Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary on Social and Technology JURNAL ILMIAH SAINS TEKNOLOGI DAN INFORMASI ANIMATOR
Asa Hari Wibowo
Universitas Halu Oleo
Computer Science & IT Economics, Econometrics & Finance Energy Engineering Environmental Science Social Sciences

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

Found 4 Documents
Search

 1 
Penerapan Metode LSTM Pada Sistem Klasifikasi Komentar Publik Yang Termasuk Jenis Pelanggaran Undang-Undang ITE Nadaa Qur'atul 'Ain; Bambang Pramono; Asa Hari Wibowo
Jurnal Informatika Ilmu Komputer dan Sistem Informasi Vol. 2 No. 1 (2024): Volume 2 Nomor 1 Tahun 2024
Publisher : Jurnal Informatika Ilmu Komputer dan Sistem Informasi

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Twitter merupakan media sosial yang menempatkan Indonesia sebagai negara dengan pengguna ke-5 terbanyak di dunia. Besarnya jumlah pengguna Twitter menjadikan media ini sebagai salah satu sarana untuk memperoleh simpati dan dukungan publik terhadap seseorang guna memenangkan suatu kontes perebutan kekuasaan (pemilihan presiden/pilpres). Adanya ambisi yang besar untuk memenangkan bakal calon dukungannya memicu oknum-oknum tertentu melakukan usaha-usaha untuk menjatuhkan pesaingnya lewat media sosial Twitter yang kegiatan-kegiatan tersebut merupakan suatu pelanggaran hukum. Penelitian ini bertujuan untuk mengembangkan sebuah sistem klasifikasi yang mampu mengklasifikasikan komentar publik (tweet) ke dalam jenis-jenis pelanggaran Undang - Undang No. 19 Tahun 2016 tentang perubahan atas Undang - Undang Nomor 11 Tahun 2008 tentang Informasi dan Transaksi Elektronik (ITE) menggunakan metode klasifikasi Long-Short Term Memory. Berdasarkan hasil penelitian diperoleh accuracy sebesar 80%, precision sebesar 53,3% dan recall sebesar 58%, artinya metode Long-Short Term Memory ini cukup dapat digunakan untuk melakukan klasifikasi komentar publik (tweet) kedalam pelanggaran Undang Undang Informasi dan Transaksi Elektronik (ITE).
Implementasi Multi-Attribute Utility Theory (MAUT) dan Content-Based Filtering Untuk Pemilihan Dosen Pembimbing dan Dosen Penguji Tugas Akhir I Nyoman Aditia; Statiswaty Statiswaty; Asa Hari Wibowo; LM Fid Aksara; Bambang Pramono; Rizal Adi Saputra
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.11695

Abstract

Pemilihan dosen pembimbing dan dosen penguji tugas akhir merupakan proses penting yang sangat memengaruhi kualitas bimbingan, objektivitas penilaian, dan kelancaran penyelesaian studi mahasiswa. Namun, pada banyak perguruan tinggi proses ini masih dilakukan secara manual dan cenderung subjektif, tanpa analisis kesesuaian topik penelitian maupun pemerataan beban akademik dosen secara sistematis. Kondisi tersebut berpotensi menimbulkan ketidaksesuaian antara keahlian dosen dan topik tugas akhir mahasiswa serta distribusi beban bimbingan yang tidak merata. Penelitian ini bertujuan merancang dan membangun sistem pendukung keputusan berbasis web yang mengintegrasikan metode Content-Based Filtering (CBF) dan Multi-Attribute Utility Theory (MAUT). Metode CBF digunakan untuk mengukur kesesuaian antara judul tugas akhir mahasiswa dan publikasi dosen melalui teknik TF-IDF dan Cosine Similarity, sedangkan MAUT menggabungkan nilai kemiripan tersebut dengan kriteria jabatan fungsional, jumlah publikasi lima tahun terakhir, dan beban akademik dosen untuk menghasilkan perangkingan rekomendasi. Sistem dikembangkan menggunakan metode Rational Unified Process (RUP). Pengujian metode dilakukan menggunakan Precision, Recall, F1-Score, dan Korelasi Rank Spearman, sedangkan penerimaan pengguna diukur dengan User Acceptance Testing (UAT). Hasil pengujian CBF memperoleh rata-rata F1-Score 0,5309 untuk kategori pembimbing dan 0,4539 untuk kategori penguji, sedangkan MAUT memperoleh nilai korelasi Spearman 0,40 (pembimbing) dan -0,12 (penguji). Hasil UAT memperoleh nilai penerimaan keseluruhan 84,33% yang termasuk kategori sangat baik. Dengan demikian, sistem yang dikembangkan dinilai dapat diterima dan mampu membantu proses pemilihan dosen secara lebih objektif, efisien, dan terukur.
Implementasi Algortima Agglomerative Hierarchical Clustering (AHC) Pada Sistem Informasi Manajemen Pertandingan Taekwondo Untuk Otomatisasi Bagan Pertandingan Nur Fadillahh; Jumadil Nangi; Asa Hari Wibowo; Isnawaty Isnawaty; Bambang Pramono; Erich Nov Putra Razak
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12132

