Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JIKO (Jurnal Informatika dan Komputer) JOURNAL OF APPLIED INFORMATICS AND COMPUTING
Suparyati Suparyati
Universitas Amikom Yogyakarta
Computer Science & IT Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Applying Different Resampling Strategies In Random Forest Algorithm To Predict Lumpy Skin Disease Suparyati Suparyati; Emma Utami; Alva Hendi Muhammad
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 6 No 4 (2022): Agustus 2022
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (743.747 KB) | DOI: 10.29207/resti.v6i4.4147

Abstract

The spread of Lumpy Skin Disease (LSD) that infects livestock is increasingly widespread in various parts of the world. Early detection of the disease’s spread is necessary so that the economic losses caused by LSD are not higher. The use of machine learning algorithms to predict the presence of a disease has been carried out, including in the field of animal health. The study aims to predict the presence of LSD in an area by utilizing the LSD dataset obtained from Mendeley Data. The number of lumpy infected cases is so low that it creates imbalanced data, posing a challenge in training machine learning models. Handling the unbalanced data is performed by sampling technique using the Random Under-sampling technique and Synthetic Minority Oversampling Technique (SMOTE). The Random Forest classification model was trained on sample data to predict cases of lumpy infection. The Random Forest classifier performs very well on both under-sampling and oversampling data. Measurement of performance metrics shows that SMOTE has a superior score of 1-2% compared to the use of Random Undersampling. Furthermore, Re-call rate, which is the metric we want to maximize in identifying lumpy cases, is superior when using SMOTE and has slightly better precision than Random Undersampling. This research only focuses on how to balance unbalanced data classes so that the optimization of the model has not been implemented, which creates opportunities for further research in the future.
RETRACTED: Pengamatan Tren Ulasan Hotel Menggunakan Pemodelan Topik Berbasis Latent Dirichlet Allocation Suparyati Suparyati; Emma Utami; Agus Fathurahman
Journal of Applied Informatics and Computing Vol 6 No 1 (2022): July 2022
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v6i1.3645

Abstract

Artikel dengan judul "Pengamatan Tren Ulasan Hotel Menggunakan Pemodelan Topik Berbasis Latent Dirichlet Allocation" telah dilakukan pencabutan artikel (RETRACT) dari vol. 6 no. 1 tahun 2022 Journal of Applied Informatics and Computing (JAIC), karena ditemukan duplikasi publikasi oleh penulis yang bersangkutan pada JIKO (Jurnal Informatika dan Komputer) https://ejournal.akakom.ac.id/index.php/jiko/article/view/579Penulis meminta maaf dan meminta untuk melakukan pencabutan artikel dari Journal of Applied Informatics and Computing (JAIC). Berikut surat permohonan pencabutan artikel dari penulis disini.
Pengamatan Tren Ulasan Hotel Menggunakan Pemodelan Topik Berbasis Latent Dirichlet Allocation suparyati suparyati; Emma Utami
JURNAL INFORMATIKA DAN KOMPUTER Vol 6, No 2 (2022): ReBorn -- September 2022
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (466.452 KB) | DOI: 10.26798/jiko.v6i2.579

Abstract

Ketepatan dalam mengekstrak dan meringkas ribuan ulasan ke dalam beberapa topik menjadi kunci dalam pelaksanaan pengolahan data dan informasi lebih lanjut. Tidak terkecuali dalam industri perhotelan yang mana suatu ulasan merupakan sebuah aset yang apabila diolah dapat menghasilkan suatu informasi yang nantinya akan digunakan untuk kepentingan ekspansi bisnis dan keberlangsungan usahanya.  Penelitian pemodelan topik ulasan hotel ini menggunakan Latent Dirichlet Allocation sebagai sarana untuk peringkasan dokumennya. Latent Dirichlet Allocation terbukti efektif dalam pengolahan peringkasan kata-kata dan banyak penelitian yang menggunakan metode ini. Adapun tujuan dari penelitian yang dilakukan untuk mendapatkan ringkasan kata-kata yang membentuk suatu topik yang mewakili keseluruhan ulasan yang mana dapat menghasilkan suatu data bagi manajemen hotel dalam mempertahankan eksistensinya dalam bisnis tersebut serta melakukan ekspansi dengan mempertimbangkan hasil dari pemodelan topik tersebut. Dari hasil pemodelan topik Latent Dirichlet Allocation yang telah dilakukan terhadap dataset review Tripadvisor dapat disimpulkan bahwa tren ulasan lebih banyak membahas mengenai lokasi, pelayanan, hotel, sarapan, resort dan pantai.
Co-Authors Agus Fathurahman Alva Hendi Muhammad Ema Utami