Article Per Year (5 Year)
p-Index From 2020 - 2025
0.92
P-Index
This Author published in this journals
All Journal BAREKENG: Jurnal Ilmu Matematika dan Terapan Jurnal Pengabdian Masyarakat MIPA dan Pendidikan MIPA Jurnal Kajian dan Terapan Matematika
Marwoto, Bambang Sumarno Hadi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Energy Engineering Mathematics Mechanical Engineering Physics Transportation

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
ANALISIS SENTIMEN DI TWITTER TERKAIT TIM NASIONAL SEPAK BOLA INDONESIA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE Sumantri, Galang; Marwoto, Bambang Sumarno Hadi
Jurnal Kajian dan Terapan Matematika Vol 10, No 2 (2024): Jurnal Kajian dan Terapan Matematika (Juli)
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jktm.v10i2.19561

Abstract

AbstrakTimnas sepak bola Indonesia sering gagal bersaing di berbagai turnamen besar internasional. Sentimen masyarakat terhadap prestasi Timnas yang diekspresikan melalui twitter dapat digunakan sebagai salah satu cara untuk menilai perkembangan sepak bola di Indonesia. Penelitian ini bertujuan untuk mengetahui performa metode Support Vektor Machine (SVM) dengan ekstrasi fitur word embeddings Word2vec dan FastText dalam analisis sentimen terkait Timnas sepak bola Indonesia. Data dalam penelitian ini menggunakan data teks berupa tweet terkait keikutsertaan Timnas di ajang piala AFF tahun 2018, 2020, dan 2022 yang dikumpulkan dengan metode crawling. Metode SVM diawali dengan tahap preprocessing dan ekstraksi fitur. Metode ekstraksi fitur dalam penelitian ini menggunakan word embeddings Word2Vec dan FastText. Hasil penelitian, metode SVM menghasilkan akurasi terbaik hingga mencapai 84%, presisi 82%, recall 81%, dan F1 score sebesar 81%. FastText memiliki peforma yang sedikit lebih baik daripada Word2Vec untuk fitur ekstraksi pada analisis sentimen menggunakan SVM, perbedaannya adalah FastText dapat mengenali kata-kata yang tidak ada dalam korpus sedangkan Word2Vec tidak. Model terbaik dihasilkan dengan menggunakan word embeddings FastText dengan model Skip-gram.Kata kunci: analisis sentimen, Support Vector Machine (SVM), Twitter, FastText, Word2Vec.
KLASIFIKASI GENRE LINE WEBTOON MENGGUNAKAN K-NEAREST NEIGHBOR BERBASIS PARTICLE SWARM OPTIMIZATION BERDASARKAN RINGKASAN CERITA Khaizah, Siti Nur; Marwoto, Bambang Sumarno Hadi
Jurnal Kajian dan Terapan Matematika Vol 10, No 1 (2024): Jurnal Kajian dan Terapan Matematika (April)
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jktm.v10i1.18616

Abstract

Penelitian ini bertujuan untuk membangun model pengklasifikasian genre Webtoon berdasarkan ringkasan cerita. Dari model yang dihasilkan, akan dieksplorasi proses seleksi fitur pada perbaikan algoritma klasifikasi yang dilihat melalui nilai akurasi dan waktu komputasi. Algoritma klasifikasi yang digunakan adalah K-Nearest Neighbors (KNN) serta algoritma yang digunakan untuk seleksi fitur adalah Particle Swarm Optimization (PSO). Proses ini diawali dengan pemilihan data dan preprocessing yang terdiri dari cleaning, filtering, lemmatization dan stemming, serta tokenizing. Kemudian, diikuti proses transformation dan seleksi fitur dengan package Pyswarm. Fitur terpilih kemudian digunakan pada proses data mining yaitu klasifikasi. selanjutnya hasil dievaluasi dan diinterpretasi. Hasil penelitian menunjukkan bahwa algoritma PSO-KNN terbukti lebih baik daripada algoritma KNN dalam mengklasifikasi genre Webtoon. Diperoleh nilai akurasi dari klasifikasi dengan algoritma KNN yaitu sebesar 88% sedangkan dengan algoritma PSO-KNN diperoleh nilai akurasi sebesar 100%. Selain itu waktu komputasi yang digunakan oleh algoritma PSO-KNN dalam mengkasifikasi terbukti lebih singkat dari algoritma KNN.Kata kunci: Text mining, K-Nearest Neighbors, Particle Swarm Optimization, Seleksi Fitur.
A COMPARATIVE ANALYSIS OF DBSCAN AND GAUSSIAN MIXTURE MODEL FOR CLUSTERING INDONESIAN PROVINCES BASED ON SOCIOECONOMIC WELFARE INDICATORS Andayani, Sri; Retnani, Namita; Yusri, Thesa Adi Saputra; Marwoto, Bambang Sumarno Hadi
BAREKENG: Jurnal Ilmu Matematika dan Terapan Vol 19 No 3 (2025): BAREKENG: Journal of Mathematics and Its Application
Publisher : PATTIMURA UNIVERSITY

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30598/barekengvol19iss3pp2039-2056

