experiments with stratified k-fold cross-validation show that the proposed model performs better than both single and conventional ensemble models. The developed hybrid model achieves 87% accuracy and an F1 score of 88%, and shows a significant improvement in remembering minority classes. This research contributes to the development of ensemble-based text classification methods for small and imbalanced datasets.
Analisis Dampak Panjang Dimensi Embedding Matryoshka Terhadap Kualitas Hasil dan Waktu Eksekusi dalam Sistem Pencarian Pakar Rafsandjani, Moch. Gustav Ali; Perdana, Rizal Setya; Fatyanosa, Tirana Noor
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pencarian pakar akademis berperan penting dalam membantu proses verifikasi kebenaran informasi. Pendekatan pencarian berbasis dokumen secara konvensional menggunakan representasi vektor semantik berdimensi tetap, yang dapat menimbulkan tantangan kompromi antara efisiensi komputasi dan kekayaan semantik. Penelitian ini menerapkan metode Matryoshka Representation Learning (MRL) pada arsitektur pencarian dua tahap guna mengeksplorasi trade-off kinerja pencarian pakar. Pengujian dilakukan menggunakan 100 kueri uji benchmark yang dievaluasi secara otomatis oleh juri Large Language Model (LLM) berbasis sistem penilaian Elo. Hasil eksperimen menunjukkan bahwa variasi panjang dimensi embedding memengaruhi latensi pencarian dengan nilai statistik F sebesar 3,9255 serta tingkat signifikansi p-value sebesar 0,0037. Pemangkasan dimensi hingga level 128 dimensi memotong waktu eksekusi rata-rata sebesar 36,02 persen dan disertai penurunan rata-rata kualitas hasil pencarian sebesar 4,97 persen jika dibandingkan dengan baseline dimensi 768 dimensi. Melalui pemetaan batas efisiensi, dimensi 128 diidentifikasi sebagai konfigurasi yang dinilai seimbang untuk penerapan sistem pencarian pakar secara praktis.
Perbandingan Kinerja Vector Database pada Arsitektur Retrieval-Augmented Generation dalam Implementasi Chatbot Layanan Panduan Skripsi Berbasis N8N (Studi Kasus: Fakultas Ilmu Komputer Universitas Brawijaya) Firdian, Arifal Aghna; Pramukantoro, Eko Sakti; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Perkembangan Large Language Models (LLM) memungkinkan pembangunan chatbot yang mampu menyediakan layanan informasi secara lebih interaktif. Di lingkungan perguruan tinggi, mahasiswa sering mengalami kesulitan memperoleh informasi akademik dari dokumen resmi, seperti Panduan Skripsi Fakultas Ilmu Komputer Universitas Brawijaya (FILKOM UB). Pendekatan Retrieval-Augmented Generation (RAG) digunakan untuk mengatasi permasalahan tersebut dengan memanfaatkan vector database sebagai media penyimpanan dan pencarian konteks yang relevan. Penelitian ini bertujuan menganalisis dan membandingkan kinerja tiga vector database, yaitu Pinecone, Supabase (pgvector), dan Qdrant, pada implementasi chatbot layanan panduan skripsi berbasis RAG menggunakan platform n8n. Dokumen Panduan Skripsi FILKOM UB digunakan sebagai knowledge base. Evaluasi dilakukan menggunakan 30 pertanyaan uji dengan metrik Retrieval Latency, Context Recall, Context Precision, Faithfulness, dan Answer Relevancy melalui framework RAGAS. Hasil penelitian menunjukkan bahwa Supabase memiliki rata-rata Retrieval Latency tercepat sebesar 804,67 ms, sedangkan Pinecone memperoleh nilai tertinggi pada Context Recall (0,878), Faithfulness (0,518), dan Answer Relevancy (0,760), sementara Supabase memperoleh Context Precision tertinggi sebesar 1,000. Berdasarkan keseluruhan metrik evaluasi, Pinecone menunjukkan performa paling seimbang dalam menghasilkan konteks dan jawaban yang relevan, sedangkan Supabase unggul pada aspek kecepatan retrieval. Hasil penelitian ini diharapkan dapat menjadi referensi dalam pemilihan vector database untuk pengembangan chatbot layanan akademik berbasis RAG di lingkungan perguruan tinggi.
Klasifikasi Sentimen Pengguna X (Twitter) Terhadap Kebijakan Pemerintah Terkait Makan Bergizi Gratis Menggunakan Metode Multinomial Naive Bayes Daffa Zakwan, Mochammad; Abdurrachman Bachtiar, fitra; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di JUST-SI
Co-Authors Abdurrachman Bachtiar, Fitra Abilo, Nelson Alfons Adriansyah, Rachmat Afrialdy, Firman Ahmad Febriyan Amin Al Farisi, Faiz Aulia Annisa, Zahra Asma Ari Hernawan Arief Andy Soebroto Aryo Pinandito Asghany, Yusrian Athaya, Haikal Thoriq Atmoko, Rachmad Baliyamalkan, Mohammad Nafi' Brilliansyach, Raihan Fikri Budi Darma Setiawan Budi Darma Setiyawan Candra Dewi Chastine Fatichah Daffa Zakwan, Mochammad Dahnial Syauqy Dian Eka Ratnawati Diana Purwitasari Eka Prakarsa Mandyartha Eko Sakti Pramukantoro, Eko Sakti Ferdika Bagus Pristiawan Permana, Ferdika Bagus Pristiawan Fiqri, Miftahul Firdaus, Agung Firdian, Arifal Aghna Haekal, Firhan Imam Hasibuan, Raka Ardiansyah Hendra Darmawan Ibnu, Mohammad Indriati Indriati Indriati Keintjem, Arthurito Khairul, Muhammad Fathur Rahman Lailil Muflikhah Lase, Nicolash Jeremy Onoma Lina, Femi Novia Luthfirrahman, Muhammad Nadhil Malik, Dzaki Rafif Marchelo, Nalendra Maulana, M. Aziz Muchammad Kurniawan Nabil Auliya, Muhammad Hanif Nainggolan, Yohana Beatrice Nurannisa, Nadhira Nurul Hidayat Prakoso, Andriko Fajar Putra Pandu Adikara R. Arief Setiyawan Rachmansyah, Ghenniy Rafsandjani, Moch. Gustav Ali Rahardiansyah, Tengku Muhammad Rafi Reddy Alexandro Satrio Agung Wicaksono Setiawan, Akas Bagus Setyawan, Frederikus Silaban, Gilbert Samuel Nicholas Sitorus, Theresia Artha Putri Syarif Hidayatulloh Tirana Noor Fatyanosa Tirana Noor Fatyanosa, Tirana Noor Tri Fadilah, Ghina Tri Hadiah Muliawati Umi Laili Yuhana Vasya, M Azka Obila Wahyudi, Moh. Imron Wardana, Dzaky Ahmadin Berkah Wayan Firdaus Mahmudy Wicaksana, Kesid Dewa Widhi Yahya Wijaya, Fariz Rizky