p-Index From 2021 - 2026
7.892
P-Index
Claim Missing Document
Check
Articles

Opinion Mining menggunakan Algoritma Deep Learning untuk Menganalisis Penggunaan Aplikasi Jamsostek Mobile Azhari, Zahra; Efrizoni, Lusiana; Agustin, Wirta; Yanti, Rini
The Indonesian Journal of Computer Science Vol. 12 No. 2 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i2.3185

Abstract

BPJS Ketenagakerjaan berperan dalam menjaga kesejahteraan para pekerja dan buruh melalui program-program pendidikan dan pelatihan yang diberikan, pelayanan menjadi prioritas terhadap pelanggan untuk memberikan kenyamanan. Melalui aplikasi Jamsostek Mobile yang terdapat di google playstore akan diambil komentar-komentar untuk mendapatkan respon pelanggan terhadap aplikasi Jamsostek mobile untuk dilakukan opinion mining. Komentar yang diambil dari google playstore menggunakan bantuan googleplayscraper, sebanyak 3000 komentar berhasil diambil yang kemudian akan dilakukan tahap pembersihan data, pelabelan, pembobotan kata menggunakan word2vec 300 dimensi dan dilanjutkan menggunakan algoritma Long Short Term Memory. Hasil opinion mining menunjukkan dominasi sentimen negatif sebesar 80.58% dan 19.42% positif dengan tingkat akurasi terbaik yang dihasilkan oleh algoritma LSTM sebesar 87.36%. Hasil penelitian ini akan memberikan wawasan yang berguna bagi pengembang aplikasi untuk meningkatkan kualitas pelayanan dan pengalaman pengguna.
Improving Evaluation Metrics for Text Summarization: A Comparative Study and Proposal of a Novel Metric Junadhi, Junadhi; Agustin, Agustin; Efrizoni, Lusiana; Okmayura, Finanta; Habibie, Dedi Rahman; Muslim, Muslim
Journal of Applied Data Sciences Vol 6, No 2: MAY 2025
Publisher : Bright Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47738/jads.v6i2.547

Abstract

This research evaluates and compares the effectiveness of various evaluation metrics in text summarization, focusing on the development of a new metric that holistically measures summary quality. Commonly used metrics, including ROUGE, BLEU, METEOR, and BERTScore, were tested on three datasets: CNN/DailyMail, XSum, and PubMed. The analysis revealed that while ROUGE achieved an average score of 0.65, it struggled to capture semantic nuances, particularly for abstractive summarization models. In contrast, BERTScore, which incorporates semantic representation, performed better with an average score of 0.75. To address these limitations, we developed the Proposed Metric, which combines semantic similarity, n-gram overlap, and sentence fluency. The Proposed Metric achieved an average score of 0.78 across datasets, surpassing conventional metrics by providing more accurate assessments of summary quality. This research contributes a novel approach to text summarization evaluation by integrating semantic and structural aspects into a single metric. The findings highlight the Proposed Metric's ability to capture contextual coherence and semantic alignment, making it suitable for real-world applications such as news summarization and medical research. These results emphasize the importance of developing holistic metrics for better evaluation of text summarization models.
Analisis Performa Penjualan dan Prediksi Omzet dengan Pendekatan Market Basket Analysis Berbasis Data Analytics Ramadhani, Jilang; Efrizoni, Lusiana; Yenni, Helda; Zoromi, Fransiskus
The Indonesian Journal of Computer Science Vol. 14 No. 2 (2025): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v14i2.4788

