Article Per Year (5 Year)
p-Index From 2021 - 2026
2.092
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Buana Informatika JSI: Jurnal Sistem Informasi (E-Journal) Sinkron : Jurnal dan Penelitian Teknik Informatika Tech-E JIKO (Jurnal Informatika dan Komputer) Jurnal TAM (Technology Acceptance Model) Zero : Jurnal Sains, Matematika, dan Terapan bit-Tech Jurnal Pendidikan dan Teknologi Indonesia Jurnal Impresi Indonesia Journal Of Artificial Intelligence And Software Engineering Fahma : Jurnal Informatika Komputer, Bisnis dan Manajemen Journal Innovations Computer Science INOVTEK Polbeng - Seri Informatika Jurnal TAM (Technology Acceptance Model)
Sri Redjeki
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Physics Social Sciences Other

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 27 Documents
Search

 1   2   3 
Bidirectional Long Short-Term Memory Model for Intent Classification in Customer Service Chatbot Cahyadi, Yagus; Redjeki, Sri; Almagrib, Ahmad; Satriani, Bayu; Naufal, Nabil
Journal of Artificial Intelligence and Software Engineering Vol 5, No 1 (2025): March
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i1.6520

Abstract

The demand for responsive and efficient customer service is a crucial aspect of enhancing customer satisfaction, particularly in Indonesian government offices abroad. To address this challenge is implementing a chatbot system based on Bidirectional Long Short-Term Memory. This model can understand conversational contexts more comprehensively, enabling it to generate relevant and timely responses. This study aims to optimize chatbot performance in enhancing customer experience by implementing the Bi LSTM algorithm to handle intent classification of customer input data. Experimental results demonstrate that this model successfully improves evaluation metrics, achieving an accuracy of 84.64%, precision of 85%, recall of 85%, and an F1-score of 85%.
FRAMEWORK PENGEMBANGAN CITY BRANDING KABUPATEN BANTUL MENGGUNAKAN PENDEKATAN SMART TOURISM Sri Redjeki; Edi Faizal; Edi Iskandar; Dedi Rosadi; Khabib Mustofa
Jurnal TAM (Technology Acceptance Model) Vol 9, No 2 (2018): Jurnal TAM (Technology Acceptance Model)
Publisher : LPPM STMIK Pringsewu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56327/jurnaltam.v9i2.656

Abstract

Perkembangan sektor pariwisata secara terarah dan berkesinambungan dapat dijadikan sebagai salah satu solusi meningkatkan pertumbuhan ekonomi suatu daerah. Dengan berkembangnya sektor pariwisata, dapat meningkatkan citra sebuah daerah yang sekaligus dapat meningkatkan pendapatan asli daerah. Pengelolaan pariwisata yang baik oleh sebuah kota dapat menjadi sebuah branding yang dapat meningkatkan kunjungan wisatawan. Pencapaian ini dapat terpenuhi dengan cepat melalui penggunaan teknologi informasi dalam pengelolaan wisata. Kabupaten Bantul dikenal sebagai salah satu Kabupaten di Yogyakarta karena obyek wisata yang memikat para wisatawan dan saat ini sedang mengembangkan konsep smart city.Penelitian ini bertujuan untuk mengembangkan model dalam implementasi salah satu komponen smart city yaitu smart branding dengan menggunakan pendekatan smart tourism di Kabupaten Bantul. Model ini dapat dikembangkan karena wilayah Kabupaten Bantul merupakan salah satu tujuan wisata utama di Yogyakarta dengan berbagai jenis wisata yang ada. Total obyek wisata di Kabupaten Bantul sebanyak 113 obyek wisata. Smart tourism yang dimodelkan pada penelitian ini adalah sistem wisata integratif yang meliputi sistem berbasis mobile, sistem pemetaan wisata, sistem desa wisata dan sistem pengolahan data. Sistem ini dapat digunakan oleh pelaku dunia wisata, pengunjung wisata dan pihak pengambil keputusan di Kabupaten Bantul Dengan model pendekatan smart tourism maka Kabupaten Bantul dapat melakukan percepatan pengembangan smart city melalui salah satu komponen yaitu pengembangan city branding.
ANALISIS SENTIMEN PENGGUNA TWITTER MENGGUNAKAN METODE SUPPORT VECTOR MACHINE BERBASIS CLOUD COMPUTING Rizky Maulana; Sri Redjeki
Jurnal TAM (Technology Acceptance Model) Vol 6 (2016): Jurnal TAM (Technology Acceptance Model)
Publisher : LPPM STMIK Pringsewu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56327/jurnaltam.v6i0.57

