Claim Missing Document
Check
Articles

Klasifikasi Spam pada Short Message Service (SMS) menggunakan Support Vector Machine Panjaitan, Mutiharis Dauber; Adikara, Putra Pandu; Setiawan, Budi Darma
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 5 (2024): Mei 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Short Message Service (SMS) adalah layanan pesan singkat yang secara luas digunakan dalam berbagai aktivitas sehari-hari, termasuk pemantauan kesehatan, mobile banking, dan mobile commerce. Namun, SMS juga rentan terhadap penyalahgunaan yang dapat mengandung konten berbahaya. Pesan-pesan SMS spam dapat bercampur dengan pesan-pesan non-spam, sehingga mengganggu pengguna. Oleh karena itu, diperlukan pengelompokan pesan menjadi beberapa kategori untuk memudahkan pengguna. Dalam penelitian ini, kategori yang digunakan adalah normal, penipuan, promo, autentikasi, dan bank. Data yang digunakan berjumlah 1584 pesan, yang dibagi menjadi data latih dan data uji dengan perbandingan 75%:25%. Klasifikasi pesan dilakukan menggunakan metode SVM dengan konsep one-against-all. Penelitian ini melibatkan preprocessing, term weighting, training, dan testing. Hasil evaluasi menunjukkan tingkat akurasi sebesar 0,95, precision sebesar 0,96, recall sebesar 0,95, dan f1-score sebesar 0,95. Hasil ini diperoleh dengan menggunakan kombinasi parameter C = 100, epsilon = 10-5, konstanta gamma = 0,01, lambda = 0,1, dan iterasi maksimum = 50. Kata kunci: klasifikasi teks, SMS, spam, support vector machine
Implementasi Association Rule Mining pada Data Penjualan Buku UB Press Menggunakan Algoritma FP-Growth Indrayani, Sri; Ratnawati, Dian Eka; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 13 (2024): Publikasi Khusus Tahun 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan pada Konferensi Internasional ICOMMIT
Analisis Sentimen Berbasis Aspek Menggunakan Support Vector Machine dan Binary Relevance Terhadap Aplikasi Access by KAI Maghfiroh, Sofita Hidayatul; Ratnawati, Dian Eka; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 13 (2024): Publikasi Khusus Tahun 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan di terbitkan pada Konferensi Internasional ICOMMIT
Pembangkitan Respons pada Model Seq2seq Chatbot Berbahasa Indonesia dengan Multimodal Learning (Intensi dan Entitas) Baliyamalkan, Mohammad Nafi'; Perdana, Rizal Setya; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 9 (2024): September 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Helpdesk TIK UB adalah layanan helpdesk daring untuk membantu menyelesaikan permasalahan mengenai teknologi informasi di Universitas Brawijaya (UB). Helpdesk TIK UB dapat digunakan oleh seluruh civitas academica Universitas Brawijaya. Pelayanan Helpdesk TIK UB tersedia selama hari dan jam kerja, sehingga permasalahan yang mendesak di luar jam kerja tidak langsung dilayani. Salah satu bentuk teknologi yang dapat menyelesaikan permasalahan tersebut adalah penerapan chatbot pada Helpdesk TIK UB. Salah satu model chatbot adalah Sequence to Sequence (Seq2seq) Model yang dikembangkan oleh Sutskever, Vinyals, dan Le pada tahun 2014. Permasalahan yang ditemukan dari Seq2seq Model adalah model ini lebih berfokus pada generasi kata serta kurang memperhitungkan maksud dan konteks dari pengguna (Mustapha et al., 2008; Vinyals and Le, 2015; Dudy, Bedrick and Webber, 2021). Penelitian ini berupaya untuk mengatasi masalah tersebut dengan menambahkan modalitas intensi dan entitas serta menerapkan multimodal learning menggunakan Seq2seq Modality Translation Model. Hasil dari penelitian ini adalah penggunaan multimodal learning dengan modalitas intensi dan entitas membuat BLEU Score yang dihasilkan model menurun. Namun, kombinasi multimodal yang tepat justru dapat membuat model menangkap konteks kalimat lebih tepat sehingga dapat menghasilkan keluaran yang lebih baik. Hasil penelitian ini menunjukkan bahwa multimodal learning dengan modalitas intensi dan entitas dapat diterapkan pada pembangkitan respons model Seq2seq chatbot berbahasa Indonesia.