Abstract

Pesatnya perkembangan bisnis ritel menuntut strategi pemasaran berbasis data untuk meningkatkan performa penjualan dan omzet. Penelitian ini menggunakan Market Basket Analysis (MBA) dengan algoritma Apriori untuk mengidentifikasi pola pembelian konsumen dan Regresi Linear Sederhana untuk memprediksi omzet berdasarkan jumlah transaksi harian. Data transaksi Alfamart Wingky Mart periode Maret–September 2024 dianalisis guna menemukan hubungan antar produk serta tren penjualan. Hasil MBA menunjukkan kombinasi produk Bimoli, Gula, dan Tepung memiliki support 42.16% dan confidence 99.37%, yang dapat dimanfaatkan untuk strategi pemasaran. Model regresi menghasilkan R² sebesar 35.65%, menunjukkan hubungan antara jumlah transaksi dan omzet, meskipun masih terdapat faktor lain yang berpengaruh. Penelitian ini memberikan wawasan strategis bagi bisnis ritel dalam optimasi tata letak produk, promosi bundling, serta peningkatan omzet berbasis analisis data.
Optimalisasi Pengelompokan Gangguan Kecemasan dalam Mendukung Tujuan Pembangunan Berkelanjutan Menggunakan Algoritma K-Means dan K-Medoids Aulia, Rahma; Julianti, Nadea; Putri, Siti Faradila; Efrizoni, Lusiana; Deni, Rahmad
JATISI Vol 12 No 2 (2025): JATISI (Jurnal Teknik Informatika dan Sistem Informasi)
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jatisi.v12i2.11495

Abstract

Abstract Data clustering is a data mining technique that aims to find hidden patterns in a dataset. The dataset used in this study was taken from the Kaggle public dataset on anxiety attacks. Anxiety disorder is a mental condition characterized by excessive and prolonged feelings of anxiety. Clustering anxiety disorders facilitates finding the cause, effect, and better treatment. Therefore, this study aims to group anxiety disorders using the K-Means and K-Medoids algorithms by considering attributes such as stress level, sleep patterns, and physical activity. The performance of the model is evaluated using the Davies-Bouldin Index (DBI). The results showed that the K-Means algorithm produced the lowest DBI value in cluster ten with an accuracy value of 2.331. This shows that the K-Means algorithm is able to identify significant patterns in anxiety disorder data. This study can be a recommendation for health professionals in making more precise diagnoses, understanding the characteristics of the causes of anxiety disorders. In addition, this study also supports the achievement of the Sustainable Development Goals in an effort to improve the overall health and welfare of the community. Keywords— K-Means, K-Medoids, Anxiety Disorders, Sustainable Development Go als
Perbandingan Algoritma K-Nearest Neighbors dan Random Forest untuk Rekomendasi Gaya Hidup Sehat dalam Mencegah Penyakit Jantung: Comparison of K-Nearest Neighbors and Random Forest Algorithms for Recommendations for a Healthy Lifestyle in Prevent Heart Disease Sahelvi, Elza; Cikita, Putri; Sapitri, Riska Mela; Rahmaddeni, Rahmaddeni; Efrizoni, Lusiana
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.1972

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian yang disebabkan oleh faktor gaya hidup tidak sehat. Untuk mengatasi permasalahan ini, penelitian ini membandingkan algoritma K-Nearest Neighbors (KNN) dan Random Forest (RF) dalam memberikan rekomendasi gaya hidup sehat guna mencegah penyakit jantung. Dataset yang digunakan terdiri dari 1.025 entri dengan 14 fitur, yang telah melalui tahap preprocessing, termasuk normalisasi, seleksi fitur, dan pembagian data 80:20 serta 70:30. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebih tinggi (99% pada skenario 80:20 dan 98% pada skenario 70:30) dibandingkan KNN (83% dan 86%), serta lebih stabil dalam mengklasifikasikan risiko penyakit jantung. Analisis fitur menunjukkan bahwa Chest Pain Type (CP) atau nyeri dada merupakan faktor paling berpengaruh. Berdasarkan hasil ini, direkomendasikan pola makan sehat, aktivitas fisik teratur, manajemen stres, serta pemeriksaan kesehatan rutin. Kesimpulannya, Random Forest lebih efektif dalam sistem rekomendasi gaya hidup sehat, dan penelitian selanjutnya dapat menggunakan dataset lebih besar dengan variabel tambahan guna meningkatkan akurasi prediksi.
Model Prediksi Dampak Perubahan Iklim pada Ketahanan Pangan Menggunakan Algoritma Support Vector Machine and K-Nearest Neighbors: Prediction Model for the Impact of Climate Change on Food Security Using the Support Vector Machine and K-Nearest Neighbors Algorithms Sari, Devi Puspita; Risman, Risman; Maulana, Fitra; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.1975

