Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Surya Informatika
Dwiyono, Aswin
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Perbandingan Klasifikasi Intent Chatbot Menggunakan Deep Learning BERT, RoBERTa, dan IndoBERT Dwiyono, Aswin; Abdiansah, Abdiansah; Fachrurrozi, Muhammad
Journal of Information System Research (JOSH) Vol 6 No 1 (2024): Oktober 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/josh.v6i1.6051

Abstract

A chatbot is a software application to designed handle user inputs and generate appropriate replies based on those inputs, which are then communicated back to the user. In able to provide accurate responses, the chatbot must be able to understand the intent of the user accurately. An issue in the development of chatbots is how to accurate classify user intent. Incorrectly understanding user intent can result in irrelevant responses. In order to have a conversation with the user, the intent of the user needs to be classified correctly. This paper compares three state-of-the-art transformer-based models BERT (Bidirectional Encoder Representations from Transformers), RoBERTa (Robustly Optimized BERT Pretraining Approach), and IndoBERT (Indonesia Bidirectional Encoder Representations from Transformer) for the task of intent classification in chatbot systems. Various performance metrics, including accuracy, F1-score, precision, and recall, were analyzed to determine which model performs more effectively in the same parameter conditions. Performance metrics like accuracy and F1-score were compared to assess model BERT, RoBERTa and IndoBERT performs better in a University Chatbot Dataset in Indonesian language. The BERT model achieved an accuracy of 0.89, RoBERTa model achieved 0.84 and IndoBERT model achieved an accuracy of 0.94. The better performance of IndoBERT compared to BERT and RoBERTa is caused by more language-specific training, more relevant pretraining, and more effective adaptation to Indonesian context and structure.
Implementasi Aplikasi Netbeans untuk Pengolahan Data Barang pada Percetakan Duta Yuzaka Permai Anggraini, Amelia; Sayuti, Akhmad; Dwiyono, Aswin; Ilahi, Qhalam
Jurnal Surya Informatika Vol. 15 No. 1 (2025): Jurnal Surya Informatika, Vol 15. No. 1, Mei 2025
Publisher : Universitas Muhammadiyah Pekajangan Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.48144/suryainformatika.v15i1.2068

Abstract

Percetakan Duta Yuzaka Permai merupakan salah satu usaha percetakan yang membutuhkan sistem pengelolaan data barang yang efisien untuk meningkatkan produktivitas dan akurasi dalam pengelolaan inventaris. Saat ini, pengolahan data barang di percetakan tersebut masih dilakukan secara manual, yang berpotensi menimbulkan kesalahan dan ketidakefisienan. Untuk mengatasi masalah ini, diperlukan sebuah aplikasi berbasis desktop yang dapat mengotomatisasi proses pengolahan data barang, dari pencatatan hingga pelaporan. Penelitian ini bertujuan untuk mengimplementasikan aplikasi berbasis NetBeans IDE yang mampu mengelola data barang di Percetakan Duta Yuzaka Permai dengan lebih efektif. Fitur-fitur utama yang akan dikembangkan meliputi pencatatan barang, pemantauan stok, dan pelaporan inventaris. Metodologi yang digunakan dalam penelitian ini adalah pendekatan pengembangan perangkat lunak berbasis model waterfall. Proses ini dimulai dengan analisis kebutuhan sistem, desain aplikasi, implementasi, pengujian, dan akhirnya evaluasi. Setiap tahap dalam pengembangan aplikasi bertujuan untuk memastikan bahwa aplikasi yang dihasilkan memenuhi kebutuhan dan harapan pengguna. Dengan adanya aplikasi ini, proses pencatatan dan pemantauan stok barang menjadi lebih terstruktur dan mudah dipantau, sehingga mengurangi potensi kesalahan dan meningkatkan produktivitas operasional.
Co-Authors Abdiansah, Abdiansah Amelia Anggraini, Amelia Ilahi, Qhalam Muhammad Fachrurrozi Sayuti, Akhmad