Article Per Year (5 Year)
p-Index From 2021 - 2026
1.084
P-Index
This Author published in this journals
All Journal Moneter : Jurnal Keuangan dan Perbankan Indonesian Journal of Multidisciplinary on Social and Technology
Hanif Zaidan Sinaga
Universitas Ibn Khaldun Bogor
Computer Science & IT Economics, Econometrics & Finance Engineering Social Sciences

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Analisis Sentimen Ulasan Skintific 5x Ceramide Barrier Repair Moisture Gel Pada Platform Female Daily Menggunakan SVM Dan Naïve Bayes Yola Tirta Nurfajriya; Pinkan Prilia Mahmudah; Hana Aurora Aida Rahma; Hanif Zaidan Sinaga
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.11777

Abstract

Perkembangan industri skincare di Indonesia mendorong meningkatnya jumlah ulasan konsumen pada platform digital, salah satunya Female Daily. Ulasan tersebut dapat dimanfaatkan untuk mengetahui persepsi pengguna terhadap suatu produk melalui analisis sentimen. Penelitian ini bertujuan menganalisis sentimen ulasan produk Skintific 5X Ceramide Barrier Repair Moisture Gel serta membandingkan performa algoritma Naïve Bayes dan Support Vector Machine (SVM). Data penelitian diperoleh menggunakan teknik web scraping pada platform Female Daily sebanyak 1.029 ulasan. Pelabelan sentimen dilakukan secara manual (ground truth) oleh dua anotator independen dan divalidasi menggunakan Cohen’s Kappa. Tahapan pengolahan data meliputi preprocessing, pembobotan TF-IDF, serta klasifikasi menggunakan Naïve Bayes dan SVM dengan metode Stratified 10-Fold Cross Validation. Hasil pelabelan menunjukkan bahwa sentimen positif mendominasi dataset sebesar 85,62%, diikuti sentimen netral 8,94%, dan sentimen negatif 5,44%. Nilai Cohen’s Kappa sebesar 0,6638 menunjukkan tingkat kesepakatan yang tinggi antar anotator. Hasil klasifikasi menunjukkan bahwa Naïve Bayes memperoleh accuracy 85,62% dan macro F1-score 31,48%, sedangkan SVM memperoleh accuracy 88,73% dan macro F1-score 58,12%. Penerapan SVM Balanced memberikan hasil terbaik dengan accuracy 89,12% dan macro F1-score 63,11%. Hasil penelitian menunjukkan bahwa SVM Balanced lebih efektif dibandingkan Naïve Bayes dalam mengklasifikasikan sentimen pada dataset yang tidak seimbang.
Analisis Sentimen MBG Di Media Sosial X Menggunakan Support Vector Machine Dan Naive Bayes Akbar Supia Dirja; Lana Aulia Salsabila; M. Akhdan Putra Hermawan; Cika Jelita; Hanif Zaidan Sinaga
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.11800

Abstract

Analisis sentimen merupakan salah satu penerapan Natural Language Processing yang digunakan untuk mengidentifikasi kecenderungan opini masyarakat ke dalam kategori positif, negatif, dan netral. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap Program Makan Bergizi Gratis pada media sosial X serta membandingkan kinerja algoritma Support Vector Machine dan Naive Bayes. Data penelitian menggunakan dataset publik yang diperoleh melalui platform Kaggle dan berasal dari unggahan pengguna media sosial X mengenai Program Makan Bergizi Gratis. Setelah proses pembersihan, penelitian menggunakan 1.335 data yang terdiri atas 612 sentimen positif, 377 sentimen negatif, dan 346 sentimen netral. Tahapan pengolahan data meliputi cleaning, case folding, tokenizing, stopword removal, stemming, dan pembobotan fitur menggunakan Term Frequency-Inverse Document Frequency. Hasil pengujian menunjukkan bahwa Support Vector Machine dengan kernel linear memperoleh akurasi sebesar 77,9% dan Macro F1-Score sebesar 0,78. Sementara itu, Multinomial Naive Bayes memperoleh akurasi sebesar 75,7% dan Macro F1-Score sebesar 0,75. Berdasarkan hasil tersebut, Support Vector Machine memiliki performa yang lebih baik dalam mengklasifikasikan sentimen masyarakat, terutama pada kelas netral. Temuan penelitian menunjukkan bahwa sentimen positif berhubungan dengan manfaat program dan peningkatan gizi siswa, sedangkan sentimen negatif didominasi oleh kekhawatiran terhadap anggaran, efisiensi, dan pelaksanaan program. Hasil penelitian ini dapat menjadi gambaran awal mengenai respons masyarakat terhadap kebijakan Program Makan Bergizi Gratis di media sosial.
Implementasi Face Age Detection Menggunakan Computer Vision Untuk Identifikasi Rentang Usia Fahtir Angger Prabowo; Fara Diba; Alfiyyah Rima; Muhammad Iqbal Fauzi; Ilyas Lutfi Abdat; Hanif Zaidan Sinaga
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.11802