Abstract

Perubahan iklim memberikan dampak signifikan terhadap ketahanan pangan global, terutama di wilayah yang sangat bergantung pada sektor agrikultur. Fenomena seperti curah hujan ekstrem, kenaikan suhu, dan perubahan pola angin telah memengaruhi produktivitas pertanian secara signifikan. Urgensi penelitian ini terletak pada pentingnya pengembangan model prediktif berbasis data untuk mengantisipasi dampak perubahan iklim terhadap ketahanan pangan, sehingga strategi adaptasi dapat dirancang secara tepat oleh pembuat kebijakan. Penelitian ini bertujuan mengembangkan model prediksi dampak perubahan iklim terhadap ketahanan pangan dengan memanfaatkan algoritma Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN). Dataset yang digunakan meliputi data meteorologi harian, seperti curah hujan (precipitation), suhu maksimum (temp_max), suhu minimum (temp_min), dan kecepatan angin (wind), yang diperoleh dari Kaggle (Seattle weather). Model SVM diterapkan untuk menangkap hubungan non-linear antara parameter iklim dengan indikator ketahanan pangan, sedangkan KNN digunakan untuk menganalisis pola serupa pada data historis. Hasil penelitian menunjukkan bahwa SVM memiliki akurasi prediksi sebesar 78%, lebih unggul dibandingkan KNN yang mencapai akurasi 74%. Temuan ini membuktikan bahwa SVM lebih efektif dalam memodelkan keterkaitan antara variabel iklim dan ketahanan pangan. Dengan demikian, penelitian ini berhasil mencapai tujuannya dan memberikan kontribusi penting dalam pengembangan sistem prediksi berbasis machine learning untuk mendukung kebijakan pangan yang adaptif terhadap perubahan iklim.
Optimization of Customer Segmentation in the Retail Industry Using the K-Medoid Algorithm Agustin, Endy Wulan; Uthami, Kurnia; Ulfa, Arvan Izzatul; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.1977

Abstract

The retail industry faces significant challenges in understanding increasingly complex customer behavior due to massive data growth. One major obstacle is suboptimal customer segmentation, leading to ineffective marketing strategies. This study aims to optimize customer segmentation by implementing the K-Medoid algorithm, which excels in handling outliers and producing more stable clusters compared to K-Means. The dataset consists of over 10,000 customer transactions from a major retail company in Indonesia. The research process includes data collection and preprocessing, K-Medoid algorithm implementation, and performance evaluation using the silhouette score. The results indicate that the K-Medoid algorithm achieves more accurate customer segmentation, with a silhouette score of 0.39. The generated clusters exhibit greater homogeneity, enabling companies to design more targeted marketing strategies, such as specific discount offers and tailored loyalty programs. Based on these findings, the K-Medoid algorithm is recommended to enhance customer management effectiveness in the retail industry. This study contributes to selecting a more suitable algorithm for customer segmentation in the era of big data and opens opportunities for further exploration of hybrid algorithms and additional evaluation metrics.
Analisis Faktor-Faktor yang Mempengaruhi Engagement Video di Platform TikTok Menggunakan Multiple Linear Regression: Analysis of Factors that Influence Video Engagement on the TikTok Platform Using the Multiple Linear Regression Algorithm Sapina, Nur; Nanda, Annisa; Arifin, Muhammad Amirul; Rahmaddeni, Rahmaddeni; Efrizoni, Lusiana
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.1987

Abstract

TikTok telah berkembang menjadi salah satu platform interaksi digital terkenal secara luas di seluruh dunia, yang memiliki lebih dari satu miliar orang pengguna aktif. Namun, sebagian video di TikTok memperoleh tingkat engagement yang tinggi meskipun menggunakan pendekatan konten yang serupa. Riset ini dimaksudkan untuk menelusuri unsur-unsur yang memberikan pengaruh terhadap engagement video di TikTok dengan menerapkan algoritma Regresi Linear Berganda. Variabel yang dianalisis meliputi durasi video, jumlah tayangan, komentar, like, share, dan download. Setelah melalui tahap preprocessing data, seleksi fitur, dan pengujian asumsi regresi, ditemukan bahwa video_like_count, video_share_count, dan video_download_count memiliki pengaruh paling signifikan terhadap jumlah tayangan. Hasil evaluasi model membuktikan bahwa model regresi menujukkan kinerja prediktif yang sangat baik, dengan nilai R² Squared sebesar 0,978, RMSE sebesar 0,0742, dan MSE sebesar 0,0055. Riset ini memberikan gambaran praktis kepada konten kreator dan konten marketing dalam merancang produksi konten yang lebih optimal. Model prediksi ini juga dapat dimanfaatkan untuk memperkirakan potensi engagement suatu video sebelum dipublikasikan.
Model Klasifikasi IPK Mahasiswa Menggunakan Algoritma Decision Tree dan Random Forest Berbasis Feature Engineering Firman, Muhammad Aditya; Djamalilleil, Said Azka Fauzan; Zega, Wilman; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni
Techno.Com Vol. 24 No. 2 (2025): Mei 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i2.12384

