Article Per Year (5 Year)
p-Index From 2021 - 2026
3.792
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 
Sistem Rekomendasi Film Menggunakan Metode Hybrid Collaborative Filtering Dan Content-based Filtering Hilmi Hidayat Arfisko; Agung Toto Wibowo
eProceedings of Engineering Vol 9, No 3 (2022): Juni 2022
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Sistem rekomendasi pada dasarnya merupakan sistem yang berguna untuk menyaring dan mengidentifikasi item berupa produk, layanan atau informasi yang memiliki potensi besar untuk dipilih, dibeli ataupun digunakan oleh pengguna. Terdapat beberapa metode yang dapat digunakan dalam membangun sistem rekomendasi, seperti collaborative filtering yang merekomendasikan item berdasar kemiripan pengguna dalam hal memilih atau memberi nilai kepada item dan content-based filtering yang merekomendasikan item berdasarkan kemiripan item dalam hal isi atau konten item yang disukai oleh pengguna. Namun perlu diketahui, masingmasing metode ini memiliki kelemahan dan kelebihan. Untuk menutupi kelemahan masingmasing metode ini, pendekatan hybrid dapat dilakukan dimana kedua metode ini digabungkan dengan harapan dapat mengurangi kelemahan dari satu metode melalui kelebihan dari satu metode lainnya dan menghasilkan rekomendasi yang lebih baik. Oleh karena itu dalam penelitian ini dilakukan pembuatan sistem rekomendasi film menggunakan metode hybrid collaborative filtering dan content-based filtering. Dalam pengujiannya, hasil rekomendasi metode ini dibandingkan dengan hasil rekomendasi ketika hanya menggunakan metode collaborative filtering saja, metode content-based filtering saja dan metode hybrid dengan kedua metode tersebut dibalik. Dapat disimpulkan bahwa hasil pengujian yang dilakukan menggunakan metode hybrid collaborative filtering dan content-based filtering menghasilkan list rekomendasi item film yang lebih baik dibandingkan 3 metode lainnya yang diujicobakan terhadap keseluruha pengguna dalam dataset pengujian. Kata kunci: sistem rekomendasi film, pendekatan hybrid, collaborative filtering, content-based filtering
Klasifikasi Genus Tanaman Anggrek Berdasarkan Citra Kuntum Bunga Menggunakan Metode Convolutional Neural Network (Cnn) Mohammad Ikhsan Syahputra; Agung Toto Wibowo
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Keindahan bunga membuat tanaman tersebut memiliki banyak peminatnya sehingga tanaman anggrek mempunyai nilai jual yang tinggi. Banyaknya genus tanaman anggrek membuat masyarakat umum sulit untuk membedakan genus tanaman anggrek yang berjumlah kurang lebih berjumlah 900 genus tanaman anggrek. Dengan membuat sistem yang dapat mengenali dan mengklasifikasi genus tanaman anggrek akan mempermudah masyarakat umum dalam mengenali genus-genus anggrek yang mempunyai ciri khasnya masing-masing sehingga tanaman anggrek dapat dibudidayakan dengan optimal sesuai dengan ciri khas genusnya. Sistem ini dikembangkan dengan metode Convolutional Neural Network (CNN) yang dibangun menggunakan K-Fold Cross Validation untuk memvalidasi struktur model CNN, memiliki dataset sebanyak 900 data citra kuntum bunga anggrek dari empat genus anggrek yang umum dibudidayakan di Indonesia, yakni genus Cattleya, Dendrobium, Oncidium, dan Phalaenopsis dengan hasil performansi akurasi pengujian sebesar 97,00%. Kata Kunci: Klasifikasi Genus Anggrek, Convolutional Neural Network (CNN), K-Fold Cross Validation, Kuntum Bunga Anggrek, Genus Tanaman Anggrek.
Klasifikasi Genus Tanaman Sukulen Menggunakan Convolutional Neural Network Hamad Fauzi Jessar; Agung Toto Wibowo; Ema Rachmawati
