Article Per Year (5 Year)
p-Index From 2020 - 2025
2.149
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Buana Informatika JUTI: Jurnal Ilmiah Teknologi Informasi Jurnal Edukasi dan Penelitian Informatika (JEPIN) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer MIND (Multimedia Artificial Intelligent Networking Database) Journal Jurnal Teknik Elektro dan Komputer TRIAC Building of Informatics, Technology and Science Jurnal Teknik Informatika (JUTIF) JHCLS SmartComp INJECT Interdisciplinary Journal of Communication
Christian Sri kusuma Aditya, Christian Sri kusuma
Teknik Informatika, Institut Teknologi Sepuluh Nopember
Religion Computer Science & IT Control & Systems Engineering Dentistry Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Social Sciences

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 16 Documents
Search

 1   2 
Deteksi Bot Spammer pada Twitter Berbasis Sentiment Analysis dan Time Interval Entropy Aditya, Christian Sri Kusuma; Hani’ah, Mamluatul; Fitrawan, Alif Akbar; Arifin, Agus Zainal; Purwitasari, Diana
Jurnal Buana Informatika Vol 7, No 3 (2016): Jurnal Buana Informatika Volume 7 Nomor 3 Juli 2016
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (456.068 KB) | DOI: 10.24002/jbi.v7i3.656

Abstract

Abstract. Spam is an abuse of messaging undesired by recipients. Those who send spam are called spammers.  Popularity of Twitter has attracted spammers to use it as a means to disseminate spam messages. The spams are characterized by a neutral emotional sentiment or no particular users’ preference perspective. In addition, the regularity of tweeting behavior periodically shows automation performed by bot. This study proposes a new method to differentiate between bot spammer and legitimate user accounts by integrating the sentiment analysis (SA) based on emotions and time interval entropy (TIE). The combination of knowledge-based and machine learning-based were used to classify tweets with positive, negative and neutral sentiments. Furthermore, the collection of timestamp is used to calculate the time interval entropy of each account. The results show that the precision and recall of the proposed method reach up to 83% and 91%. This proves that the merging SA and TIE can optimize overall system performance in detecting Bot Spammer.Keywords: bot spammer, twitter, sentiment analysis, polarity, entropy Abstrak. Spam merupakan penyalahgunaan pengiriman pesan tanpa dikehendaki oleh penerimanya, orang yang mengirimkan spam disebut spammer. Ketenaran Twitter mengundang spammer untuk menggunakannya sebagai sarana menyebarluaskan pesan spam. Karakteristik dari tweet yang dikategorikan spam memiliki sentimen emosi netral atau tidak ada preferensi tertentu terhadap suatu perspektif dari user yang memposting tweet. Selain itu keteraturan waktu perilaku saat memposting tweet secara periodik menunjukkan otomatisasi yang dilakukan bot. Pada penelitian ini diusulkan metode baru untuk mendeteksi antara bot spammer dan legitimate user dengan mengintegrasikan sentimen analysis berdasarkan emosi dan time interval entropy. Pendekatan gabungan knowledge-based dan machine learning-based digunakan untuk mengklasifikasi tweet yang memiliki sentimen positif, negatif dan tweet netral. Selanjutnya kumpulan timestamp digunakan untuk menghitung time interval entropy dari tiap akun. Hasil percobaan menunjukan bahwa precision dan recall dari metode yang diusulkan mencapai 83% dan 91%. Hal ini membuktikan penggabungan Sentiment Analysis (SA) dan Time Interval Entropy (TIE) dapat mengoptimalkan performa sistem secara keseluruhan dalam mendeteksi Bot Spammer.Kata Kunci:  bot spammer, twitter, sentiment analysis,  polarity, entropy
Implementasi Extra Trees Classifier dengan Optimasi Grid Search CV pada Prediksi Tingkat Adaptasi AINA, LISTYA NUR; NASTITI, VINNA RAHMAYANTI SETYANING; ADITYA, CHRISTIAN SRI KUSUMA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.78-88

