Article Per Year (5 Year)
p-Index From 2021 - 2026
0.835
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Allsela Meiriza
Sistem Informasi, Universitas Sriwijaya
Computer Science & IT

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
ANALISIS SENTIMEN PUBLIK PADA TWITTER TERHADAP IMPLEMENTASI KEBIJAKAN ROYALTI MUSIK DENGAN ALGORITMA SUPPORT VECTOR MACHINE Onky Ardhillah; Ari Wedhasmara; Ken Ditha Tania; Allsela Meiriza
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.v10i2.17791

Abstract

Pemberlakuan Peraturan Pemerintah Nomor 56 Tahun 2021 tentang Pengelolaan Royalti Lagu dan/atau Musik bertujuan untuk melindungi hak ekonomi pencipta serta menciptakan sistem distribusi royalti yang adil. Namun, implementasi kebijakan ini menimbulkan polemik dan beragam respons dari masyarakat, khususnya pelaku usaha dan Usaha Mikro, Kecil, dan Menengah (UMKM), yang menilai kebijakan tersebut berpotensi menambah beban biaya serta masih kurang transparan dalam mekanisme penetapan tarif royalti. Kondisi ini menunjukkan adanya kesenjangan antara tujuan kebijakan dengan persepsi publik terhadap pelaksanaannya. Penelitian ini bertujuan untuk menganalisis dan mengklasifikasikan sentimen publik terhadap penerapan PP No. 56 Tahun 2021 melalui media sosial Twitter menggunakan pendekatan text mining dengan algoritma Support Vector Machine (SVM). Data penelitian diperoleh melalui proses crawling Twitter berdasarkan kata kunci terkait royalti dan musik pada periode Maret hingga November 2025 dengan total 3.813 tweet berbahasa Indonesia. Tahapan penelitian meliputi prapemrosesan teks yang terdiri dari cleaning, case folding, normalization, tokenization, stopword removal, dan stemming, kemudian dilakukan pelabelan sentimen ke dalam kelas positif, negatif, dan netral. Representasi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), sedangkan proses klasifikasi dilakukan menggunakan algoritma SVM dengan kernel linier. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model SVM mampu mengklasifikasikan sentimen publik dengan tingkat akurasi sebesar 74,44%, dengan dominasi sentimen netral dan negatif dibandingkan sentimen positif. Temuan ini mengindikasikan bahwa sebagian masyarakat masih memiliki pandangan kritis terhadap implementasi kebijakan royalti musik, khususnya terkait transparansi dan mekanisme pengelolaannya, sehingga diperlukan peningkatan sosialisasi dan kejelasan tata kelola royalti oleh pemerintah dan Lembaga Manajemen Kolektif Nasional (LMKN).
ANALISIS KLASIFIKASI RISIKO GEMPA BUMI DI INDONESIA BERDASARKAN MAGNITUDO DAN KEDALAMAN MENGGUNAKAN ALGORITMA DECISION TREE Salsabila Alfath Annisaa'; Novita Ramadhini; Adiaz Salsabilah Putri; Ken Ditha Tania; Allsela Meiriza
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18119

Abstract

Indonesia merupakan negara dengan aktivitas kegempaan sangat tinggi akibat letaknya di pertemuan tiga lempeng tektonik besar. Tingginya potensi ancaman ini menimbulkan permasalahan terkait perlunya analisis risiko gempa yang cepat dan akurat untuk mendukung sistem mitigasi bencana. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan tingkat risiko gempa bumi di Indonesia berdasarkan parameter magnitudo dan kedalaman. Metode yang digunakan adalah algoritma Decision Tree terhadap 131.833 data gempa dari BMKG periode 2008–2025. Tahapan penelitian ini meliputi data collection, preprocessing, labelling, splitting, modelling, rule extraction, dan evaluation. Hasil klasifikasi menunjukkan bahwa magnitudo > 4,501 termasuk kategori Risiko Sedang (315 data), sedangkan magnitudo ≤ 4,501 termasuk Risiko Rendah (10.726 data). Model ini menghasilkan akurasi sebesar 99,96% dan recall 100%. Tingginya performa ini membuktikan bahwa algoritma Decision Tree sangat efektif untuk klasifikasi risiko gempa dan berpotensi mendukung upaya mitigasi bencana nasional.
KLASIFIKASI BERITA HOAKS DAN FAKTA BERDASARKAN REPRESENTASI TF-IDF MENGGUNAKAN SUPPORT VECTOR MACHINE Dinda Aulika Elfarin Aritonang; Putri Maharani; Nabila Ramadhani; Ken Ditha Tania; Allsela Meiriza
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18129

