Garuda - Garba Rujukan Digital

Perbandingan Algoritma Machine Learning untuk Klasifikasi Hoaks Berbahasa Indonesia pada Dataset Komdigi Haris Setyo Pratomo; Panny Agustia Rahayuningsih; Muhammad Rezki
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.v5i1.1255

The spread of Indonesian-language hoaxes continues to increase along with the development of digital platforms, making it necessary to develop an automatic classification system capable of accurately and efficiently categorizing types of hoaxes. This study compares the performance of five machine learning algorithms, namely Support Vector Machine (SVM), Random Forest, Logistic Regression, Decision Tree, and Naive Bayes, in classifying Indonesian hoax categories using the Komdigi dataset consisting of 16,308 articles across six categories. Feature representation was performed using TF-IDF with n-gram combination (1,2) enriched with text statistical features, while the extreme class imbalance was handled using SMOTE applied internally within the Stratified K-Fold Cross-Validation pipeline to prevent data leakage. Evaluation results show that SVM (LinearSVC) achieved the highest accuracy of 95.9% and cross-validation score of 0.960, while Logistic Regression outperformed others in AUC Macro at 0.952 and macro F1-Score of 0.460, reflecting the best ability to recognize all categories in a balanced manner. Decision Tree showed the lowest performance with an AUC Macro of 0.635. These findings confirm that the selection of the best algorithm depends on the priority of evaluation metrics used according to the needs. This study contributes a recommendation of effective algorithms for Indonesian hoax classification and a valid, data leakage-free methodological framework.

Perbandingan Sentimen Ulasan Pengguna Aplikasi Brainly dan Ruangguru Menggunakan Naïve bayes, KNN, Decision Tree Adrianus Windi; Panny Agustia Rahayuningsih; Muhammad Rezki
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.v5i1.1294

Sentiment analysis is an important way to understand user opinions about digital education apps, as the number of reviews on the Google Play Store is too large to be manually analyzed one by one. This study compares three machine learning methods, namely Naïve Bayes, K-Nearest Neighbor (KNN), and Decision Tree, to classify sentiments from user reviews of the Brainly and Ruang Guru apps. Data were collected by scraping 8,000 reviews from the Google Play Store, i.e., 4,000 reviews per app, from May to June 2026; after removing duplicate reviews, 6,151 reviews remained, consisting of 2,836 reviews for Brainly and 3,315 reviews for Ruang Guru. Sentiment labels were arranged based on the number of stars (1–3 means negative, 4–5 means positive), resulting in an unbalanced distribution of 79.8% positive and 20.2% negative. The text was processed through nine pre-processing stages specifically used for informal Indonesian. Features were then extracted using the TF-IDF method, resulting in 2,398 features and a viewing rate of 99.78%. The training data was quantity-equalized using the SMOTE technique, and the model was optimized with GridSearchCV using StratifiedKFold with 5 data splits. In the tuning and SMOTE scenarios, the Naïve Bayes method showed the best performance with an accuracy of 82.78%, an F1-Score of 83.79%, and an ROC-AUC of 88.44%, which was better than Decision Tree and KNN. Interestingly, the Naïve Bayes method without using SMOTE actually achieved the highest overall accuracy of 88.95%, indicating that using SMOTE on high-dimensional TF-IDF data does not always improve model performance. Differentiating keyword analysis helps to identify positive sentiments such as 'helpful', 'easy', and 'best', as well as negative sentiments such as 'trash', 'ads', and 'error', which can be used as a benchmark in providing service quality by the second application developer.

Perbandingan Metode Support Vektor Machine dan Random Forest untuk Analisis Sentimen Ulasan Adapundi dan Kreditpintar di Google Playstore Lupias; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1324

