Article Per Year (5 Year)
p-Index From 2021 - 2026
4.429
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Ilmiah Buana Bastra: Bahasa, Susastra, dan Pengajarannya Mathematics Education Journal Lontar Komputer: Jurnal Ilmiah Teknologi Informasi
Indriati
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Mathematics Other

Published : 34 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 34 Documents
Search

 1   2   3   4 
Aspect Based Sentiment Analysis on Shopee Application Reviews Using Support Vector Machine Dyah Ayu Wulandari; Fitra Abdurrachman Bachtiar; Indriati
Lontar Komputer : Jurnal Ilmiah Teknologi Informasi Vol. 15 No. 02 (2024): Vol. 15, No. 2 August 2024
Publisher : Institute for Research and Community Services, Udayana University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24843/LKJITI.2024.v15.i02.p03

Abstract

One of the e-commerce in Indonesia is Shopee. Feedback from users is needed to improve the quality of e-commerce services and user satisfaction. This research process includes data scraping, labeling, text pre-processing, TF-IDF, aspect, and sentiment classification. The novelty of this research is using the SVM method with SGD to classify Indonesian language application reviews based on aspect categories consisting of 7 dimensions of service quality and sentiment so that the website created in this research can display the aspects and sentiments of the input reviews. This research also builds an Indonesian normalization dictionary to optimize the terms used to increase model accuracy. The test in aspect classification resulted in a precision value of 90%, recall of 88.73%, accuracy of 88.57%, and f1-score of 89%. Meanwhile, the sentiment classification resulted in a precision value of 96.15%, recall of 91.91%, accuracy of 94.28%, and f1-score of 93.98%. In addition, the test results (accuracy, f1-score, precision, recall) show that the lemmatization process is better than stemming and term weighting using the TF-IDF method is better than other methods (raw-term frequency, log-frequency weighting, binary-term weighting).
Sistem Pakar Untuk Mendiagnosis Penyakit Tanaman Padi Menggunakan Metode Naive Bayes Berbasis Telegram Bot Aldinno, Deva; Rahman, Muh. Arif; Indriati
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 4 (2026): April 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Tanaman padi sangat penting bagi umat manusia. Penyakit tidak dapat dihindari dalam pertanian padi, tetapi pengelolaan yang tidak tepat dapat menurunkan hasil panen. Berdasarkan hal tersebut, penelitian ini merancang sebuah program untuk membantu petani mengidentifikasi penyakit tanaman padi. Layanan obrolan berbasis bot bernama Telegram menampilkan temuan identifikasi. Identifikasi menggunakan pengetahuan petani sebagai data pelatihan. Beberapa gejala yang dimasukkan pengguna digunakan sebagai data uji untuk identifikasi. Dataset akan diklasifikasikan menggunakan Naive Bayes. Bot akan menampilkannya di Telegram. Membuat bot API Telegram adalah langkah pertama dalam sistem ini. Selanjutnya, pendekatan Naive Bayes menghitung prior, likelihood, dan posterior dan mengevaluasinya menggunakan matriks kebingungan. Pengujian menggunakan input dari banyak pengguna menghasilkan nilai presisi 90% untuk semua kelas, nilai recall 85%, dan f1-score 84%. Sementara itu, akurasinya adalah 85%.
Analisis Sentimen Ulasan Aplikasi SP4N LAPOR! dengan IndoBERT dan Koreksi Ejaan Berbasis Levenshtein Distance Kirana, Nareswara Lintang; Muflikhah, Lailil; Indriati
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 4 (2026): April 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Ulasan pengguna pada platform SP4N-LAPOR! memuat sentimen yang penting untuk evaluasi layanan publik, namun teksnya sering tidak terstruktur, mengandung variasi ejaan, singkatan, dan kalimat ambigu sehingga menyulitkan klasifikasi sentimen. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan SP4N-LAPOR! menggunakan IndoBERT serta menganalisis pengaruh normalisasi variasi ejaan berbasis Levenshtein Distance dan penerapan class-weighted loss terhadap kinerja model. Tahap awal meliputi pembersihan data dan normalisasi ejaan, kemudian data dibagi menjadi latih, validasi, dan uji. IndoBERT selanjutnya di-fine-tune dengan pengujian hyperparameter (epoch, learning rate, batch size) dan dievaluasi dalam empat skenario kombinasi penggunaan normalisasi Levenshtein dan class-weighted loss. Hasil uji menunjukkan performa terbaik diperoleh pada kombinasi class-weighted loss dan normalisasi Levenshtein dengan accuracy 0,9272 dan macro F1-score 0,8996. Skenario class-weighted loss tanpa normalisasi menghasilkan macro F1-score 0,8985, sedangkan skenario tanpa class-weighted loss berada pada macro F1-score 0,8901. Temuan ini menegaskan class-weighted loss paling berpengaruh, sementara normalisasi Levenshtein memberi manfaat tambahan saat dikombinasikan.
ANALISIS KINERJA NAIVE BAYES PADA KLASIFIKASI SENTIMEN TWITTER DENGAN TEKNIK OVERSAMPLING ADASYN Fajar, M.; Kurnianingtyas, Diva; Indriati
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Ketidakseimbangan kelas (imbalanced dataset) merupakan salah satu tantangan utama dalam analisissentimen, karena model cenderung bias terhadap kelas mayoritas sehingga menurunkan kemampuandalam mengenali kelas minoritas. Penelitian ini mengusulkan penerapan teknik oversampling ADASYN(Adaptive Synthetic Sampling) untuk meningkatkan performa model Naïve Bayes pada data sentimenterkait kebijakan PPKM di Indonesia. Dataset yang digunakan berisi sekitar 20.000 tweet berbahasaIndonesia yang telah dilabeli menjadi tiga kelas sentimen: positif, negatif, dan netral, dengan distribusikelas yang didominasi oleh sentimen netral sebesar ±75%. Tahap preprocessing dilakukan melalui casefolding, tokenization, cleaning, normalization, dan stemming, kemudian pembobotan teks dihitungmenggunakan TF-IDF. Model Naïve Bayes diuji pada berbagai nilai parameter α (alpha) pada ADASYN untuk menentukan tingkat oversampling terbaik. Hasil menunjukkan bahwa model baseline tanpa penyeimbangan data menghasilkan akurasi tinggi namun memiliki recall dan F1-score rendah pada kelas minoritas. Penerapan ADASYN mampu meningkatkan performa keseluruhan, khususnya recall pada kelas positif dan negatif. Nilai α antara 0,3–0,4 memberikan keseimbangan terbaik antara stabilitas akurasi dan peningkatan performa kelas minoritas. Penelitian ini menegaskan bahwa teknik penyeimbangan data berperan penting untuk meningkatkan keadilan dan kualitas prediksi pada analisis sentimen berkelas tidak seimbang.
ANALISIS KESALAHAN DIKSI DAN INTERFERENSI BAHASA DALAM CUITAN AKUN X @TIRTA_CIPENG Fuad; Ardhiana; Indriati
Buana Bastra Vol 13 No 1 (2026): JURNAL ILMIAH BUANA BASTRA
Publisher : Universitas PGRI Adi Buana Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36456/bastra.vol13.no1.a11498

