Article Per Year (5 Year)
p-Index From 2021 - 2026
4.066
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Computatio : Journal of Computer Science and Information Systems Indonesian Journal on Software Engineering (IJSE) JOURNAL OF APPLIED INFORMATICS AND COMPUTING METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Jurnal Teknoinfo EVOLUSI : Jurnal Sains dan Manajemen Tematik : Jurnal Teknologi Informasi Komunikasi Computer Science (CO-SCIENCE) Jurnal Sistem Informasi Akuntansi Conten : Computer and Network Technology Informatics and Computer Engineering Journal EVOLUSI : Jurnal Sains dan Manajemen
Dany Pratmanto
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Engineering

Published : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 36 Documents
Search

 1   2   3   4 
Analisa Sentimen Financial Technology Peer To Peer Lending Pada Aplikasi Koinworks Rousyati, Rousyati; Gata, Windu; Pratmanto, Dany; Wardhani, Nia Kusuma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 6: Desember 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022964409

Abstract

Bertambahnya jumlah perusahaan financial technology (fintech) yang terdaftar di Otoritas Jasa Keuangan mengartikan bahwa industri ini semakin dilirik karena  dibutuhkan dalam sistem perekonomian di Indonesia. Namun perkembangan Fintech P2PL telah menimbulkan beberapa risiko. Pertama, ada risiko gagal bayar, karena tidak ada jaminan atau persyaratan kontak fisik. Kedua, ada risiko yang terkait dengan keamanan data (risiko cyber), tata kelola, dan privasi pelanggan dan juga karena kerentanan sistem dan penyalahgunaan data, baik sengaja atau tidak sengaja. Ulasan yang terdapat pada kolom komentar Google Play dapat dimanfaatkan sebagai sumber data yang dapat di oleh dengan data mining. Penelitian ini akan menganalisis mengenai permasalahan yang berkaitan dengan beberapa ulasan tentang  Fintech P2PL  apikasi Koinworks pada ulasan di Google Play Store serta menentukan hasil akurasi analisis sentimen yang dihasilkan algoritma Decision Tree, K-Nearest Neigbor dan Support Vector Machine. Adapun manfaat dari penelitian ini adalah untuk membantu manajemen aplikasi Koinworks mengenai opini positif atau negatif dari pengguna aplikasi serta dapat  memberikan bukti  secara  empiris  untuk  teori  yang  berkaitan sehingga  dapat  dijadikan  sumbangan  pemikiran untuk pengembangan teori berikutnya. Algoritma SVM dengan Cross Validation + Parameter Optimization menghasilkan Accuracy 91,03% precision tertinggi yaitu dengan 96,73%% , recall 85,34% dan AUC  tertinggi yaitu 0,986 yang termasuk dalam excellent classification. AbstractThe increasing number of financial technology (fintech) companies registered with the Financial Services Authority means that this industry is increasingly being looked at because it is needed in the economic system in Indonesia. However, the development of Fintech P2PL has created several risks. First, there is a risk of default, because there are no guarantees or physical contact requirements. Second, there are risks associated with data security (cyber risk), governance, and customer privacy and also because of system vulnerabilities and data abuse, whether intentionally or unintentionally. Reviews contained in the Google Play comments column can be used as a data source that can be shared with data mining. This research will analyze the problems related to some reviews about the Fintech P2PL Koinworks application on reviews on the Google Play Store and determine the results of the accuracy of sentiment analysis produced by the Decision Tree algorithm, K-Nearest Neigbor and Support Vector Machine. The benefits of this research are to help the management of Koinworks applications regarding positive or negative opinions of application users and can provide empirical evidence for related theories so that they can be contributed to the development of subsequent theories. SVM algorithm with Cross Validation + Parameter Optimization produces Accuracy 91.03% of the highest precision with 96.73 %%, 85.34% recall and the highest AUC of 0.986 which is included in excellent classification.
Sistem Informasi Absensi Pegawai Miemie Brownie “Simiemie” Pratmanto, Dany; Liesnaningsih, Liesnaningsih; Subkhan, Wimas Mutas; Azhar, Haikal Akhalul; Ichsani, Annisa
Jurnal Sistem Informasi Akuntansi (JASIKA) Vol. 4 No. 01 (2024): Mei 2024
Publisher : LPPM UBSI Kampus Kota Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/jasika.v4i01.3571