Abstract

Indeks Prestasi Kumulatif (IPK) merupakan indikator utama dalam menilai keberhasilan akademik mahasiswa. Berbagai faktor, termasuk kesehatan mental dan fisik, berkontribusi terhadap pencapaian ini. Penelitian ini bertujuan untuk membangun model prediksi IPK menggunakan algoritma Decision Tree dan Random Forest berbasis Feature Engineering. Proses feature engineering mencakup feature selection untuk memilih fitur paling relevan, diikuti oleh feature extraction yang menyederhanakan fitur menjadi dua kategori utama: kesehatan mental dan fisik. Data diperoleh melalui survei terhadap 7.022 mahasiswa dari berbagai universitas luar negeri, mencakup faktor usia, jurusan, tingkat stres, kecemasan, serta pola tidur, aktivitas fisik dan lain sebagainya. Model prediksi dikembangkan menggunakan Decision Tree dan Random Forest, dengan evaluasi akurasi kedua algoritma. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebih tinggi dibandingkan Decision Tree. Faktor kesehatan mental, terutama tingkat stres, memiliki pengaruh signifikan terhadap prediksi IPK, disusul oleh pola tidur. Studi ini menegaskan bahwa pemantauan kesehatan mental dan fisik mahasiswa dapat meningkatkan pencapaian akademik. Temuan ini diharapkan dapat membantu institusi pendidikan dalam merancang strategi dukungan akademik berbasis kesehatan mahasiswa.   Kata Kunci: Indeks Prestasi Kumulatif (IPK), Machine Learning, Decision Tree, Random Forest, Feature Engineering
Deep Learning Innovations in Fingerprint Recognition: A Comparative Study of Model Efficiencies Efrizoni, Lusiana; Armoogum , Sheeba; Zakaria , Mohd Zaki
International Journal of Advances in Artificial Intelligence and Machine Learning Vol. 1 No. 1 (2024): International Journal of Advances in Artificial Intelligence and Machine Learni
Publisher : CV Media Inti Teknologi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58723/ijaaiml.v1i1.294