Abstract

Twitter merupakan jejaring sosial dengan pertumbuhan tercepat sejak tahun 2006 menurut MIT Technology Review (2013), Indonesia menempati Negara ketiga penyumbang tweet terbanyak dengan jumlah 1 milyar tweet. Fakta tersebut menjadikan Twitter menjadi salah satu sumber data text yang dapat digali dan dimanfaatkan untuk berbagai keperluan melalui metode-metode pengambilan data teks atau text mining, salah satunya adalah analisis sentimen pengguna terhadap tokoh-tokoh publik indonesia. Penelitian ini membuat sebuah sistem yang dapat melakukan analisis sentimen pengguna twitter terhadap tokoh publik secara real time dengan menggunakan Twitter Streming API dan metode Support Vectore Machine (SVM) memanfaatkan pustaka libSVM sebagai salah satu machine learning untuk text classification. Algoritma Porter digunakan dalam proses stemming untuk ekstraksi fitur dan metode Term Frequency untuk pembobotan. Perangkat lunak dibangun dengan menggunakan bahasa pemrograman PHP untuk sisi server yang berjalan pada platform cloud Windows Azure dan Java untuk sisi client yang berjalan pada platform Android. Dari hasil penelitian dengan 1.400 tweet pada dataset dan 200 data uji didapatkan akurasi sebesar 79,5%.
Clustering and Classification of Retail Sales Data: A Big Data and Data Mining Analysis Almagribi, Ahmad Bilal; Redjeki, Sri
Journal Innovations Computer Science Vol. 4 No. 2 (2025): November
Publisher : Yayasan Kawanad

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56347/jics.v4i2.303

Abstract

In the evolving retail landscape, data-driven decision-making has become essential for understanding customer behavior and predicting sales trends. This study integrates clustering and classification techniques to analyze retail sales data comprising 1,000 transactions obtained from Kaggle. Using the K-Means algorithm, three optimal customer clusters were identified through the Elbow Method, achieving an average within-centroid distance of 25,272.635 and a Davies–Bouldin Index of 0.443, indicating clear cluster separation. The subsequent classification phase compared the predictive performance of three algorithms—Naïve Bayes, Decision Tree, and Random Forest—on 70:30 training-to-testing data partitions. The Naïve Bayes algorithm attained 94.67% accuracy, while both Decision Tree and Random Forest achieved perfect classification accuracy of 100%. These findings highlight the robustness and adaptability of tree-based models for complex retail datasets, outperforming probabilistic methods in terms of accuracy and generalization. The results suggest that the integration of clustering and classification provides retailers with a powerful analytical framework for identifying high-value customer segments, optimizing marketing strategies, and enhancing inventory management. Despite achieving strong outcomes, the study acknowledges dataset limitations and recommends future research involving larger and more diverse datasets, as well as additional features, to expand model scalability and predictive precision.
Analisis Multi-Dimensi Dampak Ekonomi, Perilaku Konsumsi, dan Risiko Sosial Penggunaan Paylater di Indonesia Muhamad Muslih; Sri Redjeki; Gerry Firmansyah; Ayu Larasati
Jurnal Impresi Indonesia Vol. 4 No. 10 (2025): Jurnal Impresi Indonesia
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/jii.v4i10.7083

