Article Per Year (5 Year)
p-Index From 2020 - 2025
4.055
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Lontar Komputer: Jurnal Ilmiah Teknologi Informasi Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JURNAL MEDIA INFORMATIKA BUDIDARMA JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Building of Informatics, Technology and Science Madani : Indonesian Journal of Civil Society Charity : Jurnal Pengabdian Masyarakat Indonesian Community Journal eProceedings of Engineering Community Service Seminar and Community Engagement (COSECANT)
Agung Toto Wibowo
Telkom University
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Public Health Social Sciences Other

Published : 39 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 39 Documents
Search

 1   2   3   4 
Implementasi dan Analisis Online – Updating Regularization Kernel Matrix Factorization Model pada Sistem Rekomendasi Kadek Byan Prihandana Jati; Agung Toto Wibowo; Rita Rismala
Indonesia Symposium on Computing Indonesia Symposium on Computing 2015
Publisher : Indonesia Symposium on Computing

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

Abstract

Faktorisasi Matriks adalah salah satu metode yang digunakan pada Sistem Rekomendasi untuk membuat sebuah model prediksi rating. Salah satu jenisnya adalah Regularized Matrix Factorization yang mampu memberikan kualitas rekomendasi yang tinggi pada sebuah sistem rekomendasi. Akan tetapi, teknik - teknik Faktorisasi Matriks bermasalah jika model pada sistem rekomendasi berupa model yang statik. Permasalahan performansi terjadi, karena proses learning data pada Faktorisasi Matriks membutuhkan waktu yang lama. Model Online dari Faktorisasi Matriks merupakan hal yang dapat memperbaiki model sebelumnya, dengan model online, waktu yang dibutuhkan untuk melakukan proses prediksi untuk user dan item yang baru, lebih cepat dibandingkan dengan model offline faktorisasi matriks. Penelitian ini berfokus dalam menganalisis dan mengimplementasikan model online dari Regularized Matrix Factorization pada sebuah sistem rekomendasi. Hasil yang diperoleh adalah kualitas prediksi rating dengan metode online – update RKMF mengungguli kualitas prediksi rating dengan metode full – retrain RKMF dengan perbedaan nilai RMSE 1.5% pada kondisi terbaik, dan dengan waktu prediksi yang sangat singkat.  
IMPLEMENTASI ALGORITMA DIRECTED ACYCLIC WORD GRAPH DALAM PERANCANGAN GAME SCRABBLE Arie Lasaprima; Agung Toto Wibowo; ZK Abdurahman Baizal
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2012
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

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

Abstract

Menerapkan Artificial Intelligence (AI) pada komputer yang dapat melakukan proses perhitungan lebih cepat dibanding manusia dapat membuat sebuah permainan menjadi lebih menantang dan tidak membosankan. Salah satu platform yang bagus untuk menguji tekhnik AI pada game yaitu game scrabble.AI scrabble yang selalu memilih kata dengan nilai tertinggi dari kemungkinan kata yang dapat disusun di setiap giliran akan dengan sangat mudah dikalahkan oleh pemain manusia yang ahli dalam scrabble. Game ini dirancang agar manusia dapat melawan AI yang yang tidak gampang dikalahkan sehingga permainan menjadi lebih menarik dan menantang. Oleh karena itu dirancang strategi permainan sehingga manusia tidak dapat dengan mudah mengalahkan AI system. AI system akan mengevaluasi pemilihan kata yang akan dimainkan pada setiap giliran. Setiap pilihan kata akan mempengaruhi baik papan permainan maupun kemungkinan pilihan kata pada giliran berikutnya. Pada penelitian ini, dalam membentuk kamus data untuk menyimpan semua kata yang valid digunakan algoritma DAWG. Algoritma DAWG dapat memperkecil ruang penyimpanan dan membantu proses mendapatkan kata yang akan dimainkan. Selain itu juga dilakukan analisis dari ketiga strategi permainan yang dibentuk, untuk melihat performansi masing-masing strategi.Dari hasil implementasi dan pengujian yang dilakukan, strategi permainan scrabble yang memilih kata pada setiap giliran hanya berdasarkan score tertinggi mempunyai persentase kemenangan hanya 40%
Pairwise Preference Regression on Movie Recommendation System Rita Rismala; Rudy Prabowo; Agung Toto Wibowo
Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 1 (2019): Maret, 2019
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2019.4.1.255

