Article Per Year (5 Year)
p-Index From 2021 - 2026
0.817
P-Index
This Author published in this journals
All Journal JUTIS : Jurnal Teknik Informatika JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Media Informatika Informasi interaktif : jurnal informatika dan teknologi informasi
Nur Hasan, Fuad
Unknown Affiliation
Computer Science & IT

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
ANALISIS SENTIMEN TERHADAP BEA CUKAI MENGGUNAKAN SUPPORT VECTOR MACHINE DAN K-FOLD CROSS VALIDATION Blesyova, Nataniel; Nur Hasan, Fuad
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11774

Abstract

Penelitian ini dilatarbelakangi masalah yang disebabkan oleh Bea Cukai terkait penahanan donasi alat taptilo dan korban dimintai sejumlah uang untuk penebusan barang, sehingga menimbulkan berbagai opini/emosi di masyarakat terhadap Bea Cukai. Tujuan utama penelitian adalah mengevaluasi kinerja Support Vector Machine (SVM) dalam klasifikasi sentimen komentar media sosial terkait Bea Cukai, sebagai algoritma machine learning yang efektif. Metode yang digunakan melibatkan beberapa tahap, yaitu pengumpulan data dengan metode crawling data, pre-processing data yang terdiri dari case folding, cleaning, stemming, stopword,dan tokenize, penerapan algoritma SVM, evaluasi menggunakan confusion matrix, dan pengujian menggunakan teknik K-Fold Cross Validation, semua tahapan tersebut akan dilakukan menggunakan aplikasi Google Colab menggunakan bahasa Python. Hasil penelitian menunjukkan bahwa algoritma SVM menghasilkan akurasi sebesar 94% dari 400 data test dan 1600 data train, dengan precision nilai 88%, class recall dengan nilai 95%, class f1-score dengan nilai 91.36%. Pengujian dengan K-Fold Cross Validation memberikan akurasi tertinggi sebesar 98.85%, menunjukkan peningkatan signifikan. Cloudword dapat di visualisasikan per kategori data untuk melihat kata apa yang frekuensinya sering muncul. Model ini juga menunjukkan kemampuan baik dalam mengklasifikasikan sentimen positif dan negatif secara konsisten. Kesimpulannya, algoritma SVM terbukti efektif dalam klasifikasi sentimen komentar media sosial terkait Bea Cukai.
Sistem Pendeteksi Nama dan Harga Barang Pada Toko Sudiman Menggunakan Teachable Machine Rizky Thio, Muhammad; Nur Hasan, Fuad
JURNAL TEKNIK INFORMATIKA UNIS Vol. 12 No. 2 (2024): Jutis (Jurnal Teknik Informatika)
Publisher : Universitas Islam Syekh Yusuf

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33592/jutis.v12i2.5446

Abstract

Toko Sudiman menghadapi masalah dalam identifikasi dan penentuan harga barang yang lambat dan kurang efisien, menyebabkan kesalahan harga dan menurunkan kepuasan pelanggan. Penelitian ini bertujuan mengembangkan sistem otomatis berbasis Pembelajaran Mesin untuk mendeteksi nama dan harga barang secara akurat. Menggunakan model dari Teachable Machine Google, sistem ini dibangun dengan arsitektur Convolutional Neural Network (CNN) untuk klasifikasi gambar, yang terbukti efektif. Penelitian ini menargetkan akurasi lebih dari 80% dan diujikan dalam kondisi ideal untuk memastikan performa optimal. Diharapkan sistem ini mampu meningkatkan efisiensi operasional, mengurangi kesalahan harga, dan meningkatkan kepuasan pelanggan di Toko Sudiman.
Komparasi Kinerja Support Vector Machine dan Naive Bayes Teroptimasi pada Sentimen Ulasan Blu by BCA Mursyid, Fathony; Andelta Pinem, Marcellino; Sinaga, Abraham Imanuel; Ryan Saputra, Haichal; Rubiana, Eldika; Nur Hasan, Fuad
Jurnal Media Informatika Vol. 6 No. 6 (2025): Edisi Desember 2025
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v6i6.7665

Abstract

 − Pertumbuhan pesat aplikasi perbankan digital Blu by BCA Digital menghasilkan volume ulasan pengguna yang besar dan tidak terstruktur. Penelitian ini bertujuan untuk menentukan model klasifikasi sentimen biner yang optimal dengan membandingkan kinerja algoritma Support Vector Machine (SVM) dan Naive Bayes (NB). Kedua algoritma dioptimasi menggunakan Particle Swarm Optimization (PSO) untuk memperoleh hiperparameter terbaik. Optimasi ini dilakukan guna meningkatkan performa klasifikasi pada data teks berbahasa Indonesia yang bersifat informal. Evaluasi model dilakukan menggunakan metrik Akurasi dan F1-Score. Hasil pengujian menunjukkan bahwa model PSO-SVM memiliki kinerja yang lebih unggul dengan akurasi 86,01% dan F1-Score (Negatif) 76,66%. Sebagai perbandingan, model PSO-NB menghasilkan akurasi 85,03% dan F1-Score (Negatif) 74,70%. Berdasarkan hasil tersebut, PSO-SVM direkomendasikan sebagai model yang paling andal untuk sistem pemantauan sentimen otomatis, khususnya dalam mendeteksi keluhan pelanggan pada industri Fintech
Analisis Sentimen Kualitas Bahan Bakar Pertamina Menggunakan Algoritma Support Vector Machine Pada Platform X Setyawan, Jefri; Omegatha Lamanda, Julius; Ibnu Nasrulloh, Faisal Raihan; Nur Addin, Shofyan; Yogi Pamungkas, Achmad; Nur Hasan, Fuad
Informasi Interaktif : Jurnal Informatika dan Teknologi Informasi Vol 11 No 1 (2026): Bahasa Indonesia
Publisher : Program Studi Informatika Fakultas Teknik Universitas Janabadra

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

Abstract

Fuel quality is an important factor that influences engine performance and customer satisfaction. As the main fuel provider in Indonesia, Pertamina must ensure that its products meet public expectations. This study aims to analyze public sentiment toward the quality of Pertamina’s fuel products based on data obtained from Platform X (Twitter), using the Support Vector Machine (SVM) algorithm as the primary classification method. Data were collected through a crawling process using the tweet-harvest library version 2.6.1 from April 1, 2025, to September 30, 2025, resulting in 1,596 comments. The data then underwent preprocessing, including cleaning, case folding, normalization, tokenizing, stopword removal, and stemming. Sentiment labeling was performed automatically using a lexicon-based approach with two categories—positive and negative—resulting in 799 positive and 795 negative data points. The classification process was carried out using SVM with an 80% training and 20% testing data split. Based on the evaluation results, the SVM model demonstrated effective and stable performance in classifying Indonesian-language text sentiment in the context of public opinion toward Pertamina’s fuel products.
Co-Authors Andelta Pinem, Marcellino Blesyova, Nataniel Ibnu Nasrulloh, Faisal Raihan Jefri Setyawan Mursyid, Fathony Nur Addin, Shofyan Omegatha Lamanda, Julius Rizky Thio, Muhammad Rubiana, Eldika Ryan Saputra, Haichal Sinaga, Abraham Imanuel Yogi Pamungkas, Achmad