Article Per Year (5 Year)
p-Index From 2021 - 2026
1.203
P-Index
This Author published in this journals
All Journal Jurnal Pendidikan Teknologi dan Kejuruan Jurnal Edukasi dan Penelitian Informatika (JEPIN) INSERT: Information System and Emerging Technology Journal STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Asian Journal of Science, Technology, Engineering, and Art
Ni Putu Novita Puspa Dewi
Unknown Affiliation
Arts Civil Engineering, Building, Construction & Architecture Computer Science & IT Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Social Sciences Other

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Perbandingan Performansi Support Vector Machine (Svm) dan Backpropagation untuk Klasifikasi Studi Mahasiswa Undiksha Dwi Prima Handayani Putri; Ni Putu Novita Puspa Dewi; I Ketut Purnamawan; Ni Wayan Marti
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.67843

Abstract

Kelulusan mahasiswa tepat waktu merupakan salah satu tujuan dalam setiap universitas, tidak terkecuali Universitas Pendidikan Ganesha. Permasalahan ketidaklulusan mahasiswa tepat waktu tidak hanya akan menimbulkan permasalahan bagi mahasiswa tersebut, tetapi juga pada akreditasi kampus. Langkah preventif dapat dilakukan dengan mengidentifikasi mahasiswa yang berpotensi studinya mengalami masalah. Solusi ini dapat dilakukan dengan membuat model machine learning yang dapat mengklasifikasikan apakah seorang mahasiswa terindikasi bermasalah atau tidak. Pada penelitian ini, kinerja model SVM dan Backpropagation akan dibandingkan. Penelitian ini menggunakan sejumlah 4100 instances dengan features seperti indeks prestasi semester dari semester satu sampai enam, IPK, jumlah satuan kredit semester dari semester satu sampai enam, SKS komulatif, nominal UKT, penghasilan orang tua, dan asal daerah mahasiswa. Terdapat tiga buah percobaan untuk proporsi pembagian dataset dengan proporsi pembagian dataset terbaik pada 90%:10% dan nilai k=4 untuk K-Fold Cross Validation. Model SVM dengan kernel polinomial memberikan performa terbaik dengan akurasi 97%, begitu pula dengan model Backpropagation yang menggunakan fungsi aktivasi sigmoid memiliki performa terbaik pada akurasi 97%. Sehubungan dengan perbandingan hasil Confusion Matrix serta kurva AUC, model Backpropagation menujukkan performa yang sedikit lebih unggul daripada model SVM. Pada proses pembuatan model, arsitektur serta parameter-parameter pada model harus diperhatikan agar model terbaik dapat dihasilkan. 
PENGUMPULAN DATA TWEET BERDASARKAN KATA KUNCI DEPRESI DAN KISAH HIDUP DI KALANGAN MAHASISWA BERBASIS PHQ-9 I Gusti Agung Putu Bagus Satria Wicaksana; Agus Aan Jiwa Permana; Ni Putu Novita Puspa Dewi
Jurnal Pendidikan Teknologi dan Kejuruan Vol. 21 No. 1 (2024): Edisi Januari 2024
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jptkundiksha.v21i1.66460

Abstract

Dalam konteks pandemi COVID-19 yang telah berlalu, mahasiswa menghadapi tantangan baru dalam pembelajaran dan kesejahteraan mental mereka. Dampak pandemi dapat menyebabkan peningkatan stres dan tekanan, yang berkontribusi pada gejala depresi. Oleh karena itu, penting untuk memahami bagaimana mahasiswa mengungkapkan emosi terkait depresi dalam lingkungan media sosial. Penelitian ini menggunakan metode data mining dengan menggunakan Snscrape sebagai alat untuk mengambil data dari platform media sosial, khususnya Twitter. Data yang diambil mencakup periode dari tahun 2019 hingga 2023, memungkinkan identifikasi perubahan tren dan pola ungkapan emosi terkait depresi pada mahasiswa dari waktu ke waktu. Proses pemilihan data melibatkan penentuan kriteria pencarian berdasarkan kata kunci dari kuisioner PHQ-9 dan batas waktu periode yang relevan. Data yang diungkapkan oleh mahasiswa yang mencerminkan pengalaman pribadi dan kisah mereka dalam menghadapi depresi menjadi fokus dalam proses pengambilan data. Selanjutnya, data yang telah berhasil diambil disimpan dalam format file CSV, yang memungkinkan pengolahan data yang mudah dan kompatibilitas yang luas dengan perangkat lunak analisis data. Dalam penelitian ini, didapatkan data sebanyak 2581 data dimana 924 dikategorikan sebagai depresi ringan, 397 depresi sedang, dan 1260 depresi berat yang merupakan hasil scraping menggunakan tools Snscrape. Hasil penelitian ini diharapkan dapat menjadi landasan bagi upaya untuk meningkatkan kesejahteraan dan dukungan bagi mahasiswa yang mengalami depresi.
Evaluasi dan Perbandingan Algoritma Klasifikasi dalam Analisis Penggunaan Lahan dengan Teknologi Remote Sensing: Sebuah Kajian Sistematik Satriawan, Putu Raditia; Gusti Michael Ferdinand; I Nyoman Putra Satya Natha; I Gst Ayu Pradnya Saci Devi Sastrawan; Ni Wayan Marti; Ni Putu Novita Puspa Dewi
INSERT : Information System and Emerging Technology Journal Vol. 5 No. 2 (2024)
Publisher : Information System Study Program, Faculty of Engineering and Vocational, Undiksha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/insert.v5i2.79086

