Article Per Year (5 Year)
p-Index From 2021 - 2026
2.844
P-Index
This Author published in this journals
All Journal Nirmana Journal of Environmental Engineering and Sustainable Technology Jurnal Teknologi Informasi dan Ilmu Komputer Register: Jurnal Ilmiah Teknologi Sistem Informasi International Journal of Artificial Intelligence Research Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jiko (Jurnal Informatika dan komputer) Jurnal Teknik Informatika (JUTIF) Jurnal Pengabdian Masyarakat Teknologi Informasi dan Informatika
Sigit Adinugroho
STMIK Amikom Yogyakarta
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Environmental Science Mechanical Engineering

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
Halaman Belakang dan Daftar Indeks Adinugroho, Sigit
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Halaman Belakang dan Daftar Indeks
Analisis Sentimen Ulasan Kedai Kopi Menggunakan Metode Naive Bayes dengan Seleksi Fitur Algoritme Genetika Azhar, Naziha; Adikara, Putra Pandu; Adinugroho, Sigit
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834436

Abstract

Di era sekarang, kedai kopi tak hanya dikenal sebagai tempat berkumpul dan menyeruput kopi saja, tetapi kedai kopi telah menjadi tempat yang nyaman untuk belajar dan bekerja. Namun, tidak semua kedai kopi memiliki kualitas yang baik sesuai dengan apa yang diharapkan pelanggan. Ulasan tentang kedai kopi dapat membantu pemilik kedai kopi untuk mengetahui bagaimana respons mengenai produk dan pelayanannya. Ulasan tersebut perlu diklasifikasikan menjadi ulasan positif atau negatif sehingga membutuhkan analisis sentimen. Terdapat beberapa tahap pada penelitian ini yaitu pre-processing untuk pemrosesan ulasan, ekstraksi fitur menggunakan Bag of Words dan Lexicon Based Features, serta mengklasifikasikan ulasan menggunakan metode Naïve Bayes dengan Algoritme Genetika sebagai seleksi fitur. Data yang digunakan pada penelitian ini sebanyak 300 data dengan 210 data sebagai data latih dan 90 data sebagai data uji. Hasil evaluasi yang didapatkan dari klasifikasi Naïve Bayes dan seleksi fitur Algoritme Genetika yaitu accuracy sebesar 0,944, precision sebesar 0,945, recall sebesar 0,944, dan f-measure sebesar 0,945 dengan menggunakan parameter Algoritme Genetika terbaik yaitu banyak generasi = 50, banyak populasi = 18, crossover rate = 1, dan mutation rate = 0. AbstractIn this era, coffee shops are not only known as a place to gather and drink coffee, but also have become a comfortable place to study and work. However, not all coffee shops are in good quality according to what customers expect. Coffee shop reviews can help coffee shop owners to find out the response to their products and services. These reviews need to be classified as positive or negative reviews so that sentiment analysis is needed. There are several steps in this study, which are pre-processing to process reviews, feature extraction using Bag of Words and Lexicon Based Features, also classifying reviews using the Naïve Bayes method with Genetic Algorithm as a feature selection. The data used in this study were 300 data with 210 data as training data and 90 data as test data. Evaluation results obtained from the Naïve Bayes classification and Genetic Algorithm feature selection are 0.944 for accuracy, 0.945 for precision, 0.944 for recall, and 0.945 for f-measure using the best Genetic Algorithm parameters which are many generations = 50, many populations = 18, crossover rate = 1, and mutation rate = 0.
Klasifikasi Kelas Kata (Part-Of-Speech Tagging) untuk Bahasa Madura Menggunakan Algoritme Viterbi Firmansyah, Ilham; Adikara, Putra Pandu; Adinugroho, Sigit
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 5: Oktober 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021854483