Layanan pinjaman online (pinjol) seperti AdaPundi dan KreditPintar menghasilkan ribuan ulasan pengguna di Google Play Store yang bersifat tidak terstruktur, sehingga sulit dianalisis secara manual untuk memahami persepsi publik. Penelitian ini bertujuan membandingkan performa algoritma Support Vector Machine (SVM) dan Random Forest dalam mengklasifikasikan sentimen ulasan kedua aplikasi tersebut, serta mengidentifikasi kata kunci yang membentuk sentimen positif dan negatif. Data dikumpulkan melalui scraping sebanyak 4.998 ulasan, dibersihkan menjadi 2.739 baris, dan diberi label sentimen berdasarkan rating (1–3 negatif, 4–5 positif), menghasilkan proporsi 69,19% positif dan 30,81% negatif. Pra-pemrosesan teks dilakukan melalui sepuluh tahap dengan modifikasi khusus berupa proteksi kata negasi, menghasilkan 2.695 data bersih yang selanjutnya diekstraksi menjadi fitur TF-IDF (matriks 2.695×1.204, sparsity 99,48%). Ketidakseimbangan kelas ditangani melalui class_weight='balanced' tanpa SMOTE. Hasil pengujian pada data uji menunjukkan SVM kernel RBF memperoleh akurasi 87,76%, F1-Score 0,8794, dan MCC 0,7276, mengungguli Random Forest yang memperoleh akurasi 86,64%, F1-Score 0,8670, dan MCC 0,6919, meskipun Random Forest mencatat ROC-AUC lebih tinggi (0,9216 berbanding 0,9077). Validasi 5-fold cross validation menguatkan temuan ini secara konsisten. Perbandingan kedua aplikasi menunjukkan AdaPundi memperoleh sentimen lebih positif (74,4%) dibandingkan KreditPintar (63,8%), dengan kata "tolak" menjadi penanda khas keluhan pada KreditPintar terkait penolakan pengajuan pinjaman.

Sistem Pemeringkatan Resume Berbasis LLM untuk Seleksi Kandidat PT Triputra Khatulistiwa Herman Firmansyah; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1329

Proses screening resume pada PT. Triputra Khatulistiwa, sebuah perusahaan jasa ekspedisi dan logistik di Kalimantan Barat dengan cakupan operasional di 14 kabupaten/kota, masih dilakukan secara sepenuhnya manual oleh tim HR yang terbatas. Rata-rata jumlah pelamar mencapai 20 orang per periode rekrutmen dengan waktu screening 3 hingga 7 hari kerja, sehingga rentan terhadap inkonsistensi penilaian antar evaluator dan bias subjektif. Penelitian ini bertujuan merancang dan membangun sistem pemeringkatan resume berbasis web bernama SmartLoker yang mengintegrasikan Large Language Model (LLM) untuk mengotomatisasi proses seleksi kandidat. Sistem dikembangkan menggunakan metode waterfall dengan pemodelan UML (use case, activity, entity relationship diagram, dan sequence diagram), dibangun menggunakan framework Nuxt 3 (Vue 3) dengan basis data MySQL melalui ORM Prisma. Integrasi LLM menggunakan model GPT-4o-mini melalui layanan Sumopod yang kompatibel dengan OpenAI, dengan pendekatan two-stage prompting, yaitu ekstraksi informasi resume dan penilaian berbobot terhadap kriteria kesesuaian skill, pengalaman, dan pendidikan. Sistem melibatkan empat peran pengguna (Super Admin, Admin, HR, dan Pelamar) serta dilengkapi fitur analisis jejak digital, perankingan kandidat berbasis AI, penjadwalan wawancara, dan notifikasi otomatis melalui email dan WhatsApp. Pengujian dengan metode black box terhadap 26 skenario pada seluruh modul menunjukkan seluruh fungsi berjalan valid, dengan waktu pemrosesan screening kurang dari 30 detik per resume. Hasil ini menunjukkan bahwa sistem mampu mempersingkat waktu seleksi, meningkatkan konsistensi penilaian, dan mengurangi bias subjektif dalam proses rekrutmen di PT. Triputra Khatulistiwa.

Analisis Sentimen Ulasan Pengguna Aplikasi Mobile Banking Bank Kalbar Menggunakan Algoritma Svm Random Forest dan Naive Bayes Theofilus BA; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1331

