Article Per Year (5 Year)
p-Index From 2021 - 2026
2.374
P-Index
This Author published in this journals
All Journal JUTI: Jurnal Ilmiah Teknologi Informasi Journal of Information Systems Engineering and Business Intelligence Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Indonesian Journal of Artificial Intelligence and Data Mining JSAI (Journal Scientific and Applied Informatics) REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Walisongo Journal of Information Technology Brilliance: Research of Artificial Intelligence Abdimas Indonesian Journal Jurnal Pengabdian Masyarakat DIGIMAS: Jurnal Transformasi Digital Masyarakat
Narandha Arya Ranggianto
Universitas Jember
Religion Agriculture, Biological Sciences & Forestry Computer Science & IT Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Engineering Environmental Science Industrial & Manufacturing Engineering Library & Information Science Mathematics Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
MULTI-DOCUMENT SUMMARIZATION USING A COMBINATION OF FEATURES BASED ON CENTROID AND KEYWORD Narandha Arya Ranggianto; Diana Purwitasari; Chastine Fatichah; Rizka Wakhidatus Sholikah
JUTI: Jurnal Ilmiah Teknologi Informasi Vol. 21, No. 2, July 2023
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v21i2.a1195

Abstract

Summarizing text in multi-documents requires choosing important sentences which are more complex than in one document because there is different information which results in contradictions and redundancy of information. The process of selecting important sentences can be done by scoring sentences that consider the main information. The combination of features is carried out for the process of scoring sentences so that sentences with high scores become candidates for summary. The centroid approach provides an advantage in obtaining key information. However, the centroid approach is still limited to information close to the center point. The addition of positional features provides increased information on the importance of a sentence, but positional features only focus on the main position. Therefore, researchers use the keyword feature as a research contribution that can provide additional information on important words in the form of N-grams in a document. In this study, the centroid, position, and keyword features were combined for a scoring process which can provide increased performance for multi-document news data and reviews. The test results show that the addition of keyword features produces the highest value for news data DUC2004 ROUGE-1 of 35.44, ROUGE-2 of 7.64, ROUGE-L of 37.02, and BERTScore of 84.22. While the Amazon review data was obtained with ROUGE-1 of 32.24, ROUGE-2 of 6.14, ROUGE-L of 34.77, and BERTScore of 85.75. The ROUGE and BERScore values outperform the other unsupervised models.
Hybrid Reinforcement and Evolutionary Learning Model for Adaptive Pathway Optimization In Computer Networks Education Anggraeni, Sherly Rosa; Wahyudi, Dian Julianto; Silviariza, Waode Yunia; Ro’is, Rachmy Rosyida; Ranggianto, Narandha Arya
Indonesian Journal of Artificial Intelligence and Data Mining Vol 8, No 3 (2025): November 2025
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/ijaidm.v8i3.38398

Abstract

This paper introduces a Hybrid Reinforcement and Evolutionary Learning Model developed to optimize adaptive learning pathways in computer network education. Traditional uniform curricula often struggle to accommodate diverse learner profiles, resulting in knowledge gaps across hierarchical concepts such as OSI layers, routing protocols, and security mechanisms. The proposed model integrates Deep Knowledge Tracing (DKT) with Long Short Term Memory (LSTM) networks for real-time estimation of learners’ knowledge states, Proximal Policy Optimization (PPO) for dynamic sequential content selection, and a Genetic Algorithm Particle Swarm Optimization (GA–PSO) hybrid for global pathway refinement under constraints such as prerequisites and time limits. The model was evaluated using real learner data from an e-learning platform and achieved an average final mastery score of 0.867, quiz accuracy of 0.822, and an F1-score of 0.880 for path recommendations outperforming baseline models such as static curricula (0.740 mastery) and DKT+PPO (0.824 mastery) by 5–17%. Ablation studies validated the synergistic contribution of each component, with the GA–PSO module enhancing optimization efficiency by approximately 10%. Overall, these findings demonstrate that the proposed model offers superior personalization, learning efficiency, and adaptability, marking a significant advancement in AI-driven education for computer networks.
Optimalisasi Klasifikasi Performa Akademik Mahasiswa dengan Pendekatan Metaheuristik Berbasis Educational Data Mining M. Habibullah Arief; Muhammad Andryan Wahyu Saputra; Khoirunnisa Afandi; Damar Novtahaning; Narandha Arya Ranggianto
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 9 No. 3 (2025): Volume 9 Nomor 3 Agustus 2025
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v9i3.15168