Abstract

Bahasa manusia adalah bahasa yang digunakan oleh manusia dalam bentuk tulisan maupun suara. Banyak teknologi/aplikasi yang mengolah bahasa manusia, bidang tersebut bernama Natural Language Processing yang merupakan ilmu yang mempelajari untuk mengolah dan mengekstraksi bahasa manusia pada perkembangan teknologi. Salah satu proses pada Natural Language Processing adalah Part-Of-Speech Tagging. Part-Of-Speech Tagging adalah klasifikasi kelas kata pada sebuah kalimat secara otomatis oleh teknologi, proses ini salah satunya berfungsi untuk mengetahui kata-kata yang memiliki lebih dari satu makna/arti (ambiguitas). Part-Of-Speech Tagging merupakan dasar dari Natural Language Processing lainnya, seperti penerjemahan mesin (machine translation), penghilangan ambiguitas makna kata (word sense disambiguation), dan analisis sentimen. Part-Of-Speech Tagging dilakukan pada bahasa manusia, salah satunya adalah bahasa Madura. Bahasa Madura adalah bahasa daerah yang digunakan oleh suku Madura dan memiliki morfologi yang mirip dengan bahasa Indonesia. Penelitian pada Part-Of-Speech Tagging pada bahasa Madura ini menggunakan algoritme Viterbi, terdapat 3 proses untuk implementasi algoritme Viterbi pada pada Part-Of-Speech Tagging bahasa Madura, yaitu pre-processing pada data training dan testing, perhitungan data latih dengan Hidden Markov Model dan klasifikasi kelas kata menggunakan algoritme Viterbi. Kelas kata (tagset) yang digunakan untuk klasifikasi kata pada bahasa Madura sebanyak 19 kelas, kelas kata tersebut dirancang oleh pakar. Pengujian sistem pada penelitian ini menggunakan perhitungan Multiclass Confusion Matrix. Hasil pengujian sistem mendapatkan nilai micro average accuracy sebesar 0,96 dan nilai micro average precision dan recall yang sama sebesar 0,68. Precision dan recall masih dapat ditingkatkan dengan menambahkan data yang lebih banyak lagi untuk pelatihan. AbstractNatural language is a form of language used by human, either in writing or speaking form. There is a specific field in computer science that processes natural language, which is called Natural Language Processing. It is a study of how to process and extract natural language on technology development. Part-Of-Speech Tagging is a method to assign a predefined set of tags (word classes) into a word or a phrase. This process is useful to understand the true meaning of a word with ambiguous meaning, which may have different meanings depending on the context. Part-Of-Speech Tagging is the basis of the other Natural Language Processing methods, such as machine translation, word sense disambiguation, and sentiment analysis. Part-Of-Speech Tagging used in natural languages, such as Madurese language. Madurese language is a local language used by Madurese and has a similar morphology as Indonesian language. Part-Of-Speech Tagging research on Madurese language using Viterbi algorithm, consists of 3 processes, which are training and testing corpus pre-processing, training the corpus by Hidden Markov Model, and tag classification using Viterbi algorithm. The number of tags used for words classification (tagsets) on Madurese language are 19 class, those tags were designed by an expert. Performance assessment was conducted using Multiclass Confusion Matrix calculation. The system achieved a micro average accuracy score of 0,96, and micro average precision score is equal to recall of 0,68. Precision and recall can still be improved by adding more data for training.
Klasifikasi Kinerja Akademik Siswa Menggunakan Neighbor Weighted K-Nearest Neighbor dengan Seleksi Fitur Information Gain Azizah, Rizky Adinda; Bachtiar, Fitra; Adinugroho, Sigit
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022935751