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem informasi absensi pegawai berbasis web untuk Miemie Brownie, sebuah perusahaan di bawah PT Nibras Berkah Mulia yang bergerak di sektor makanan dan minuman. Sistem absensi manual saat ini, yang menggunakan pengenalan sidik jari, terbukti tidak efisien, terutama ketika sidik jari basah atau kotor, sehingga memerlukan pemrosesan data yang memakan waktu. Sistem baru ini bertujuan untuk meningkatkan produktivitas dan efisiensi dengan menyediakan platform yang mudah digunakan untuk pelacakan dan pelaporan absensi. Dengan mengimplementasikan sistem berbasis web ini, karyawan dapat mencatat absensi secara jarak jauh, memfasilitasi akurasi data yang lebih baik dan pelaporan yang tepat waktu. Penelitian ini menggunakan model Waterfall untuk pengembangan sistem, memastikan pendekatan terstruktur dari analisis kebutuhan hingga implementasi dan pemeliharaan. Hasilnya menunjukkan peningkatan signifikan dalam penanganan data, pengurangan kesalahan, dan peningkatan efisiensi operasional, menyoroti pentingnya integrasi teknologi dalam sistem manajemen pegawai.
Analisis Sentimen Pada Ulasan Pengguna Aplikasi Identitas Kependudukan Digital Dengan Metode Naive Bayes Dan K-Nearest Pratmanto, Dany; Imaniawan, Fabriyan Fandi Dwi; Maarif, Vadlya
Computatio : Journal of Computer Science and Information Systems Vol. 7 No. 2 (2023): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v7i2.26322

Abstract

Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap data ulasan pengguna aplikasi Identitas Kependudukan Digital (IKD) dengan membandingkan performa dua metode, yakni Naive Bayes dan K-Nearest Neighbor (KNN). Data ulasan diambil dari Google Play Store lalu dipreprocess melalui text cleaning, case folding, tokenization, filtering, stemming, serta removal stopword agar siap dianalisis. Selanjutnya dilakukan transformasi data tekstual menjadi representasi numerik melalui pembobotan TF-IDF dan ekstraksi fitur. Kedua metode machine learning kemudian diimplementasikan untuk melakukan klasifikasi ulasan ke dalam dua kelas sentimen, yaitu positif dan negatif.Hasil penelitian menunjukkan bahwa KNN secara signifikan mengungguli Naive Bayes dalam hal akurasi dan presisi klasifikasi sentimen pada data ulasan aplikasi IKD. KNN mampu mencapai akurasi rata-rata 82,85% dan presisi di atas 80% untuk kedua kelas sentimen. Walaupun demikian, masih terdapat peluang peningkatan performa dengan melakukan parameter tuning serta kombinasi dengan metode lain seperti SVM atau deep learning. Secara keseluruhan, penelitian ini berhasil membuktikan efektivitas penerapan Naive Bayes dan KNN untuk analisis sentimen, khususnya KNN yang menunjukkan hasil paling optimal. Hasil penelitian diharapkan dapat memberikan wawasan bermanfaat untuk evaluasi dan pengembangan aplikasi IKD agar lebih user-friendly dan sesuai dengan kebutuhan masyarakat Indonesia.
ANALISIS PERBANDINGAN ALGORITMA NAIVE BAYES DAN KNN UNTUK ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI VIDIO DI GOOGLE PLAY STORE Pratmanto, Dany; Widayanto, Aprih; Kristania, Yustina Meisella; Ubaidillah , Ubaidillah; Wijianto, Ragil
CONTEN : Computer and Network Technology Vol. 4 No. 2 (2024): Desember 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/conten.v4i2.6891

Abstract

Penelitian ini mengkaji efektivitas algoritma Naive Bayes (NB) dan K-Nearest Neighbors (KNN) dalam analisis sentimen ulasan pengguna aplikasi Vidio di Google Play Store. Evaluasi kinerja kedua model dilakukan menggunakan berbagai metrik, termasuk akurasi, precision, recall, dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa KNN mengungguli Naive Bayes dalam beberapa aspek penting. KNN mencapai akurasi 74.92% dibandingkan dengan Naive Bayes sebesar 71.32%. Dalam hal precision, KNN juga menunjukkan performa yang lebih baik dengan nilai 76.52%, sementara Naive Bayes mencapai 71.61%. Meskipun demikian, kedua model menunjukkan kinerja yang sebanding dalam hal recall, dengan KNN mencapai 72.54% dan Naive Bayes 71.46%. Yang menarik, kedua model memiliki nilai AUC yang sangat tinggi dan hampir setara, yaitu 90.10% untuk KNN dan 90.00% untuk Naive Bayes, menunjukkan kemampuan yang sangat baik dalam membedakan sentimen positif dan negatif. Berdasarkan hasil evaluasi secara keseluruhan, algoritma KNN lebih direkomendasikan untuk implementasi analisis sentimen pada ulasan pengguna aplikasi Vidio.
Evaluasi Metode Naive Bayes dan K-Nearest Neighbors untuk Analisis Sentimen pada Review Aplikasi Duolingo Joko Dwi Mulyanto; Dany Pratmanto; Aprih Widayanto; Pijar Sukma Prayogo; Andi Yoko Satrio
Evolusi : Jurnal Sains dan Manajemen Vol. 13 No. 2 (2025): Periode September 2025
Publisher : LPPM Universitas Bina Sarana Informatika Kampus Kabupaten Banyumas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/evolusi.v13i2.9937