Abstract

Fenomena kesalahan berbahasa dapat muncul di media sosial. Salah satunya yakni di aplikasi X pada akun @tirta_cipeng yang menggunakan ragam bahasa informal. Ragam tersebut kerap mengandung kesalahan diksi dan interferensi bahasa. Penelitian ini bertujuan untuk mendeskripsikan bentuk kesalahan diksi dan interferensi bahasa pada cuitan akun X @tirta_cipeng. Metode penelitian berupa deskriptif kualitatif dengan teknik simak dan catat. Analisis data secara interaktir berdasarkan teori diksi Gorys Keraf dan teori interferensi bahasa Uriel Weinreich. Hasil penelitian menunjukkan bahwa kesalahan diksi didominasi penggunaan kata tidak baku dan istilah asing sebanyak enam data, sementara interferensi bahasa didominasi leksikal bahasa Jawa sebanyak delapan data. Ditemukan juga dua data yang mengandung kedua fenomena bahasa tersebut. Temuan penelitian menunjukkan bahwa penggunaan bahasa pada media sosial bersifat informal, dinamis, dan dipengaruhi oleh kebiasaan bilingual penuturnya.
Prediksi Afinitas Ikatan Antibodi-Antigen Menggunakan Algoritma Vision Mamba Dengan Memanfaatkan Normal Mode Correlation Maps Ismanto, Matyus Garbela; Indriati; Rahman, Muh. Arif
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Antibodi dan antigen merupakan komponen penting dalam sistem kekebalan tubuh manusia. Kompleks antibodi-antigen memiliki peran krusial dalam respons imun, di mana kekuatan ikatan kompleks ini, yang dikenal sebagai afinitas, menjadi indikator kunci efektivitas pengembangan obat berbasis antibodi. Afinitas ikatan antibodi–antigen merupakan indikator penting dalam pengembangan obat berbasis antibodi, tetapi pengukurannya di laboratorium basah memerlukan waktu dan biaya tinggi. Oleh karena itu, pendekatan komputasional menjadi solusi alternatif untuk mempercepat dan menyederhanakan proses pengukuran tersebut. Penelitian ini mengajukan pertanyaan riset: sejauh mana model backbone vision modern (Vision Mamba) mampu memprediksi afinitas antibodi–antigen ketika dinamika struktur molekuler direpresentasikan sebagai citra. Metode yang digunakan meliputi: (1) pengambilan data struktur kompleks dari SAbDab, (2) pembersihan dan standarisasi struktur, (3) perhitungan dinamika menggunakan Elastic Network Model dan pembentukan Normal Mode Correlation Map sebagai input, (4) pelatihan Vision Mamba untuk regresi target afinitas dalam skala log10(Kd), dan (5) evaluasi menggunakan Pearson correlation (R) dan Mean Squared Error (MSE). Eksperimen dilakukan pada 634 data antibodi, dengan beberapa skenario pembagian data latih–uji. Hasil menunjukkan nilai korelasi R sebesar 0.724 dengan stabilitas pembelajaran yang cukup baik. Temuan ini menunjukkan bahwa reformulasi dinamika struktur sebagai citra memungkinkan Vision Mamba menangkap sinyal hubungan prediksi dan target, namun performa masih dipengaruhi keterbatasan data dan konfigurasi regularisasi. Penelitian ini membuka peluang eksplorasi state space model untuk tugas bioinformatika berbasis representasi citra pada data biologis non-natural.   Abstract Antibodies and antigens are essential components of the human immune system. Antibody–antigen complexes play a crucial role in immune responses, and the binding strength of these complexes (known as affinity) is a key indicator for the effectiveness of antibody-based drug development. However, measuring antibody–antigen binding affinity through wet-lab experiments is time-consuming and costly. Therefore, computational approaches offer an alternative solution to accelerate and simplify this measurement process. This study addresses the following research question: to what extent can a modern vision backbone model (Vision Mamba) predict antibody–antigen affinity when molecular structural