Publikasi ilmiah pada konferensi bidang Computer Science, Machine Learning, dan teknologi terkait.
Aplikasi navigasi seperti Google Maps belum menyediakan cara langsung untuk mencari Point of Interest (POI) di sepanjang sebuah rute perjalanan, hanya di sekitar satu titik. RouteBoxer — pendekatan yang ada — berjalan dengan kompleksitas O(n³) sehingga lambat untuk rute panjang. Studi ini mengusulkan RouteSegmentation: menghasilkan poligon perimeter (gabungan persegi panjang dan setengah lingkaran) di sepanjang setiap segmen rute, lalu menggabungkannya melalui operasi union poligon, dengan kompleksitas O(n).
Melanjutkan algoritma RouteSegmentation, studi ini menambahkan lapisan deteksi Point of Interest (POI): setelah area perimeter di sepanjang rute terbentuk, POI yang berada di dalam area tersebut dideteksi menggunakan pengujian titik-dalam-poligon (ray-casting), sehingga aplikasi navigasi dapat menyarankan tempat relevan (restoran, SPBU, dll.) di sepanjang perjalanan, bukan hanya di sekitar tujuan akhir.
Rekomendasi rute transportasi publik berbasis jarak terpendek (Dijkstra klasik) tidak mencerminkan kondisi lalu lintas nyata. Studi ini mengusulkan Dijkstra berbasis waktu, yang memasukkan variabel kecepatan lalu lintas ke dalam perhitungan bobot graf, lalu membandingkannya dengan Dijkstra berbasis jarak pada simulasi peta transportasi publik Kota Malang.
RouteSegmentation belum diuji untuk perjalanan antarkota dengan titik rute yang jauh lebih banyak (hingga 2000 titik), di mana biaya pemrosesan meningkat tajam. Studi ini menerapkan penyederhanaan garis Douglas-Peucker (ambang batas 50 meter) sebelum RouteSegmentation dijalankan, untuk memangkas jumlah titik tanpa mengorbankan bentuk rute secara visual.
Penyetelan hyperparameter untuk model prediksi cacat perangkat lunak (SDP) dengan grid search atau random search cenderung tidak efisien. Studi ini menerapkan Bayesian Optimization pada model SVM, Random Forest, Gradient Boosting, dan Ensemble, lalu mengukur dampaknya terhadap akurasi dan waktu komputasi pada empat dataset publik NASA PROMISE.
Studi ini mengusulkan model ensemble RGC (gabungan Random Forest, Gradient Boosting, dan CNN) untuk prediksi cacat perangkat lunak, dibandingkan dengan model tunggal seperti RF, GB, SVM, CNN, LSTM, XGBoost, AdaBoost, dan KNN pada lima dataset publik NASA PROMISE.
Dataset gambar medis berukuran besar (ISIC 2016, lesi kulit) memperlambat pelatihan model machine learning dan deep learning. Studi ini membandingkan dampak kompresi Huffman Encoding versus Discrete Cosine Transform (DCT) terhadap waktu prapemrosesan, waktu klasifikasi, dan akurasi pada model CNN, SVM, Random Forest, Logistic Regression, Gradient Boosting, dan Ensemble.
Studi ini membandingkan performa empat format gambar lossy — HEIC, JPG, WebP, dan AVIF — saat dikombinasikan dengan Huffman Encoding pada berbagai resolusi, mengevaluasi kualitas gambar (PSNR, SSIM, MSE), waktu pemrosesan, dan rasio kompresi untuk menentukan format paling sesuai di berbagai skenario penggunaan.
Studi ini meneliti pengaruh gamifikasi serta tiga level abstraksi kognitif — nilai hedonis, nilai sosial, dan nilai utilitarian — terhadap niat pembelian ulang (repurchase intention) pada aplikasi e-wallet DANA, dan menguji apakah gamifikasi memoderasi ketiga nilai tersebut, pada 205 mahasiswa S1/S2 sebuah universitas negeri di Malang.
Menggunakan kerangka Uses and Gratification Theory (UGT), studi ini meneliti bagaimana gratifikasi utilitarian (kemudahan penggunaan, presentasi diri) dan gratifikasi hedonis (kesenangan, mengisi waktu luang) dari fitur gamifikasi memengaruhi kepuasan pengguna dan niat penggunaan berkelanjutan aplikasi e-wallet DANA, pada 131 mahasiswa S1/S2 sebuah universitas negeri di Malang.