Ni Putu Novita Puspa Dewi
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Ni Putu Novita Puspa Dewi has a total of 8 co-authors. Here are the top co-authors by number of shared publications:
- Gede Andra Rizqy Wijaya
Universitas Pendidikan Ganesha
1 shared publication I Putu Budhi Darma Purwanta
1 shared publication- Kadek Yota Ernanda Aryanto
Universitas Pendidikan Ganesha
1 shared publication - Khabib Mustofa
Department of Computer Science and Electronics, Universitas Gadjah Mada, Yogyakarta, Indonesia
1 shared publication - Mardhani Riasetiawan
Universitas Gadjah Mada
1 shared publication Ni Ketut Kertiasih
Prodi Teknologi Rekayasa Perangkat Lunak, Universitas Pendidikan Ganesha
1 shared publication
Latest Publications
- Open Access
- 30 November 2025
- Published by Yayasan Literasi Sains Indonesia in STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer
- Vol. 4 (4) , 393-400
ANALISIS KOMPARATIF U-NET ATTENTION DAN RESNET-50 UNTUK SEGMENTASI SEMANTIK SUNGAI PADA CITRA PENGINDERAAN JAUH
Pemantauan potensi banjir sungai merupakan langkah penting dalam mitigasi risiko bencana dan perencanaan tata ruang wilayah. Dengan perkembangan zaman dan meningkatnya ketersediaan data citra satelit dengan resolusi tinggi yang mengikutinya, pemantauan potensi banjir bisa dilakukan dengan metode yang terkini, seperti dengan menggunakan metode deep learning, terutama pada semantic segmentation. Dengan menggunakan model semantic segmentation yang berbasiskan deep learning, pemantauan sungai dalam langkah mitigasi risiko bencana alam bisa dilakukan dengan lebih fleksibel. Dengan menggunakan arsitektur ResNet-50 dan U-Net Attention, didapatkan akurasi yang tinggi, dimana masing-masing arsitektur mencapai tingkat akurasi hingga lebih dari 90%. Model dilatih menggunakan data sungai yang sudah dilakukan masking pada bagian sungainya saja, tidak menghiraukan wilayah lainya seperti genangan air besar lain yang berada diluar area sungai. Dalam penelitian ini juga dapat disimpulkan bahwa arsitektur U-Net Attention memiliki akurasi dan juga ketepatan yang lebih baik dibandingkan dengan arsitektur ResNet-50. Implementasi hasil dari penelitian ini diharapkan dapat mendukung pengembangan sistem pemantauan banjir berbasis teknologi, sehingga bisa meningkatkan kesiapsiagaan dan efisiensi dalam mitigasi bencana alam.
- 30 November 2025
- Published by Yayasan Literasi Sains Indonesia in STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer
- Vol. 4 (4) , 393-400
Open AccessANALISIS KOMPARATIF U-NET ATTENTION DAN RESNET-50 UNTUK SEGMENTASI SEMANTIK SUNGAI PADA CITRA PENGINDERAAN JAUH
Pemantauan potensi banjir sungai merupakan langkah penting dalam mitigasi risiko bencana dan perencanaan tata ruang wilayah. Dengan perkembangan zaman dan meningkatnya ketersediaan data citra satelit dengan resolusi tinggi yang mengikutinya, pemantauan potensi banjir bisa dilakukan dengan metode yang terkini, seperti dengan menggunakan metode deep learning, terutama pada semantic segmentation. Dengan menggunakan model semantic segmentation yang berbasiskan deep learning, pemantauan sungai dalam langkah mitigasi risiko bencana alam bisa dilakukan dengan lebih fleksibel. Dengan menggunakan arsitektur ResNet-50 dan U-Net Attention, didapatkan akurasi yang tinggi, dimana masing-masing arsitektur mencapai tingkat akurasi hingga lebih dari 90%. Model dilatih menggunakan data sungai yang sudah dilakukan masking pada bagian sungainya saja, tidak menghiraukan wilayah lainya seperti genangan air besar lain yang berada diluar area sungai. Dalam penelitian ini juga dapat disimpulkan bahwa arsitektur U-Net Attention memiliki akurasi dan juga ketepatan yang lebih baik dibandingkan dengan arsitektur ResNet-50. Implementasi hasil dari penelitian ini diharapkan dapat mendukung pengembangan sistem pemantauan banjir berbasis teknologi, sehingga bisa meningkatkan kesiapsiagaan dan efisiensi dalam mitigasi bencana alam.
- Open Access
- 31 March 2025
- Published by Universitas Pendidikan Ganesha in Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI)
- Vol. 14 (1) , 183-199
Enhancing Diesel Backup Power Forecasting With LSTM, GRU, and Autoencoder-based Input Encoding
Ensuring a reliable electricity supply is crucial for Indonesia's development. This study applies deep learning to forecast diesel backup power output. One challenge in such predictions is balancing the input sequence length and the number of features to avoid overly long input sequences, which may degrade model performance. To address this, we utilized an autoencoder to compress the input sequence, improving prediction accuracy. Additionally, given the time-consuming nature of hyper-parameter optimization in deep learning, we employed Bayesian optimization to streamline the process and achieve optimal hyper-parameter settings.The study compares a General Regression Neural Network (GRNN) optimized by FOA with Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) models optimized by Gaussian Process (GP). Results show that LSTM and GRU with encoded inputs outperform their non-encoded counterparts. The GRU, combined with an autoencoder and Bayesian-optimized hyper-parameters, achieves the lowest prediction error, demonstrating superior forecasting capability.The dataset, obtained from evaluated feeders in Kapuas District, Central Kalimantan, covers hourly power generation and distribution from October 2017 to September 2018. Data was split into 11 months for training and 1 month for testing, with the training set further divided into 70% training and 30% validation. The best performing model achieved RMSE and MAE values of 27.5824 and 14.9804, respectively. Future research may explore further optimization, feature selection techniques, and extended dataset variations.