Abstract

Layanan paylater telah menjadi fenomena signifikan dalam ekosistem keuangan digital Indonesia, menawarkan kemudahan akses pembiayaan konsumen namun sekaligus menimbulkan kekhawatiran terkait dampak multi-dimensinya. Lonjakan outstanding utang paylater yang mencapai Rp30,36 triliun pada 2024 dan tingginya angka impulse buying (6,4%) menunjukkan urgensi analisis komprehensif terhadap layanan ini. Penelitian ini bertujuan untuk menganalisis dampak multi-dimensi layanan paylater terhadap pertumbuhan ekonomi, perilaku konsumsi, dan risiko sosial di Indonesia, serta mengkaji implikasi regulasi dan literasi keuangan. Dengan menggunakan pendekatan kualitatif deskriptif melalui studi literatur sistematis, penelitian ini mengintegrasikan temuan dari jurnal akademik, laporan resmi, dan data industri yang diterbitkan pada periode 2019 hingga 2025. Hasil penelitian menunjukkan bahwa layanan paylater secara signifikan meningkatkan daya beli konsumen dan mendorong pertumbuhan pesat transaksi e- commerce. Namun, kemudahan yang ditawarkan paylater juga meningkatkan kecenderungan impulse buying dan perilaku konsumtif, terutama di kalangan generasi muda. Perubahan perilaku ini, apabila tidak diimbangi dengan literasi keuangan yang memadai, berpotensi menimbulkan utang rumah tangga yang tidak terkendali dan mengancam stabilitas keuangan nasional. Studi ini menegaskan pentingnya regulasi yang ketat dan edukasi keuangan yang komprehensif untuk memitigasi risiko tersebut. Penguatan kolaborasi antara regulator, pelaku industri, dan lembaga pendidikan direkomendasikan agar manfaat paylater dapat dioptimalkan sekaligus meminimalisir dampak negatifnya bagi konsumen dan sistem keuangan.
Bidirectional GRU for Aspect-Based Sentiment Classification in Multi-Dimensional Review Analysis Sri Redjeki; Basanto Joshi; Alfonso Situmorang; Muhammad Guntara; Sri Rezeki Candra Nursari; Dara Kusumawati
ZERO: Jurnal Sains, Matematika dan Terapan Vol 9, No 2 (2025): Zero: Jurnal Sains Matematika dan Terapan
Publisher : UIN Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30829/zero.v9i2.25754

Abstract

Traditional markets in Yogyakarta face mounting pressure from modernization and digital retail competition, yet user-generated reviews remain underutilized. This study applies Aspect-Based Sentiment Analysis (ABSA) with a Bidirectional Gated Recurrent Unit (BiGRU) on 9,222 annotated reviews from nine markets (2016-2024). BiGRU was chosen not only for its efficiency but also for its robustness in low-resource, multilingual settings with informal expressions, where transformer models often require larger datasets and compute. The best configuration with 64 GRU units and a 70:15:15 split achieved 83.4% accuracy (95% CI: ±1.2%) and an F1-score of 0.813, surpassing baselines such as Na
Evaluation of Multi-Algorithm Clustering for Marketplace MSME Segmentation Using a Big Data Analytics Approach Anas Taufan; Sri Redjeki
Journal of Innovation and Technology Polbeng Series on Informatics (INOVTEK Polbeng - Seri Informatika) Vol. 10 No. 3 (2025): November
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/k9gn7n75

Abstract

The rapid development of the digital economy has significantly driven MSME activity on marketplaces like Tokopedia, generating vast heterogeneous datasets. This study conducted a comparative evaluation of six clustering algorithms, including K-Means, Agglomerative Clustering, and GMM, using the Silhouette Score, Davies–Bouldin Index (DBI), and Calinski–Harabasz Index (CHI). Using a standardized Tokopedia MSME dataset from Yogyakarta, empirical results showed Silhouette scores ranging from 0.050 to 0.057, DBI from 0.45 to 0.53, and CHI from 950 to 1310. Although indicating low absolute cluster separation, these values facilitated meaningful relative comparisons. Among the tested algorithms, agglomerative clustering with Ward linkage demonstrated the best relative performance and consistency. Metric variability was examined through multiple runs to ensure stability. The analysis identified three segments: high-performing, medium-performing, and high-potential MSMEs, serving as a foundation for data-driven strategies. These findings underscore the necessity of a consistent multi-metric evaluation approach in MSME big data clustering studies.
Co-Authors Alfonso Situmorang Almagribi, Ahmad Bilal Anas Taufan Asyahri Hadi Nasyuha Ayu Larasati Bambang Purnomosidi Dwi Putranto Basanto Joshi Damayanti, Ariesta Dara Kusumawati Dedi Rosadi Dini Fakta Sari Dodon Turianto Nugrahadi Edi Faizal Erna Hudianti Pujiarini Gerry Firmansyah Iskandar, Edi Khabib Mustofa M. Guntara Muhammad Guntara Muhammad Reza Faisal, Muhammad Reza Muslih, Muhamad Naufal, Nabil Nurohman, Muhamad Pius Anggoro Rahayu, Fenny Winda Rizky Maulana Robby Cokro Buwono Satriani, Bayu Setyawan Widyarto Sri Redjeki Thomas Edison Tarigan Yagus Cahyadi