Perkembangan dalam layanan perbankan seluler telah meningkatkan jumlah ulasan pengguna di platform seperti Google Play Store, yang menyimpan data berharga terkait kepuasan dan keluhan dari nasabah. Penelitian ini memiliki tujuan untuk menganalisis sentimen dari ulasan pengguna aplikasi mobile banking Bank Kalbar dengan memanfaatkan tiga algoritma machine learning untuk klasifikasi, yaitu Support Vector Machine (SVM), Random Forest, dan Naive Bayes, yang diterapkan dengan representasi fitur berbasis TF-IDF. Data yang digunakan dalam penelitian ini mencakup 2.923 ulasan yang diperoleh melalui web scraping dan secara otomatis diberi label melalui model LLaMA 3.1 8B Instant menggunakan Groq API ke dalam tiga kategori sentimen: positif (49,3%), negatif (41,2%), dan netral (9,5%). Ketidakseimbangan dalam distribusi kelas ditangani dengan metode SMOTE, sedangkan optimisasi hyperparameter dilakukan dengan teknik GridSearchCV menggunakan Stratified 5-Fold Cross Validation. Hasil evaluasi menunjukkan bahwa SVM berperforma sebagai model paling unggul dengan akurasi 87,52%, F1-Weighted 86,80%, dan F1-Macro 79,59%, diikuti oleh Naive Bayes (85,98%) dan Random Forest (85,47%). Namun, analisis statistik McNemar mengindikasikan bahwa perbedaan kinerja di antara ketiga model tidak signifikan secara statistik (p > 0,05), yang menunjukkan bahwa ketiga algoritma ini memiliki kemampuan generalisasi yang setara pada dataset ini. Tantangan utama yang teridentifikasi adalah rendahnya tingkat recall pada kelas netral (41–46%) disebabkan oleh ketidakseimbangan data. Hasil dari penelitian ini memberikan wawasan yang jelas mengenai pola sentimen dari pengguna aplikasi mobile banking Bank Kalbar dan dapat menjadi referensi bagi manajemen untuk meningkatkan kualitas layanan digital, terutama dalam hal stabilitas aplikasi dan kemudahan akses.

Pengembangan Sistem Informasi Pengolahan Data Service pada EC Computer Berbasis Web Eri Bayu Pratama; Muhammad Rezki; Desi
Jurnal Sistem Informasi Akuntansi Vol 6 No 1 (2025): Periode Maret 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/justian.v6i1.8333

Perkembangan teknologi informasi yang pesat telah memberikan dampak signifikan pada berbagai sektor kehidupan, termasuk di bidang bisnis dan manajemen. Salah satu sektor yang merasakan dampaknya adalah perusahaan yang bergerak di layanan servis komputer. Pengolahan data layanan servis yang masih dilakukan secara manual di banyak perusahaan, seperti pencatatan informasi pelanggan, status pengerjaan, dan pembuatan nota servis menggunakan kertas, mengakibatkan sejumlah masalah, seperti kesalahan pencatatan, lambatnya proses pencarian data, serta risiko kehilangan atau kerusakan data. Selain itu, penggunaan kertas membutuhkan ruang penyimpanan yang besar dan kurang efisien. Penelitian ini bertujuan untuk mengembangkan sistem informasi berbasis web yang dapat mengatasi permasalahan tersebut. Sistem berbasis web memungkinkan pengelolaan data secara terpusat, dapat diakses secara real-time, serta mempermudah pencatatan dan pemantauan status pengerjaan. Dengan menggunakan PHP sebagai bahasa pemrograman, sistem ini menyediakan solusi untuk mengelola data pelanggan, teknisi, transaksi pembayaran, pengiriman barang, dan informasi terkait garansi layanan dengan lebih efisien dan terstruktur. Diharapkan, pengembangan sistem ini dapat meningkatkan efisiensi operasional perusahaan, mempercepat proses pengerjaan, serta meningkatkan kualitas pelayanan dan kepuasan pelanggan. Sistem informasi berbasis web ini diharapkan dapat memberikan kemudahan dalam pengolahan data yang lebih akurat, cepat, dan mudah diakses, serta mengurangi ketergantungan pada penggunaan kertas.