Abstract

Public welfare refers to a condition in which people experience happiness, comfort, prosperity, and can adequately fulfill their basic needs. Indonesia consists of several provinces, each with varying levels of welfare. One crucial aspect in promoting equitable development is ensuring that all regions in Indonesia achieve similar welfare standards. This study aims to classify Indonesian provinces based on socioeconomic welfare indicators, with the results serving as a basis for policy-making that considers regional potential and challenges. The data used in this study are secondary data obtained from the official website of BPS-Statistics Indonesia on provincial welfare indicators from 2020 to 2023. The research methodology includes data collection, descriptive statistical analysis, determining the optimal number of clusters, and comparing the clustering performance of Density-Based Spatial Clustering of Applications with Noise (DBSCAN) and the Gaussian Mixture Model (GMM) using Silhouette Index, Davies-Bouldin Index, and Calinski-Harabasz Index as evaluation metrics. The DBSCAN-based clustering resulted in two clusters: high-welfare and low-welfare regions. Meanwhile, GMM clustering produced five clusters: moderate, fairly low, low, high, and fairly high welfare regions. Based on cluster validity measures, GMM outperformed DBSCAN, achieving a Silhouette score of 0.28, a Davies-Bouldin Index of 1.12, and a Calinski-Harabasz Index of 10.9.
PERBANDINGAN ALGORITMA K-MEANS DAN K-MEDOIDS CLUSTERING UNTUK PEMETAAN KECAMATAN DI KABUPATEN BANTUL BERDASARKAN STATUS GIZI BALITA Andreansyah, Guntur; Marwoto, Bambang Sumarno Hadi
Jurnal Kajian dan Terapan Matematika Vol 11, No 1 (2025): Jurnal Kajian dan Terapan Matematika (April)
Publisher : Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jktm.v11i1.23088

Abstract

Berdasarkan survei status gizi, keadaan gizi balita di Kabupaten Bantul memiliki masalah gizi ganda (double burden). Selain melalui survei status gizi, pemahaman tentang keadaan status gizi balita dapat dilakukan melalui pemetaan. Penelitian bertujuan untuk memetakan status gizi balita di Kabupaten Bantul berdasarkan hasil perbandingan terbaik antara algoritma K-Means dan K-Medoids. Data status gizi yang digunakan mencakup 15 variabel penyebab tidak langsung yang mempengaruhi status gizi dari kecamatan di Kabupaten Bantul tahun 2022 dan 2023. Clustering menggunakan algoritma K-Means dan K-Medoids yang hasilnya divalidasi dengan metode Davies-Bouldin Index dan Silhouette Coefficient. Hasil analisis menunjukan bahwa algoritma K-Means dengan tiga cluster merupakan algoritma teroptimal dengan nilai validasi Davies-Bouldin Index 1,3829301131 dan Silhouette Coefficient 0,2088311419. Tiga cluster yang terbentuk selanjutnya dikategorikan sebagai: tingkat status gizi balita sedang (14 data), buruk (8 data), dan baik (12 data). Berdasarkan hasil tersebut, diharapkan dapat menjadi dasar untuk evaluasi dan peningkatan status gizi balita di Kabupaten Bantul.
Pelatihan Pengembangan Video Pembelajaran dan Kuis Interaktif Berbantuan Software Lumi Marwoto, Bambang Sumarno Hadi; Andayani, Sri; Waryanto, Nur Hadi; Yusri, Thesa Adi Saputra
Jurnal Pengabdian Masyarakat MIPA dan Pendidikan MIPA Vol. 8 No. 1 (2024): Vol 8, No 1 (2024)
Publisher : Yogyakarta State University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jpmmp.v8i1.67758

Abstract

Pemerintah perlu terus mengoptimalkan Infrastruktur Teknologi Informasi dan Komunikasi (TIK) selama pandemi Covid-19, terutama dalam konteks pendidikan. Penting untuk mendorong penggunaan konten pembelajaran daring atau model hybrid/blended guna memaksimalkan fasilitas TIK sebagai sumber belajar. Saat ini, sebagian besar video pembelajaran masih kurang interaktif karena cenderung hanya menyampaikan materi tanpa memberikan interaksi siswa.Perkembangan kuis untuk materi matematika juga menghadapi tantangan, terutama terkait kurangnya dukungan dari perangkat lunak yang memadai. Software bantu seperti Lumi menawarkan solusi dengan kemampuannya menghasilkan konten pembelajaran yang dapat diakses secara online maupun offline. Lumi juga memudahkan guru dalam pengembangan konten pembelajaran tanpa memerlukan kemampuan pemrograman tinggi.Pelatihan pengembangan video pembelajaran dan kuis interaktif dengan bantuan Lumi diharapkan dapat membuka wawasan guru terhadap potensi dan kemudahan penggunaan software ini. Penggunaan Lumi dapat meningkatkan keterlibatan siswa dalam pembelajaran dengan memungkinkan mereka melakukan aktivitas atau interaksi saat menonton video pembelajaran. Kuis yang lebih menarik dan interaktif juga dapat meningkatkan perhatian siswa serta memberikan hasil evaluasi pembelajaran yang lebih bermakna.Kemampuan guru dalam mengembangkan konten pembelajaran dengan Lumi dapat menjadi tambahan berharga dalam kumpulan software bantu pengembangan. Video dan kuis interaktif yang dihasilkan dapat menjadi pengaya dalam pembelajaran offline, online, maupun model blended. Pelatihan ini bertujuan memberi wawasan tambahan kepada guru matematika tentang potensi penggunaan Lumi dalam pengembangan media pembelajaran, dengan fokus pada pembuatan video dan kuis interaktif.
Co-Authors Andreansyah, Guntur Khaizah, Siti Nur Nur Hadi Waryanto Retnani, Namita Sri Andayani Sri Andayani Sumantri, Galang Thesa Adi Saputra Yusri Yusri, Thesa Adi Saputra