Abstract

AbstrakTeknologi terus maju, terutama dalam komunikasi, pendidikan, dan informasi. Pendidikan online semakin diminati di banyak lembaga pendidikan, mendorong perlunya pemahaman sejauh mana peserta didik dapat beradaptasi dengan lingkungan online. Memprediksi tingkat adaptasi peserta didik menjadi penting untuk meningkatkan efektivitas dan kualitas pengalaman belajar. Dalam penelitian ini, menggunakan dataset dari Kaggle, metode Extra Trees Classifier dioptimalkan dengan Hyperparameter Tuning Grid Search CV. Sebelum optimalsi, akurasi mencapai 95.85%, setelahnya meningkat menjadi 96.26%, menunjukkan peningkatan sebesar 0.41%. Implementasi metode Extra Trees Classifier dengan optimasi Hyperparameter Tuning Grid Search CV lebih unggul dibandingkan penggunaan algoritma tanpa optimasi.Kata kunci: Prediksi, Extra Trees, Classifier, Hyperparameter, CVAbstractTechnology continues to advance, especially in communication, education and information. Online education is increasingly in demand in many educational institutions, prompting the need to understand the extent to which learners can adapt to the online environment. Predicting learners' adaptation level is important to improve the effectiveness and quality of the learning experience. In this study, using a dataset from Kaggle, the Extra Trees Classifier method was optimized with Hyperparameter Tuning Grid Search CV. Before optimization, the accuracy reached 95.85%, after which it increased to 96.26%, showing an improvement of 0.41%. The implementation of the Extra Trees Classifier method with Hyperparameter Tuning Grid Search CV optimization is superior to the use of the algorithm without optimization.Keywords: Prediction, Extra Trees, Classifier, Hyperparameter, CV
Klasifikasi Penyakit Stunting Menggunakan Algoritma Multi-Layer Perceptron ASHURI, PUTRI INTAN; CAHYANI, INDAH ARDHIA; ADITYA, CHRISTIAN SRI KUSUMA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 1 (2024): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i1.52-63

Abstract

AbstrakStunting adalah gangguan pertumbuhan dan perkembangan yang disebabkan kekurangan gizi yang ditandai dengan tinggi anak kurang dari dua kali standar deviasi yang ditetapkan oleh WHO. Kekurangan asupan gizi mengakibatkan menurunnya pertumbuhan anak, hal ini berhubungan dengan meningkatnya resiko sakit, kematian, hambatan pertumbuhan fisik maupun gangguan metabolisme tubuh. Beberapa metode telah dilakukan untuk membantu mengklasifikasi stunting pada anak salah satunya C4.5. Tujuan penelitian ini adalah mengklasifikasikan penyakit stunting menggunakan metode Multi-Layer Perceptron (MLP) dengan hyperparameter tuning RandomSearchCV. MLP memiliki beberapa kelebihan diantaranya mampu merepresentasikan hubungan lebih kompleks antara fitur input dan output, serta memproses data dalam berbagai bentuk, termasuk data tidak terstruktur. Penelitian ini menunjukan model MLP menggunakan hyperparameter tuning RandomSearchCV mendapatkan performa terbaik berdasarkan hasil evaluasi didapatkan accuracy sebesar 81.78%, precision 85.00%, recall 94.34%, dan F1-Score 89.43%.Kata kunci: Stunting, Kekurangan gizi, Multi-Layer Perceptron (MLP), Hyperparameter tuning, RandomSearchCVAbstract Stunting is a growth and development disorder caused by malnutrition which is characterized by a child's height being less than twice the standard deviation set by WHO. Lack of nutritional intake results in decreased growth in children, this is associated with an increased risk of illness, death, physical growth restrictions and metabolic disorders. Several methods have been used to help classify stunting in children, one of which is C4.5. The aim of this research is to classify stunting using the Multi-Layer Perceptron (MLP) method with RandomSearchCV hyperparameter tuning. MLP has several advantages, including being able to represent more complex relationships between input and output features, as well as processing data in various forms, including unstructured data. This research shows that the MLP model using RandomSearchCV hyperparameter tuning got the best performance based on the evaluation results, which obtained accuracy of 81.78%, precision of 85.00%, recall of 94.34%, and F1-Score of 89.43%.Keywords: author’s guideline, document’s template, format, style, abstract
Implementasi Automatic Speech Recognition Bacaan Al-Qur’an Menggunakan Metode Wav2Vec 2.0 dan OpenAI-Whisper Ferdiansyah, Danny; Aditya, Christian Sri Kusuma
Jurnal Teknik Elektro dan Komputer TRIAC Vol 11, No 1 (2024): Mei 2024
Publisher : Jurusan Teknik Elektro Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/triac.v11i1.24332