eProceedings of Engineering Vol 8, No 2 (2021): April 2021
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Tanaman sukulen merupakan jenis tanaman hias yang banyak ditemukan jenisnya di indonesia. Tanaman sukulen mempunyai banyak jenis genus yang dimana setiap genus mempunyai ciri dan karakteristik yang beragam sehingga sulit untuk mengidentifikasi jenis genus pada tanaman sukulen.Oleh karena itu, penulis membuat sebuah sistem yang dapat mengenali jenis genus tanaman sukulen melalui gambar menggunakan metode Convolutional Neural Network (CNN). CNN merupakan salah satu teknik deep learning yang dapat digunakan untuk mengenali objek dua dimensi seperti gambar dan video. CNN memiliki banyak jenis arsitektur jaringan, arsitektur jaringan CNN yang digunakan penulis untuk membangun sistem ini adalah custom arsitektur dan penulis juga menggunakan k fold cross validation yang bertujuan untuk memastikan keakuratan akurasi yang dihasilkan oleh model sistem. Penelitian dilakukan penulis dengan membandingkan antara model yang dilatih menggunakan dataset berwarna (RGB) dan model yang dilatih menggunakan dataset grayscale. Dari hasil penelitian didapatkan bahwa model yang dilatih menggunakan dataset berwarna mempunyai akurasi testing yang lebih tinggi dibandingkan dengan model yang dilatih menggunakan dataset grayscale. Akurasi testing yang dihasilkan model yang dilatih dengan dataset berwarna sebesar 93% sedangkan model yang dilatih menggunakan dataset grayscale sebesar 64%. Kata kunci : convolutional neural network, deep learning, k fold, grayscale, RGB Abstract Succulent plants are a type of ornamental plant that are found in many species in Indonesia. Succulent plants have many types of genera, where each genus has various characteristics and characteristics making it difficult to identify the type of genus in succulent plants. Therefore, the authors created a system that can recognize the types of succulent plant genera through images using the Convolutional Neural Network (CNN) method. ). CNN is a deep learning technique that can be used to recognize two-dimensional objects such as images and videos. CNN has many types of network architectures, the CNN network architecture used by the author to build this system is a custom architecture and the author also uses k fold cross validation which aims to ensure the accuracy of the accuracy generated by the system model. The research was conducted by the author by comparing the model trained using the color dataset (RGB) and the model trained using the grayscale dataset. From the results of the study, it was found that models trained using color datasets have higher accuracy than models trained using grayscale datasets, namely 93% for models with color datasets while models with grayscale datasets have 64% accuracy. Keywords: convolutional neural network, deep learning, k fold cross validation, RGB, grayscale
ANALISIS KORELASI NILAI MICROTEACHING GURU DENGAN KEMAMPUAN PEMBUATAN SOAL YANG MENGINTEGRASIKAN BERPIKIR KOMPUTASIONAL PADA MATA PELAJARAN MELALUI GERAKAN PANDAI Muhammad Arzaki; Ade Romadhony; Putu Harry Gunawan; Rimba Whidiana Ciptasari; Fazmah Arif Yulianto; Selly Meliana; Agung Toto Wibowo; Bambang Pudjoatmodjo; Dodi Wisaksono Sudiharto; Fat’hah Noor Prawita; Ema Rachmawati
Prosiding COSECANT : Community Service and Engagement Seminar Vol 1, No 2 (2021)
Publisher : Universitas telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (432.678 KB) | DOI: 10.25124/cosecant.v1i2.17506