Abstract

Recommendation System is able to help users to choose items, including movies, that match their interests. One of the problems faced by recommendation system is cold-start problem. Cold start problem can be categorized into three types, they are: recommending existed item for new user, recommending new item for existed user, and recommending new item for new user. Pairwise preference regression is a method that directly deals with cold-start problem. This method can suggest a recommendation, not only for users who have no historical rating, but also for those who only have less demographic info. From the experiment result, the best score of Normalized Discounted Cumulative Gain (nDGC) from the system is 0.8484. The standard deviation of rating resulted by the recommendation system is 1.24, the average is 3.82. Consequently, the distribution of recommendation result is around rating 5 to 3. Those results mean that this recommendation system is good to solving cold-start problem in movie recommendation system.
Tourism Recommender System using Weighted Parallel Hybrid Method with Singular Value Decomposition Yoan Amri Akbar; zk abdurahman baizal; Agung Toto Wibowo
Indonesia Journal on Computing (Indo-JC) Vol. 6 No. 2 (2021): September, 2021
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2021.6.2.579

Abstract

Presently, we often get suggestions for recommendations for tourist attractions from various sources such as the internet, magazines, newspapers, or travel agencies. Because there is numerous information, tourists become difficult to determine the tourism destination that suits their wishes. We created a tourism recommender system that can provide information in the form of recommendations for tourist attractions by the preference of tourists. The method used is a hybrid method that combines several recommendation methods, which are Content-Based Filtering (CB) and Collaborative Filtering (CF). We use tourism data of Lombok Island, West Nusa Tenggara, which will be taken from the TripAdvisor site. We apply the Singular Value Decomposition algorithm on CF and CB. The Hybrid Weighted Parallel Technique is used for Hybrid Method. The results of the experiment show that the weighting technique hybrid method provides higher prediction accuracy than when undergoing the recommender system method separately. The average results of Mean Square Error were obtained 0.7275 (CF), 0 .4583 (CB), and 0.2548 (Hybrid Method). The result indicates that the Hybrid Method with the Weighting Technique has the highest accuracy of another method.
Non-Negative Matrix Factorization Based Recommender System using Female Daily Implicit Feedback Hani Nurrahmi; Agung Toto Wibowo; Selly Meliana
Indonesia Journal on Computing (Indo-JC) Vol. 7 No. 1 (2022): April, 2022
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2022.7.1.599

Abstract

Recommender Systems is widely used by e-commerce to provide recommendations of products that are probably to be the interest to users. One of the recommender system algorithms that can be implemented is Non-negative Matrix Factorization (NMF) which receives explicit feedback in the form of user ratings. Although this method is effective, there are problems faced by explicit feedback as input, e.g. there are users who act as grey-sheep or black-sheep by providing dishonest ratings as explicit feedback. On the opposite, dishonest feedback least frequently occurs in implicit feedback. Therefore, in this study, we used implicit feedback to recommend products by taking the implicit feedback obtained from Female Daily’s mobile application as a case study. There are three types of implicit feedback: View Product Detail, View Review Detail, and Add to Wishlist. We experimented with the NMF algorithm provided by Surprise library using two implicit ratings weighting scenarios: accumulative weighting and maximum weighting. We combined several NMF parameters and run our experiment in 5-fold cross-validation. The best performance result in accumulative weighting is MSE = 1,2969, RMSE = 1,1388, MAE = 0,7909. Meanwhile, the best performance result in maximum weighting is MSE = 0,6742, RMSE = 0,8211, MAE = 0,5924.
Korelasi antara Nilai Latihan Soal Berpikir Komputasional dan Hasil Tantangan Bebras pada Siswa sebagai Bagian dari Peningkatan Kesiapan Guru dalam Gerakan PANDAI Muhammad Arzaki; Ema Rachmawati; Ade Romadhony; Bambang Pudjoatmodjo; Dodi Wisaksono Sudiharto; Putu Harry Gunawan; Agung Toto Wibowo; Selly Meliana; Rimba Whidiana Whidiana Ciptasari; Fazmah Arif Yulianto; Fat’hah Noor Prawira; Bedy Purnama
Charity : Jurnal Pengabdian Masyarakat Vol 5 No 2a (2022): Special Issue
Publisher : PPM Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/charity.v5i2a.5071

