Article Per Year (5 Year)
p-Index From 2020 - 2025
0.92
P-Index
This Author published in this journals
All Journal Informatik : Jurnal Ilmu Komputer SPIRIT Journal of System and Computer Engineering Journal of Applied Data Sciences Insyst : Journal of Intelligent System and Computation
Imron, Syaiful
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Long short-term memory-based chatbot for vocational registration information services Langgeng, Yudo Sembodo Hastoro; Setiawan, Esther Irawati; Imron, Syaiful; Santoso, Joan
Journal of Applied Data Sciences Vol 4, No 4: DECEMBER 2023
Publisher : Bright Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47738/jads.v4i4.128

Abstract

The development of chatbots can communicate fluently like humans thanks to the Natural Language Processing (NLP) technology. Using this technology, chatbots can provide more accurate and natural responses, providing an almost the same experience as human interaction. Therefore, chatbot technology is in great demand by companies and government agencies as a cost-effective solution for information and administrative services that require little human effort and can operate 24/7. The registration information service at BLK Surabaya still uses an operator who serves prospective trainees and answers questions via social media or chat. However, these operators have limitations in terms of time and effort. The purpose of this study is to examine how to use chatbots to answer questions about registration information training at BLK Surabaya using the Long Short Term Memory (LSTM) algorithm with a dataset of questions collected in the form of Frequently Asked Questions (FAQ) in Indonesian. The dataset consists of 2,636 labeled samples of questions, which were divided into three sets: 60% for training (1,581 pieces), 20% for validation (527 samples), and 20% for testing (528 samples) to evaluate the model's performance. Several steps were taken in implementing this research, including changing the list of questions and answers into the JSON data format, preprocessing, creating LSTM modeling, data training, and data testing. The test results show that Chatbot can provide accurate solutions related to training registration questions with Precision of 88.4%, Accuracy of 87.6%, and Recall of 87.3%.
Perbandingan SVM dan IndoBERT untuk Deteksi Intent Chatbot Lembur dalam Bahasa Indonesia Santosa, Rahmad; Nusantara, Adetiya Bagus; Imron, Syaiful
Journal of System and Computer Engineering Vol 6 No 3 (2025): JSCE: July 2025
Publisher : Universitas Pancasakti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61628/jsce.v6i3.2058

Abstract

Digital transformation in higher education requires the development of intelligent and adaptive information systems, including services such as overtime submission for university staff. Chatbots offer a promising solution to enhance user interaction with the E-LEMBUR system. However, developing chatbots in academic settings poses challenges, including limited training data, complex overtime policies, and diverse institutional terminology. This study compares two intent classification approaches: Support Vector Machine (SVM), a traditional machine learning method, and IndoBERT, a transformer-based model designed for the Indonesian language. The dataset comprises 250 real user queries from the overtime system at Institut Teknologi Sepuluh Nopember (ITS). Experimental results show IndoBERT achieves 87% accuracy, slightly outperforming SVM at 85%. While IndoBERT offers better accuracy, it demands higher computational resources, presenting a trade-off between performance and efficiency. This study contributes by validating IndoBERT’s effectiveness on a limited dataset, establishing an initial benchmark for intent classification in overtime chatbots, and offering implementation recommendations aligned with university IT infrastructure. These findings lay the groundwork for developing context-aware information systems for staff services in Indonesian higher education.
Deteksi Aspek Review E-Commerce Menggunakan IndoBERT Embedding dan CNN Imron, Syaiful; Setiawan, Esther Irawati; Santoso, Joan
Intelligent System and Computation Vol 5 No 1 (2023): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v5i1.267