Abstract

Berpikir Komputasional (BK) merupakan metode berpikir secara sistematis dan logis dalam menyelesaikan suatu masalah. Biro Bebras Universitas Telkom menyelenggarakan lokakarya dengan tujuan melatih guru untuk mengintegrasikan BK ke dalam mata pelajaran pada rumpun STEM maupun non-STEM untuk tingkat SD, SMP dan SMA. Pada lokakarya ini, terdapat 146 peserta guru yang setengahnya merupakan guru SMA atau sederajat dan lebih dari seperempatnya adalah guru SD atau sederajat. Dalam kegiatan lokakarya, guru-guru diberikan pelatihan BK, membuat rencana pembelajaran (RP), membuat deskripsi soal (DS) dan melaksanakan microteaching (MT) sebagai penerapan dari kegiatan lokakarya. Dari hasil analisis data yang dilakukan, nilai korelasi antara nilai pembuatan DS dan aktivitas MT secara keseluruhan adalah 0,08151 dari total 33 peserta yang mengikuti serangkaian tugas DS dan MT. Sehingga, secara statistik dapat disimpulkan bahwa tidak ada pengaruh signifikan antara aktivitas pembuatan DS dengan aktivitas MT pada kegiatan lokakarya ini.
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 Pudjotatmodjo; Dodi Wisaksono Sudiharto; Putu Harry Gunawan; Agung Toto Wibowo; Selly Meliana; Rimba Whidiana Ciptasari; Fazmah Arif Yulianto; Fat’hah Noor Prawira; Bedy Purnama
Prosiding COSECANT : Community Service and Engagement Seminar Vol 2, No 1 (2022)
Publisher : Universitas telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (543.859 KB) | DOI: 10.25124/cosecant.v2i1.18436

Abstract

Collaborative Filtering Based Food Recommendation System Using Matrix Factorization Muhammad Bayu Samudra Siddik; Agung Toto Wibowo
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 7, No 3 (2023): Juli 2023
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v7i3.6049

Abstract

A recommendation system is a method that provides suggestions of items that might users like. There are many domains that can be recommended, one of the most demanded domains by users today is food. In the era of big data, food choices from the large amount of data make it difficult for users to choose the right food for them. The collaborative filtering (CF) approach is considered capable of providing accurate and high quality item suggestions. One of the algorithms that can provide good performance results from the CF approach is Matrix Factorization (MF). This study aims to test a dataset that contains product ratings of food items using three MF algorithms, which are Singular Value Decomposition (SVD), SVD with Implicit Ratings (SVD++), and Non-Negative Matrix Factorization (NMF). Different latent factors are also used for the purpose of improving the performance of the proposed recommendation system algorithm. The dataset used is Amazon Fine Food Reviews. The study shows NMF and SVD++ as the best algorithm for generating user rating predictions for items. NMF has the smallest average prediction error as measured by MAE which is 0.7311. While SVD++ obtains the smallest prediction error value of 1.0607 as measured using RMSE. In addition to these results, the top-n evaluation also shows that the proposed algorithm performs quite well. The hit ratio value for each different n-item always increases proportionally to the number of recommended n-items. The highest hit ratio value is generated from the SVD++ algorithm of 0.0025 on n-item recommendations of 25 items. Overall it can be said that the proposed algorithm has good performance in providing item recommendations.
Music Recommender System Based on Play Count Using Singular Value Decomposition++ Muhamad Elang Ramadhan; Agung Toto Wibowo
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 7, No 3 (2023): Juli 2023
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v7i3.6424

Abstract

The availability of digital music content on various music streaming services, which is constantly growing, has increased the need for recommender systems (RS) to assist users in finding music that suits their taste without the need of searching manually. One of the commonly used paradigms is Collaborative Filtering (CF). In CF, the input used to predict ratings can take the form of explicit or implicit input from user feedback. In the music domain, implicit feedback such as the number of music plays can be utilized to predict a user's music preferences. Singular Value Decomposition++ is one of the Matrix Factorization (MF) algorithms that can leverage implicit feedback and address the sparsity issue. In this research, a music recommender system is built using the Million Song Dataset (MSD) Subset from The Echo Nest, utilizing SVD++ algorithm. Additionally, the performance of the built system is measured through k-fold cross-validation using the evaluation metrics RMSE and NDCG. The performance measurement results using RMSE and NDCG in 5-fold cross-validation yield an RMSE of 0.4423, NDCG@5 of 0.8232, and NDCG@10 of 0.8231 for the top 10 items.
Pelatihan Berpikir Komputasional untuk Peningkatan Kompetensi Guru Telkom Schools sebagai Bagian dari Gerakan PANDAI Muhammad Arzaki; Selly Meliana; Ema Rachmawati; Ade Romadhony; Agung Toto Wibowo; Bambang Pudjoatmodjo; Bedy Purnama; Dodi Wisaksono Sudiharto; Fat'hah Noor Prawira; Fazmah Arif Yulianto; Putu Harry Gunawan; Rimba Whidiana Ciptasari
I-Com: Indonesian Community Journal Vol 3 No 3 (2023): I-Com: Indonesian Community Journal (September 2023)
Publisher : Fakultas Sains Dan Teknologi, Universitas Raden Rahmat Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33379/icom.v3i3.2988