dynamics are represented as images? The proposed method consists of: (1) collecting complex structural data from SAbDab, (2) cleaning and standardizing the structures, (3) computing structural dynamics using an Elastic Network Model and constructing Normal Mode Correlation Maps as model inputs, (4) training Vision Mamba for regression with affinity targets on the log10(Kd) scale, and (5) evaluating performance using Pearson correlation (R) and Mean Squared Error (MSE). Experiments were conducted on 634 antibody samples under several train–test split scenarios. The results show a correlation coefficient of R = 0.724 with reasonably stable learning behavior. These findings indicate that reformulating structural dynamics as images enables Vision Mamba to capture predictive signals related to affinity, although performance remains influenced by data limitations and regularization settings. This work opens opportunities to explore state space models for image-based bioinformatics tasks on non-natural biological data.
Klasifikasi Tingkat Sisa Makanan Pasien Rumah Sakit Berdasarkan Ekstraksi Fitur Warna dan Tekstur Dengan Support Vector Machine Classifier Sinaga, Theresa Yolanda; Sari, Yuita Arum; Indriati
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di JTIIK
Analisis Sentimen Ulasan Produk Pada Platform E-Commerce Tokopedia Menggunakan Model IndoBERTweet Syemael Siahaan, Arion; Indriati; Setya Perdana, Rizal
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pertumbuhan transaksi e-commerce di Indonesia, khususnya pada platform Tokopedia, menghasilkan ulasan produk dalam jumlah besar yang mengandung opini konsumen. Analisis sentimen menjadi pendekatan untuk mengekstraksi dan mengklasifikasikan opini tersebut menjadi sentimen positif atau negatif secara otomatis. Penelitian ini bertujuan untuk mengevaluasi kinerja model IndoBERTweet yang di-fine-tune untuk klasifikasi sentimen ulasan produk Tokopedia, serta menganalisis pengaruh variasi preprocessing terhadap performa model. Dataset yang digunakan adalah PRDECT-ID yang berisi 5.399 ulasan produk berbahasa Indonesia. Penelitian dilakukan melalui dua tahap: pertama, pencarian hyperparameter optimal menggunakan strategi sequential search untuk learning rate, epoch, batch size, dan weight decay; kedua, evaluasi empat skenario preprocessing yaitu P1 (baseline), P2 (stopword removal saja), P3 (stemming saja), dan P4 (kombinasi stopword removal dan stemming). Hasil eksperimen menunjukkan konfigurasi hyperparameter optimal pada nilai learning rate 5e-5, epoch 3, batch size 32, dan weight decay 0,01, dengan Macro F1-Score sebesar 0,9777 pada skenario P1. Stemming hampir tidak memberikan pengaruh terhadap performa (selisih 0,18%), sedangkan stopword removal menggunakan daftar stopwords Sastrawi standar justru menurunkan performa secara signifikan sebesar 6,11% pada P2 dan 5,19% pada P4. Penurunan ini disebabkan oleh adanya kata-kata negasi dan adversatif (tidak, belum, tapi, namun) dalam daftar stopwords yang berperan kritis dalam menentukan polaritas sentimen. Penelitian ini menyimpulkan bahwa untuk task analisis sentimen Bahasa Indonesia menggunakan IndoBERTweet, preprocessing minimal sudah cukup untuk mencapai kinerja optimal, sedangkan stopword removal generic justru kontra-produktif.
Combining Inference Results of YOLOv8 and Faster R-CNN using Weighted Boxes Fusion for Car’s Underbody Quality Inspection (Study Case On Automotive Company In Indonesia) Alfons Abilo, Nelson; Indriati; Setya Perdana, Rizal
Journal of Information Technology and Computer Science Vol. 10 No. 1: April 2025
Publisher : Faculty of Computer Science (FILKOM) Brawijaya University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jitecs.2025101918