Eksperimen Penerapan Framework Desain User Interface untuk Lanjut Usia pada PLN Mobile untuk Meningkatkan Usability kepada Pengguna Pra-Lanjut Usia Anggraheni, Hanna Shafira; Kharisma, Agi Putra; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 1 (2025): Januari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Framework adalah kerangka kerja yang bertujuan untuk membuat proses pengembangan lebih efisien dengan menyusun, mengelola, dan memperluas proyek secara optimal. Salah satu framework yang sering digunakan adalah framework desain user interface (UI) untuk lansia, yang dirancang agar UI lebih mudah dan nyaman digunakan oleh pengguna berusia lanjut. Meskipun framework ini sudah tersedia, banyak aplikasi, termasuk PLN Mobile, belum sepenuhnya mengimplementasikan aksesibilitas khusus untuk lansia. Penelitian ini menguji pengaruh penerapan framework UI untuk lansia terhadap usability aplikasi PLN Mobile, dengan melibatkan 12 responden pra-lansia (45-59 tahun). Pengujian dilakukan menggunakan tiga metrik utama: effectiveness, efficiency, dan satisfaction. Hasil penelitian menunjukkan bahwa penerapan framework UI pada fitur Pembelian Token meningkatkan task completion time secara signifikan (P<0,0001), tetapi pada fitur Pengaduan Gangguan, peningkatannya tidak signifikan (P=0,1142). Metrik task success tidak menunjukkan perbedaan, dengan success rate tetap 100% pada kedua fitur. Namun, ada peningkatan signifikan dalam skor satisfaction, dengan P=0,001 pada fitur Pembelian Token dan P=0,0039 pada Pengaduan Gangguan.
Analisis Sentimen Berita Pemblokiran TikTok Shop Pada Kolom Komentar YouTube Menggunakan Long-Short Term Memory Hibatullah, Farras Husain; Indriati; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 1 (2025): Januari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Di era modern ini, penggunaan internet dan media sosial tumbuh pesat, dengan platform seperti TikTok dan YouTube menjadi bagian penting dari kehidupan sehari-hari, khususnya di Indonesia. Baru-baru ini, pemblokiran TikTok Shop memicu perdebatan publik yang signifikan, berdampak pada pengguna, kreator, dan pelaku bisnis. Kebijakan ini menimbulkan berbagai tanggapan yang disampaikan melalui komentar di video YouTube terkait. Oleh karena itu, penelitian diperlukan untuk memahami sentimen publik mengenai isu ini melalui analisis sentimen. Penelitian ini berfokus pada analisis sentimen menggunakan Long-Short Term Memory (LSTM) untuk memberikan pemahaman tentang pandangan publik terhadap kebijakan tersebut, baik yang mendukung maupun menolak, serta memberikan masukan bagi pemerintah. Model LSTM dipilih karena kemampuannya dalam mempertahankan informasi jangka panjang dan berurutan. Penelitian ini juga mengeksplorasi pengaruh hyperparameter, seperti jumlah hidden unit, jenis optimizer, batch size, learning rate, dan jumlah epoch terhadap performa model LSTM. Hasil penelitian menunjukkan bahwa model LSTM mampu menghasilkan analisis sentimen yang cukup baik. Secara khusus, model LSTM dengan 32 hidden unit, Adam optimizer, learning rate sebesar 0,0001, batch size 64, dan 25 epoch mencapai accuracy 0,8128, precision 0,8180, recall 0,8128, dan f1-score 0,8119. Untuk hasil pengujian proses stemming dan juga pengubahan kata tidak baku memberikan hasil yang kurang signifikan dalam analisis sentimen pemblokiran TikTok Shop pada kolom komentar YouTube. Kata kunci: Analisis Sentimen, Long-Short Term Memory (LSTM), TikTok, TikTok Shop, YouTube, Word2Vec
Deteksi Bencana Banjir Berdasarkan Data Curah Hujan Di Daerah Jakarta Menggunakan Logistic Regression Neural Network Adiyasa, Bhisma; Dewi, Candra; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Bencana banjir merupakan permasalahan signifikan di Jakarta yang dipengaruhi oleh curah hujan tinggi, sehingga diperlukan sistem prediksi yang andal untuk mitigasi. Penelitian ini menerapkan Logistic Regression Neural Network (LRNN), metode hybrid yang menggabungkan Logistic Regression dan Artificial Neural Network, untuk mendeteksi potensi banjir berdasarkan data cuaca harian wilayah Jakarta periode 2016-2020. Teknik resampling SMOTE-RUS digunakan untuk menangani ketidakseimbangan data, dengan rasio kelas mayoritas dan minoritas yang awalnya 12:1. Model diuji menggunakan data validasi dengan evaluasi metrik recall untuk kedua kelas. Hasil penelitian menunjukkan bahwa model LRNN dengan SMOTE-RUS memiliki recall sebesar 0,75 untuk kelas banjir dan 0,79 untuk kelas tidak banjir, menunjukkan kemampuan model dalam memprediksi kedua kelas secara seimbang, dengan nilai akurasi sebesar 0,79 dan F1 Macro sebesar 0,61. Temuan ini menunjukkan bahwa metode hybrid meningkatkan kinerja prediksi pada kelas banjir dibandingkan metode Logistic Regression biasa, sehingga memberikan kontribusi penting dalam mitigasi bencana.
Multi-task Learning for Named Entity Recognition and Intent Classification in Natural Language Understanding Applications Perdana, Rizal Setya; Adikara, Putra Pandu
Journal of Information Systems Engineering and Business Intelligence Vol. 11 No. 1 (2025): February
Publisher : Universitas Airlangga

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20473/jisebi.11.1.1-16

Abstract

Background: Understanding human language is a part of the research in Natural Language Processing (NLP) known as Natural Language Understanding (NLU). It becomes a crucial part of some NLP applications such as chatbots, that interpret the user intent and important entities. NLU systems depend on intent classification and named entity recognition (NER) which is crucial for understanding the user input to extract meaningful information. Not only important in chatbots, NLU also provides a pivotal function in other applications for efficient and precise text understanding. Objective: The aim of this study is to introduce multitask learning techniques to improve the application's performance on NLU tasks, especially intent classification and NER in specific domains. Methods: To achieve the language understanding capability, a strategy is to combine the intent classification and entity recognition tasks by using a shared model based on the shared representation and task dependencies. This approach is known as multitask learning and leverages the collaborative interaction between these related tasks to enhance performance. The proposed learning architecture is designed to be adaptable to various NLU-based applications, but in this work are discussed use cases in chatbots. Results: The results show the effectiveness of the proposed approach by following several experiments, both from intent classification and named entity recognitions. The multitask learning capabilities highlight the potential of multi-task learning in chatbot systems for close domains. The optimal hyperparameters consist of a warm-up step of 60, an early stopping probability of 10, a weight decay of 0.001, a Named Entity Recognition (NER) loss weight of 0.58, and an intention classification loss weight of 0.4. Conclusion: The performance of Dual Intent and Entity Transformer (DIET) for both tasks—intent classification and named entity recognition—is highly dependent on the data. This leads to various capabilities for the hyperparameter combinations. Our proposed model architecture significantly outperforms previous studies based on common evaluation metrics. Keywords: Natural Language Understanding, Chatbot, Multi-task Learning, Named Entity Recognition
Sistem Tanya Jawab Closed-Domain terhadap Dokumen Fatwa menggunakan Retrieval Augmented Generation dan Large Language Model Haekal, Firhan Imam; Perdana, Rizal Setya; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 5 (2025): Mei 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Agama Islam menjunjung tinggi kesesuaian antara hukum serta prinsip syariah dengan pengambilan keputusan dan tanggapan seorang Muslim terhadap setiap masalah atau fenomena sosial yang terjadi. Permasalahan dan berbagai fenomena sosial baru seiring berkembangnya teknologi serta peradaban memunculkan kebutuhan fatwa sebagai dasar pengambilan keputusan seorang Muslim dalam menghadapi kedua hal tersebut. Berbagai figur religi serta Majelis Ulama Indonesia (MUI) berupaya memenuhi permintaan ini dengan sejumlah aktivitas dakwah, namun permintaan masif dan berulang dari masyarakat memunculkan risiko penyampaian materi dakwah secara dangkal, inkonsistensi materi terhadap sumber, misinformasi, dan minimnya etika dalam menyampaikan materi. Solusi yang diusulkan dalam penelitian ini berupa rancangan sistem tanya jawab yang menghasilkan jawaban komprehensif berdasarkan dokumen fatwa yang sudah ada. Solusi ini dapat diwujudkan menggunakan rangka kerja Retrieval Augmented Generation (RAG) yang terdiri dari Large Language Model (LLM) sebagai generator, yaitu penghasil jawaban, serta retriever sebagai pencari dokumen sumber dari jawaban. Untuk memastikan sistem dapat membentuk jawaban dengan kemiripan yang tinggi terhadap dokumen fatwa, penelitian ini juga membandingkan metode pencarian untuk information retrieval seperti cosine similarity dan Maximum Inner Product Search (MIPS). Hasil pengujian terhadap komponen retriever menunjukkan bahwa metode pencarian cosine similarity dan MIPS mencapai nilai kinerja terbaik pada setiap metrik pada jumlah K sebanyak 25, salah satunya F1-Score@K dengan nilai 0,52. Nilai rerata terbaik dari dua metrik kinerja generator tercapai dengan integrasi RAG, yaitu 0,67 untuk P-BERT dan 0,63 untuk F-BERT.
SENTRIN- Mesin Catur Berbasis Neural Network Menggunakan Long Short Term memory (LSTM) Fattah, Rafi Indra; Adikara, Putra Pandu; Setiawan, Budi Darma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129445

Abstract

Catur diperkirakan memiliki sekitar 1043 kemungkinan posisi. Angka tersebut jauh melampaui kemampuan komputasi komputer yang ada saat ini, sehingga mengembangkan sebuah mesin catur dengan mempertimbangkan seluruh kemungkinan posisi dianggap tidak memungkinkan. Saat ini, penggunaan Neural Network pada pengembangan mesin catur sedang mengalami peningkatan dan telah membawa hasil yang menjanjikan sejak pertama kali diperkenalkan oleh AlphaZero milik Google DeepMind pada tahun 2017. Penelitian ini bertujuan untuk membawa potensi pendekatan baru pada ranah pengembangan mesin catur berbasis Neural Network dengan memperkenalkan mesin catur Deeplefish yang melakukan gerakan berdasarkan keluaran model Long Short Term Memory (LSTM). Menggunakan lebih dari 57.000 pertandingan yang terbagi menjadi 1.200.000 posisi, model dilatih untuk memprediksi langkah berikutnya oleh putih untuk sebuah rangkaian gerakan yang diberikan. Model meraih loss sebesar 3,01 dan Average Centipawn Loss (ACPL) sebesar 219 pada data uji. Deeplefish meraih 2 kemenangan, 72 kekalahan, dan 10 hasil seri pada tahap pengujian. Hasil yang tidak memuaskan ini dapat disebabkan oleh subjektivitas data terhadap cara berpikir pemain, menghasilkan kurangnya pola gerakan yang signifikan untuk dipelajari oleh model.   Abstract Chess has been estimated to have around 1043 possible positions. This number surpasses the computing ability of any computer available, therefore, building a chess engine that considers every possible position is deemed impractical. Currently, the use of neural network in chess engine development is on the rise and has been delivering promising results since the introduction of Google DeepMind’s AlphaZero in 2017. This research aims to bring a new potential approach to the field of neural network based chess engine development by introducing Deeplefish chess engine that uses a Long Short Term Memory (LSTM) model as move generator. Trained on more than 57.000 games broken down into more than 1.200.000 positions, the model is trained to predict the next move played by white for a given sequence of moves. The model achieved a loss of 3.01 and an Average Centipawn Loss (ACPL) of 219 on the validation set. Deeplefish achieved 2 wins, 72 losses, and 10 draws on the testing, showing a lack of board and contextual awareness. This unsatisfactory results are likely due to the subjectivity of the data to the player’s way of thinking, resulting in lack of significant move pattern to be learned by the model.
Co-Authors Adani, Rafi Malik Ade Kurniawan Adinda Chilliya Basuki Adinugroho, Sigit Adiyasa, Bhisma Adriansyah, Rachmat Afrizal Rivaldi Agi Putra Kharisma, Agi Putra Agus Wahyu Widodo Ahmad Fauzi Ahsani Akhmad Sa&#039;rony Al Farisi, Faiz Aulia Al Huda, Fais Albert Bill Alroy Alimah Nur Laili Allysa Apsarini Shafhah Alqis Rausanfita Alvandi Fadhil Sabily Amaliah, Ichlasuning Diah Amar Ikhbat Nurulrachman Ananda Fitri Niasita Anang Hanafi Andina Dyanti Putri Andre Rino Prasetyo Anggraheni, Hanna Shafira Ani Budi Astuti Annisa Alifia Annisa, Zahra Asma Arsya Monica Pravina Aulia Jasmin Safira Aulia Rahma Hidayat Avisena Abdillah Alwi Azhar, Naziha Baliyamalkan, Mohammad