Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Virgania Sari
Matematika, Universitas Negeri Semarang
Computer Science & IT

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

Found 3 Documents
Search

 1 
ANALISIS KOMPARASI METODE SUPPORT VECTOR MACHINE (SVM) DAN LONG-SHORT TERM MEMORY (LSTM) BERBASIS GREY WOLF OPTIMIZER (GWO) UNTUK ANALISIS SENTIMEN KOPERASI DESA MERAH PUTIH Eva Rodhiyatun Ningsih; Virgania Sari
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.v10i2.17864

Abstract

Program Koperasi Desa Merah Putih merupakan kebijakan strategis pemerintah dalam memperkuat perekonomian desa yang memunculkan beragam opini publik di media sosial, khususnya YouTube. Banyaknya komentar masyarakat menghasilkan data teks yang besar sehingga diperlukan metode analisis sentimen yang mampu mengklasifikasikan opini secara akurat. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja metode Support Vector Machine (SVM) dan Long Short-Term Memory (LSTM) yang dioptimasi menggunakan Grey Wolf Optimizer (GWO) dalam mengidentifikasi sentimen komentar YouTube terkait program tersebut. Dataset yang digunakan sebanyak 7.727 komentar yang diklasifikasikan ke dalam sentimen positif dan negatif. Tahapan penelitian meliputi preprocessing, labelling, feature extraction menggunakan TF-IDF dan Word2Vec, pembagian dataset, serta validasi model dengan Stratified K-Fold Cross Validation (5-fold). Optimasi parameter dilakukan menggunakan GWO untuk memperoleh kinerja model yang optimal. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode LSTM-GWO memberikan kinerja terbaik dengan accuracy 89,33%, precision 89,35%, recall 89,33%, dan F1-score 89,32%, sehingga metode ini dinilai lebih efektif dan stabil dalam merepresentasikan opini publik terhadap Program Koperasi Desa Merah Putih di platform YouTube.
ANALISIS KOMPARASI METODE SVM DAN MODERNBERT DALAM KLASIFIKASI SENTIMEN OPINI PUBLIK DI PLATFORM TIKTOK MENGENAI BANJIR BANDANG DI SUMATRA Sabila Ayu Febriani; Virgania Sari
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.v10i3.18210

Abstract

Peristiwa banjir bandang di Sumatra pada tahun 2025 memicu berbagai reaksi masyarakat yang banyak disampaikan melalui media sosial, khususnya TikTok. Namun, tingginya volume komentar yang tidak terstruktur menyulitkan dalam memahami kecenderungan opini publik secara sistematis. Oleh karena itu, diperlukan pendekatan analisis sentimen untuk mengidentifikasi polaritas opini masyarakat secara otomatis. Penelitian ini bertujuan untuk menganalisis distribusi sentimen serta membandingkan kinerja metode Support Vector Machine (SVM), ModernBERT dan BERT sebagai metode pembanding tambahan dalam mengklasifikasikan sentimen komentar TikTok terkait banjir bandang di Sumatra. Metode yang digunakan adalah pendekatan kuantitatif komparatif dengan dataset sebanyak 6.999 komentar yang dikumpulkan melalui teknik web scraping. Data diproses melalui tahapan preprocessing, kemudian diklasifikasikan menggunakan SVM berbasis TF-IDF serta model BERT dan ModernBERT melalui proses fine-tuning. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa ModernBERT memiliki performa terbaik dengan akurasi sekitar 93%, diikuti SVM sebesar 89,43%, dan BERT sebesar 88%. Temuan ini menunjukkan bahwa model berbasis Transformer yang telah dioptimasi mampu memahami konteks bahasa informal media sosial dengan lebih baik dibandingkan metode lainnya
ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI LINE BANK DI GOOGLE PLAY STORE MENGGUNAKAN METODE SUPPORT VECTOR MACHINE BERBASIS SMOTE DENGAN OPTIMASI GRIDSEARCHCV Amelia Dian Melinda; Virgania Sari
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.v10i3.18337

Abstract

Pesatnya perkembangan teknologi digital telah membawa perubahan signifikan terutama pada sektor perbankan. Perkembangan ini mendorong munculnya berbagai aplikasi perbankan digital, salah satunya aplikasi Line Bank. Ulasan pengguna yang tersedia pada platform digital menjadi sumber data penting untuk menganalisis persepsi, pengalaman, dan sentimen pengguna terhadap kualitas layanan aplikasi, sehingga diperlukan analisis sentimen untuk memahami persepsi pengguna secara sistematis. Penelitian ini bertujuan untuk mengoptimasi kinerja Support Vector Machine berbasis SMOTE menggunakan GridSearchCV dalam analisis sentimen ulasan aplikasi pengguna aplikasi Line Bank. Data yang digunakan adalah data ulasan pengguna aplikasi Line Bank dari platform Google Play Store yang diambil menggunakan teknik web scraping, yaitu sebanyak 4000 data. Data ulasan diklasifikasikan ke dalam tiga kelas sentimen, yaitu positif, negatif, dan netral. Distribusi data pada ketiga kelas sentimen menunjukkan kondisi yang tidak seimbang, sehingga diperlukan penerapan SMOTE untuk menyeimbangkan data sebelum proses klasifikasi dilakukan. Pada model SVM dengan kernel linear sebagai kernel terbaik, sebelum dilakukan optimasi GridSearchCV diperoleh akurasi dan recall yang sama-sama sebesar 85,57%, precision 85,91%, serta F1-score 85,66%. Sedangkan, setelah diterapkan optimasi menggunakan GridSearchCV dengan kombinasi parameter terbaik (kernel = linear, C = 10, dan gamma = scale) kinerja model mengalami peningkatan yang signifikan dengan akurasi dan recall yang sama-sama menjadi sebesar 88,61%, precision 88,50%, serta F1-score 88,55%. Hal ini menunjukkan bahwa optimasi hyperparameter tuning menggunakan GridSearchCV terbukti efektif mampu meningkatkan kinerja dari model SVM secara konsisten pada semua metrik evaluasi.
Co-Authors Amelia Dian Melinda Eva Rodhiyatun Ningsih Sabila Ayu Febriani