Analisis Sentimen Gugurnya Anggota TNI dalam Misi UNIFIL pada Twitter Menggunakan Perbandingan Model Machine Learning Silvi Ayuni; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/nq1w5959

Abstrak - Gugurnya empat prajurit Tentara Nasional Indonesia (TNI) dalam misi perdamaian United Nations Interim Force in Lebanon (UNIFIL) di Lebanon Selatan pada 29-30 Maret 2026 dan 24 April 2026 memicu reaksi opini publik yang luas di platform Twitter. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat Indonesia terhadap peristiwa gugurnya 4 anggota TNI, sekaligus untuk membandingkan performa antara lima algoritma machine learning, yaitu Logistic Regression, Random Forest, Support Vector Machine (SVM), Neural Network (MLP), dan Decission Tree. Data dikumpulkan menggunakan Tweet Harvest dengan 11 kata kunci pencarian pada periode 30 Maret hingga 19 Mei 2026.11 File tersebut kemudian di blending dan menghasilkan 1.632 cuitan yang kemudian setelah melalui tahapan preprocessing data yang dihasilkan menjadi 764 data. Pelabelan data dilakukan secara otomatis menggunakan pendekatan lexicon-based dengan kamus InSet (Indonesian Sentiment Lexicon), menghasilkan distribusi 78% data berlabel negatif dan 22% positif. Ekstraksi fitur menggunakan TF-IDF, serta penanganan ketidakseimbangan kelas menggunakan SMOTE yang diterapkan hanya pada data latih. Pembagian data menggunakan rasio 80:20 dengan Stratified K-Fold Cross Validation (K=5). Hasil evaluasi menunjukkan bahwa Neural Network (MLP) merupakan model terbaik dengan F1-score macro tertinggi sebesar 0,7795, akurasi 0,8627, dan AUC-ROC 0,8485. Kata kunci : Analisis Sentimen; Machine Learning; UNIFIL; Twitter; Imbalanced Data; Abstract - The fall of four soldiers of the Indonesian National Armed Forces (TNI) during the United Nations Interim Force in Lebanon (UNIFIL) peacekeeping mission in South Lebanon on March 29–30, 2026, and April 24, 2026, sparked widespread public opinion reactions on the Twitter platform. This study aims to analyze Indonesian public sentiment regarding the incident of the four TNI members' fall, while also comparing the performance of five machine learning algorithms, namely Logistic Regression, Random Forest, Support Vector Machine (SVM), Neural Network (MLP), and Decission Tree. Data were collected using Tweet Harvest with 11 search keywords during the period from March 30 to May 19, 2026. The 11 files were then blended, yielding 1,632 tweets, which after going through the data preprocessing stages resulted in 764 data points. Data labeling was performed automatically using a lexicon-based approach with the InSet (Indonesian Sentiment Lexicon) dictionary, producing a distribution of 78% negatively labeled data and 22% positively labeled data. Feature extraction used TF-IDF, and class imbalance was handled using SMOTE applied only to the training data. Data splitting used an 80:20 ratio with Stratified K-Fold Cross Validation (K=5). The evaluation results show that the Neural Network (MLP) is the best model with the highest macro F1-score of 0.7795, accuracy of 0.8627, and AUC-ROC of 0.8485. Keywords: Sentiment Analysis; Machine Learning; UNIFIL; Twitter; Imbalanced Data;

Sistem Informasi Manajemen Proyek Menggunakan Metode Agile pada CV. Hasta Prima Consultan Berbasis Web Reza Arga Satria; Eri Bayu Pratama; Tarina Dashela; Muhammad Rezki
Adopsi Teknologi dan Sistem Informasi (ATASI) Vol. 5 No. 2 (2026): Adopsi Teknologi dan Sistem Informasi (ATASI)
Publisher : Mulawarman University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/atasi.v5i2.4609

The rapid development of information technology has encouraged organizations to adopt integrated information systems to improve operational effectiveness and efficiency. CV Hasta Prima Consultan, a company engaged in consulting and project implementation, still faces challenges in project management processes that are carried out manually, such as delays in information delivery, data duplication, recording errors, and limited real-time data access. This study aims to design and develop a web-based project management information system capable of integrating all project management processes, including planning, execution, monitoring, and reporting. The system development method used is Agile due to its flexibility and adaptability to user requirements. The system is designed to support project data management, task scheduling, progress monitoring, and structured real-time reporting. System testing is conducted using the black box method to ensure that each function operates in accordance with the expected specifications. The results indicate that the developed system is able to improve operational efficiency, enhance team coordination, reduce data recording errors, and provide accurate information to support decision-making. Therefore, the system is expected to improve the quality of project management at CV Hasta Prima Consultan.

Title

Found 8 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 8 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 8 Documents
Search