Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Sinkron : Jurnal dan Penelitian Teknik Informatika JOISIE (Journal Of Information Systems And Informatics Engineering) Journal of Information System and Technology (JOINT)
Jakasurya Siswoyo
Universitas Papua
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Implementasi Bot Telegram Sebagai Sistem Notifikasi Pengingat Masa Berakhir Kontrak di Telkom Daerah Manokwari Jakasurya Siswoyo
Journal of Information System and Technology (JOINT) Vol. 7 No. 1 (2026): Vol. 7 No. 1 (2026): Journal of Information System and Technology (JOINT)
Publisher : Program Sarjana Sistem Informasi, Universitas Internasional Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37253/joint.v7i1.11965

Abstract

Penyampaian informasi merupakan salah satu bentuk transformasi yang dilakukan oleh berbagai instansi, termasuk PT Telkom Indonesia dalam memanfaatkan teknologi. Telkom Daerah Manokwari merupakan kantor operasional di bawah PT Telkom Indonesia. Penelitian ini mengimplementasikan sistem pengingat otomatis masa berakhir kontrak pelanggan berbasis Bot Telegram dengan memanfaatkan chat id telegram sebagai alamat tujuan pengiriman pesan menggunakan metode Research & Development (R&D) dengan model pengembangan waterfall. Hasil pengujian menunjukkan hasil bahwa sistem dapat mengirimkan pesan melalui Bot Telegram ketika masa kontrak akan berakhir sesuai dengan rentang hari yang telah ditentukan.
KLASIFIKASI TINGKAT KEPUASAN PELANGGAN FACEBOOK MARKETPLACE MENGGUNAKAN ALGORITMA NAÏVE BAYES Jakasurya Siswoyo; Djuna Fajarizka Saputra Wira Atmaja; Izach Daud Peneas Rumaropen3; Husain Martha Saputra; Albertho Kongkolu Ayorbaba; Agung Prasetyo
JOISIE (Journal Of Information Systems And Informatics Engineering) Vol. 9 No. 1 (2025)
Publisher : Institut Bisnis dan Teknologi Pelita Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35145/joisie.v9i1.5048

Abstract

Perkembangan teknologi yang pesat telah banyak merubah aspek kehidupan kita. Salah satu contohnya adalah kemunculan e-commerce yang merubah cara berbelanja dari yang awalnya belanja offline menjadi belanja online. Facebook Marketplace adalah platform pasar online tempat pengguna dapat membeli dan menjual barang dan jasa. Tujuan penelitian ini adalah untuk mengklasifikasikan tingkat kepuasan pelanggan Facebook Marketplace terhadap layanan tersebut menggunakan algoritma Naïve Bayes bersama dengan metodologi CRISP-DM. Data dikumpulkan dari 501 responden melalui survei Google Form dan diolah menggunakan perangkat lunak RapidMiner Studio. Validasi dilakukan dengan metode 10-fold cross-validation untuk menguji kestabilan performa model secara menyeluruh. Hasil evaluasi menunjukkan bahwa algoritma Naïve Bayes mampu mengklasifikasikan dengan akurasi sebesar 82.64%. untuk. Untuk kelas “Puas” model mendapatkan hasil recall sebesar 86.85% dan precision sebesar 91.15%, sedangkan untuk kelas ”Tidak Puas” model mendapatkan hasil recall sebesar 65.31%, precision sebesar 54.70%, dan AUC sebesar 0.861 ± 0.060. Penelitian ini menunjukkan bahwa Naïve Bayes efektif dalam memprediksi tingkat kepuasan pelanggan, meskipun masih terdapat kelemahan pada precision.
Comparative Sentiment Analysis of GrabFood Reviews Using BiLSTM and BiGRU Jakasurya Siswoyo; Andreas Leonardo Sumendap; Lorna Yertas Baisa
Sinkron : jurnal dan penelitian teknik informatika Vol. 10 No. 3 (2026): Article Research July 2026
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/sinkron.v10i3.16165

Abstract

The exponential growth of user-generated reviews on digital platforms has made manual sentiment interpretation of Online Food Delivery (OFD) services increasingly impractical. GrabFood, operating within the Grab ecosystem, has accumulated over 16.1 million reviews on the Google Play Store, necessitating an automated and scalable approach to sentiment monitoring. Conventional labeling approaches, including star-rating proxies and lexicon-based annotation, are inadequate for capturing contextual nuance, negation, and informal linguistic patterns prevalent in Indonesian-language OFD reviews. Furthermore, limited research has systematically compared BiLSTM and BiGRU architectures within a transformer-assisted labeling framework for Indonesian OFD sentiment analysis. This study aims to implement RoBERTa-based automatic sentiment labeling and to comparatively evaluate BiLSTM and BiGRU models for three-class sentiment classification of GrabFood reviews. A corpus of 265,500 raw reviews was collected via web scraping, filtered to 17,709 reviews through rigorous preprocessing, and annotated using the w11wo/indonesian-roberta-base-sentiment-classifier. Random Oversampling was applied to address class imbalance. BiLSTM and BiGRU models were trained and benchmarked against Support Vector Machine (SVM) and Naïve Bayes baselines. BiLSTM achieved 86% accuracy while BiGRU attained 85%, both substantially outperforming SVM (82%) and Naïve Bayes (77%). However, BiGRU demonstrated superior convergence speed and more stable per-class performance, particularly on the neutral category (F1: 51% vs. 50%). Transformer-assisted automatic labeling combined with bidirectional recurrent architectures constitutes an effective and scalable pipeline for Indonesian OFD sentiment classification, with neutral sentiment remaining the primary classification challenge.
Co-Authors Agung Prasetyo Albertho Kongkolu Ayorbaba Andreas Leonardo Sumendap Djuna Fajarizka Saputra Wira Atmaja Husain Martha Saputra Izach Daud Peneas Rumaropen3 Lorna Yertas Baisa