Abstract

Implementasi Pengenalan Ucapan Otomatis untuk memprediksi bacaan sering digunakan dalam kehidupan sehari-hari. Salah satu tujuan yang dilakukan penelitian ini adalah untuk mengurangi angka buta mengaji Al-Qur'an pada umat Islam dengan mengimplementasikan ASR sebagai prediksi huruf hijaiyah dan membaca dengan teks ayat-ayat suci Al-Qur'an sebagai target. Data diambil dari platform YouTube dengan suara-suara murottal dari Syeikh Mahmoud Al-Hussary. Ada banyak metode deep learning ASR yang dapat digunakan untuk memprediksi kata ( transcribing ), contohnya adalah Wav2vec 2.0 dan OpenAI-Whisper . Hasil dari metode Wav2vec 2.0 menunjukkan nilai Character Error Rate (CER) dalam memprediksi ayat suci Al-Qur'an dari jarak 0.226 (23%) ~ 0.677 (68%). Hasil dari metode OpenAI-Whisper menunjukkan performa yang lebih bagus daripada Wav2vec 2.0 dengan nilai Character Error Rate (CER) dari rentang 0.064 (6%) ~ 0.172 (17%). Hasil dari kedua metode yang telah diusulkan mengimplikasikan bahwa nilai error yang rendah menjadi metode yang terbaik dengan kesalahan yang minimal.
Stunting Disease Classification Using Multi-Layer Perceptron Algorithm with GridSearchCV Cahyani, Indah Ardhia; Ashuri, Putri Intan; Aditya, Christian Sri Kusuma
Sinkron : jurnal dan penelitian teknik informatika Vol. 8 No. 1 (2024): Articles Research Volume 8 Issue 1, January 2024
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/sinkron.v9i1.13245

Abstract

Stunting is a growth and development disorder caused by malnutrition characterized by a child's height less than the standard deviation set by WHO. In 2022, stunting cases in Indonesia are considered a high prevalence rate, reaching 21.6%. There are several factors that can cause stunting in children, namely maternal and antenatal care factors, home environment factors, breastfeeding practices, and feeding factors during toddlerhood. There are several impacts that occur when children are stunted, namely increased risk of child mortality, susceptibility to illness, impaired brain development, physical disorders and metabolic disorders.   Currently, deep learning has been widely used for disease classification and prediction, one of the deep learning methods is Multi-Layer Perceptron (MLP). The purpose of this research is to classify stunting disease using a deep learning method, namely MLP. The dataset used consists of 8 attributes, namely gender, age, birth weight, birth length, body weight, body length, breastfeeding and stunting with a total of 10,000 records. The encoding process is carried out to convert categorical data into numeric attributes of gender, breastfeeding, and stunting.  This research produces a higher accuracy value than previous research which used the C4.5 algorithm with an accuracy of 61.82%, whereas in this study using MLP which was integrated with the GridSearchCV hyperparameter it obtained an accuracy of 82.37%. This proves that the MLP method is successful in classifying stunting compared to previous research algorithms.
Artificial Intelligence and Quality of Composition Verdicts in Indonesia: Lessons from New Zealand Hidayah, Nur Putri; Wicaksono, Galih Wasis; Aditya, Christian Sri Kusuma; Munarko, Yuda
Journal of Human Rights, Culture and Legal System Vol. 4 No. 1 (2024): Journal of Human Rights, Culture and Legal System
Publisher : Lembaga Contrarius Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53955/jhcls.v4i1.175

