Article Per Year (5 Year)
p-Index From 2021 - 2026
0.702
P-Index
This Author published in this journals
All Journal JOURNAL OF SCIENCE AND SOCIAL RESEARCH Djtechno: Jurnal Teknologi Informasi Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Toni Prabowo
Universitas Pembangunan Panca Budi
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Social Sciences

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Analisis Sentimen Masyarakat terhadap Isu Korupsi Dana Bencana di Indonesia Menggunakan Metode Bidirectional Long Short-Term Memory (Bi-LSTM) Toni Prabowo; Muhammad Irfan Sarif; Aradi Sebayang; Tengku Didi Ferdillah; Muhammad Azuan
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.756

Abstract

Corruption of disaster relief funds and social assistance is a critical issue that undermines social justice and public trust in government integrity in Indonesia. This phenomenon has triggered a massive wave of opinions on social media, necessitating deep computational analysis to objectively understand public perception dynamics. This study aims to implement and evaluate the performance of a Deep Learning algorithm, specifically Bidirectional Long Short-Term Memory (Bi-LSTM), in classifying public sentiment related to the issue of disaster fund corruption. The dataset comprises 1,358 textual data points categorized into negative, neutral, and positive sentiments, with a significant dominance of the negative class (926 entries). The proposed model architecture integrates a 300-dimensional embedding layer, a Bi-LSTM layer to capture bidirectional context, and a combination of Global Max Pooling and Global Average Pooling for optimal feature extraction. The experimental results demonstrate that the model achieved an accuracy of 0.75, with a Weighted F1-score of 0.76 and a Macro F1-score of 0.65. Confusion Matrix analysis reveals that the model is highly effective in identifying negative sentiments but faces challenges in distinguishing minority classes due to data imbalance and linguistic ambiguities such as sarcasm. These findings provide deep insights for policymakers regarding public sentiment and demonstrate both the potential and limitations of the Bi-LSTM method in processing informal and sarcastic Indonesian text within the context of political and corruption discourse. Keywords: Sentiment Analysis, Bi-LSTM, Disaster Fund Corruption, Deep Learning, Natural Language Processing
Analisis Kinerja Deep Learning Berbasis Convolutional Neural Network (CNN) untuk deteksi Dini SQl Injection Studi Kasus: Datacenter Diskominfo Binjai Khairul; Muhammad Azuan; Toni Prabowo; Aradi Sebayang; Tengku Didi Ferdillah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.964

Abstract

Serangan SQL Injection (SQLi) merupakan ancaman kritis bagi keamanan layanan publik berbasis web di lingkungan pemerintahan. Metode deteksi tradisional sering kali mengalami keterbatasan dalam menangani payload yang disamarkan (obfuscated) dan memerlukan rekayasa fitur manual yang kompleks. Penelitian ini bertujuan untuk menganalisis kinerja arsitektur Deep Learning berbasis 1D-Convolutional Neural Network (1D-CNN) untuk deteksi dini serangan SQLi, dengan studi kasus pada Datacenter Diskominfo Kota Binjai. Metodologi penelitian mencakup pemrosesan dataset sebanyak 19.078 baris log akses server web riil yang dibagi menggunakan metode Hold-out Validation dengan proporsi 80% data latih dan 20% data uji. Arsitektur 1D-CNN dirancang untuk melakukan pemrosesan teks sekuensial guna mengekstrak fitur leksikal lokal secara otomatis langsung dari log mentah. Hasil evaluasi menunjukkan performa klasifikasi yang sangat superior dengan tingkat Akurasi 100%, Presisi 99%, dan Recall 97% pada identifikasi serangan. Penelitian ini menyimpulkan bahwa model 1D-CNN sangat handal dan efisien untuk diimplementasikan sebagai sistem peringatan dini (early warning system) tanpa mengganggu kinerja operasional layanan publik di lingkungan Pemerintah Kota Binjai.
OPTIMASI PENINGKATAN AKURASI KLASIFIKASI STUNTING MENGGUNAKAN ALGORITHM SUPPORT VECTOR MACHINE I Gusti Prahmana; Kristina Annatasia Br Sitepu; Adek Maulidya; Toni Prabowo
Djtechno: Jurnal Teknologi Informasi Vol 7, No 2 (2026): Agustus
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/djtechno.v7i2.9391