Abstract

The automotive industry in Indonesia has gradually experienced rapid development over time, leading to intense competition among automotive companies. In such a competitive environment, the quality inspection process is a critical aspect of the automotive manufacturing industry. One significant issue in the quality inspection process is human error. The Fourth Industrial Revolution offers solutions through computer vision technology to improve production quality. YOLOv8 is a real-time object detection algorithm that offers fast inference and good background reduction, but it is less effective for small and low-contrast objects. Conversely, Faster R-CNN has high confidence scores but slow inference capabilities. Company XYZ has a visual inspection system using YOLOv8, with a mAP50@95 value of 74%. However, the confidence scores produced often do not meet the company's standard threshold, which requires a confidence score above 90%. Therefore, a study was conducted to combine the inference results of YOLOv8 and Faster R-CNN using the weighted boxes fusion method to enhance the inference results of YOLOv8. The study results showed an increase in mAP when combining the inferences of the two models, compared to when each model performed inference individually – there was a 3.8% increase compared to YOLOv8's performance and a 5.5% increase compared to Faster R-CNN's performance.  
Klasifikasi Emosi dengan Sinyal Elektroensefalografi menggunakan Ekstraksi Fitur Berbasis Nonlinear Mode Decomposition dan Convolutional Neural Network Surya Satya Dharma, I Kadek; Abdurrachman Bachtiar, Fitra; Indriati
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di JITECS
Co-Authors Abdurrachman Bachtiar, Fitra Abilo, Nelson Alfons Achmad Ridok Agus Wahyu Widodo Agus Wahyu Widodo, Agus Wahyu Aldinno, Deva Alfons Abilo, Nelson Andrea, Amalia Reani Ardhiana Bayu Priyambadha Budi Darma Setiawan Dhamara, Helmi Dhiya'uddin, Muhammad Faishal Dyah Ayu Wulandari Edy Santoso Edy Santoso Effendy, Nursyifa Devani Fauzan, M. Sabran Firdausi, Fathina Atsila Firman Yasin, Satferisnan Qoris Fitra Abdurrachman Bachtiar Fuad Hartawan, Alan Hibatullah, Farras Husain Ismanto, Matyus Garbela Jaya, Dionisius Surya Kirana, Nareswara Lintang Kirana, Naufal Laksana Kurnianingtyas, Diva Lailil Muflikhah M. Fajar, M. Mahendra, Andika Raka Mahendra, Zianka Muh. Arif Rahman Muslimah Az-Zahra, Hanifah Naufal, Muhammad Jilan Noor Fatyanosa, Tirana Perdana, Rizal Putra Pandu Adikara Putra Pratama, Ferdiansyah Putra, Octo Perdana Ramadani, Rifki RAMADHAN, ADITYA RIZKY Rizal Setya Perdana Salsabila Sangdiva Laksono, Khansa Salsabila, Fathia Rahma Setya Perdana, Rizal Sinaga, Theresa Yolanda Surya Satya Dharma, I Kadek Syemael Siahaan, Arion Yuita Arum Sari Yunas, Ashbahul Danna Yusuf Hartono Zulhilmi, Anshar