Article Per Year (5 Year)
p-Index From 2021 - 2026
0.835
P-Index
This Author published in this journals
All Journal Buana Information Technology and Computer Sciences (BIT and CS) Prosidia Widya Saintek
Istiadi Istiadi
Universitas Widya Gama Malang
Agriculture, Biological Sciences & Forestry Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Mechanical Engineering Social Sciences Transportation

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

Found 5 Documents
Search

 1 
Application of XGBoost Algorithm in Sentiment Classification of MOBA Game Reviews on Google Play Store: Author's Country: Indonesia Daffa Yauzan Tusianto; Syahroni Wahyu Iriananda; Istiadi Istiadi
Buana Information Technology and Computer Sciences (BIT and CS) Vol. 7 No. 1 (2026): Buana Information Technology and Computer Sciences (BIT and CS)
Publisher : Information System; Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/5x0adm73

Abstract

In the rapidly evolving digital era, business applications like GoBiz play a crucial role in supporting the operations of Micro, Small, and Medium Enterprises (MSMEs). This study aims to analyze user sentiment toward the GoBiz app based on reviews on the Google Play Store by applying two machine learning algorithms: Extreme Gradient Boosting (XGBoost) and Random Forest. Two labeling approaches were used: score-based labeling, which refers to star ratings, and lexicon-based labeling using the VADER method. Data from 10,000 reviews were collected through web scraping and processed through preprocessing, labeling, TF-IDF feature extraction, model training, and evaluation. The evaluation results showed that the XGBoost algorithm excelled in score-based labeling with the highest accuracy of 86.81%, while Random Forest was more stable than the VADER approach with an accuracy of 84.98%. Both models performed well, but their effectiveness depended on the type of labeling used. This research contributes to the development of a sentiment classification system in digital business applications, and can be utilized by GoBiz application developers to improve service quality based on user perceptions.
Implementation of the LSTM Model for Speech-to-Text Systems in the Recognition of the Walikan Language of Malang: Author's Country: Indonesia Raynanda Raynanda; Aviv Yuniar Rahman; Istiadi Istiadi
Buana Information Technology and Computer Sciences (BIT and CS) Vol. 7 No. 1 (2026): Buana Information Technology and Computer Sciences (BIT and CS)
Publisher : Information System; Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/m0pcpk09

Abstract

This study developed a Speech-to-Text (STT) system based on the Long Short-Term Memory (LSTM) model to recognize and convert speech in the Malang Walikan language into text. The Malang Walikan language has a unique linguistic structure in the form of word reversal, which poses a challenge in speech recognition. The data used consisted of 1,000 sentences collected from social media and direct recordings. The data was processed using Mel Frequency Cepstral Coefficients (MFCC) and then used to train the LSTM model.The system's performance was evaluated using the Word Error Rate (WER), Character Error Rate (CER), and Average Test Loss metrics. The best results obtained showed a WER value of 1.0 on a 699:300 data split, a CER of 0.78 on a 799:200 split, and an Average Test Loss of 11.0147 on a 299:700 split.The high Average Test Loss value indicates the model's difficulty in minimizing prediction errors, which may be caused by the model's mismatch with the data patterns or overfitting. To improve the model's performance, it is recommended to improve the quality of the training data, optimize the parameters, and apply regularization techniques.
KLASIFIKASI KEMATANGAN BUAH PINANG PAPUA MENGGUNAKAN M-SVM DAN EKSTRAKSI GLCM Aser Afanti Naa; Istiadi Istiadi; Fitri Marisa
Prosidia Widya Saintek Vol. 5 No. 2 (2026)
Publisher : Universitas Widyagama Malang

