Article Per Year (5 Year)
p-Index From 2021 - 2026
2.994
P-Index
This Author published in this journals
All Journal International Conference on Law, Business and Governance (ICon-LBG) International Conference on Engineering and Technology Development (ICETD) Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Proceeding International Conference on Information Technology and Business Jurnal Pengabdian Masyarakat Tapis Berseri Jurnal Alih Teknologi Sistem Informasi (JATSI) Jurnal Pengabdian UMKM
Ari Kurniawan Saputra
Universitas Bandar Lampung
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Other

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
Analisis Performansi Naïve Bayes pada Klasifikasi Plagiarisme Dokumen Berdasarkan Pembobotan Teks Menggunakan Algoritma TF-IDF E, Erlangga; Saputra, Ari Kurniawan; Kushariantoko, A. Herbantolo Nurendro
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 14, No 2 (2024): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v14i2.3952

Abstract

Proposal skripsi adalah rencana penelitian yang diajukan oleh mahasiswa dengan bimbingan dari Dosen Pembimbing, dan disusun mengikuti aturan penulisan karya ilmiah. Algoritma TF-IDF adalah metode statistik numerik yang menunjukkan seberapa penting suatu kata dalam sebuah dokumen atau korpus. Metode Naive Bayes Classifiers adalah teknik klasifikasi teks yang menggunakan probabilitas kata kunci untuk membandingkan dokumen pelatihan dengan dokumen uji. Penelitian ini bertujuan untuk melakukan analisis performansi Naïve Bayes Classifier pada klasifikasi plagiarisme dokumen proposal skripsi berdasarkan pembobotan teks menggunakan algoritma TF-IDF. Analisis performansi dilakukan menggunakan metode Confusion Matrix. Berdasarkan pengujian dan analisis yang dilakukan menggunakan uji performansi Naive Bayes Classifier untuk klasifikasi kelas Plagiarisme Rendah, Plagiarisme Sedang, dan Plagiarisme Berat dengan jumlah dataset 85 dokumen proposal skripsi yang terbagi dalam Data Training dan Data Testing. Jumlah Data Training berjumlah 59 korpus dan Data Testing berjumlah 26 korpus. Berdasarkan uji performansi yang dilakukan mengguanakn metode Confusion Matrix didapatkan hasil yang ditunjukan pada Tabel 6 dengan Split Data 70 : 30, dengan nilai Accuracy 97,65%, nilai Precision 95,23%, dan nilai Precall 98,74%. Hal ini menunjukkan bahwa Naive Bayes Classifier berada pada tingkat excellent classification. Untuk penelitian berikutnya, analisis kritis lebih tinggi dalam dataset, maka prediksi pada data testing semakin akurat. Dengan precision sebesar 95,23%, recall sebesar 98,74%, dan accuracy sebesar 97,65%, dapat disimpulkan bahwa algoritma Naïve Bayes Classifier menunjukkan tingkat excellent classification.
Pendampingan Operator SIIDA untuk Mempercepat Pengisian Data Inovasi dan Meningkatkan Indeks Inovasi Daerah Lampung Selatan Ari, Ari Kurniawan Saputra; Endra , Robby Yuli; Erlangga, Erlangga; Ariani, Fenty; Kurniawan, Ahmad Shaleh
Jurnal Pengabdian Masyarakat Tapis Berseri (JPMTB) Vol. 4 No. 2 (2025): Jurnal Pengabdian Masyarakat Tapis Berseri (JPMTB) (Edition Oktober)
Publisher : Pusat Studi Teknologi Informasi Fakultas Ilmu Komputer Universitas Bandar Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/jpmtb.v4i2.151

Abstract

The mentoring activity for the Regional Innovation Index Information System (SIIDA) operators in South Lampung Regency was carried out to strengthen digital-based innovation reporting governance. This activity was motivated by the gap between the number of implemented innovations and those officially reported. The main objective was to enhance the competence of regional government operators in understanding innovation classifications and independently inputting data into the SIIDA platform. The implementation method included socialization, hands-on technical training, data verification, and online monitoring. The results indicated a significant improvement, with reported innovations increasing from 64 to 216 and the reporting index score rising from 0.00 to 91.66, while operators’ comprehension improved from 62% to 88%. The activity proved effective in enhancing the technical capacity of local government staff and strengthening evidence-based innovation reporting. In conclusion, this mentoring model is feasible for sustainable implementation as a strategy to improve regional innovation performance
Penalaran Kompleks pada Citra Digital Motif Batik Lampung Menggunakan Model LVLM Ari Kurniawan Saputra; Robby Yuli Endra; Fenty Ariani; Erlangga Erlangga; Iing Lukman
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 16, No 1 (2026): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v16i1.4926