Abstract

Perkembangan Artificial Intelligence (AI), khususnya pada bidang Computer Vision, telah mendorong munculnya berbagai teknologi yang mampu melakukan analisis visual secara otomatis, salah satunya adalah Face Age Detection. Teknologi ini memungkinkan sistem untuk mengidentifikasi rentang usia seseorang berdasarkan citra wajah melalui analisis karakteristik visual yang berkaitan dengan proses penuaan. Penelitian ini bertujuan untuk mengimplementasikan teknologi Computer Vision menggunakan metode Face Age Detection berbasis Convolutional Neural Network (CNN) dalam mengidentifikasi rentang usia manusia berdasarkan citra wajah. Dataset yang digunakan berasal dari Kaggle dan terdiri atas citra wajah dengan berbagai karakteristik usia. Sebelum proses pelatihan, data melalui tahap preprocessing yang meliputi data cleaning, face detection, cropping, resize, normalisasi, dan data augmentation. Model CNN kemudian dilatih menggunakan data training dan dievaluasi menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan rentang usia dengan nilai Accuracy sebesar 84,27%, Precision sebesar 83,91%, Recall sebesar 82,75%, F1-Score sebesar 83,32%, serta MAE sebesar 4,18 tahun. Hasil tersebut menunjukkan bahwa model memiliki kemampuan yang baik dalam mengenali karakteristik wajah yang berkaitan dengan usia. Penelitian ini membuktikan bahwa implementasi Face Age Detection berbasis Computer Vision dapat digunakan sebagai solusi untuk identifikasi rentang usia secara otomatis dan memiliki potensi penerapan pada bidang keamanan, layanan publik, pendidikan, pemasaran digital, serta analisis demografi.
Analisis Sentimen Opini Twitter (X) terhadap Penggunaan ChatGPT dalam Pendidikan Tinggi dengan Perbandingan Algoritma Naïve Bayes, Support Vector Machine, dan K-Nearest Neighbors Salma Difa Aristawidya; Tabita Nurtirta Purwita Sari; Hanun Syahidah Ulfya; Adinda Aghnia Fatihin; Hanif Zaidan Sinaga
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.11803

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen opini Twitter (X) terhadap penggunaan ChatGPT dalam pendidikan tinggi serta membandingkan kinerja algoritma Naïve Bayes, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN) dalam proses klasifikasi sentimen. Dataset yang digunakan diperoleh dari Kaggle dan terdiri atas 1.153 data opini yang telah memiliki label sentimen positif, netral, dan negatif. Tahapan penelitian meliputi preprocessing data, ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF), seleksi fitur menggunakan Chi-Square, klasifikasi sentimen, serta evaluasi model menggunakan metode Stratified 10-Fold Cross Validation dengan metrik Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil penelitian menunjukkan bahwa distribusi sentimen didominasi oleh sentimen negatif sebesar 40%, diikuti sentimen positif sebesar 35%, dan sentimen netral sebesar 25%. Berdasarkan hasil perbandingan algoritma, Support Vector Machine (SVM) memperoleh performa terbaik dengan tingkat akurasi sebesar 61,75%, diikuti oleh Naïve Bayes sebesar 58,20%, dan K-Nearest Neighbors (KNN) sebesar 44,41%. Hasil tersebut menunjukkan bahwa SVM memiliki performa relatif terbaik dibandingkan Naïve Bayes dan KNN, meskipun nilai akurasi yang diperoleh menunjukkan bahwa klasifikasi opini Twitter (X) masih menghadapi tantangan akibat kompleksitas bahasa informal, ambiguitas sentimen, dan konteks penggunaan ChatGPT dalam pendidikan tinggi.
Komparasi Kinerja Metode Naïve Bayes Dan SVM Untuk Analisis Sentimen Opini Publik Di Youtube David Gadgetin Terhadap Iphone 17 Pro Febrina Rahmadianti Putri; Miftahul Jannah; Restiayu Sekar Utami; Shintawati Khoirunnisa; Hanif Zaidan Sinaga
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.11812

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naïve Bayes dan Support Vector Machine (SVM) dalam analisis sentimen opini publik pada komentar YouTube terkait penggunaan iPhone 17 Pro di kanal David Gadgetin. Penelitian menggunakan pendekatan Natural Language Processing (NLP) dengan memanfaatkan 1.382 komentar yang diperoleh melalui proses web scraping menggunakan YouTube Data API v3. Dataset diproses melalui tahapan text preprocessing yang meliputi case folding, normalization, tokenization, filtering (stopword removal), dan stemming, kemudian direpresentasikan menggunakan pembobotan Term Frequency–Inverse Document Frequency (TF-IDF). Proses klasifikasi dilakukan menggunakan algoritma Naïve Bayes dan SVM berbasis kernel linear dengan skema pembagian data 80:10:10, yaitu 80% data latih, 10% data validasi, dan 10% data uji. Kinerja kedua model dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, serta analisis confusion matrix. Hasil pengujian menunjukkan bahwa model SVM memperoleh akurasi sebesar 81,16% pada data validasi dan 84,17% pada data uji, sedangkan Naïve Bayes memperoleh akurasi sebesar 77i,54% pada data validasi dan 74,82% pada data uji. Pada kelas sentimen negatif, SVM memperoleh F1-score sebesar 0,86, sedangkan Naïve Bayes memperoleh 0,00. Berdasarkan hasil eksperimen pada dataset penelitian ini, SVM menunjukkan performa yang relatif lebih baik dibandingkan Naïve Bayes dalam klasifikasi sentimen komentar YouTube terhadap iPhone 17 Pro. Meskipun demikian, interpretasi terhadap hasil pada kelas minoritas tetap perlu dilakukan secara hati-hati karena jumlah data negatif relatif sedikit.
Implementasi Klasifikasi Genre Film Pada Platform Imdb Berdasarkan Deskripsi Sinopsis Film Menggunakan Algoritma Naïve Bayes, SVM, Dan Logistic Regression Muhammad Ilyassa; Satrio Akbar; Ikhwanul Akmal; Fakhrullah Abrisam; Hanif Zaidan Sinaga
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12210