Nafi' Barbara Sonya Hutagaol Bayu Andika Paripih Bayu Rahayudi Bryan Pratama Jocom Budi Darma Budi Darma Setiawan Candra Dewi Candra Dewi Dahnial Syauqy Daisy Kurniawaty Danang Aditya Wicaksana Dayinta Warih Wulandari Deri Hendra Binawan Dhanika Jeihan Aguinta Dheby Tata Artha Dian Eka Ratnawati Dika Perdana Sinaga Dimas Fachrurrozi Azam Dwi Suci Ariska Yanti Dwi Wahyu Puji Lestari Dyva Pandhu Adwandha Edy Santosa Eka Dewi Lukmana Sari Elmira Faustina Achmal Evilia Nur Harsanti Faiz Aulia Al Farisi Farid Rahmat Hartono Fattah, Rafi Indra Fayza Sakina Maghfira Darmawan Febriarta, Renaldy Dwisma Ferdi Alvianda Ferly Gunawan Ferly Gunawan Firdaus, Agung Firmansyah, Ilham Fitra Abdurrachman Bachtiar Franklid Gunawan Galih Nuring Bagaskoro George Alexander Suwito Gilang Widianto Aldiansyah Glenn Jonathan Satria Guedho Augnifico Mahardika Haekal, Firhan Imam Hanson Siagian Hendra Pratama Budianto Hernawan, Yurdha Fadhila Hibatullah, Farras Husain Husein Abdulbar Ichsan Achmad Fauzi Ika Oktaviandita Imam Cholisoddin Imam Cholissodin Imam Ghozali Imanuel Juventius Todo Gurning Indah Mutia Ayudita Indriati Indriati Indriati Indriya Dewi Onantya Ivan Fadilla Ivan Ivan Jesika Silviana Situmorang Jojor Jennifer BR Sianipar Jonathan Reynaldo Junda Alfiah Zulqornain Karina Widyawati Karunia Ayuningsih Katherine Ivana Ruslim Khalisma Frinta Krishnanti Dewi Laila Restu Setiya Wati Lailil Muflikhah Laksono Trisnantoro Lubis, Saiful Wardi Lusiyana Adetia Isadi Luthfi Mahendra M. Aasya Aldin Islamy M. Ali Fauzi Maghfiroh, Sofita Hidayatul Makrina Christy Ariestyani Marina Debora Rindengan Maya Novita Putri Riyanto Mayang Arinda Yudantiar Mayang Panca Rini Melati Ayuning Lestari Moch. Khabibul Karim Moh. Dafa Wardana Mohammad Fahmi Ilmi Mohammad Toriq Muh. Arif Rahman Muhammad Faiz Al-Hadiid Muhammad Fajriansyah Muhammad Iqbal Pratama Muhammad Nurhuda Rusardi Muhammad Rizaldi Muhammad Rizky Setiawan Muhammad Tanzil Furqon Muhammad Taufan Muthia Azzahra Nadhif Sanggara Fathullah Nadia Siburian Nanda Agung Putra Nanda Cahyo Wirawan Naufal Akbar Eginda Naziha Azhar Niluh Putu Vania Dyah Saraswati Novan Dimas Pratama Novanto Yudistira Nur Hijriani Ayuning Sari Nurul Hidayat Panjaitan, Mutiharis Dauber Panji Husni Padhila Pengkuh Aditya Prana Prais Sarah Kayaningtias Prakoso, Andriko Fajar Pretty Natalia Hutapea Putri Rahma Iriani Radita Noer Pratiwi Rahma Chairunnisa Raissa Arniantya Randy Cahya Wihandika Randy Cahya Wihandika Randy Ramadhan Ravindra Rahman, Azka Renata Rizki Rafi` Athallah Renaza Afidianti Nandini Restu Amara Rezky Dermawan Rhevitta Widyaning Palupi Ridho Agung Gumelar Riza Cahyani Rizal Maulana, Rizal Rizal Setya Perdana Rizal Setya Perdana Rosy Indah Permatasari Sagala, Revaldo Gemino Kantana Salsabila Insani Salsabila Rahma Yustihan San Sayidul Akdam Augusta Santoso, Nurudin Sigit Adinugroho Sigit Adinugroho Silaban, Gilbert Samuel Nicholas Silvia Ikmalia Fernanda Sindy Erika Br Ginting Sri Indrayani, Sri Sutrisno Sutrisno Tania Malik Iryana Taufan Nugraha Thariq Muhammad Firdausy Tibyani Tibyani Tirana Noor Fatyanosa, Tirana Noor Uke Rahma Hidayah Utaminingrum, Fitri Vergy Ayu Kusumadewi Vinesia Yolanda Vivin Vidia Nurdiansyah Wijanarko, Rizqi Yerry Anggoro Yohana Yunita Putri Yoseansi Mantharora Siahaan Yosua Dwi Amerta Yuita Arum Sari Yuita Arum Sari Yuita Arum Sari Yulia Kurniawati Yurdha Fadhila Hernawan Yure Firdaus Arifin Zahra Asma Annisa