Abstract

Teknologi Remote Sensing memainkan peran penting dalam pemantauan dinamika penggunaan lahan, memberikan wawasan berharga untuk manajemen lingkungan dan perencanaan perkotaan. Pemilihan algoritma yang tepat merupakan aspek kunci dalam analisis Remote Sensing untuk mengklasifikasikan kategori Land Use dan Land Cover secara akurat. Sistematik review ini menganalisis studi-studi yang menggunakan lima algoritma klasifikasi umum dalam penginderaan jauh: Random Forest (RF), Support Vector Machine (SVM), k-Nearest Neighbors (kNN), Decision Trees (DT), Artificial Neural Network (ANN), dan Classification and Regression Tree (CART) Setiap algoritma dievaluasi berdasarkan kelebihan dan kelemahan serta kompleksitas data dan tujuan analisis. Hasil review menunjukkan bahwa RF seringkali menjadi pilihan terbaik dalam berbagai kasus karena akurasinya yang tinggi dan kemampuan menangani data besar. SVM menunjukkan performa maksimal dan efisiensi dalam kondisi data yang lebih spesifik. Algoritma kNN, DT, ANN, dan CART juga memiliki aplikasi yang signifikan namun tergantung pada konteks penggunaan. Pemilihan algoritma yang tepat sangat bergantung pada karakteristik data dan tujuan analisis. Kombinasi algoritma atau pendekatan ensemble dapat meningkatkan akurasi klasifikasi penggunaan lahan. Implementasi algoritma yang tepat dalam Remote Sensing akan memberikan kontribusi signifikan pada manajemen lingkungan dan perencanaan perkotaan yang lebih baik.
OPTIMASI MODEL PREDIKSI EXTREME GRADIENT BOOSTING DENGAN GENETIC ALGORITHM UNTUK PRODUKSI DAN PRODUKTIVITAS PADI Wirakusuma, Kadek Ardy; Ni Putu Novita Puspa Dewi; Kadek Yota Ernanda Aryanto
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 4 No. 4 (2025): November
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v4i4.6633

Abstract

Produksi padi di Kabupaten Buleleng meningkat dari tahun 2021 hingga 2023, namun produktivitas justru menurun hingga 8%. Kondisi ini berpotensi mengganggu stabilitas pasokan beras di tengah pertumbuhan penduduk sebesar 4,59% per tahun. Diperlukan pendekatan prediktif berbasis kecerdasan buatan untuk memodelkan hubungan kompleks antar variabel pertanian. XGBoost dipilih karena kemampuannya dalam menangkap pola non-linear dan sering digunakan dalam analisis data pertanian, sementara Genetic Algorithm (GA) digunakan untuk menentukan kombinasi hiperparameter optimal guna meningkatkan performa model. Model XGBoost tanpa optimasi diterapkan sebagai pembanding untuk mengevaluasi efektivitas pendekatan hybrid. Hasil analisis menunjukkan bahwa optimasi hiperparameter berpengaruh signifikan terhadap hasil prediksi. Model GA-XGBoost menghasilkan tingkat kesalahan lebih rendah, dengan penurunan nilai MAPE sekitar 2,98% untuk prediksi produksi padi dan 0.21% untuk produktivitas dibandingkan dengan model standar atau default.
ANALISIS KOMPARATIF U-NET ATTENTION DAN RESNET-50 UNTUK SEGMENTASI SEMANTIK SUNGAI PADA CITRA PENGINDERAAN JAUH Wijaya, Gede Andra Rizqy; Ni Putu Novita Puspa Dewi; Kadek Yota Ernanda Aryanto
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 4 No. 4 (2025): November
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v4i4.6637