Abstract

Berpikir komputasional (BK) atau computational thinking (CT) merupakan salah satu keahlian esensial yang diperlukan sumber daya manusia Indonesia dalam rangka menghadapi revolusi industri 4.0 dan masyarakat 5.0. Gerakan PANDAI (Pengajar Era Digital Indonesia) merupakan suatu gerakan nasional yang merupakan kolaborasi nirlaba antara komunitas Bebras Indonesia, Kementerian Pendidikan dan Kebudayaan Indonesia, dan Google Indonesia dalam rangka meningkatkan kompetensi BK yang dimiliki oleh guru sekolah dasar dan menengah. Pada tahun 2022, Biro Bebras Universitas Telkom mengadakan pelatihan BK kepada lebih dari 60 guru Telkom Schools sebagai bagian dari gerakan ini. Pelatihan ini terdiri dari lima tahapan besar yang meliputi lokakarya luring, pembelajaran mandiri, lokakarya daring, dan dua kegiatan microteaching. Hasil analisis kuantitatif menunjukkan peningkatan kemampuan konseptual peserta terkait BK, meskipun masih banyak hal yang perlu dibenahi dari sisi kemampuan teknis dalam pengerjaan soal-soal BK.
Fashion Recommendation System using Collaborative Filtering Muhammad Khiyarus Syiam; Agung Toto Wibowo; Erwin Budi Setiawan
Building of Informatics, Technology and Science (BITS) Vol 5 No 2 (2023): September 2023
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v5i2.3690

Abstract

Collaborative Filtering is an method used to build a recommendation system with the concept that conclusions from different clients are used to anticipate things that may be of interest to users. This research uses data from Rent the Runway and the method used is Item-based Collaborative filtering, where the system will look for similarities in products that have been purchased by customers and then look for predictive values. Fashion requires recommendations because it plays a crucial role in helping individuals express their identity, personal style, and personality through clothing choices, accessories, and dressing styles.The recommendation system uses the item method based on analyzing the number of purchases or sales and grouping according to each product category so that it can help consumers in choosing fashion products. It was found that the use of Adjusted Cosine Similarity produces better recommendations with an average MAE value of 0.2750, while Cosine Similarity with an average MAE difference of 0.3989. This proves that the use of adjusted cosine similarity can produce better recommendations because the adjustment algorithm not only considers user behavior, but also produces lower performance errors.
Movie Recommendation System Based on Synopsis Using Content-Based Filtering with TF-IDF and Cosine Similarity Armadhani Hiro Juni Permana Juni Permana; Agung Toto Wibowo
International Journal on Information and Communication Technology (IJoICT) Vol. 9 No. 2 (2023): Vol.9 No. 2 Dec 2023
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/ijoict.v9i2.747

Abstract

Recommendation systems have become an interesting topic in the field of artificial intelligence and data analysis. In the current era of technological advancement, the entertainment industry is rapidly growing, particularly the film industry, which is highly popular among the public due to their enthusiasm for watching movies. The increasing number and variety of films with various genres and titles have made it challenging for users to choose a film. To assist them in selecting movies, the presence of a recommendation system is necessary to provide information or film recommendations based on user interests and preferences. In this research, the development of the recommendation system will utilize the content-based filtering method, employing the TF-IDF algorithm and cosine similarity. The dataset used in this study is derived from publicly available data (MovieLens). The results of this research demonstrate that the TF-IDF and cosine similarity algorithms provide recommendations that align with the viewers' interests, as measured by precision, recall, and f1-score calculations.
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