Abstract

Salah satu konsep dasar dalam pembelajaran Informatika adalah Berpikir Komputasional (BK) yang merupakan cara berpikir dan menyelesaikan masalah secara sistematis dan logis. Pada September-Desember 2021, Biro Bebras Universitas Telkom mengadakan rangkaian kegiatan pengabdian kepada masyarakat melalui gerakan PANDAI (Pengajar untuk Era Digital Indonesia) dengan tujuan untuk meningkatkan kompetensi guru dalam mengintegrasikan BK pada mata pelajaran yang diampunya. Untuk mengukur keberhasilan rangkaian lokakarya yang telah dilaksanakan, dilakukan analisis secara kuantitatif terhadap korelasi antara nilai yang diperoleh siswa ketika latihan terbimbing dengan guru dan nilai yang diperoleh siswa pada tantangan Bebras. Dari hasil analisis yang dilakukan terhadap 242 siswa, diperoleh nilai rata-rata latihan terbimbing adalah 73,28 dan nilai rata-rata tantangan Bebras adalah 38,65. Perbedaan nilai yang cukup signifikan ini juga didukung oleh fakta bahwa korelasi antara nilai latihan terbimbing dan nilai tantangan Bebras adalah sebesar 0,189.
HiT-LIDIA: A Framework for Rice Leaf Disease Classification using Ensemble and Hierarchical Transfer Learning Oddy Virgantara Putra; Niken Trisnaningrum; Niken Sylvia Puspitasari; Agung Toto Wibowo; Ema Rachmawaty
Lontar Komputer : Jurnal Ilmiah Teknologi Informasi Vol 13 No 3 (2022): Vol. 13, No. 3 December 2022
Publisher : Institute for Research and Community Services, Udayana University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24843/LKJITI.2022.v13.i03.p06

Abstract

Rice is one of the global most critical harvests, and a great many people eat it as a staple eating routine. Different rice plant diseases harm, spread, and drastically reduce crop yields. In extreme situations, they may result in no grain harvest at all, posing a severe threat to food security. In this paper, to amplify the recognition ability for rice leaf disease (RLD) classification, we proposed hierarchical transfer learning (HTL) methods incorporating ensemble models containing two-step. In the first step, an ensemble combining MobileNet and DenseNet was addressed to tackle the diseased leaf problem. Consequently, DenseNet and XceptionNet were fused to identify three RLDs. Here, we compare our models with state-of-the-art deep learning models such as ResNet, DenseNet, InceptionNet, Xception, MobileNet, and EfficientNet. Our framework at top-notch with 89 % and 91 % for accuracy. In future works, RLD segmentation is suggested to pinpoint the illness and quantify the afflicted region.
Analisis Dan Implementasi Imputation-boost Menggunakan Genre Film Pada Neighborhood-based Collaborative Filtering Muhammad Hanif Oktavianto; Agung Toto Wibowo; Rita Rismala
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

Sistem rekomendasi adalah sebuah sistem yang mampu memberikan rekomendasi sejumlah item kepada user dengan memprediksi rating terhadap item berdasarkan minat user. Neighborhood-based collaborative filtering adalah salah satu metode pada Sistem Rekomendasi untuk melakukan perhitungan prediksi rating. Akan tetapi, neighborhood-based collaborative filtering tidak mampu memberikan prediksi rating yang akurat ketika data rating yang ada bersifat sparse atau memiliki banyak kekosongan. Kekosongan data mengakibatkan perhitungan similarity antar user atau item menjadi kurang tepat, yang berakibat pada pemilihan neighbor dan perhitungan prediksi yang tidak tepat pula. Salah satu solusi adalah melakukan imputasi yaitu proses pengisian awal terhadap data dengan metode tertentu. Dengan memanfaatkan feature item berupa genre, dilakukan imputasi terhadap data untuk selanjutnya digunakan oleh neighborhood-based collaborative filtering. Penelitian ini berfokus pada penerapan proses imputasi terhadap neighborhood-based collaborative filtering dan menganalisis pengaruhnya terhadap performansi. Hasil yang diperoleh adalah proses imputasi meningkatkan performansi akurasi prediksi rating pada dataset dengan sparsity 85%, dan peningkatan performansi yang terukur menjadi semakin besar seiring semakin sparse dataset yang ada. Kata kunci : collaborative filtering, data imputation, neighborhood-based collaborative filtering
Prediksi Struktur Sekunde r RNA Mengg una ka n Stochastic Context Free Grammar dan Gra mmatical Evolution Asriyanti Indah Pratiwi; Agung Toto Wibowo; Gia Septiana Wulandari
eProceedings of Engineering Vol 2, No 1 (2015): April, 2015
Publisher : eProceedings of Engineering