Abstract

Pemantauan potensi banjir sungai merupakan langkah penting dalam mitigasi risiko bencana dan perencanaan tata ruang wilayah. Dengan perkembangan zaman dan meningkatnya ketersediaan data citra satelit dengan resolusi tinggi yang mengikutinya, pemantauan potensi banjir bisa dilakukan dengan metode yang terkini, seperti dengan menggunakan metode deep learning, terutama pada semantic segmentation. Dengan menggunakan model semantic segmentation yang berbasiskan deep learning, pemantauan sungai dalam langkah mitigasi risiko bencana alam bisa dilakukan dengan lebih fleksibel. Dengan menggunakan arsitektur ResNet-50 dan U-Net Attention, didapatkan akurasi yang tinggi, dimana masing-masing arsitektur mencapai tingkat akurasi hingga lebih dari 90%. Model dilatih menggunakan data sungai yang sudah dilakukan masking pada bagian sungainya saja, tidak menghiraukan wilayah lainya seperti genangan air besar lain yang berada diluar area sungai. Dalam penelitian ini juga dapat disimpulkan bahwa arsitektur U-Net Attention memiliki akurasi dan juga ketepatan yang lebih baik dibandingkan dengan arsitektur ResNet-50. Implementasi hasil dari penelitian ini diharapkan dapat mendukung pengembangan sistem pemantauan banjir berbasis teknologi, sehingga bisa meningkatkan kesiapsiagaan dan efisiensi dalam mitigasi bencana alam.
Comparison of CNN and CNN-LSTM Performance in Facial Expression Classification Based on FER2013 Dataset Putu Ananda Adi Savitri; Agus Aan Jiwa Permana; Ni Putu Novita Puspa Dewi
Asian Journal of Science, Technology, Engineering, and Art Vol 4 No 1 (2026): Asian Journal of Science, Technology, Engineering, and Art
Publisher : Darul Yasin Al Sys

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58578/ajstea.v4i1.8252

Abstract

Although facial expression recognition (FER) using deep learning has received increasing attention in prior studies, research specifically addressing the comparative effectiveness of sequential modeling on static image data remains limited. This study aims to evaluate and compare the performance of a pure Convolutional Neural Network (CNN) model and a hybrid CNN–Long Short-Term Memory (CNN-LSTM) model in classifying seven basic facial expressions using the static FER2013 dataset. A quantitative experimental approach with a comparative study design was employed, utilizing the publicly available FER2013 dataset and two custom deep learning architectures. Data were obtained from FER2013 and model performance was evaluated using accuracy, precision, recall, F1-score, and AUC-ROC metrics. The findings indicate that the pure CNN model significantly outperformed the CNN-LSTM model, achieving a testing accuracy of 63.25% compared to 46.82% for the hybrid model; the CNN provided strong discrimination for visually distinct classes but continued to struggle with visually similar expressions. These results contribute to the theoretical development of deep learning architecture selection and expand understanding of the application of sequence models to static data. The study concludes that data characteristics (static versus temporal) play a crucial role in determining model effectiveness, and that for static datasets such as FER2013, a pure CNN constitutes the more appropriate choice. The implications of this research include theoretical contributions to the growing literature on deep learning-based FER and practical recommendations for developers to prioritize CNN architectures for non-temporal image classification tasks, while also highlighting opportunities for future research on transfer learning and attention mechanisms to better capture subtle expression nuances.
Co-Authors Agus Aan Jiwa Permana Dwi Prima Handayani Putri Gusti Michael Ferdinand I Gst Ayu Pradnya Saci Devi Sastrawan I Gusti Agung Putu Bagus Satria Wicaksana I Ketut Purnamawan I Nyoman Putra Satya Natha Kadek Yota Ernanda Aryanto Ni Wayan Marti Putu Ananda Adi Savitri Satriawan, Putu Raditia Wijaya, Gede Andra Rizqy Wirakusuma, Kadek Ardy