Abstract

Peningkatan kualitas pendidikan tinggi merupakan prioritas strategis untuk menghasilkan lulusan yang kompeten dan adaptif terhadap tantangan zaman. Undang-Undang Nomor 12 Tahun 2012 tentang Pendidikan Tinggi menegaskan pentingnya mutu penyelenggaraan pendidikan dan kompetensi lulusan. Salah satu indikator kunci mutu tersebut adalah performa akademik mahasiswa, yang kini dapat diprediksi secara lebih akurat melalui pendekatan Educational Data Mining (EDM). Penelitian ini membandingkan efektivitas dari dua algoritma metaheuristik, yaitu Genetic Algorithm (GA) dan Particle Swarm Optimization (PSO) dalam proses seleksi fitur untuk meningkatkan akurasi klasifikasi performa akademik mahasiswa berdasarkan data akademik Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Jember. Dataset terdiri atas 203 mahasiswa dari tahun ajaran 2022/2023 dan 2023/2024. Hasil menunjukkan bahwa algoritma GA menghasilkan akurasi pengujian sebesar 0,9508, sementara algoritma PSO mencapai 0,9912. GA unggul dalam eksplorasi kombinasi fitur yang kompleks, sedangkan PSO menunjukkan efisiensi komputasi yang lebih tinggi. Fitur-fitur penting seperti SKS, pekerjaan orang tua, penggunaan smartphone, dan dukungan keluarga teridentifikasi sebagai prediktor utama. Kedua pendekatan terbukti efektif dalam meningkatkan performa model prediksi sekaligus mengurangi kompleksitas data. Temuan ini menunjukkan potensi besar algoritma metaheuristik sebagai teknologi pendukung dalam sistem akademik modern untuk mendukung pengambilan keputusan berbasis data, meningkatkan efisiensi intervensi akademik, dan menunjang perencanaan pendidikan tinggi yang lebih adaptif dan presisi.
Optimalisasi Manajemen Kualitas Website Desa Klatakan Berbasis ISO/IEC 25010 Damar Novtahaning; Erik Yohan Kartiko; Khoirunnisa Afandi; M. Habibullah Arief; Narandha Arya Ranggianto
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 9 No. 3 (2025): Volume 9 Nomor 3 Agustus 2025
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v9i3.15176

