Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Nasional Teknik Elektro dan Teknologi Informasi Industrial Research Workshop and National Seminar
Ilham Gibran Achmad Mudzakir
Politeknik Negeri Bandung
Humanities Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penerapan Convolutional Long Short-Term Memory untuk Klasifikasi Teks Berita Bahasa Indonesia Yudi Widhiyasana; Transmissia Semiawan; Ilham Gibran Achmad Mudzakir; Muhammad Randi Noor
Jurnal Nasional Teknik Elektro dan Teknologi Informasi Vol 10 No 4: November 2021
Publisher : Departemen Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas Gadjah Mada

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1150.961 KB) | DOI: 10.22146/jnteti.v10i4.2438

Abstract

Text classification is now a well-studied field, particularly in Natural Language Processing (NLP). The text classification can be carried out using various methods, one of which is deep learning. Deep learning methods such as RNN, CNN, and LSTM are the most frequent methods used for text classification. This research aims to analyze the implementation of two deep learning methods combination, namely CNN and LSTM (C-LSTM), to classify Indonesian news texts. News texts used as data in this study were collected from Indonesian news portals. The obtained data were then divided into three categories based on their scope: "National," "International," and "Regional." Three research variables were tested in this study: the number of documents, the batch size value, and the learning rate value of the built C-LSTM. The experimental results showed that the F1-score obtained from the classification results using the C-LSTM method was 93.27%. The F1-score value generated by the C-LSTM method was higher than that of CNN (89.85%) and LSTM (90.87%). In summary, the combination method of two deep learning methods, namely CNN and LSTM (C-LSTM), outperforms CNN and LSTM.
Analisis Efektivitas Algoritma FAST++ untuk Test Case Minimization dalam Pelaksanaan Regression Testing Ilham Gibran Achmad Mudzakir; Zikri Ariachandra; Ani Rahmani
Prosiding Industrial Research Workshop and National Seminar Vol 11 No 1 (2020): Prosiding 11th Industrial Research Workshop and National Seminar (IRWNS)
Publisher : Politeknik Negeri Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (459.067 KB)

Abstract

Banyak cara yang dapat dilakukan untuk memangkas biaya pengembangan aplikasi. Salah satunya dengan mengupayakan pengurangan cost dalam tahap pengujian, yaitu dengan mengurangi test case. Pengujian dilakukan untuk menjamin kualitas perangkat lunak yang dibangun, agar sesuai dengan requirement yang disepakati. Pengujian memiliki banyak jenis, salah satunya adalah regression testing, yang dilakukan sebagai dampak dari penambahan atau modifikasi fitur-fitur pada perangkat lunak yang terus berkembang. Penambahan fitur berdampak pada bertambahnya jumlah test case yang harus diujikan. Hal ini kemudian berdampak pada bertambahnya waktu dan cost yang dibutuhkan untuk menguji keseluruhan sistem. Beberapa penelitian saat ini mulai mengembangkan metode untuk mengurangi waktu eksekusi pada saat pengujian. Salah satunya adalah dengan memanfaatkan teknik test case minimization. Penelitian ini mengkaji efektivitas algoritma FAST++ untuk mengurangi jumlah test case pada test suite yang diujikan. Efektivitas FAST++ dihitung berdasarkan waktu eksekusi dan jumlah test case yang berhasil dikurangi. Digunakan juga fault detection loss metrics untuk memastikan algoritma reduksi tidak kehilangan kemampuannya dalam mendeteksi fault. Uji coba dilakukan memanfaatkan software berbahasa C, “print token” dari Software-artifact Infrastructure Repository (SIR) milik NC State University. Hasil uji coba menunjukkan bahwa algoritma FAST++ lebih cepat 7.02 detik dari retest all dalam menemukan seluruh defect yang ada.
Co-Authors Ani Rahmani Muhammad Randi Noor Transmissia Semiawan Yudi Widhiyasana Zikri Ariachandra