Abstract

Penelitian ini menerapkan Large Vision-Language Model (LVLM) untuk melakukan penalaran kompleks berbasis Chain-of-Thought (CoT) pada citra digital motif batik Lampung. Batik Lampung merupakan warisan tekstil tradisional masyarakat Lampung yang dicirikan oleh empat motif khas: Leluak Tehambur (Kota Metro), Kapal Pesagi (Kabupaten Lampung Selatan), Pohon Hayat (Kabupaten Pesawaran), dan Motif Bambu (Kabupaten Pringsewu). Pendekatan berbasis CNN yang ada tidak mampu menjelaskan makna budaya yang terkandung dalam motif-motif tersebut, sehingga mendorong kebutuhan akan model yang mampu melakukan penalaran semantik. Dataset mandiri BLD-28 sebanyak 28 citra dikumpulkan dari empat Dekranasda resmi di Provinsi Lampung dan dianotasi oleh pakar budaya dengan inter-annotator agreement κ = 0,89. Model InternVL2-8B di-fine-tune menggunakan Low-Rank Adaptation (LoRA, r = 64, α = 128) dengan fungsi loss multi-task yang menggabungkan objektif klasifikasi dan generasi CoT. Hasil menunjukkan InternVL2-8B mencapai akurasi 94,37%, mIoU 88,12%, dan Reasoning Coherence Score (RCS) 4,62/5,00, melampaui seluruh baseline CNN maupun LVLM pembanding secara signifikan (uji McNemar, p < 0,001). Penalaran CoT terbukti meningkatkan akurasi klasifikasi sebesar 3,21 poin dibandingkan klasifikasi langsung, membuktikan kelayakan LVLM untuk pengenalan motif tekstil tradisional Indonesia yang berbasis pemahaman budaya
Optimasi Parameter Neural Network untuk Meningkatkan Efisiensi Pembelajaran Model Ari Kurniawan Saputra; Robby Yuli Endra; Erlangga Erlangga
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4618

Abstract

Penelitian ini dilakukan untuk mengatasi permasalahan rendahnya stabilitas dan efisiensi pembelajaran pada Neural Network yang disebabkan oleh pemilihan parameter awal secara acak, seperti bobot, bias, dan learning rate. Penelitian ini bertujuan mengoptimasi parameter-parameter tersebut agar proses pelatihan menjadi lebih stabil, cepat, dan konsisten. Metode yang digunakan adalah optimasi Particle Swarm Optimization (PSO) yang diterapkan melalui tujuh tahapan, mulai dari pra-proses data, perancangan arsitektur model, perhitungan fungsi loss, inisialisasi bobot, optimasi learning rate serta bobot awal, sampai pelatihan model dan evaluasi performa. Dataset terdiri dari 10 sampel dengan lima fitur input dan satu target harga jual. Hasil penelitian menunjukkan bahwa PSO berhasil menghasilkan learning rate optimal sebesar 0.174 dan bobot awal yang lebih stabil dibandingkan model baseline. Evaluasi menggunakan confusion matrix menunjukkan peningkatan performa dibandingkan baseline yang hanya memperoleh accuration 60%, precision 0.60, recall 1.00, dan F1-score 0.75. Secara keseluruhan, optimasi PSO terbukti meningkatkan stabilitas pembelajaran, mempercepat konvergensi, dan menghasilkan model Neural Network yang lebih efisien serta lebih akurat.
Co-Authors Ade Kurniawan Agustian Prakarsyah Ariani F Arnes Yuli Vandika Aziz, RZ. Abdul Endra , Robby Yuli Endra R Y Erlangga Erlangga Erlangga Erni Sri Wahyuni Fenty Ariani Iing Lukman Kurnia Muludi Kurniawan, Ahmad Shaleh Kurniawan, Ahmad Shaleh Kushariantoko, A. Herbantolo Nurendro Muhammad Ardiansyah Riza Muhida Robby Yuli Endra Robby Yuli Endra Taqwan Thamrin Tia Tanjung Wiwin Susanty Yuli Endra, Robby Yuthsi Aprilinda