- 31 March 2025
- Published by Universitas Pendidikan Ganesha in Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI)
- Vol. 14 (1) , 183-199
Open AccessEnhancing Diesel Backup Power Forecasting With LSTM, GRU, and Autoencoder-based Input Encoding
Ensuring a reliable electricity supply is crucial for Indonesia's development. This study applies deep learning to forecast diesel backup power output. One challenge in such predictions is balancing the input sequence length and the number of features to avoid overly long input sequences, which may degrade model performance. To address this, we utilized an autoencoder to compress the input sequence, improving prediction accuracy. Additionally, given the time-consuming nature of hyper-parameter optimization in deep learning, we employed Bayesian optimization to streamline the process and achieve optimal hyper-parameter settings.The study compares a General Regression Neural Network (GRNN) optimized by FOA with Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) models optimized by Gaussian Process (GP). Results show that LSTM and GRU with encoded inputs outperform their non-encoded counterparts. The GRU, combined with an autoencoder and Bayesian-optimized hyper-parameters, achieves the lowest prediction error, demonstrating superior forecasting capability.The dataset, obtained from evaluated feeders in Kapuas District, Central Kalimantan, covers hourly power generation and distribution from October 2017 to September 2018. Data was split into 11 months for training and 1 month for testing, with the training set further divided into 70% training and 30% validation. The best performing model achieved RMSE and MAE values of 27.5824 and 14.9804, respectively. Future research may explore further optimization, feature selection techniques, and extended dataset variations.
- Open Access
- 27 December 2022
- Published by Universitas Pendidikan Ganesha in Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI)
- Vol. 11 (3) , 192-204
Modifikasi Fruit Fly Optimiziation Algorithm untuk Optimasi General Regression Neural Network pada Kasus Prediksi Time-Series
FOA merupakan algoritma optimasi swarm intelligence yang dikenal unggul dan cenderung sederhana untuk diimplementasikan, namun algoritma ini diketahui sulit untuk memecahkan masalah optimasi nonlinier berdimensi tinggi dan mudah jatuh ke dalam optimum lokal. Untuk mengatasi kekurangan ini, immune algorithm digunakan untuk menyeimbangkan kekurangan FOA guna meningkatkan efisiensi pencarian. Penelitian ini bertujuan untuk menggabungkan algoritma optimasi FOA dengan immune algorithm untuk digunakan mengoptimasikan model prediksi GRNN. Model hybrid dari GRNN dan FOA modifikasi (IAFOA) akan diuji-coba terhadap beberapa dataset time-series di berbagai domain. Performanya dibandingkan dengan model FOA basic untuk melihat dampak jelas dari proses modifikasi tersebut terhadap performa model GRNN dalam melakukan prediksi. Hasil pengujian menunjukkan bahwa eror prediksi RMSE dan MAE dari IAFOA A pada 4 kasus training dan testing dan 1 kasus lebih unggul pada proses training. Berdasarkan pengujian yang dilakukan kepada 3 dataset (6 kasus), IAFOA menghasilkan rata-rata eror prediksi lebih kecil yaitu RMSE sebesar 35348.63 dan MAE 26699.02 dibandingkan FOA dengan rata-rata eror prediksi secara berturut-turut 35792.59 dan 26967.12.
- 27 December 2022
- Published by Universitas Pendidikan Ganesha in Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI)
- Vol. 11 (3) , 192-204
Open AccessModifikasi Fruit Fly Optimiziation Algorithm untuk Optimasi General Regression Neural Network pada Kasus Prediksi Time-Series
FOA merupakan algoritma optimasi swarm intelligence yang dikenal unggul dan cenderung sederhana untuk diimplementasikan, namun algoritma ini diketahui sulit untuk memecahkan masalah optimasi nonlinier berdimensi tinggi dan mudah jatuh ke dalam optimum lokal. Untuk mengatasi kekurangan ini, immune algorithm digunakan untuk menyeimbangkan kekurangan FOA guna meningkatkan efisiensi pencarian. Penelitian ini bertujuan untuk menggabungkan algoritma optimasi FOA dengan immune algorithm untuk digunakan mengoptimasikan model prediksi GRNN. Model hybrid dari GRNN dan FOA modifikasi (IAFOA) akan diuji-coba terhadap beberapa dataset time-series di berbagai domain. Performanya dibandingkan dengan model FOA basic untuk melihat dampak jelas dari proses modifikasi tersebut terhadap performa model GRNN dalam melakukan prediksi. Hasil pengujian menunjukkan bahwa eror prediksi RMSE dan MAE dari IAFOA A pada 4 kasus training dan testing dan 1 kasus lebih unggul pada proses training. Berdasarkan pengujian yang dilakukan kepada 3 dataset (6 kasus), IAFOA menghasilkan rata-rata eror prediksi lebih kecil yaitu RMSE sebesar 35348.63 dan MAE 26699.02 dibandingkan FOA dengan rata-rata eror prediksi secara berturut-turut 35792.59 dan 26967.12.
- 21 December 2021
- Published by Atlantis Press SARL
- p. 248-251
Big Data for Indonesian Marine Fisheries