Abstract

Kinerja akademik siswa merupakan indikator kesuksesan dari pembelajaran di sekolah. Mengukur kinerja akademik siswa dapat membantu tenaga didik mengembangkan pembelajaran yang sesuai untuk siswa sehingga meningkatkan keberhasilan pembelajaran sekolah. Kinerja akademik siswa dapat diamati melalui suatu Learning Management System bernama Kalboard 360 yaitu sistem yang berhubungan dengan perilaku siswa menggunakan alat pelacak aktivitas siswa yang memantau aktivitas pembelajaran. Data sekunder dari aktivitas tersebut dapat digunakan untuk mengetahui kinerja siswa dengan salah satu caranya adalah klasifikasi. Klasifikasi menggunakan metode Neighbor Weighted K-Nearest Neighbor dengan seleksi fitur Information Gain diterapkan pada penelitian ini untuk membantu klasifikasi kinerja siswa karena metode NWKNN mempunyai kelebihan memperhitungkan metode pembobotan kelas dan mengatasi data tidak seimbang. Seleksi fitur dengan Information Gain digunakan agar dapat mengoptimalkan hasil kerja classifier. Berdasarkan pengujian dan analisis penelitian, didapatkan nilai akurasi terbaik sebesar 0,604, dengan nilai precision adalah 0,719, nilai recall sebesar 0,676, dan nilai f-measure diperoleh adalah 0,661. Nilai tersebut dihasilkan saat menggunakan 9 fitur yaitu VisitedResource, StudentAbsenceDay, RaisedHands, AnnouncementsView, Relation, ParentsAnsweringSurvey, Discussion, NationalITy, dan PlaceofBirth dimana fitur tersebut memperoleh nilai Gain tertinggi dari urutan Gain keseluruhan fitur, dengan nilai Gain ≥ 0,1182 dan menggunakan nilai parameter optimal yaitu nilai E = 6, dan nilai K = 45. AbstractThe academic performance of students is an indicator of the success of learning in school. Measuring and understanding student performance can help for  improving learning systems that are suitable for students so the success of school learning will increase. Student academic performance can be observed via Learning Management System (LMS) named Kalboard 360 dealing with student behavior through a student activity tracking device so it can monitor learning activities. In this research, the secondary data is used to determine student performance through a classification. Neighbor Weighted K-Nearest Neighbor algorithm with Information Gain method will be applied to this study to help predict student performance. NWKNN method has advantages in calculating the weight of classes and overcoming unbalanced data. Information Gain is used to optimize the classifier. Based on the research analysis, the accuracy value is 0,604, with precision value obtained is 0,719, recall value obtained is 0,676, and the f-measure value obtained is 0,661. That values is generated when using 9 features with the highest order value of all features namely VisitedResource, StudentAbsenceDay, RaisedHands, AnnouncementsView, Relation, ParentsAnsweringSurvey, Discussion, NationalITy, dan PlaceofBirth, which have Gain value≥0,1182  and using optimal parameters value, that is E = 6 and K = 45.
Analisis Karakteristik Spectrogram dan Mel-Spectrogram dalam Merepresentasikan Fitur Akustik untuk Klasifikasi Emosi Berbasis Suara Fadhilah, Muhammad Aldy Naufal; Adinugroho, Sigit; Sari, Irawati Nurmala
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penelitian ini membahas pengaruh representasi fitur audio terhadap performa sistem Speech Emotion Recognition (SER) dengan menggunakan arsitektur ConvNeXt. Dua jenis representasi fitur yang dibandingkan adalah spectrogram linear dan Mel-spectrogram, yang dievaluasi pada berbagai skenario pengujian. Dataset utama yang digunakan adalah RAVDESS sebagai data pelatihan, sedangkan pengujian dilakukan pada data bersih, data dengan gangguan noise, dan data audio berbahasa Indonesia. Pengujian noise dirancang dalam dua skenario, yaitu noise sebagai latar sepanjang durasi audio dan noise yang ditambahkan hanya pada saat ucapan berlangsung. Hasil eksperimen menunjukkan bahwa Mel-spectrogram memberikan performa yang lebih stabil pada kondisi data bersih, sedangkan spectrogram linear menunjukkan kinerja yang relatif lebih baik pada skenario noise yang berinteraksi langsung dengan ucapan. Namun, pada kondisi noise latar kontinu, performa kedua representasi mengalami penurunan yang signifikan. Selain itu, pengujian pada data audio berbahasa Indonesia menunjukkan penurunan performa yang tajam akibat perbedaan bahasa dan kondisi perekaman dibandingkan data pelatihan. Penelitian ini juga mengidentifikasi bahwa perbedaan struktur visual spectrogram, termasuk keberadaan artefak black gap dan dominasi noise, berpengaruh terhadap kemampuan generalisasi model. Temuan ini menegaskan pentingnya kesesuaian kondisi data pelatihan dan pengujian dalam pengembangan sistem SER yang robust.
Klasifikasi Tingkat Sisa Makanan Pasien Menggunakan Arsitektur Lightweight Convolutional Neural Network soegiharto, sekar Parameswara Meilia; Arum Sari, Yuita; Adinugroho, Sigit
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di International Conference on Data Science and Geoinformatic
Pelatihan Menulis Ilmiah Untuk Meningkatkan Pemahaman dan Kualitas Karya Ilmiah Remaja SMP 20 Kota Malang Arwan, Achmad; Kurniawan, Wijaya; Adinugroho, Sigit; Sari, Yuita Arum
DIMASLOKA: Jurnal Pengabdian Masyarakat Teknologi Informasi dan Informatika Vol 4 No 2 (2025): Juli
Publisher : Fakultas Ilmu Komputer Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/dimasloka.v4i2.50