Abstract

Stunting merupakan tantangan kesehatan masyarakat yang berdampak signifikan pada perkembangan fisik dan kognitif anak di masa depan. Penelitian ini bertujuan untuk mengoptimalkan akurasi klasifikasi status gizi balita menggunakan algoritma Support Vector Machine (SVM). Dataset yang digunakan terdiri dari 161 data sekunder dari Dinas Pengendalian Penduduk dan Keluarga Berencana (PPKB) Kota Binjai, mencakup atribut umur, tinggi badan, dan berat badan. Metodologi penelitian meliputi tahap praproses, seleksi fitur, serta optimasi model melalui penyetelan parameter kernel, nilai cost (C), dan gamma. Evaluasi kinerja dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model SVM yang dioptimasi berhasil mencapai tingkat akurasi sebesar 84,85%. Model ini menunjukkan performa yang sangat kuat dalam mengidentifikasi status gizi normal, meskipun masih terdapat kendala dalam mengklasifikasikan kategori kurus akibat ketidakseimbangan data. Secara keseluruhan, algoritma SVM terbukti efektif dalam memetakan risiko stunting secara dini. Temuan ini diharapkan dapat menjadi instrumen pendukung bagi otoritas kesehatan dalam merancang program intervensi yang lebih presisi dan tepat sasaran bagi masyarakat.
ANALISIS KOMPARASI K-MEANS DAN K-MEDOIDS DALAM PEMETAAN WILAYAH PRIORITAS DISTRIBUSI BBM BERSUBSIDI SUMATERA UTARA Ade Iskandar; Aradi Sebayang; Tengku Didi Ferdillah; Toni Prabowo; Muhammad Fuad Hafiz; Muhammad Zainal Arifin Pohan; Muhammad Syahputra Novelan
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol. 9 No. 3 (2026): June 2026
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i3.6220

Abstract

Abstract: The inequality in the distribution of subsidized fuel (BBM) is a strategic issue in North Sumatra Province, influenced by the volume of motorcycles, cars, buses, and trucks across 33 Regencies/Cities. This research aims to map priority distribution areas using clustering techniques by comparing the performance of the K-Means and K-Medoids algorithms. Real data on the number of vehicles from 2025, sourced from BPS North Sumatra Province, serves as the primary variable. Evaluation results using the Silhouette Score indicate that the K-Means algorithm demonstrates superior performance with a score of 0.63, compared to K-Medoids which only reached 0.09. K-Means successfully identified Medan City as an extreme outlier requiring independent distribution policies, whereas K-Medoids experienced overlap among smaller regional clusters. These findings provide empirical recommendations for policymakers to ensure that subsidized fuel quota allocations are more accurately targeted. Keywords: K-Means; K-Medoids; Subsidized Fuel; Clustering; North Sumatra.   Abstrak: Ketimpangan distribusi Bahan Bakar Minyak (BBM) bersubsidi merupakan isu strategis di Provinsi Sumatera Utara yang dipengaruhi oleh volume kendaraan motor, mobil, bus, dan truk di 33 Kabupaten/Kota. Penelitian ini bertujuan memetakan wilayah prioritas distribusi menggunakan teknik clustering dengan membandingkan performa algoritma K-Means dan K-Medoids. Data riil jumlah kendaraan tahun 2025 dari BPS Provinsi Sumatera Utara digunakan sebagai variabel utama. Hasil evaluasi menggunakan Silhouette Score menunjukkan bahwa algoritma K-Means memiliki performa lebih unggul dengan skor 0,63 dibandingkan K-Medoids yang hanya mencapai 0,09. K-Means berhasil mengidentifikasi Kota Medan sebagai extreme outlier yang memerlukan kebijakan distribusi mandiri, sementara K-Medoids mengalami tumpang tindih (overlap) pada klaster daerah kecil. Temuan ini memberikan rekomendasi empiris bagi pengambil kebijakan agar alokasi kuota BBM subsidi lebih tepat sasaran. Kata kunci: K-Means; K-Medoids; BBM Bersubsidi; Clustering; Sumatera Utara.
Co-Authors Ade Iskandar Adek Maulidya Aradi Sebayang Aradi Sebayang I Gusti Prahmana Khairul Kristina Annatasia Br Sitepu Muhammad Azuan Muhammad Fuad Hafiz Muhammad Irfan Sarif Muhammad Syahputra Novelan Muhammad Zainal Arifin Pohan Tengku Didi Ferdillah Tengku Didi Ferdillah