Article Per Year (5 Year)
p-Index From 2021 - 2026
0.817
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Pendidikan Teknologi dan Kejuruan Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Sains Data Jurnal Studi Matematika dan Teknologi
Ni Putu Novita Puspa Dewi
Universitas Pendidikan Ganesha
Computer Science & IT Education Electrical & Electronics Engineering Engineering Mathematics Physics Other

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Modifikasi Fruit Fly Optimiziation Algorithm untuk Optimasi General Regression Neural Network pada Kasus Prediksi Time-Series Ni Putu Novita Puspa Dewi; Ni Ketut Kertiasih; Ni Luh Dewi Sintiari
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 11 No. 3 (2022)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v11i3.54521

Abstract

FOA merupakan algoritma optimasi swarm intelligence yang dikenal unggul dan cenderung sederhana untuk diimplementasikan, namun algoritma ini diketahui sulit untuk memecahkan masalah optimasi nonlinier berdimensi tinggi dan mudah jatuh ke dalam optimum lokal. Untuk mengatasi kekurangan ini, immune algorithm digunakan untuk menyeimbangkan kekurangan FOA guna meningkatkan efisiensi pencarian. Penelitian ini bertujuan untuk menggabungkan algoritma optimasi FOA dengan immune algorithm untuk digunakan mengoptimasikan model prediksi GRNN. Model hybrid dari GRNN dan FOA modifikasi (IAFOA) akan diuji-coba terhadap beberapa dataset time-series di berbagai domain. Performanya dibandingkan dengan model FOA basic untuk melihat dampak jelas dari proses modifikasi tersebut terhadap performa model GRNN dalam melakukan prediksi. Hasil pengujian menunjukkan bahwa eror prediksi RMSE dan MAE dari IAFOA A pada 4 kasus training dan testing dan 1 kasus lebih unggul pada proses training. Berdasarkan pengujian yang dilakukan kepada 3 dataset (6 kasus), IAFOA menghasilkan rata-rata eror prediksi lebih kecil yaitu RMSE sebesar 35348.63 dan MAE 26699.02 dibandingkan FOA dengan rata-rata eror prediksi secara berturut-turut 35792.59 dan 26967.12.
Real-time intelligent virtual assistant based on retrieval augmented generation I Ketut Resika Arthana; Ni Putu Novita Puspa Dewi; Gede Arna Jude Saskara; I Made Ardwi Pradnyana; Luh Indrayani
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 15, No 1: February 2026
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v15.i1.pp237-246

Abstract

Improving user experience in accessing information on organizational websites remains a challenge. Users often face complex navigation and multi step searches that slow information retrieval. This study introduces the real time intelligent virtual assistant (RIVA), which integrates large language models (LLMs) with the retrieval-augmented generation (RAG) framework to support real-time interaction with website content. The system was implemented on the Universitas Pendidikan Ganesha (Undiksha) website using a WordPress content management system (CMS) and developed following the design science research (DSR) approach, which includes six stages: problem identification, solution objectives, design and development, demonstration, evaluation, and communication. The retrieval-augmented generation assessment (RAGAS) evaluation indicated that the combined model of text-embedding-ada-002 and semantic chunking yielded the best results, with context precision=0.83, context recall=0.90, response relevancy=0.91, faithfulness=0.83, and answer correctness=0.85. User experience questionnaire (UEQ) testing performed well, particularly in the novelty and stimulation dimensions. These results demonstrate that RIVA can provide users with access to relevant and engaging information. As a result, future research will focus on improving retrieval and developing adaptive semantic chunking for structured and complex data.
Penerapan Metode Fine Tuning BRIO (Bringing Order to Abstractive Summarization) pada Model mBART untuk Peringkasan Abstraktif Berita Berbahasa Indonesia Devina Marsya Rani; I Nyoman Saputra Wahyu Wijaya; I Made Putrama; Ni Putu Novita Puspa Dewi
Sains Data Jurnal Studi Matematika dan Teknologi Vol 4, No 2: July-December 2026
Publisher : Institut Nurul Islam Mojokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52620/sainsdata.v4i2.456

