Article Per Year (5 Year)
p-Index From 2021 - 2026
1.048
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi MURA Jurnal Teknologi Informasi Mura
Rizka Permata
Politeknik Negeri Lampung
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Other

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
EVALUASI KINERJA KNN DAN NAÏVE BAYES UNTUK ANALISIS SENTIMEN KOMENTAR INSTAGRAM PEJABAT PUBLIK BERBASIS TF-IDF Rizka Permata; Sylvia Sylvia; Atika Arpan
Jurnal Teknologi Informasi Mura (JTI) Vol. 17 No. 2 (2025): Jurnal Teknologi Informasi Mura DESEMBER
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jti.v17i2.2861

Abstract

Penelitian ini bertujuan mengevaluasi kinerja algoritma K-Nearest Neighbors (KNN) dan Naïve Bayes untuk klasifikasi sentimen komentar publik pada akun Instagram pejabat publik di Indonesia. Sebanyak 137.141 komentar dikumpulkan melalui web scraping dan diproses menggunakan tahapan text preprocessing, meliputi case folding, pembersihan teks, tokenization, stopword removal, normalisasi, dan stemming. Representasi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Evaluasi performa meliputi accuracy, precision, recall, F1-score, dan waktu komputasi. Hasil menunjukkan bahwa Naïve Bayes memiliki akurasi tertinggi sebesar 0,9230, sedikit lebih baik dibandingkan KNN sebesar 0,9209. Kedua model menunjukkan performa sangat tinggi pada kelas netral, namun rendah pada kelas positif dan negatif akibat ketidakseimbangan kelas. Temuan ini menegaskan bahwa kombinasi TF-IDF dan Naïve Bayes masih menjadi baseline yang efektif untuk analisis sentimen berskala besar pada teks pendek media sosial.
EVALUASI KINERJA ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISIS SENTIMEN KOMENTAR PUBLIK TERHADAP PEMERINTAHAN PRESIDEN PRABOWO Atika Arpan; Sylvia Sylvia; Rizka Permata
Jurnal Teknologi Informasi Mura (JTI) Vol. 18 No. 1 (2026): Jurnal Teknologi Informasi Mura
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jti.v18i1.2864

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen komentar publik terhadap pemerintahan Presiden Prabowo menggunakan algoritma Support Vector Machine (SVM). Data komentar diambil dari platform media sosial dan melalui tahapan preprocessing seperti case folding, tokenization, stopword removal, stemming, dan ekstraksi fitur menggunakan TF-IDF. Model SVM diterapkan untuk mengklasifikasikan komentar ke dalam kategori positif, negatif, dan netral. Berdasarkan hasil evaluasi, algoritma SVM menunjukkan tingkat akurasi sebesar 92%, yang menandakan efektivitasnya dalam mengidentifikasi sentimen publik. Penelitian ini diharapkan dapat berkontribusi pada pengembangan metode analisis sentimen serta meningkatkan pemahaman terhadap persepsi masyarakat mengenai kinerja pemerintahan.
EVALUASI KINERJA KNN DAN NAÏVE BAYES UNTUK ANALISIS SENTIMEN KOMENTAR INSTAGRAM PEJABAT PUBLIK BERBASIS TF-IDF Rizka Permata; Sylvia Sylvia; Atika Arpan
Jurnal Teknologi Informasi Mura (JTI) Vol. 17 No. 2 (2025): Jurnal Teknologi Informasi Mura DESEMBER
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jti.v17i2.2861

Abstract

Penelitian ini bertujuan mengevaluasi kinerja algoritma K-Nearest Neighbors (KNN) dan Naïve Bayes untuk klasifikasi sentimen komentar publik pada akun Instagram pejabat publik di Indonesia. Sebanyak 137.141 komentar dikumpulkan melalui web scraping dan diproses menggunakan tahapan text preprocessing, meliputi case folding, pembersihan teks, tokenization, stopword removal, normalisasi, dan stemming. Representasi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Evaluasi performa meliputi accuracy, precision, recall, F1-score, dan waktu komputasi. Hasil menunjukkan bahwa Naïve Bayes memiliki akurasi tertinggi sebesar 0,9230, sedikit lebih baik dibandingkan KNN sebesar 0,9209. Kedua model menunjukkan performa sangat tinggi pada kelas netral, namun rendah pada kelas positif dan negatif akibat ketidakseimbangan kelas. Temuan ini menegaskan bahwa kombinasi TF-IDF dan Naïve Bayes masih menjadi baseline yang efektif untuk analisis sentimen berskala besar pada teks pendek media sosial.
EVALUASI KINERJA ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISIS SENTIMEN KOMENTAR PUBLIK TERHADAP PEMERINTAHAN PRESIDEN PRABOWO Atika Arpan; Sylvia Sylvia; Rizka Permata
Jurnal Teknologi Informasi Mura (JTI) Vol. 18 No. 1 (2026): Jurnal Teknologi Informasi Mura MARET
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jti.v18i1.2864

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen komentar publik terhadap pemerintahan Presiden Prabowo menggunakan algoritma Support Vector Machine (SVM). Data komentar diambil dari platform media sosial dan melalui tahapan preprocessing seperti case folding, tokenization, stopword removal, stemming, dan ekstraksi fitur menggunakan TF-IDF. Model SVM diterapkan untuk mengklasifikasikan komentar ke dalam kategori positif, negatif, dan netral. Berdasarkan hasil evaluasi, algoritma SVM menunjukkan tingkat akurasi sebesar 92%, yang menandakan efektivitasnya dalam mengidentifikasi sentimen publik. Penelitian ini diharapkan dapat berkontribusi pada pengembangan metode analisis sentimen serta meningkatkan pemahaman terhadap persepsi masyarakat mengenai kinerja pemerintahan.
SMART GREENHOUSE ADAPTIF BERBASIS IOT DAN CONTAINER SYSTEM UNTUK OPTIMASI MIKROKLIMAT PEMBIBITAN CABAI KERITING Jaka Fitra; Halim Fathoni; Atika Arpan; Rizka Permata; Mezan El-Khaeri Kesuma; Muhamad Cahyo Rifki Dwi Putra
Jurnal Teknologi Informasi Mura (JTI) Vol. 18 No. 1 (2026): Jurnal Teknologi Informasi Mura MARET
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jti.v18i1.2995

Abstract

Pembibitan cabai keriting merupakan fase krusial yang memerlukan kondisi mikroklimat yang stabil agar bibit dapat tumbuh dengan vigor optimal. Pada praktik lapangan, fluktuasi suhu dan kelembapan, serta ketidakteraturan penyiraman sering menyebabkan penurunan vigor, pertumbuhan tidak seragam, dan potensi peningkatan mortalitas bibit. Penelitian ini mengembangkan Smart Greenhouse adaptif berbasis Internet of Things (IoT) dan container system sebagai solusi untuk mengendalikan mikroklimat secara otomatis, real-time, dan terukur. Sistem dirancang menggunakan mikrokontroler ESP32-S3 dengan sensor BMP280 untuk pengukuran suhu, kelembapan, dan tekanan udara. Fogging, ventilasi otomatis, dan kontrol irigasi digunakan sebagai aktuator adaptif. Seluruh data lingkungan dikirimkan ke Firebase Realtime Database dan divisualisasikan melalui Blynk IoT, sementara arsitektur perangkat lunak berbasis Docker diimplementasikan untuk meningkatkan modularitas, skalabilitas, dan stabilitas sistem. Hasil pengujian menunjukkan bahwa sistem mampu mempertahankan suhu rata-rata 27,1°C dan kelembapan 74,3% dengan tingkat error pembacaan sensor hanya 0,73%. Aktuator merespons perubahan lingkungan dalam 3–6 detik dan mampu mengembalikan kondisi ke rentang optimal dalam waktu singkat. Kinerja container system menunjukkan mampu memproses lebih dari 1.200 permintaan per jam tanpa peningkatan latency signifikan. Secara keseluruhan, sistem terbukti efektif dalam meningkatkan presisi pengendalian mikroklimat, efisiensi penggunaan air, serta akurasi pemantauan lingkungan pada fase pembibitan cabai keriting. Penelitian ini memberikan dasar bagi pengembangan lanjutan menuju pertanian presisi berbasis automasi dan kecerdasan buatan.
Co-Authors Arpan, Atika Atika Arpan Fitra, Jaka Halim Fathoni Mezan El-Khaeri Kesuma Muhamad Cahyo Rifki Dwi Putra Sylvia Sylvia Sylvia Sylvia