Abstract

Remaja perlu memiliki kecakapan dalam menulis karya ilmiah. Keterampilan ini sangat penting untuk mengembangkan pemikiran kritis dan analitis.  Menulis ilmiah memungkinkan mereka mengorganisasi gagasan secara runtut, menyusun argumen yang logis, dan mendukung pendapat dengan bukti yang relevan.  Namun, banyak siswa masih menghadapi berbagai kendala, seperti kesulitan menuangkan ide, menyusun kerangka tulisan, dan menggunakan sumber referensi secara tepat.  Oleh karena itu, membaca dan menganalisis karya ilmiah dapat menjadi langkah awal yang efektif agar siswa memahami gaya penulisan dan teknik sitasi yang baik. Salah satu sekolah mitra dalam kegiatan pelatihan penulisan ilmiah ini adalah SMP Negeri 20 Malang. Sekolah ini memiliki ekstrakurikuler Karya Ilmiah Remaja (KIR) yang aktif mengikuti berbagai lomba penulisan ilmiah di tingkat lokal, regional, hingga internasional. Namun demikian, masih terdapat beberapa permasalahan, seperti rendahnya kemampuan siswa dalam menulis karya ilmiah yang baik, kesulitan dalam mengonversi ide menjadi judul penelitian yang sesuai, serta keterbatasan dalam memahami cara menyusun sitasi dan kerangka penelitian. Oleh karena itu, diperlukan adanya pelatihan penulisan ilmiah untuk meningkatkan kemampuan siswa dalam hal tersebut. Sebagai bentuk kontribusi nyata, empat dosen dari Fakultas Ilmu Komputer Universitas Brawijaya Malang telah melaksanakan kegiatan pengabdian masyarakat berupa pelatihan penulisan karya ilmiah kepada siswa SMPN 20 Malang. Melalui pelatihan ini, siswa dibimbing untuk menentukan ide penelitian, merumuskan masalah, mengembangkan ide, hingga menyusun alternatif judul penelitian beserta analisis kelebihan dan kekurangannya. Hasil dari pelatihan ini menunjukkan bahwa siswa mulai mampu memahami tahapan dasar dalam penulisan karya ilmiah secara lebih terstruktur.   Abstract Adolescents need to develop skills in scientific writing, as this ability is essential for fostering critical and analytical thinking. Scientific writing enables them to organize their ideas coherently, construct logical arguments, and support their opinions with relevant evidence. However, many students still face various challenges in scientific writing, such as difficulties in expressing ideas, structuring their writing, and using references appropriately. To overcome these challenges, reading and analyzing scientific works can be an effective first step to help students understand proper writing styles and citation techniques. One of the partner schools involved in this scientific writing training activity is SMP Negeri 20 Malang. The school has an extracurricular program called Karya Ilmiah Remaja (Youth Scientific Writing Club), which actively participates in scientific writing competitions at local, regional, and international levels. Nevertheless, several issues remain, including students' limited ability to produce quality scientific papers, difficulty in translating ideas into appropriate research titles, and a lack of understanding in citation and research framework composition. Therefore, scientific writing training is necessary to enhance students' capabilities in these areas. As a form of community service, four lecturers from the Faculty of Computer Science, Universitas Brawijaya Malang, conducted a scientific writing training program for students of SMPN 20 Malang. Through this training, students were guided to identify research ideas, formulate general problems, develop ideas, and determine alternative research titles along with an analysis of their strengths and weaknesses. The results of the training showed that students began to understand the basic stages of scientific writing in a more structured manner.
Studi Klasifikasi Aritmia Menggunakan Model GRU berbasis Continual Normalization pada Dataset Chapman-Shaoxing Zumaro, Athiya Jannati; Pramukantoro, