Article Per Year (5 Year)
p-Index From 2021 - 2026
4.959
P-Index
This Author published in this journals
All Journal Infotech Journal JITEK (Jurnal Ilmiah Teknosains) Format : Jurnal Imiah Teknik Informatika IJCIT (Indonesian Journal on Computer and Information Technology) Indonesian Journal on Software Engineering (IJSE) JIEET (Journal of Information Engineering and Educational Technology) InComTech: Jurnal Telekomunikasi dan Komputer Jurnal ULTIMA Computing JURIKOM (Jurnal Riset Komputer) KOMPUTEK Majalah Ilmiah UNIKOM Jurnal Informatika dan Rekayasa Perangkat Lunak Jurnal Infortech Djtechno: Jurnal Teknologi Informasi Computer Science (CO-SCIENCE) IMTechno: Journal of Industrial Management and Technology Simpatik: Jurnal sistem Informasi dan Informatika JUSTIN (Jurnal Sistem dan Teknologi Informasi) Journal of Artificial Intelligence and Digital Business International Journal of Advanced Science Computing and Engineering Journal Medical Informatics Technology Jurnal Informatika: Jurnal Pengembangan IT Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK)
Waeisul Bismi
Universitas Bina Sarana Informatika
Agriculture, Biological Sciences & Forestry Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Mechanical Engineering Medicine & Pharmacology Public Health Social Sciences Veterinary Other

Published : 31 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Infotech Journal

 1 
PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK SENTIMEN ULASAN APLIKASI JOBSTREET Fadhil Marzuqi; Yerico Purba; Thalut Syaputra; Waeisul Bismi; Ika Kurniawati; Riza Fahlapi
INFOTECH journal Vol. 11 No. 2 (2025)
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/infotech.v11i2.16609

Abstract

ABSTRAK Analisis sentiment digunakan untuk mengidentifikasi opini pengguna terhadap aplikasi digital berdasarkan teks ulasan. JobStreet sebagai platform rekrutmen yang populer memiliki ribuan ulasan pada Google Play Store, sehingga sesuai untuk dianalisis menggunakan pendekatan machine learning. Penelitian ini membandingkan empat algoritma—Naïve Bayes, Support Vector Machine (SVM), Logistic Regression, dan Random Forest—untuk menentukan model terbaik dalam klasifikasi sentimen ulasan JobStreet. Sebanyak 5.000 ulasan dikumpulkan menggunakan google-play-scraper, kemudian diproses melalui preprocessing yang meliputi casefolding, tokenizing, stopword removal, normalisasi, dan stemming. Setelah pembersihan, 3.846 ulasan valid direpresentasikan menggunakan TF-IDF. Evaluasi dilakukan dengan skema train-test split 80:20 dan 5-Fold Cross Validation. Hasil menunjukan bahwa Naïve Bayes memperoleh akurasi tertinggi 85.19%, diikuti Logistic Regression 84.42%, Random Forest 82.60%, dan SVM 81.69%. hasil dalam memproses teks pendek. Penelitian ini memberikan Gambaran komprehensif mengenai model terbaik untuk menganalisis sentimen aplikasi rekrutmen digital berbasis ulasan pengguna.
PENDEKATAN MODEL REGRESI LINIER DALAM MEMPREDIKSI HARGA RUMAH DI WILAYAH TANGERANG Dava Al Riziq; Muhamad Abdul Salam; Dhiaulhaq Ramadhan; Waeisul Bismi; Ika Kurniawati; Rizal Fahlapi
INFOTECH journal Vol. 12 No. 1 (2026)
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/infotech.v12i1.17335

Abstract

Harga rumah di wilayah perkotaan dipengaruhi oleh berbagai karakteristik fisik bangunan dan lahan yang bersifat kompleks. Penelitian tujuannya menilai kinerja algoritma regresi linier memperkirakan harga rumah di Kota Tangerang berdasarkan data fisik rumah. Variabel dipergunakan meliputi luas tanah, luas bangunan, jumlah kamar tidur, jumlah kamar mandi. Dataset didapat pada situs properti daring dengan 220 data awal, setelah preprocessing menghasilkan 196 data bersih. Pemodelan dilakukan menggunakan RapidMiner pembagian data 80% data latih dan 20% data uji. Evaluasi dilakukan menggunakan MAE, RMSE, R². Temuan penelitian melihatkan nilai MAE 702.585.838, RMSE sebesar 1.263.497.273, R² 0,839. Nilai error relatif besar melihatkan regresi linier belum mampu mencapai tingkat akurasi yang tinggi, namun nilai R² menunjukkan kemampuan model dalam menjelaskan sebagian besar variasi harga rumah. Oleh karena itu, regresi linier masih layak digunakan sebagai model dasar dalam prediksi harga rumah.
PENERAPAN MACHINE LEARNING UNTUK ANALISIS SENTIMEN PROGRAM MBG PADA PLATFORM X DAN YOUTUBE Putra Muamar Kadafi; Hildan Zafa Riyadi; Raka Satria Gumilang Raya; Ika Kurniawati; Waeisul Bismi; Riza Fahlapi
INFOTECH journal Vol. 12 No. 1 (2026)
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/infotech.v12i1.17472