Abstract

Pertumbuhan data film digital dan meningkatnya penggunaan platform IMDb menuntut metode otomatis yang mampu mengelompokkan genre berdasarkan informasi tekstual secara konsisten. Penelitian ini bertujuan mengimplementasikan Natural Language Processing dan membandingkan kinerja Multinomial Naïve Bayes, Support Vector Machine LinearSVC, SVM dengan pembobotan kelas seimbang, serta Logistic Regression untuk mengklasifikasikan genre primer film berdasarkan sinopsis. Dataset IMDb Top 1000 dari Kaggle diseleksi menjadi 811 film pada lima genre utama, yaitu Drama, Action, Comedy, Crime, dan Biography. Tahapan penelitian meliputi case folding, cleaning, tokenization, stopword removal, stemming, ekstraksi fitur Term Frequency-Inverse Document Frequency, pembagian data secara stratified 80:20, pelatihan model, evaluasi accuracy, precision, recall, F1-score, confusion matrix, dan validasi silang stratified lima lipatan. Baseline kelas mayoritas menghasilkan akurasi 35,6%. Logistic Regression memberikan hasil terbaik dengan akurasi pengujian 43,56% dan rata-rata validasi silang 44,63%. SVM Balanced mencapai akurasi 42,33%, LinearSVC 41,10%, dan Naïve Bayes 40,49%. Naïve Bayes menunjukkan bias kuat terhadap kelas Drama, sedangkan SVM dan Logistic Regression menghasilkan prediksi lebih seimbang. Kinerja yang masih terbatas terutama dipengaruhi ketidakseimbangan kelas, tumpang tindih naratif antargenre, sinopsis yang pendek, dan penyederhanaan label multigenre menjadi genre primer. Hasil penelitian menegaskan bahwa Logistic Regression merupakan model klasik paling efektif pada konfigurasi data dan fitur yang digunakan serta layak dijadikan baseline untuk penelitian lanjutan.
Young Consumers’ Intention to use Blu by BCA: An Extended TAM Widhi Ariyo Bimo; Hanif Zaidan Sinaga; Mohammad Jibriel Avessina; Ali Nurjali; Nurwinda Nurwinda
Moneter: Jurnal Keuangan dan Perbankan Vol. 14 No. 1 (2026): APRIL
Publisher : Universitas Ibn Khladun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32832/moneter.v14i1.3107

Abstract

This study examines factors influencing intention to use the blu by BCA digital banking application among young consumers in Bogor, Indonesia. An extended Technology Acceptance Model was tested by incorporating perceived usefulness, perceived ease of use, perceived risk, trust, and convenience. Data were collected through a cross-sectional online survey of 100 blu by BCA users selected using purposive sampling and analyzed using item-validity testing, Cronbach's alpha, and multiple linear regression. All reported predictor items met the stated validity and reliability criteria. Convenience had a significant positive effect on intention to use (B = 0.432; p = 0.001). Trust (B = 0.229; p = 0.051) and perceived ease of use (B = 0.485; p = 0.088) were positive but not significant at the 5% level. Perceived risk was negative but non-significant (B = -0.183; p = 0.489), while perceived usefulness was negligible (B = -0.006; p = 0.959). The findings indicate that practical accessibility and transaction efficiency receive the strongest empirical support in the reported model. Digital banks should prioritize frictionless transactions, reliable access, and transparent security communication while strengthening distinctive service value.
Co-Authors Adinda Aghnia Fatihin Akbar Supia Dirja Alfiyyah Rima Ali Nurjali Cika Jelita Fahtir Angger Prabowo Fakhrullah Abrisam Fara Diba Febrina Rahmadianti Putri Hana Aurora Aida Rahma Hanun Syahidah Ulfya Ikhwanul Akmal Ilyas Lutfi Abdat Lana Aulia Salsabila M. Akhdan Putra Hermawan Miftahul Jannah Mohammad Jibriel Avessina Muhammad Ilyassa Muhammad Iqbal Fauzi Nurwinda Nurwinda Pinkan Prilia Mahmudah Restiayu Sekar Utami Salma Difa Aristawidya Satrio Akbar Shintawati Khoirunnisa Tabita Nurtirta Purwita Sari Widhi Ariyo Bimo Yola Tirta Nurfajriya