Abstract

Website desa memiliki peran strategis sebagai sarana penyampaian informasi, pelayanan publik, serta keterbukaan data dalam rangka mendukung implementasi Sustainable Development Goals (SDGs) di tingkat lokal. Penelitian ini bertujuan untuk mengevaluasi kualitas Website Desa Klatakan Jember dengan menggunakan standar ISO/IEC 25010 melalui pendekatan kuantitatif. Evaluasi difokuskan pada lima karakteristik utama, yaitu functional suitability, reliability, performance efficiency, usability, dan compatibility. Pengumpulan data dilakukan melalui penyebaran kuesioner kepada responden yang merupakan pengguna aktif website, dengan penilaian berdasarkan dua dimensi utama: tingkat kepentingan (importance) dan kinerja aktual (performance), menggunakan skala Likert 1–5. Metode Customer Satisfaction Index (CSI) digunakan untuk menghitung tingkat kepuasan pengguna, sedangkan Importance-Performance Analysis (IPA) digunakan untuk memetakan prioritas perbaikan kualitas sistem. Hasil analisis menunjukkan bahwa nilai CSI secara keseluruhan adalah 76,72%, yang berada dalam kategori “Puas”. Pemetaan IPA menunjukkan bahwa karakteristik functional suitability dan compatibility berada pada kuadran I (prioritas utama), usability berada pada kuadran II (dipertahankan), sedangkan reliability dan performance efficiency berada pada kuadran III (prioritas rendah). Berdasarkan hasil tersebut, dapat disimpulkan bahwa meskipun sebagian besar fitur website telah berjalan sesuai fungsi, masih terdapat area yang perlu ditingkatkan, terutama dalam aspek kemudahan penggunaan dan efisiensi sistem. Penelitian ini diharapkan dapat memberikan kontribusi sebagai model evaluasi kualitas sistem informasi desa berbasis standar internasional, serta mendukung agenda transformasi digital desa secara lebih akuntabel, partisipatif, dan berkelanjutan.
Procedural Content Generation pada Level Gim Sokoban Menggunakan Model Hybrid GPT2 dan Algoritma Genetika Narandha Arya Ranggianto; Akbar Pandu Segara; Dwi Wijonarko; Anang Andrianto; M. Habibullah Arief
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 9 No. 3 (2025): Volume 9 Nomor 3 Agustus 2025
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v9i3.15188

Abstract

Procedural Content Generation (PCG) yang berfokus pada level menjadi poin penting dalam mempengaruhi pengalaman pengguna dalam bermain gim. Salah satu gim puzzle khususnya Sokoban dapat diterapkan untuk pembangunan level secara otomatis karena dapat direpresentasikan secara sederhana. Dataset Sokoban biasanya direpresentasikan ke dalam string ASCII yang terdiri dari pemain (@), dinding (#), kotak ($), dan tujuan (.). Hal ini menjadikan level Sokoban dapat dikembangkan menggunakan dua pendekatan yaitu berbasis pencarian dan machine learning. Metode pencarian memiliki kelebihan dalam mengeksplorasi sebuah level yang playable namun menghasilkan level yang sama. Sedangkan pada pendekatan machine learning data digunakan untuk melakukan training dengan pola-pola tertentu sehingga memberikan kemampuan membangun level yang bervariatif. Kekurangan data dalam level gim menjadikan pendekatan fine-tuning GPT2 lebih unggul untuk digunakan dalam pembangunan level. Namun, karakteristik data yang tidak memiliki koherensi yang baik pada level Sokoban menjadikan GPT2 tidak dapat membangun level yang playable. Model Hybrid GPT2 dan Algoritma Genetika (GPT2-GA) dimana nilai penggabungan ini akan memberikan hasil yang optimal. Evaluasi untuk mengukur accuracy, playability, dan diversity yang menunjukkan performa lebih unggul dibandingkan GPT2. Model GPT2-GA menunjukkan hasil peningkatan accuracy dari 81,9% menjadi 90,1%, playability dari 41,3% menjadi 62,8%, dan diversity dari 88,2% menjadi 97,5%. Pendekatan model ini berhasil mengatasi kelemahan model generatif GPT2 dalam menghasilkan level yang fungsional dengan mempertahankan level yang unik yang dapat diselesaikan.
Co-Authors Afandi, Khoirunnisa Akbar Pandu Segara Anang Andrianto Atmoko, Rizky Baihaqi, Yustri Budi Yuswanto, Istatuk Chastine Fatichah Damar Novtahaning Dian Julianto Wahyudi Diana Purwitasari Dwi Wijonarko Erik Yohan Kartiko Isti Fadah Kartiko, Erik Yohan Khoirunnisa Afandi M. Habibullah Arief Martiana Kholila Fadhil Muhammad Andryan Wahyu Saputra Rizka Wakhidatus Sholikah Rizka Wakhidatus Sholikah, Rizka Wakhidatus Ro’is, Rachmy Rosyida RR. Ella Evrita Hestiandari Sherly Rosa Anggraeni Vika Octaviani Waode Yunia Silviariza Yudha Alif Auliya