Article Per Year (5 Year)
p-Index From 2020 - 2025
0.659
P-Index
This Author published in this journals
All Journal Knowledge Engineering and Data Science Prosiding SeNTIK STI&K
Armanda, Tubagus Arief
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Languange, Linguistic, Communication & Media

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Recurrent Session Approach to Generative Association Rule based Recommendation Armanda, Tubagus Arief; Wardhani, Ire Puspa; Akhriza, Tubagus M.; Admira, Tubagus M. Adrie
Knowledge Engineering and Data Science Vol 6, No 2 (2023)
Publisher : Universitas Negeri Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17977/um018v6i22023p199-214

Abstract

This article introduces a generative association rule (AR)-based recommendation system (RS) using a recurrent neural network approach implemented when a user searches for an item in a browsing session. It is proposed to overcome the limitations of the traditional AR-based RS which implements query-based sessions that are not adaptive to input series, thus failing to generate recommendations.  The dataset used is accurate retail transaction data from online stores in Europe. The contribution of the proposed method is a next-item prediction model using LSTM, but what is trained to develop the model is an associative rule string, not a string of items in a purchase transaction. The proposed model predicts the next item generatively, while the traditional method discriminatively. As a result, for an array of items that the user has viewed in a browsing session, the model can always recommend the following items when traditional methods cannot.  In addition, the results of user-centered validation of several metrics show that although the level of accuracy (similarity) of recommended products and products seen by users is only 20%, other metrics reach above 70%, such as novelty, diversity, attractiveness and enjoyability.
TOPIK KONTRAS BERBASIS LIFT POSITIF-NEGATIF: STRATEGI BARU REKOMENDASI KONTEN Akhriza, Tubagus M.; Setyowibowo, Sigit; Armanda, Tubagus Arief; Admira, Tubagus M Adrie
Prosiding Seminar SeNTIK Vol. 8 No. 1 (2024): Prosiding SeNTIK 2024
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

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

Abstract

Pemetaan topik tradisional seperti Latent Dirichlet Allocation (LDA) sering kali berfokus pada distribusi global kata tanpa memperhatikan hubungan spesifik antar topik. Penelitian ini memperkenalkan strategi baru dalam rekomendasi konten berbasis Association Rule Learning (AR) dengan Lift positif dan negatif. Metode ini tidak hanya mampu menemukan asosiasi yang sering muncul bersama (Lift positif), tetapi juga mengungkap kontras antara topik-topik yang jarang muncul bersama (Lift negatif), memberikan wawasan lebih dalam yang tidak dapat diidentifikasi oleh LDA. Pendekatan ini diterapkan pada dataset berita politik Indonesia untuk membangun sistem rekomendasi konten yang lebih cerdas dan dinamis, yang mampu menawarkan topik-topik kontras yang menarik minat pengguna serta memperkaya pengalaman mereka. Hasil eksperimen menunjukkan bahwa metode ini lebih fleksibel dalam mengidentifikasi keterkaitan dan anomali antar topik, sehingga memberikan rekomendasi yang lebih relevan dan terarah..
Evaluasi Performa Large Language Model Sebagai Agen Kecerdasan Artifisial Untuk Rekomendasi Berita Generatif Akhriza, MohamTubagus Mohammad ad; Armanda, Tubagus Arief; Admira, Tb. M. Adrie
Prosiding Seminar SeNTIK Vol. 9 No. 1 (2025): Prosiding SeNTIK 2025
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

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

Abstract

Penelitian ini mengevaluasi performa beberapa model bahasa besar (LLM) sebagai agen rekomendasi berita. Hasilnya menunjukkan GPT-OSS dan Gemma unggul dalam relevansi dan koherensi dibanding model lainnya.
Co-Authors Admira, Tb. M. Adrie Admira, Tubagus M Adrie Admira, Tubagus M. Adrie Akhriza, Tubagus M. Ire Puspa Wardhani Sigit Setyowibowo Tubagus Mohammad Akhriza