Abstract

Meningkatnya jumlah berita pada media daring menyulitkan pembaca memperoleh informasi secara cepat karena keterbatasan waktu untuk membaca seluruh artikel. Kondisi ini mendorong pengembangan sistem peringkasan teks abstraktif berbasis Transformer yang mampu menghasilkan ringkasan baru dengan tetap mempertahankan informasi penting. Model mBART memiliki kemampuan baik dalam berbagai tugas pemrosesan bahasa alami, namun masih memerlukan fine tuning agar sesuai dengan karakteristik data dan tugas spesifik. Hingga saat ini, penerapan metode BRIO pada model mBART untuk tugas peringkasan abstraktif berita berbahasa Indonesia masih belum banyak dilaporkan, sehingga efektivitas pendekatan tersebut belum diketahui secara memadai. Oleh karena itu, penelitian ini bertujuan mengevaluasi efektivitas BRIO sebagai metode fine-tuning pada model mBART untuk peringkasan abstraktif berita berbahasa Indonesia. Penelitian ini menggunakan dataset Liputan6 yang terdiri atas 26.903 pasangan artikel dan ringkasan. Evaluasi dilakukan menggunakan ROUGE, METEOR, Novel Unigram, dan Compression Ratio. Hasil menunjukkan ROUGE-1 sebesar 48,39%, ROUGE-2 sebesar 32,41%, ROUGE-L sebesar 41,72%, ROUGE-L sebesar 41,72%, METEOR sebesar 41,52%, Novel Unigram sebesar 0,0557, dan Compression Ratio sebesar 6,93. Hasil tersebut menunjukkan bahwa penerapan BRIO mampu menghasilkan ringkasan yang tetap mempertahankan informasi utama dengan tingkat pemadatan yang baik, sehingga berpotensi menjadi pendekatan fine tuning untuk pengembangan sistem peringkasan berita berbahasa Indonesia.
FINE TUNNING MODEL INDOBERT UNTUK ANALISIS SENTIMEN BERITA PARIWISATA INDONESIA I Nyoman Saputra Wahyu Wijaya; Ketut Agus Seputra; Ni Putu Novita Puspa Dewi
Jurnal Pendidikan Teknologi dan Kejuruan Vol. 22 No. 2 (2025): Edisi Juli 2025
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jptk-undiksha.v22i2.104056

Abstract

Perkembangan kecerdasan buatan pada ranah NLP dewasa ini sangat pesat. Beberapa teknologi kecerdasan buatan pada text-based teknologi seperti ChatGPT, Gemini, LLaMA, dan lain-lain telah dimanfaatkan dalam ranah riset ataupun industry. Dalam analisis sentimen, yang menjadi komponen utama adalah representasi teks. Teknik representasi teks yang menonjol pada akhir-akhir ini adalah bidirectional encoder representation from transformer(BERT). Sesuai dengan permasalahan yang disebutkan sebelumnya, analisis sentimen ini dapat dilakukan untuk berita pariwisata. Namun untuk meningkatkan akurasi dapat dilakukan fine tunning pada metode BERT. Berdasarkan permasalahan tersebut, dalam penelitian ini akan dilakukan analisis sentiment dengan menggunakan metode IndoBERT. Akan dilakukan fine tuning untuk fokus ranah pariwisata. Berdasarkan hasil pengujian yang telah dilakukan didapatkan tangkat akurasi sebesar 77%. Model dapat melakukan klasifikasi sentiment negative dengan baik, namun masih perlu ditingkatkan pada sentiment positif dan netral.  
Co-Authors Agus Seputra I Ketut Devina Marsya Rani Gede Arna Jude Saskara I Ketut Resika Arthana I Made Ardwi Pradnyana I Made Putrama I Nyoman Saputra Wahyu Wijaya M.Pd. S.Pd. Luh Indrayani . Ni Ketut Kertiasih Ni Luh Dewi Sintiari