Abstract

The quality of the decision is not only related to the judge's considerations but also its suitability to the composition of the decision so that the resulting decision is not easily overturned at the level of legal action and increases public confidence in the judicial institution. This research aims to analyze the quality of judges' decisions in Indonesia in terms of the composition of the decision texts that have been made. This research uses normative legal research methods, a statutory approach, and a comparative approach. The study results show that decisions are not based on the structure of decisions determined by the Supreme Court. One of the reasons is the minimal use of AI, even though AI can help judges identify which parts of the decision structure are not yet in the decision prepared by the judge and improve them so that it is hoped that it will produce uniformity and decisions that are certain and not easily overturned. Indonesia needs to learn from New Zealand guidelines for using AI at the court and tribunal level. Judges can apply AI, some related to summarizing information and administration.
Klasifikasi Hoax Berita Politik Menggunakan Algoritma Long Short-Term Memory (LSTM) dengan Penambahan Fitur Embedding Global Vector (GloVe) Sunan, Rohid Aji; K., Halif Fachrizal Erliawan; Aditya, Christian Sri Kusuma
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 2 (2024): Volume 10 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i2.76042

Abstract

Berita online telah berkembang sangat pesat terutama pada waktu yang mendekati pesta politik. Tingginya volume dokumen teks dipicu oleh aktivitas dari berbagai sumber berita. Karena banyaknya jumlah berita yang tertampung ke dalam website, terkadang berita yang diposting tidak sesuai dengan kenyataan atau dapat disebut berita hoax. Deteksi berita hoax menjadi penting agar pengguna tidak terjebak informasi palsu yang terkandung dalam berita hoax. Untuk itu diperlukan sebuah sistem cerdas yang dapat mendeteksi berita hoax bertema politik secara otomatis. Penelitian ini mengevaluasi Teknik deep learning menggunakan LSTM dengan penambahan fitur Word Embedding Global Vector (GloVe) dan membandingkan hasil dari penelitian sebelumnya yang menggunakan beberapa algoritma deep learning tanpa penambahan fitur. Peneliti menggunakan dataset yang terdiri dari 1300 dokumen berita hoax dan 8234 dokumen berita valid. Karena jumlah komposisi antara kelas hoax dan valid tidak seimbang, maka peneliti menerapkan teknik Synthetic Minority Over-Sampling Technique (SMOTE) untuk meningkatkan representasi kelas minoritas. Hasil empiris menunjukan bahwa akurasi klasifikasi dari LSTM dengan fitur tambahan word embedding GloVe didapatkan akurasi sebesar 99.8%, dimana mampu mengungguli hasil penelitian sebelumnya dengan akurasi 95.1% yang tanpa penggunaan word embedding. Peningkatan performa ini tidak lepas dari penambahan fitur word embedding GloVe sebagai inisialisasi bobot untuk lapisan embedding dalam model LSTM, dimana mampu memberikan representasi yang lebih baik pada kata-kata dalam dataset.
Klasifikasi Tingkat Kemampuan Adaptasi Siswa dalam Pembelajaran Online Menggunakan Decision Tree Lailiyah, Asmaul; Nastiti, Vinna Rahmayanti Setyaning; Wahyuni, Evi Dwi; Aditya, Christian Sri Kusuma
Techno.Com Vol. 23 No. 1 (2024): Februari 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i1.9739

Abstract

Kemajuan dalam ilmu pengetahuan dan teknologi mendorong adaptasi terhadap pemanfaatan teknologi di berbagai sektor, seperti komunikasi, pendidikan, dan informasi. Terutama dalam konteks teknologi pendidikan, dapat diamati bahwa pembelajaran online sedang mendapatkan popularitas yang signifikan di berbagai lembaga pendidikan. Oleh karena itu, penting untuk mengeksplorasi seberapa baik peserta didik dapat beradaptasi dengan lingkungan pembelajaran online. Memprediksi tingkat adaptasi peserta didik memiliki signifikansi yang besar bagi pendidik dan pengembang platform pembelajaran online, dengan tujuan meningkatkan efisiensi dan kualitas pengalaman belajar. Penelitian ini menggunakan dataset “Students Adaptability Level in Online Education” dengan menerapkan pendekatan Algoritma Decision Tree. Hasil penelitian memperoleh akurasi sebesar 95%, meningkat 7,44% dari penelitian sebelumnya yang hanya memperoleh akurasi sebesar 87,56% dengan menggunakan algoritma yang sama tanpa Feature Engineering. Hal ini menunjukkan bahwa Feature Engineering memegang peranan penting dalam klasifikasi tingkat kemampuan adapatasi siswa untuk mendapatkan hasil yang baik dengan akurasi yang tinggi.
Penerapan Teknik SMOTE Dalam Mengatasi Imbalance Data Penyakit Diabetes Menggunakan Algoritma ANN Handoko, Chanavaro Bayu; Aditya, Christian Sri Kusuma
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 14, No 1 (2025): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v14i1.7045

