Article Per Year (5 Year)
p-Index From 2021 - 2026
4.327
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 : 44 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 44 Documents
Search

 1   2   3   4   5 
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 Informasi 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 Informasi 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 Informasi 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 Informasi 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.
Co-Authors 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 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 Keintjem, Arthurito Khairul, Muhammad Fathur Rahman Lailil Muflikhah Lase, Nicolash Jeremy Onoma Lina, Femi Novia 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 Rahardiansyah, Tengku Muhammad Rafi Reddy Alexandro Satrio Agung Wicaksono Silaban, Gilbert Samuel Nicholas Sitorus, Theresia Artha Putri Syarif Hidayatulloh Tirana Noor Fatyanosa Tirana Noor Fatyanosa, Tirana Noor Tri Fadilah, Ghina Tri Hadiah Muliawati Vasya, M Azka Obila Wardana, Dzaky Ahmadin Berkah Wayan Firdaus Mahmudy Wicaksana, Kesid Dewa Widhi Yahya Yuhana, Umi Laili