Abstract

Penyelenggaraan pertandingan taekwondo memerlukan pengelolaan administrasi dan penyusunan bagan pertandingan yang efektif agar kompetisi dapat berlangsung secara terstruktur, objektif, dan efisien. Namun, proses tersebut masih banyak dilakukan secara manual sehingga berpotensi menyebabkan ketidakteraturan pengelolaan data, keterlambatan penyampaian informasi, serta belum mendukung pembentukan bagan pertandingan secara otomatis berdasarkan karakteristik atlet. Penelitian ini bertujuan mengembangkan dan mengimplementasikan Sistem Informasi Manajemen Pertandingan Taekwondo dengan menerapkan algoritma Agglomerative Hierarchical Clustering (AHC) sebagai dasar pembentukan bagan pertandingan secara otomatis. Pengembangan sistem menggunakan metode Rational Unified Process (RUP) yang terdiri atas tahapan Inception, Elaboration, Construction, dan Transition. Proses pengelompokan atlet dilakukan menggunakan algoritma AHC berdasarkan atribut tingkat sabuk, tahun lahir, dan berat badan, sedangkan kualitas hasil clustering dievaluasi menggunakan Silhouette Index (SI) dan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa sistem berhasil mengelola data pertandingan serta membentuk bagan pertandingan secara otomatis berdasarkan hasil pengelompokan atlet. Pengujian pada beberapa kelas tanding menunjukkan bahwa kualitas clustering bervariasi sesuai karakteristik data pada setiap kategori. Hasil terbaik diperoleh pada kelas Junior Putra Under 45 dengan enam klaster, nilai Silhouette Index sebesar 0,8179, dan Davies-Bouldin Index sebesar 0,0486 yang menunjukkan kualitas pengelompokan yang sangat baik. Dengan demikian, implementasi algoritma AHC pada sistem informasi manajemen pertandingan mampu menghasilkan pengelompokan atlet yang representatif sebagai dasar penyusunan bagan pertandingan secara otomatis, sehingga mendukung proses pengelolaan pertandingan yang lebih sistematis, objektif, dan berbasis data.
Perbandingan Motode Long Short-Term Memory (LSTM) dan Hybrid LSTM-XGBoost dalam Prediksi Harga Komoditas Sektor Pertanian di Sulawesi Tenggara Muhammad Vannes Al Qadri; Rizal Adi Saputra; Asa Hari Wibowo; La Ode Muhammad Golok Jaya; Isnawaty Isnawaty
JURNAL ILMIAH SAINS TEKNOLOGI DAN INFORMASI Vol. 4 No. 3 (2026): Juli : Jurnal Ilmiah Sains Teknologi dan Informasi
Publisher : CV. ALIM'SPUBLISHING

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59024/jiti.v4i3.1685

Abstract

Agricultural commodity price instability remains a major challenge for farmers, fishers, and livestock breeders in Southeast Sulawesi Province, where 54,905 agricultural workers were still categorized as poor in 2023. Frequent price fluctuations complicate production and marketing decisions, creating the need for accurate price prediction systems. This study develops and compares two prediction models: a single Long Short-Term Memory (LSTM) model and a Hybrid LSTM-XGBoost model for 20 agricultural commodities across 17 regencies/cities in Southeast Sulawesi. Daily price data were collected from the Southeast Sulawesi Food Security Agency from January 2023 to December 2025. The LSTM model consisted of two LSTM layers (128 and 64 units), a Bahdanau Attention mechanism, and an Embedding layer to represent regions and commodities. The XGBoost component was used to correct LSTM residuals within a 30-day prediction horizon. Model performance was evaluated using Mean Absolute Percentage Error (MAPE). Results showed that the Hybrid LSTM-XGBoost model achieved better accuracy, with an average MAPE of 4.73% compared to 5.52% for the single LSTM model. Significant improvements were found in volatile commodities such as Bird’s Eye Chili and Curly Red Chili. The system can support production planning, food distribution, and SDG 1 (No Poverty).
Co-Authors Bambang Pramono Erich Nov Putra Razak Golok Jaya, La Ode Muhammad I Nyoman Aditia Isnawaty Isnawaty Jumadil Nangi LM. Fid Aksara Muhammad Vannes Al Qadri Nadaa Qur'atul 'Ain Nur Fadillahh Rizal Adi Saputra Statiswaty