Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Informatics and Digital Expert (INDEX)
Andy Soebroto, Arief
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 3 Documents
Search

 1 
Sistem Rekomendasi Model Sandal Pada Home Industri Menggunakan Collaborative Filtering dan Algoritma Matrix Factorization. Bagus Arviyanto, Fitra; Andy Soebroto, Arief
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 1 (2025): Januari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Sistem rekomendasi memainkan peran penting dalam membantu pengguna menemukan item yang relevan di tengah volume data yang terus bertambah. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi berbasis collaborative filtering menggunakan algoritma matrix factorization dengan memanfaatkan dataset berupa rating yang diberikan oleh pengguna pada berbagai model sandal. Evaluasi kinerja sistem dilakukan dengan menghitung nilai loss pada data latih dan data uji untuk mengukur akurasi prediksi serta kemampuan generalisasi model. Dalam penelitian ini, algoritma matrix factorization diterapkan untuk memetakan hubungan antara pengguna dan model sandal ke dalam dimensi laten. Proses pelatihan model dilakukan dengan optimasi fungsi loss berbasis mean squared error (MSE), menggunakan parameter seperti jumlah epoch, learning rate, faktor laten, dan optimizer berbasis stochastic gradient descent (SGD). Hasil eksperimen menunjukkan bahwa algoritma matrix factorization menghasilkan nilai data tes loss final sebesar 0.057115 dan nilai data tes loss final sebesar 0.095439, yang mencerminkan kemampuan generalisasi yang baik tanpa overfitting. Kombinasi optimal dari parameter yang digunakan meliputi learning rate sebesar 0,01, faktor laten sebanyak 10, dan jumlah epoch sebanyak 100. Sistem rekomendasi yang dikembangkan berhasil memberikan prediksi model sandal yang relevan berdasarkan pola preferensi pengguna.
Pengembangan Sistem Informasi Profil Pondok Pesantren Berbasis Web Andy Soebroto, Arief
Informatics and Digital Expert (INDEX) Vol. 7 No. 1 (2025): INDEX, Mei 2025
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v7i1.2157

Abstract

Pendidikan memiliki peran penting dalam perubahan sosial, termasuk membentuk generasi penerus yang berkarakter kuat untuk memimpin bangsa. Pondok pesantren, sebagai lembaga pendidikan agama Islam, menjadi bagian dari kultur masyarakat Indonesia yang juga diakui oleh masyarakat sekitar sehingga keberadaannya terus bertambah dan berkembang. Dengan adanya lebih dari 28.000 jumlah pondok pesantren di Indonesia, menunjukkan bahwa pondok pesantren memiliki peran signifikan dalam pendidikan agama di Indonesia. Namun, hasil yang ditemukan menunjukkan bahwa belum ada sistem pengelolaan data pondok pesantren yang terintegrasi. Pengelolaan saat ini masih desentralisasi dan tidak teratur. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan Sistem Informasi Profil Pondok Pesantren berbasis web agar dapat meningkatkan efisiensi pengelolaan data pondok pesantren secara terpusat. Sistem ini dibangun dengan framework Laravel yang mendukung otentikasi dan otorisasi aman, serta memudahkan pengembangan fitur di masa depan. Hasil penelitian menunjukkan bahwa sistem ini berfungsi sesuai kebutuhan dan dapat membantu dalam pengelolaan data pondok pesantren yang lebih terpusat. Implementasi sistem ini diharapkan dapat mendukung penyebaran informasi yang akurat dan mudah diakses, serta mendukung digitalisasi pengelolaan pondok pesantren di era modern.
Analisis Performa Model TimeMixer terhadap Eskalasi Dimensi Data dan Studi Komparatif pada Prediksi Data Time Series Galih Wicaksana Putra, Achmad; Yudistira, Novanto; Andy Soebroto, Arief
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Peningkatan dimensionalitas dalam analisis time series memicu curse of dimensionality yang mengaburkan informasi esensial akibat redundansi dan noise. Penelitian ini mengevaluasi model TimeMixer, arsitektur berbasis Multi-Layer Perceptron (MLP) dengan pendekatan multiscale-mixing, dalam menangani eskalasi dimensi data dibandingkan model state-of-the-art lainnya. Metodologi mencakup evaluasi multivariate long-term forecasting pada empat dataset benchmark utama: ETTh1, ETTh2, Weather, dan Traffic. TimeMixer memanfaatkan mekanisme Past-Decomposable-Mixing (PDM) serta Future-Multipredictor-Mixing (FMM) guna menangkap dependensi temporal secara komprehensif. Hasil eksperimen menunjukkan skalabilitas unggul; pada dataset Traffic (862 variabel), penggunaan sequence length 336 berhasil mereduksi MAE secara signifikan menjadi 0,2570. Secara komparatif, TimeMixer mengungguli model TimesNet dengan rata-rata peningkatan MSE hingga 23,71% pada dataset Traffic, serta menunjukkan selisih galat sangat kontras hingga 3,1 kali lipat dibandingkan Transformer dan LSTM. Meskipun integrasi Retrieval Augmented Forecasting (RAF) efektif pada data reguler, hasilnya marginal pada data kompleks akibat dimensionality bottleneck. Disimpulkan bahwa TimeMixer merupakan model yang tangguh, efisien secara komputasi, dan sangat adaptif terhadap berbagai skala dimensi data time series.
Co-Authors Bagus Arviyanto, Fitra Galih Wicaksana Putra, Achmad Novanto Yudistira