DPDivi Galih Prasetyo Putri

Divi Galih Prasetyo Putri

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Divi Galih Prasetyo Putri has a total of 22 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Reading between modalities: multimodal hate speech detection in low-resource Indonesian social media

    by Endang Wahyu Pamungkas, Arida Ferti Syafiandini, Dian Purworini, Widi Widayat, Divi Galih Prasetyo Putri, Ikhlasul Amal, Min Song


  • Open Access

    Enhancing Hate Speech Detection in Low-Resource Code-Mixed Indonesian Tweets via GPT-Based Data Augmentation

    by Endang Wahyu Pamungkas, Dian Purworini, Widi Widayat, Divi Galih Prasetyo Putri, Ikhlasul Amal

    Automatic hate speech detection in low-resource, code-mixed languages, such as Indonesian social media environments, presents significant challenges due to the scarcity of annotated data and the linguistic variability introduced by code-mixing. However, due to the growing prevalence of hate speech on social media, there is a need for robust hate speech detection systems. This study investigates the effectiveness of data augmentation strategies, specifically Generative Pretrained Transformer (GPT)-based paraphrasing and aggressive text transformation, in enhancing the performance of hate speech detection models for Indonesian code-mixed tweets. To achieve that, we employed traditional machine learning models, Recurrent Neural Network (RNN)-based models, and transformer-based models to assess the impact of these augmentation strategies. Our findings reveal that GPT-generated data improve model performance, with transformer-based models, including Indonesian Bidirectional Encoder Representations from Transformers (IndoBERT) and the Cross-lingual Language Model Robustly Optimized BERT Pretraining approach (XLM-RoBERTa).


  • Open Access

    Studi Komparasi Teknik Pengujian End-to-End pada E-payment: Studi Kasus Travelink (Sistem Web E-ticketing)

    by Azza Ulil Afidah, Divi Galih Prasetyo Putri

    Teknologi finansial menjadi agenda penting dalam industri jasa layanan keuangan dan perekonomian di masa depan. Salah satu inovasi teknologi di bidang perbankan, keuangan dan perdagangan adalah electronic payment atau biasa disebut epayment. Sistem e-payment sangat berpengaruh dalam proses transaksi pembelian tiket pada web, sehingga perlu untuk memastikan keberhasilan transaksi dalam suatu perangkat lunak melalui pengujian end-to-end. Berkaitan dengan masa pengembangan sistem, perusahaan pengembang perangkat lunak saat ini menginginkan proses pengujian yang cepat dan efektif, oleh karena itu metode eksekusi pengujian yang tepat diperlukan untuk pengujian end-to-end pada sistem. Penelitian ini menggunakan studi kasus sistem e-payment Travelink. Keunikan dari sistem ini adalah adanya metode pembayaran yang memerlukan metode pengujian khusus. Penelitian ini dilakukan dengan perbandingan antara ketiga metode pengujian, di antaranya pengujian secara manual, otomatis, dan hybrid (gabungan manual dan otomatis). Komparasi ketiga metode pengujian dilakukan dengan menggunakan matriks pengujian requirement coverage dan waktu eksekusi pengujian. Hasil perbandingan dengan kedua matriks pengujian menunjukkan bahwa metode pengujian otomatis mencakup 100% requirement dan yang paling cepat digunakan untuk pengujian end-to-end epayment Credit Card dan Virtual Account. Metode pengujian hybrid memberikan cakupan pengujian 100% dan paling cepat digunakan pada pengujian end-to-end e-payment QRIS. Hal ini diharapkan dapat menjadi referensi untuk menentukan metode pengujian yang akan digunakan pada sistem e-payment.

  • Open Access

    Pengembangan Sistem Informasi DataRawat Berbasis Web

    by Shafira Putri Ananda, Muhammad Fakhrurrifqi, Divi Galih Prasetyo Putri, Risti Wijayanti

    Rekam medis adalah catatan kesehatan pasien berdasarkan hasil pemeriksaan, pengobatan, tindakan, dan layanan yang telah diberikan kepada pasien. Beberapa instansi medis telah menggunakan sistem rekam medis elektronik atau Electronic Medical Record (EMR). Namun data rekam medis tersebut hanya dapat diakses secara lokal di tempat fasilitas kesehatan tempat ia berobat sebelumnya. Hal ini mengakibatkan keterbatasan hak akses pasien terhadap rekam medisnya jika ingin berobat ke tempat faskes lain. Berdasarkan permasalahan tersebut, maka dikembangkannya Sistem Informasi DataRawat ini agar pasien dapat mengelola dan membagikan data rekam medisnya kepada pihak yang dikehendaki. Dengan adanya informasi riwayat rekam medis pasien ini akan memudahkan tenaga medis dalam pencarian data informasi rekam medis pasien, mencatat riwayat medis dan mendiagnosa kesehatan pasien dengan cara yang lebih efisien. Sistem informasi ini dikembangkan menggunakan metode Incremental, framework Laravel, bahasa pemrograman PHP dan Javascript, dan PostgreSQL sebagai database. Hasil penelitian ini menunjukkan bahwa Pengembangan Sistem Informasi DataRawat ini dapat mengelola data seperti data rekam medis, data pasien, data rumah sakit, dan membagikan data menggunakan akses link rekam medis. Seluruh fitur yang ada pada analisis kebutuhan dapat terpenuhi dengan baik. Pada pengujian terhadap pengguna hasil menunjukkan skala berkisar 42-48 atau persentase sebesar 84%-96%. Hal ini dapat disimpulkan bahwa sistem masuk ke dalam kategori sangat layak untuk digunakan.

  • Open Access

    Customer Shopping Behavior Analysis Using RFID and Machine Learning Models

    by Ganjar Alfian, Muhammad Qois Huzyan Octava, Farhan Mufti Hilmy, Rachma Aurya Nurhaliza, Yuris Mulya Saputra, Divi Galih Prasetyo Putri, Firma Syahrian, Norma Latif Fitriyani, Fransiskus Tatas Dwi Atmaji, Umar Farooq, et al.

    Analyzing customer shopping habits in physical stores is crucial for enhancing the retailer–customer relationship and increasing business revenue. However, it can be challenging to gather data on customer browsing activities in physical stores as compared to online stores. This study suggests using RFID technology on store shelves and machine learning models to analyze customer browsing activity in retail stores. The study uses RFID tags to track product movement and collects data on customer behavior using receive signal strength (RSS) of the tags. The time-domain features were then extracted from RSS data and machine learning models were utilized to classify different customer shopping activities. We proposed integration of iForest Outlier Detection, ADASYN data balancing and Multilayer Perceptron (MLP). The results indicate that the proposed model performed better than other supervised learning models, with improvements of up to 97.778% in accuracy, 98.008% in precision, 98.333% in specificity, 98.333% in recall, and 97.750% in the f1-score. Finally, we showcased the integration of this trained model into a web-based application. This result can assist managers in understanding customer preferences and aid in product placement, promotions, and customer recommendations.