Abstract

Fenomena pada pengujian data machine learning yang sering terjadi adalah data yang tidak seimbang atau sering disebut imbalanced data. Beberapa penelitian lain juga menyampaikan bahwa imbalanced data sering memberikan hasil yang tidak sesuai. Seperti kelas data seringkali mendapatkan nilai ketidakseimbangan yang disebabkan perbedaan nilai rasio antara kelas mayoritas dan minoritas. Cara mengatasi hal tersebut adalah menggunakan teknik oversampling (SMOTE), yang diterapkan pada data diabetes menggunakan algoritma ANN. Validasi keefektifan dari model yang diterapkan, dilakukan dua skema pengujian. Skema pertama, algoritma ANN tanpa oversampling SMOTE yang langsung diterapkan. Pengujian kedua, menggunakan oversampling SMOTE untuk menambah total kelas dataset agar bernilai seimbang. Pengujian yang dilakukan, menghasilkan nilai accuracy, recall, precision terbaik dengan nilai accuracy sebesar 0.92, precision 0.97, dan recall mencapai 0.94 yang menandakan, terbukti efektif dalam memberikan nilai performa pada algoritma Artificial Neural Network jika dibandingkan dengan tidak menerapkan teknik oversampling pada kasus kelas imbalance data diabetes.
Klasifikasi Sentimen Ulasan Produk pada Platform E-Commerce di Indonesia dengan Menggunakan Model Pre-Trained IndoBERT Aji, Bayu Puspito; Aditya, Christian Sri Kusuma
Building of Informatics, Technology and Science (BITS) Vol 6 No 4 (2025): March 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i4.6968

Abstract

In today's digital era, sentiment analysis of product reviews on e-commerce platforms is becoming increasingly important, especially on Tokopedia, one of the largest marketplaces in Indonesia. Tokopedia provides facilities for users to leave reviews after making transactions, which play an important role in helping businesses understand customer perceptions of products. This research aims to classify the sentiment of product reviews on Tokopedia using the IndoBERT model and evaluate its performance compared to LSTM-based methods combined with FastText, Glove, and Word2Vec embedding. The LSTM-FastText model in previous research achieved the highest accuracy of 85.08%. In this study, the sentiment classification of product reviews on Tokopedia was carried out with a total of 5400 data and the sentiment classification process was divided into two categories, namely positive and negative, with the division of the dataset into three groups: training, validation, and testing. The contribution in this research is to explore the effectiveness of the IndoBERT model performance compared to previous methods that implement the LSTM model with FastText, Glove, and Word2Vec embedding. Based on the research results, the IndoBERT model achieved an accuracy of 97%, with the same F1-score value for both sentiment categories of 97%. Specifically designed with pre-training on a large Indonesian corpus, IndoBERT is able to understand the context of the text better than the LSTM model used in previous studies. This allows IndoBERT to produce higher accuracy, as it can understand product reviews in Indonesian more effectively.
Co-Authors Agus Zainal Arifin AINA, LISTYA NUR Aji, Bayu Puspito Alif Akbar Fitrawan, Alif Akbar ASHURI, PUTRI INTAN CAHYANI, INDAH ARDHIA Chandranegara, Didih Rizki Chastine Fatichah Diana Purwitasari Evi Dwi Wahyuni Ferdiansyah, Danny Firdausita, Nuris Sabila Fuad Nasvian, Moch Gayatri, Agnes Ayu Maharani Dyah Hamdan Nafiatur Rosyida Handoko, Chanavaro Bayu Hani’ah, Mamluatul K., Halif Fachrizal Erliawan Kusumo, Wisnu Prayogo Lailiyah, Asmaul Nur Putri Hidayah Purwandhani, Septiannisa Alya Shinta S, Vinna Rahmayanti Sajiatmoko, Aletta Agigia Novta Salma, Rania Alfita Setyarini, Dela Ananda Sunan, Rohid Aji Ujilast, Novia Adelia Wicaksono, Galih Wasis Yuda Munarko Yufis Azhar