Abstract

Dengan semakin berkembangnya teknologi informasi, maka muncul istilah e-commerce dalam dunia bisnis. Pada e-commerce ada fitur review, pelanggan dapat memberikan review berupa teks, gambar, dan bintang. Review tersebut merupakan opini dari pelanggan terkait barang yang dibeli. Tetapi pada kebanyakan e-commerce tidak ada fitur kategori terkait review hal ini membuat calon pembeli kesusahan dalam menganalisa secara manual. Aspect-based sentiment analysis (ABSA) merupakan solusi dari permasalahan tersebut. ABSA memiliki tiga tugas salah satunya Aspect Category Detection yang memiliki fungsi untuk menggabungkan review pelanggan menjadi beberapa aspek dimana aspek-aspek tersebut sudah didefinisikan terlebih dahulu. Cukup banyak penelitian terkait Aspect Category Detection dengan mengunakan machine learning. Dari beberapa metode yang diuji, Convolutional Neural Network (CNN) merupakan metode terbaik. Selain itu penggunaan BERT sebagai word embedding menghasilkan output yang bagus baik dari pada word embedding konvensional. Penelitian ini menggunakan dataset dari e-commerce Bukalapak dengan 3114 review dan 6 aspek (Akurasi, Pengiriman, Kualitas, Harga, Pengemasan, dan Pelayanan). Berdasarkan ujicoba dengan menggunakan IndoBERT sebagai word embedding dan CNN untuk deteksi aspek, maka didapatkan akurasi sebesar 94,86%. Dengan demikian model tersebut dapat digunakan untuk deteksi aspek. Selain itu, metode CNN mendapatkan hasil yang lebih baik dari pada metode LSTM.
Komparasi Algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) untuk Klasifikasi Ekspresi Wajah Faizah, Arbiati; Imron, Syaiful; Rewur, Afny; Makasunggal, Juan Natanel; Hari Saputro, pujo
Informatik : Jurnal Ilmu Komputer Vol 21 No 1 (2025): April 2025
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v21i1.11091

Abstract

Ekspresi wajah merupakan komponen penting dalam komunikasi nonverbal, karena mampu menyampaikan emosi tanpa perlu berkata-kata. Berbagai studi menyebutkan bahwa lebih dari 55% informasi emosional dalam komunikasi manusia disampaikan melalui ekspresi wajah. Dalam bidang pengolahan citra digital, klasifikasi ekspresi wajah menjadi salah satu tantangan yang banyak dikaji. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) dalam mengklasifikasikan empat ekspresi wajah: happy, sad, neutral, suprise. Data yang digunakan berasal dari dataset FER-2013 dengan 4000 gambar per kelas. Setiap citra melalui tahap preprocessing berupa konversi grayscale, normalisasi piksel, dan augmentasi data. Model Support Vector Machine (SVM) menghasilkan akurasi pelatihan sebesar 99,70%, namun akurasi validasinya hanya 41,47%, menandakan terjadinya overfitting. Sebaliknya, Convolutional Neural Network (CNN) memberikan hasil yang lebih stabil dengan akurasi pelatihan sebesar 85,08% dan akurasi validasi tertinggi mencapai 55,03%. Convolutional Neural Network (CNN) juga menunjukkan performa tertinggi dalam mengenali ekspresi suprise dengan akurasi 69%. Hasil penelitian ini menunjukkan bahwa Convolutional Neural Network (CNN) lebih unggul dalam mengenali pola visual kompleks dibandingkan Support Vector Machine (SVM). Dengan demikian, penelitian ini memberikan kontribusi dalam pemilihan metode klasifikasi citra wajah yang optimal dan relevan untuk implementasi sistem pengenalan ekspresi secara otomatis.
IMPLEMENTASI NAGIOS XI UNTUK MONITORING INFRASTRUCTURE ERP SAP Sugianto, Sugianto; Imron, Syaiful
SPIRIT Vol 17, No 2 (2025): SPIRIT
Publisher : LPPM ITB Yadika Pasuruan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53567/spirit.v17i2.407

Abstract

Monitoring infrastruktur merupakan komponen penting dalam menjaga ketersediaan layanan dan kestabilan sistem SAP sebagai platform inti operasional perusahaan. Sebelum penggunaan monitoring terpusat, proses pemantauan server dilakukan secara manual yang tidak terstandarisasi serta rawan kesalahan. Penelitian ini membahas implementasi Nagios sebagai solusi monitoring terpusat pada SAP Server serta evaluasi hasil monitoring setelah sistem berjalan penuh di lingkungan SAP data center. Metodologi penelitian mencakup identfikasi masalah, studi pustaka, implementasi, pengujian, Analisis dan peembahasan serta kesimpulan. Hasil penelitian menunjukkan bahwa implementasi sap monitoring dengan  Nagios meningkatkan visibilitas kondisi server, mempercepat deteksi gangguan, dan menurunkan ketergantungan pada proses manual. Selain itu, notifikasi real-time dan dashboard terpusat memberikan efisiensi signifikan dalam pengelolaan infrastruktur. Kesimpulannya, Nagios terbukti efektif sebagai solusi monitoring enterprise untuk SAP Server dan mampu meningkatkan kualitas manajemen insiden dan ketersediaan layanan.
Co-Authors Esther Irawati Setiawan Faizah, Arbiati Hari Saputro, Pujo Joan Santoso Langgeng, Yudo Sembodo Hastoro Makasunggal, Juan Natanel Nusantara, Adetiya Bagus Rahmad Santosa Rewur, Afny Sugianto Sugianto