Article Per Year (5 Year)
p-Index From 2021 - 2026
3.048
P-Index
This Author published in this journals
All Journal Indonesian Journal on Software Engineering (IJSE) Jurnal Teknik Komputer AMIK BSI Indonesian Journal of Business Intelligence (IJUBI) Jurnal Teknologi Dan Sistem Informasi Bisnis Jurnal Teknologi Informatika dan Komputer Jurnal Sistem Informasi dan Sistem Komputer Indonesian Journal of Networking and Security - IJNS SPEED - Sentra Penelitian Engineering dan Edukasi
Rame Santoso
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Library & Information Science Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Analisis Sentimen Terhadap Game Clash of Clans Berdasarkan Ulasan Pemain Menggunakan Metode Support Vector Machine Agustian, Satria Bayu; Tengku Pasyah, Ahmad Dani; Vinaro, Lahenda; Santoso, Rame; Purwandani, Indah
Jurnal Sistem Informasi dan Sistem Komputer Vol 11 No 1 (2026): Vol 11 No 1 - 2026
Publisher : STIMIK Bina Bangsa Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51717/simkom.v11i1.1163

Abstract

Popularitas game Clash of Clans menghasilkan volume ulasan yang besar pada platform Google Play Store hingga saat ini. Studi ini mengevaluasi opini pemain menggunakan pendekatan Support Vector Machine (SVM) terhadap 3.287 data ulasan yang dihimpun pada periode April-Mei 2025. Serangkaian tahapan preprocessing diterapkan, mulai dari pembersihan data hingga stemming. Selanjutnya, ulasan dikategorikan ke dalam label sentimen positif dan negatif. Data tersebut kemudian diproses melalui pembobotan teks TF-IDF untuk selanjutnya diklasifikasikan menggunakan algoritma SVM. Hasil pengujian menunjukkan dominasi sentimen positif dengan tingkat akurasi mencapai 89%. Temuan ini memberikan wawasan bagi pengembang dalam memetakan preferensi serta aspirasi pemain, sekaligus mengonfirmasi keandalan teknik machine learning untuk analisis sentimen yang presisi.
KLASIFIKASI KEMATANGAN PISANG BERDASARKAN CITRA WARNA KULIT MENGGUNAKAN DECISION TREE DAN SUPPORT VECTOR MACHINE DENGAN INTEGRASI YOLOV8 Gitisari, Deva; Nisrina, Restu Putri; Putri, Nayla Natania; Heristian, Sujiliani; Apriana, Veti; Santoso, Rame
Indonesian Journal of Business Intelligence (IJUBI) Vol 8 No 2 (2025): Indonesian Journal of Business Intelligence (IJUBI)
Publisher : Universitas Alma Ata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21927/ijubi.v8i2.6488

Abstract

  Di Indonesia, panen pisang sering dilakukan sebelum buah mencapai kematangan fisiologis. Akibatnya, seringkali pisang yang belum matang beredar di pasaran. Tujuan dari penelitian ini adalah untuk mengevaluasi akurasi dua algoritma Machine Learning, yaitu Decision Tree dan Support Vector Machine (SVM) untuk menentukan tingkat kematangan pisang dengan  menggunakan dataset 6000 gambar pisang yang dikategorikan unripe, ripe, overripe, dan rotten. Dataset dipecah dalam rasio 80:20 untuk data latih dan data uji. Kemudian, metrik akurasi, presisi, recall, dan skor F1 digunakan untuk menguji. Hasil pengujian menunjukkan algoritma SVM memiliki akurasi tertinggi 92%, melampaui Decision Tree yang memiliki akurasi 82%. Model SVM Terbaik kemudian dikombinasikan dengan YOLOv8 untuk identifikasi kematangan pisang secara real-time menggunakan kamera. Penelitian ini memberikan kontribusi dengan menunjukkan efektivitas kombinasi HSV-SVM serta implementasi real-time menggunakan YOLOv8 menawarkan solusi praktis untuk pemantauan kualitas pisang secara otomatis.
Sistem Kecerdasan Buatan Untuk Deteksi Kondisi Daun Berbasis Metode Klasifikasi Fahrozi, Habil; Adiansyah, Rifky Ramadhan; Samit, Zaidan; Sujiliani, Sujiliani; Santoso, Rame; Apriana, Veti
Jurnal Teknologi Dan Sistem Informasi Bisnis Vol 8 No 1 (2026): Januari 2026
Publisher : Prodi Sistem Informasi Universitas Dharma Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47233/jteksis.v8i1.2315

Abstract

Plant diseases pose a significant threat to agricultural productivity. This study aims to develop and evaluate an artificial intelligence system capable of automatically detecting leaf health conditions and comparing the performance of two different deep learning architectures. Leaf image data obtained from the Kaggle dataset were processed and classified using Convolutional Neural Network (CNN) and MobileNetV2, while the YOLOv8 algorithm was applied to detect leaf objects within the images. The main evaluation metric used was classification accuracy to assess the model’s ability to identify whether a leaf is healthy or diseased. The results demonstrate the efficiency and comparative performance of both classification methods. The best-performing model was then implemented into a Python-based web application, enabling users to upload leaf images and obtain real-time health detection results. This implementation provides a practical contribution to the development of precision agriculture systems.
Co-Authors - AMIK BSI Bogor, Abdul Hamid - STMIK Nusa Mandiri, Firwan Santoso -STMIK Nusamandiri, Navy Apriyafiki Widanarko -UBSI, Sidik Abdul Hamid Achmad Sumbaryadi, Achmad Ade Sudaryana Adiansyah, Rifky Ramadhan Agustian, Satria Bayu Ahmad Ishaq Ahmad Ishaq - Universitas Nusa Mandiri Anak Agung Gede Sugianthara Basuki Manto, Agung Doris Doris Doris, Doris Fahrozi, Habil Gitisari, Deva Imanuddin, Ikhlas Irmayani Ningsih - Universitas Nusa Mandiri Ishak Kholil Ishaq, Ahmad Mohammad Ikhsan Saputro Mohammad Ikhsan Saputro Mohammad Ikhsan Saputro, Mohammad Ikhsan Nisrina, Restu Putri Purwandani, Indah Putri, Nayla Natania Putri, Wanda Rastono . Samit, Zaidan Saputro , M. Ikhsan Sidik . Sidik Sidik Sidik Sidik Sismadi, Sismadi Soni Kurniawan Sujiliani Heristian Sujiliani, Sujiliani Tengku Pasyah, Ahmad Dani Toni Sukendar Veti Apriana, Veti Vinaro, Lahenda Wahyuni, Ani