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

Abstract

Salah s atu metode prediks i s truktur s ekunder RNA (ribonucleic acid) adalah SCFG (stochastic context free grammar) . Na mun SCFG me miliki ketegantungan yang tinggi terhadap grammar. Gra mmar yang kurang baik a kan berdampak buruk terhadap performans i prediks i. Ha l ini menyebabkan has il prediks i menjadi t idak optima l. Oleh karena itu, penelitian in i berfokus dala m perancangan probabilitas s etiap production rules dari grammar untuk men ingkatkan nilai sensitivity dari grammar Wats on Crick yang biasa digunakan dalam SCFG. Untuk mencapai nilai sensitivity yang lebih baik ma ka da la m penelitian in i dibangun s ebuah s istem menggunakan grammatical evolution untuk mendapatkan probabilitas s etiap production rule dari grammar. Penelitian ini berhas il meningkat kan nilai sensitivity grammar. Da ri has il pengujian d idapatkan nilai sensitivity s ebes ar 0,32-0,42. Keywords: prediksi, struktur sek under R NA, SCF G, Grammatical Evolution , nilai sensitivity
Analisis Dan Implementasi Prediksi Rating Pada Memory-based Collaborative Filtering Dengan Menggunakan Smoothing Hafiz Dewanto; Agung Toto Wibowo
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

Teknik Collaborative Filtering (CF) telah dikenal sebagai salah satu teknik yang paling sukses didalam Recommender System, dimana teknik ini memanfaatkan informasi dan preferensi dari user atau item lain untuk memberikan rekomendasi item. Ada dua tipe algoritma CF, yaitu memory-based dan model-based yang memiliki kelebihan dan kekurangan masing-masing. Pada penelitian ini, digunakan algoritma memory-based CF dengan teknik smoothing, dimana teknik smoothing mampu membantu kelemahan memory-based CF dalam hal kekurangan data rating yang kosong atau disebut sparsity. Berdasarkan hasil pengujian, algoritma memory-based CF dengan teknik smoothing mampu menurunkan error sistem yang diukur dengan Mean Absolute Error (MAE) dari 0,8581 menjadi 0,8483 atau menurun sebesar 1,14% dibandingkan dengan menggunakan algoritma memory-based saja. Kata kunci :Collaborative Filtering, Recommender System, Memory-based CF, smoothing, MAE
Co-Authors Ade Romadhony Ahmad Indra Nurfauzi Akbar, Yoan Amri Alfiansyah Nur Abadi Anditya Arifianto Arie Lasaprima Armadhani Hiro Juni Permana Juni Permana Asriyanti Indah Pratiwi Bambang Pudjoatmodjo Bambang Pudjotatmodjo Bedy Purnama Bobby Brillian Yerikho Dade Nurjanah Dodi Wisaksono Sudiharto Ekasanjaya , Ridho Bagus Ema Rachmawati Ema Rachmawati Ema Rachmawaty Ergandara Purba Setra Erwin Budi Setiawan Fat'hah Noor Prawira Fat’hah Noor Prawira Fat’hah Noor Prawira Fazmah Arif Yulianto Gia Septiana Gia Septiana Wulandari Hafiz Dewanto Hamad Fauzi Jessar Hani Nurrahmi Hilda Fahlena Hilmi Hidayat Arfisko Jayaperwira, Iklil Jody Jody Juni Permana, Armadhani Hiro Juni Permana Kadek Byan Prihandana Jati Kadek Byan Prihandana Jati M. Raihan Rafiiful Allaam Mahmud Dwi Sulistiyo Mohammad Ikhsan Syahputra Muhamad Elang Ramadhan Muhammad Arzaki Muhammad Bayu Samudra Siddik Muhammad Hanif Oktavianto Muhammad Khiyarus Syiam Niken Sylvia Puspitasari Nur Ghaniaviyanto Ramadhan Oddy Virgantara Putra Pradana, Muhammad Aryuska Pratama Juliantono Taufiq Prawita, Fat’hah Noor Putu Harry Gunawan Rajib , Ustami Rimba Whidiana Ciptasari Rita Rismala Rudy Prabowo Selly Meliana Trisnaningrum, Niken Untari Novia Wisesty Wahyu Rismawan Warih Maharani Yoan Amri Akbar Yuliarta, Chara Maria Emmanuel Yulisna Gita Hapsari ZK Abdurahman Baizal Zulkifli Zulkifli