Abstract

Program Makan Bergizi Gratis (MBG) merupakan kebijakan nasional yang bertujuan meningkatkan kualitas gizi anak sekolah dan menekan angka stunting. Implementasi program ini menimbulkan beragam respons di media sosial yang mencerminkan persepsi publik terhadap efektivitas kebijakan. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap Program MBG berdasarkan data dari platform X dan YouTube serta membandingkan kinerja model Support Vector Machine (SVM), Random Forest, dan Long Short-Term Memory (LSTM).  Data dikumpulkan melalui teknik web scraping dan diproses melalui tahapan pra-pemrosesan dan ekstraksi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), ulasan dikategorikan menjadi 3 kelas sentimen positif, negatif, dan netral. Evaluasi model diukur menggunakan metrik akurasi, presisi, recall, dan F1-score. Model Random Forest menunjukkan kinerja yang unggul, mencapai akurasi, sebesar 87,2%.  LSTM memperoleh performa yang cukup tinggi dengan akurasi, recall, dan recall sebesar 81,8% serta 81,7 untuk F1-score. Sementara SVM memiliki performa yang rendah dibanding kedua model lainnya, dengan akurasi, presisi, recall, dan F1-score sebesar 79,1%.  Hasil studi menunjukkan bahwa Random Forest terbukti lebih stabil terhadap variasi data seperti teks dan penanganan data tidak seimbang, serta lebih tahan terhadap overfitting.  Studi ini diharapkan dapat memberikan tinjauan komparatif dari tiga algoritma populer untuk analisis sentimen dan dapat digunakan sebagai referensi untuk memilih metode klasifikasi untuk ulasan bebahasa Indonesia.
Co-Authors Abdullah, Fikrian Nur Ade Setiawan Ade Setiawan Anisa Febriyani Anton . Arina Selawati Bela, Sintia Dava Al Riziq Deny Novianti Dhiaulhaq Ramadhan Dicky Hariyanto Dwiza Riana Dwiza Riana Fadhil Marzuqi Fahlapi, Riza Fajar Shidiq Farid Ramadhan Febrianto, Ade Ilham Febriyani, Anisa Firmansyah Firmansyah Gata, Windu Gibran, Afrizal Achmad Halawa, Jenianus Hani Harafani Harianja, Putri Alletheia Hewiz , Alya Shafira Hildan Zafa Riyadi Ika Kurniawati Ika Kurniawati Jordy Lasmana Putra Jufriadif Na`am, Jufriadif Kurniawan, Ery Liya, Amel Manampiring, Jim Maxwell Maysaroh, Maysaroh Mugi Raharjo Muhamad Abdul Salam Muhammad Qomaruddin muhammad qomaruddin Musriatun Napiah Noor, Mohamad Nurardian, Ridwana Septian Nurbaety Nurbaety Putra Muamar Kadafi Putri, Destiana Putri, Halimmatussa’diyah Putri, Halimmatussa’diyah Qomaruddin, Muhammmad Rachmat Adi Purnama Rachmawati Darma Astuti Rachmawati Darma Astuti Raharjo, Mugi Rahmandhani, Rifqi Raka Satria Gumilang Raya Ramadhan, Farid Rangga Wardhana RIZA FAHLAPI Rizal Fahlapi Rizkiansyah, Dimas Rosandi, Rivana Sakata, Yama Sulkhan Sandra Dewi Saraswati Saputra, Ari Setia Saputra, Atio Wahyudi Siregar, Aris Parnius Taufik Asra Thalut Syaputra Tommi Alfian Armawan Sandi Wijaya, Aryanata Yerico Purba Zai, Jefiri