Claim Missing Document
Check
Articles

Found 2 Documents
Search

Analisis Sentimen Pada Media Sosial Menggunakan Metode Support Vector Machine Muhamad Hadi Arfian; Hendrian Sofu Maruhawa; Aulia Aisyah Putri; Dinah Ratulugina; Ellsza Ridzky Khoirunnisa; Verell Hermawan; Ahmad Julaibib Syahr
Jurnal Ilmu Teknik dan Komputer Vol. 9 No. 1 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/jitkom.v9i1.001

Abstract

Pada era kemajuan teknologi digital saat ini, media sosial telah menjadi platform utama bagi individu untuk berbagi opini dan pengalaman mereka, yang dikenal sebagai sentimen. Sentimen ini memberikan wawasan berharga tentang berbagai topik. Penelitian ini fokus pada analisis sentimen terhadap penerima Kartu Indonesia Pintar-Kuliah (KIP-K) di X. Program KIP-K bertujuan untuk meningkatkan akses pendidikan tinggi bagi masyarakat dari berbagai latar belakang ekonomi, dan perhatian masyarakat terhadap penerima program ini semakin meningkat. Dengan menggunakan algoritma Support Vector Machine (SVM), yang terbukti memiliki akurasi tinggi dalam analisis sentimen dibandingkan metode lain, penelitian ini menganalisis tanggapan publik untuk memahami persepsi mereka terhadap penerima KIP-K. Hasil menunjukkan bahwa mayoritas sentimen di X adalah negatif, mengindikasikan ketidaksetujuan terhadap penerima program ini. Temuan ini memberikan wawasan tentang persepsi masyarakat dan dapat membantu dalam evaluasi kebijakan pendidikan.
Perbandingan LSTM dan XGBoost untuk Prediksi Multi-Horizon Suhu dan Curah Hujan Harian pada Grid ERA5 Jakarta Pusat Ahmad Julaibib Syahr; Raden Teddy Iswahyudi; Nizirwan Anwar; Imam Sutanto
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 10 No. 2 (2026): IKRAITH-INFORMATIKA Vol 10 No 2 Juli 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi deret meteorologis perkotaan tropis menghadapi dua karakter target yang berbeda: suhu relatif kontinu dan berautokorelasi,sedangkan curah hujan harian bersifat zero-inflated, menceng, dan mengandung kejadian ekstrem. Penelitian ini membandingkan LongShort-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost) untuk direct multi-horizon forecasting t+1, t+7, dan t+14pada satu grid reanalysis ERA5 yang dipilih menggunakan koordinat acuan Jakarta Pusat. Data harian 1 Januari 2005-21 Juli 2026diakses melalui Open-Meteo, kemudian dibagi secara kronologis menjadi train, validation, main test 2024-2025, dan out-of-time (OOT)test Januari-Juli 2026. Model dibangun terpisah untuk setiap target-horizon, dioptimalkan dengan random search dan early stopping,serta dibandingkan dengan baseline kausal menggunakan RMSE, MAE, R², dan bias. Pada main test, XGBoost memperoleh RMSEterendah pada enam tugas; selisih terhadap LSTM adalah 0,34%-5,48% untuk suhu dan 1,72%-3,18% untuk hujan. Semua model suhumelampaui baseline, tetapi model hujan hanya melampauinya pada t+1; klimatologi bulanan tetap lebih baik pada t+7 dan t+14.Peringkat XGBoost konsisten pada OOT, tetapi periode OOT yang lebih pendek dan berbeda komposisi musim tidak dapatdibandingkan langsung dengan main test. Hasil mendukung XGBoost sebagai model yang lebih stabil dan efisien dalam ruangeksperimen ini, bukan sebagai bukti superioritas universal. Prediksi intensitas hujan ekstrem tetap menjadi keterbatasan utama.