Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING Jurnal Ilmu Komputer dan Bisnis
Indriyatmoko, Toto
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Relevansi Search Engine Optimization (SEO) On-pages Di 2021 Indriyatmoko, Toto; Rahardi, Majid
Jurnal Ilmu Komputer dan Bisnis Vol. 12 No. 1 (2021): Vol. 12 No. 1 (2021): Vol. 12 No. 1 (2021)
Publisher : STMIK Dharmapala Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47927/jikb.v12i1.106

Abstract

Search Engine Optimizion (SEO) merupakan metode yang dilakukan untuk meningkatkan kualitas dari sebuah website dari sudut pandang peringkat di mesin pencari termasuk mesin pencari google. Google bukan menjadi sebuah rahasia lagi adalah sebuah perantara bagi website untuk mendatangkan pengunjung. Semakin bertambahnya pengguna internet berbanding lurus degan semakin bertambahnya jumlah website yang ada di dunia. Hal itu membuat semakin tingginya pula kompetisi website untuk meningkatkan peringkat di mesin pencari. Banyak cara yang bisa dilakukan utuk meningkatkan peringkat, salah satu caranya adalah dengan menggunakan teknik SEO on-pages. Pada teknik ini banyak sekali tips dan trik yang dapat dilakukan, namun seiring pembaruan yang terus dilakukan oleh google, apakah teknik ini masih berfungsi atau tidak, itu yang menjadi sebuah pertanyaan. Dalam tulisan ini membahas tentang apakah teknik SEO on-pages masih relevan terhadap pembaruan yang dilakukan oleh google dan mencari fakta-fakta yang ada di literatur terkait dan membandingkan dengan apa yang terjad sekarang di laman google.
Comparative Analysis of BERT and LSTM Models for Sentiment Classification of Mobile Game User Reviews Indriyatmoko, Toto; Rahardi, Majid; Utama, Hastari; Frobenius, Arvin Claudy
Journal of Applied Informatics and Computing Vol. 10 No. 1 (2026): February 2026
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v10i1.12149

Abstract

Sentiment classification of user reviews for mobile games that rely on direct advertising (direct ads) is crucial for understanding player perceptions and improving user experience. This study aims to compare the performance of two deep learning architectures, Long Short-Term Memory (LSTM) and multilingual Bidirectional Encoder Representations from Transformers (BERT) in classifying sentiment in reviews into three categories, positive, negative, and neutral. The dataset used consists of reviews from games employing direct ads, which underwent rule-based labeling and text preprocessing. The LSTM model was built from scratch using a custom embedding layer, while the multilingual BERT model was fine-tuned using a transfer learning approach. Evaluation was conducted based on accuracy, precision, recall, and F1-score metrics. Experimental results show that multilingual BERT achieves superior validation loss compared to LSTM (0.37 vs. 0.44). BERT also outperforms LSTM significantly in terms of F1-score and its ability to understand multilingual linguistic context. However, LSTM demonstrates advantages in computational efficiency and training speed. These findings offer practical recommendations for developers in selecting an appropriate sentiment analysis model based on accuracy requirements and resource availability.
Co-Authors Frobenius, Arvin Claudy Majid Rahardi Utama, Hastari