Abstract

Fingerprint recognition technology is integral to biometric security systems, providing secure and reliable identification through unique human fingerprint patterns. However, challenges such as low contrast, high intra-class variability, and partial fingerprints often compromise the efficiency and accuracy of traditional recognition systems. This research addresses these challenges by employing advanced deep learning techniques, specifically Convolutional Neural Networks (CNNs), to enhance fingerprint recognition performance. We propose a methodological approach that leverages state-of-the-art CNN architectures tailored to capture intricate fingerprint details. The study utilizes the Sokoto Coventry Fingerprint Dataset (SOCOFing), which includes diverse fingerprint types and synthetic alterations to evaluate model performance under realistic conditions. Through a comparative analysis of various CNN configurations, we assessed the models based on efficiency and accuracy, using metrics such as accuracy, precision, recall, and F1-score. Our experimental results demonstrate significant improvements in fingerprint recognition capabilities. The optimized CNN model achieved an accuracy of 98.61%, a precision of 97.12%, a recall of 97.46%, and an F1-score of 97.29%. These results validate the effectiveness of CNNs in handling complex biometric data and underscore their potential to enhance the reliability and security of fingerprint recognition systems. The study concludes that deep learning, through the use of CNNs, offers a powerful solution to the limitations of traditional fingerprint recognition techniques. This will pave the way for more sophisticated and accurate biometric security systems in practical applications. The research findings contribute to ongoing advancements in neural network architectures, enhancing their applicability in increasingly automated and data-driven security environments.
Co-Authors -, Dwi Haryono Afrinanda, Rizky Agung Marinda Agustin Agustin Agustin Agustin Agustin Agustin Agustin, Endy Wulan Ahmad - Fauzan Ahmad Fauzan Ahmad Rizali Anam, M Khairul Andhika, Imam Anthony Anggrawan Anugraha, Yoga Safitra Aprilia, Fanesa Arifin, Muhammad Amirul Armoogum , Sheeba Aulia, Rahma Azhari, Zahra Cikita, Putri Dadynata, Eric Deni, Rahmad Devi Puspita Sari, Devi Puspita Dewi, Deshinta Arrova Dhini Septhya Djamalilleil, Said Azka Fauzan Edwar Ali Erlinda, Susi Ermy Pily, Annisa Khoirala ester nababan fadillah, m Fadly Fadly Farhan Pratama Fauzan, Aulia Filza Izzati Finanta Okmayura Firdaus, Muhammad Bambang Firman, Muhammad Aditya Fransiskus Zoromi Fransiskus Zoromi, Fransiskus Gusti Firmansyah, Mulia Habibie, Dedi Rahman Hadi Asnal, Hadi Handayani, Nadya Satya Haviluddin Haviluddin Helda Yenni, Helda Hidaya Spitri Hutasoit, Josua Iftar Ramadhan Ihsan, Raja Muhammad Ike Yunia Pasa Irwanda Syahputra Julianti, Nadea Junadhi Junadhi Junadhi Junadhi Junadhi, Junadhi Karpen Kartina Diah K. W. Khairuddin, M. Kharisma Rahayu Koko Harianto Kurniawan, Tri Basuki Lathifah, Lathifah Lestari, Fika Ayu Lili Marlia M. Azzuhri Dinata M. Irpan Marhadi, Nanda Maulana, Fitra Melva Suryani Muhammad Bambang Firdaus Muhammad Oase Ansharullah Muhammad Syaifullah MUHAMMAD TAJUDDIN Munawir Munawir Muslim Muslim Nanda, Annisa Nasution , Zikri Hardyan Novfuja, Elma Nurul fadillah, Nurul Oktavianda Panguluri, Padmavathi Praveen, S Phani Purnama, Muhammad Adji Putantri, Nazlah Sari Putra, Febrianda Putri, Adinda Dwi Putri, Siti Faradila R. Guntur Surya Yuwana - Rabbani, Salsabila Rahmaddeni , Rahmaddeni Rahmaddeni Rahmaddeni Rahmaddeni, - Rahmiati Rahmiati Rais Amin Ramadhani, Jilang Rati Rahmadani Ratna Andini Husen Revaldo, Bagus Tri Riadhil Jannah Rini Yanti, Rini Risky Harahap Risman Risman Rizki Astuti Rohmatulloh, Vanda Rometdo Muzawi, Rometdo Safitri, Dea Sahelvi, Elza Sapina, Nur Sapitri, Riska Mela Sari, Atalya Kurnia Sarjon Defit Sarjon Defit Setiawan , Andri Shahreen Kasim, Shahreen Sholekhah, Fitriana Sigit, Rapel Aprilius Sirisha, Uddagiri Sularno Supian, Acuan Susandri, Susandri Susanti Susanti Susanti, Susanti Susi Erlinda Syahrul Imardi Syarifuddin Elmi Tahiyat, Hafsah Fulaila Tashid Tawa Bagus, Wahyu Torkis Nasution Tri Putri Lestari, Tri Putri Tri Revaldo, Bagus Triyani Arita Fitri Try Puspa Siregar, Farida Ulfa, Arvan Izzatul Unang Rio Uthami, Kurnia Vindi Fitria Wirta Agustin Wirta Wirta Yanti, Rini Yoyon Efendi Yulli Zulianda Zahra Azhari Zakaria , Mohd Zaki Zakaria, Mohd Zaki Zega, Wilman Zikri Hadryan nst Zulafwan Zuriatul Khairi Zuriatul Khairi