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

Abstract

Pemilahan tingkat kematangan buah pinang Papua secara manual berpotensi menghasilkan penilaian yang tidak konsisten, sehingga diperlukan pendekatan klasifikasi berbasis citra. Penelitian ini bertujuan mengklasifikasikan buah pinang ke dalam kelas mentah, matang, dan tua menggunakan ekstraksi tekstur Gray Level Co-occurrence Matrix (GLCM) dan Multiclass Support Vector Machine (M-SVM). Dataset terdiri atas 90 citra berformat JPG, masing-masing 30 citra per kelas. Tahap praproses meliputi cropping dan resize menjadi 256×256 piksel. Implementasi ekstraksi menghasilkan fitur contrast dan correlation yang digunakan untuk melatih M-SVM dengan kernel linear, polynomial, Gaussian/RBF, dan sigmoid pada sembilan rasio pembagian data. Hasil pengujian yang dilaporkan menunjukkan nilai tertinggi 77,78% pada kernel Gaussian dan linear untuk rasio data latih:data uji 90:10. Berdasarkan matriks konfusi, kedua kernel menghasilkan enam prediksi benar dari sembilan data uji atau akurasi keseluruhan 66,67%. Kernel Gaussian memberikan presisi dan recall makro masing-masing 66,67%, lebih seimbang daripada kernel linear. Hasil ini menunjukkan bahwa kombinasi GLCM dan M-SVM dapat digunakan sebagai dasar klasifikasi otomatis, tetapi peningkatan jumlah data, standardisasi akuisisi citra, dan validasi silang terstratifikasi masih diperlukan untuk meningkatkan generalisasi model.
IMPLEMENTASI FUZZY AHP PADA SISTEM PENDUKUNG KEPUTUSAN KEDISIPLINAN SISWA SMK WIDYAGAMA MALANG Mohammad Yusron Kholish; Istiadi Istiadi; Syahroni Wahyu Iriananda
Prosidia Widya Saintek Vol. 5 No. 2 (2026)
Publisher : Universitas Widyagama Malang

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

Abstract

Kedisiplinan merupakan aspek penting dalam pendidikan yang memengaruhi kualitas belajar dan karakter siswa. SMK Widyagama Malang saat ini masih menggunakan metode manual yang rentan terhadap subjektivitas dan memakan waktu dalam mengevaluasi kedisiplinan siswa bermasalah. Penelitian ini bertujuan untuk mengimplementasikan metode Fuzzy Analytical Hierarchy Process (F-AHP) ke dalam sebuah Sistem Pendukung Keputusan (SPK) guna memberikan rekomendasi tindakan pendisiplinan yang lebih objektif dan presisi. Penelitian ini menggunakan sampel sebanyak 100 siswa dan 10 guru dengan metode pengumpulan data melalui observasi, wawancara, dan kuesioner. Kriteria utama yang digunakan meliputi kehadiran, keterlambatan, sikap, dan tugas. Pengujian sistem dilakukan menggunakan metode Blackbox Testing yang menunjukkan bahwa 100% fungsi sistem berjalan sesuai perancangan. Selain itu, pengujian akurasi yang membandingkan hasil rekomendasi sistem dengan penilaian manual guru pada 15 data uji menghasilkan tingkat kesesuaian sebesar 86,67%. Hasil ini membuktikan bahwa SPK berbasis F-AHP mampu menangani ketidakpastian dalam penilaian subjektif dan memberikan solusi yang efektif, efisien, serta konsisten untuk mendukung pihak sekolah dalam meningkatkan kedisiplinan siswa.
UJI KOMPARASI METODE NAÏVE BAYES DAN RANDOM FOREST DALAM PREDIKSI PRESTASI BELAJAR SISWA SMA PJ GLOBAL SCHOOL Retno Wilujeng; Fitri Marisa; Istiadi Istiadi
Prosidia Widya Saintek Vol. 5 No. 2 (2026)
Publisher : Universitas Widyagama Malang

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

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma machine learning dalam memprediksi prestasi belajar siswa sekolah menengah atas. Permasalahan utama dalam penelitian ini adalah belum optimalnya pemanfaatan data akademik untuk mendukung pengambilan keputusan berbasis data di lingkungan sekolah. Metode yang digunakan adalah pendekatan klasifikasi dengan menerapkan algoritma Naïve Bayes dan Random Forest. Data penelitian berupa data primer sebanyak 82 siswa SMA PJ Global School yang mencakup variabel jenis kelamin, jumlah saudara, jarak rumah ke sekolah, nilai rapor setiap semester, serta nilai rata – rata akademik. Tahapan penelitian meliputi pengumpulan data, preprocessing yang terdiri atas pembersihan dan transformasi data, pemodelan klasifikasi, serta evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan AUC melalui skema 4-fold cross validation. Hasil penelitian menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi dengan performa yang baik, namun Random Forest menghasilkan tingkat akurasi dan konsistensi yang lebih tinggi dibandingkan Naïve Bayes. Temuan ini menunjukkan bahwa metode ensemble learning lebih efektif dalam memodelkan pola prestasi belajar pada dataset yang digunakan.
Co-Authors Aser Afanti Naa Aviv Yuniar Rahman Daffa Yauzan Tusianto Fitri Marisa Mohammad Yusron Kholish Raynanda Raynanda Retno Wilujeng Syahroni Wahyu Iriananda