Abstract

Perkembangan media digital yang pesat menyebabkan penyebaran informasi berlangsung sangat cepat, termasuk munculnya berita hoaks yang dapat menimbulkan misinformasi di masyarakat. Permasalahan dalam penelitian ini adalah sulitnya membedakan berita hoaks dan fakta secara otomatis karena tingginya volume informasi yang beredar. Penelitian ini dilakukan untuk menganalisis kinerja algoritma Support Vector Machine (SVM) dalam membedakan berita hoaks dan fakta berbahasa Indonesia menggunakan fitur Term Frequency–Inverse Document Frequency (TF-IDF). Dataset yang dipakai berjumlah 1.896 berita yang terdiri dari 948 berita hoaks dan 948 berita fakta. Langkah-langkah penelitian mencakup pembersihan teks, ekstraksi fitur dengan TF-IDF, pembagian data menjadi data pelatihan (80%) dan data pengujian (20%), serta proses pengklasifikasian dengan SVM. Penilaian kinerja model dilakukan dengan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model ini berhasil mencapai akurasi 97% dengan nilai precision, recall, dan F1-score masing-masing sebesar 0,97. Temuan ini menandakan bahwa metode SVM yang menggunakan TF-IDF efektif dalam mengenali berita hoaks dan berita yang benar
KLASIFIKASI PENYAKIT KANKER HATI DALAM ALGORITMA K-NEAREST NEIGHBORS (KNN) Taniya Raisha Dwiva Putri; Tessa Arianvira; Revi Amelia Dwifa Futri; Muhammad Farhan; Ken Ditha Tania; Allsela Meiriza
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18133

Abstract

Kanker hati (liver cancer) merupakan penyakit dengan tingkat mortalitas tinggi yang sering terdeteksi pada tahap lanjut, sehingga diperlukan pendekatan sistematis untuk mendukung diagnosis yang cepat dan akurat. Penelitian ini bertujuan menerapkan metode data mining menggunakan algoritma K-Nearest Neighbors (KNN) untuk mengklasifikasikan penyakit kanker hati serta mengevaluasi kinerja model. Data yang digunakan berasal dari Kaggle sebanyak 5.000 data pasien dengan 14 atribut klinis, mencakup faktor risiko seperti hepatitis, sirosis, dan diabetes, serta biomarker seperti skor fungsi hati dan kadar alpha fetoprotein. Tahap preprocessing dilakukan menggunakan Z-Transformation Normalization untuk menyetarakan skala atribut numerik, mengingat KNN berbasis perhitungan jarak. Selanjutnya, model dilatih dan diuji untuk mengukur performanya. Hasil penelitian menunjukkan bahwa model KNN mencapai akurasi sebesar 86,40% dengan nilai class precision pada prediksi positif sebesar 80,00%. Hasil ini menunjukkan bahwa algoritma KNN cukup efektif dalam mengolah data medis dan dapat dimanfaatkan sebagai alat bantu dalam proses identifikasi penyakit kanker hati secara lebih akurat
PENERAPAN DATA MINING UNTUK ANALISIS SENTIMEN PUBLIK TERHADAP WHIPPINK PADA PLATFORM X MENGGUNAKAN RANDOM FOREST Cherliana Cherliana; Rahma Ardhia Cahyani; Muhammad Hafiz Al Zaky; Ken Ditha Tania; Allsela Meiriza
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18136

Abstract

Media sosial menghasilkan volume opini publik yang sangat besar dan tidak terstruktur sehingga memerlukan pendekatan komputasional untuk dianalisis secara sistematis. Salah satu isu yang ramai diperbincangkan di platform X adalah fenomena Whippink yang berkaitan dengan penggunaan nitrous oxide (N₂O) dan memunculkan beragam tanggapan dari masyarakat. Permasalahan penelitian ini adalah bagaimana mengidentifikasi serta mengklasifikasikan kecenderungan sentimen publik terhadap fenomena tersebut berdasarkan data percakapan pada media sosial. Penelitian ini guna menganalisis sentimen masyarakat terhadap fenomena Whippink pada platform X menggunakan algoritma Random Forest. Data penelitian diperoleh melalui teknik web scraping dengan kata kunci #WHIPPINK pada periode Januari 2024 hingga Februari 2026 dan menghasilkan 500 tweet berbahasa Indonesia. Tahapan penelitian meliputi pelabelan sentimen, preprocessing teks, pembobotan fitur diimplementasikan melalui TF-IDF, data dibagi dengan rasio 80:20, serta evaluasi model diimplementasikan dengan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian membuktikan sentimen negatif mendominasi sebesar 71,4%, sedangkan sentimen positif sebesar 28,6%. Model Random Forest dengan 400 pohon keputusan menghasilkan akurasi 85,86% dan weighted F1-score 0,85, yang menunjukkan performa klasifikasi yang baik dalam memetakan persepsi publik.
Co-Authors Adiaz Salsabilah Putri Ari Wedhasmara Cherliana Cherliana Dinda Aulika Elfarin Aritonang Ken Ditha Tania Muhammad Farhan Muhammad Hafiz Al Zaky Nabila Ramadhani Novita Ramadhini Onky Ardhillah Putri Maharani Rahma Ardhia Cahyani Revi Amelia Dwifa Futri Salsabila Alfath Annisaa' Taniya Raisha Dwiva Putri Tessa Arianvira