Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Setyawan Wibisono
Teknik Informatika, Universitas Stikubank Semarang
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
ANALISIS SENTIMEN PENGGUNA ROBLOX PADA GOOGLE PLAY STORE MENGGUNAKAN ALGORITMA RANDOM FOREST Resti Haren Absari; Setyawan Wibisono
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16776

Abstract

Pertumbuhan pesat aplikasi Roblox di Google Play Store mendorong meningkatnya jumlah ulasan pengguna yang merepresentasikan beragam pengalaman, kepuasan, serta permasalahan teknis yang dihadapi. Volume ulasan yang besar dan bersifat tidak terstruktur menyulitkan pengembang dalam mengekstraksi informasi secara manual. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna Roblox secara otomatis dengan mengklasifikasikan opini ke dalam kategori positif, negatif, dan netral menggunakan algoritma random forest. Dataset terdiri dari 3.000 ulasan berbahasa Indonesia yang dikumpulkan melalui teknik web scraping. Tahapan penelitian meliputi preprocessing teks (cleaning, case folding, tokenization, stopword removal, dan stemming), ekstraksi fitur menggunakan term frequency–inverse document frequency (TF-IDF), serta pemodelan klasifikasi random forest. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan Hasil penelitian menunjukkan bahwa algoritma random forest mampu memberikan performa klasifikasi yang sangat baik dengan akurasi sebesar 94% dan nilai f1-score yang seimbang pada seluruh kelas sentimen. Temuan ini menunjukkan bahwa random forest efektif digunakan untuk analisis sentimen ulasan aplikasi berbahasa Indonesia dan dapat dimanfaatkan sebagai dasar pengambilan keputusan bagi pengembang dalam meningkatkan kualitas dan pengalaman pengguna aplikasi Roblox
STUDI KOMPARATIF ALGORITMA RANDOM FOREST, GRADIENT BOOSTING, DAN LIGHTGBM PADA KLASIFIKASI RISIKO DIABETES MELITUS Mohamad Rizal Maulana; Setyawan Wibisono
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i2.17336

Abstract

Diabetes melitus merupakan penyakit kronis yang menunjukkan kecenderungan peningkatan prevalensi secara berkelanjutan dan telah menjadi permasalahan kesehatan yang signifikan, baik pada tingkat nasional maupun global. Ketidakmampuan dalam mendeteksi penyakit ini sejak dini dapat meningkatkan risiko munculnya berbagai komplikasi serius. Salah satu faktor yang berkontribusi terhadap keterlambatan deteksi dini diabetes melitus adalah masih dominannya penggunaan metode diagnosis berbasis pemeriksaan laboratorium, yang memerlukan biaya relatif tinggi serta waktu pemeriksaan yang cukup lama, sehingga belum sepenuhnya menjangkau seluruh lapisan masyarakat.Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja algoritma Random Forest, Gradient Boosting, dan Light Gradient Boosting Machine (LightGBM) dalam mengklasifikasikan risiko diabetes melitus. Pendekatan penelitian yang digunakan bersifat eksperimental dengan memanfaatkan dataset diabetes yang bersumber dari UCI Machine Learning Repository. Proses penelitian meliputi tahap prapemrosesan data, pembangunan model klasifikasi menggunakan algoritma ensemble learning, serta pengujian performa model melalui metode 10-Fold Cross Validation. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan Area Under Curve (AUC).Hasil analisis menunjukkan bahwa algoritma Gradient Boosting memberikan performa paling baik dibandingkan Random Forest dan LightGBM berdasarkan nilai evaluasi yang diperoleh. Temuan ini menunjukkan bahwa Gradient Boosting memiliki potensi yang signifikan untuk dikembangkan sebagai dasar sistem deteksi dini diabetes melitus berbasis machine learning.
Co-Authors Mohamad Rizal Maulana Resti Haren Absari