Abstract

Sentiment analysis is a valuable method for understanding user opinions on digital applications. This study evaluates the performance of the Naive Bayes and K-Nearest Neighbors (KNN) algorithms in classifying sentiments from user reviews of the Duolingo application obtained from the Google Play Store. The dataset consists of 2,000 reviews, comprising 1,000 negative (1-star) and 1,000 positive (5-star) reviews. Preprocessing was conducted in RapidMiner through several stages, including case transformation, tokenization, stopword removal, and stemming, with features represented using TF-IDF. The experimental results show that Naive Bayes achieved an accuracy of 79.96%, recall of 87.76%, precision of 77.21%, and an AUC of 96.40%. Meanwhile, KNN achieved an accuracy of 78.34%, recall of 75.32%, precision of 81.06%, and an AUC of 92.20%. These findings suggest that Naive Bayes outperforms KNN overall, particularly in sensitivity and class separation, while KNN produces more precise positive predictions. Therefore, the choice of algorithm should depend on analysis objectives, whether emphasizing broader sentiment detection or higher precision in positive sentiment classification.
Perbandingan Algoritma Naive Bayes dan K-Nearest Neighbors dalam Analisis Sentimen Ulasan Aplikasi Gojek Rousyati Rousyati; Dany Pratmanto; Fandhilah Fandhilah
METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 10 No. 1 (2026): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/jmika.Vol10No1.pp186-191

Abstract

Sentiment analysis of mobile app reviews helps understand public perceptions of digital service quality. This study compares two machine learning algorithms, Naive Bayes (NB) and K-Nearest Neighbors (KNN), for classifying sentiment in Gojek app reviews from the Google Play Store. The dataset includes 5,000 reviews (1-star as negative and 5-star as positive), processed through Indonesian text preprocessing steps: case folding, tokenization, stopword removal, stemming with PySastrawi, and TF-IDF feature extraction using unigrams and bigrams. After cleaning, 4,685 valid reviews remained, split into 80% training and 20% testing, producing 3,322 features. Results show that Naive Bayes (MultinomialNB, α = 1.0) outperforms KNN, achieving 89.43% accuracy, 90.09% precision, 89.43% recall, and 89.34% F1-score, with a 5-fold cross-validation score of 91.22%. Meanwhile, KNN (k = 7, cosine metric) achieves 86.77% accuracy, 86.78% precision, 86.77% recall, and 86.75% F1-score, with a cross-validation score of 87.83%. Overall, Naive Bayes proves more effective for high-dimensional Indonesian text classification using TF-IDF.
Co-Authors A. Fatakhudin - AMIK BSI Tegal Aep Saprul Mujahid Afida Nurul Yasmin Aji, Sopian Andi Yoko Satrio Andri Miftahul Akhyar Andrian Eko Widodo Angga Ardiansyah Aprih Widayanto Ayu Amarcia Ananda Santoso Wijoyo Ayu Silvia Azhar, Haikal Akhalul Crisna, Aditia Dhea Savitri Evita Nur Khasanah Fabriyan Fandi Dwi Imaniawan Fakihotun Titiani Fandhilah Fandhilah Fanny Fatma Wati Fathurrohman Al Ubaidillah Fatmawati, Kulum Fitria Tisa’ Tiffani Gata, Windu Hasani, Maghfur Husni Mubarok Ichsani, Annisa Imam Tazali Inggit Ayu Arifiyanti Joko Dwi Mulyanto Liesnaningsih Liesnaningsih Liesnaningsih, Liesnaningsih Melly Agustin Muhamad Fahrul Rozzi Nia Kusuma Wardhani Pijar Sukma Prayogo Pratama L, Yansen Ragil Wijianto Ratna Kurnia Sari Rousyati Rousyati Rousyati Rousyati Rousyati, Rousyati Safuan Adi Saputra Sahal Tsani Musyaffa - AMIK BSI Purwokerto Saifudin Saifudin Saputra, Rangga Diva Sopian Aji Subkhan, Wimas Mutas Suleman Suleman Tasya Desti Setiawan Teguh Rijanandi Ubaidilah Ubaidillah , Ubaidillah Vadlya Maarif Yustina Meisella Kristania - STMIK Nusa Mandiri Jakarta, Yustina Meisella Kristania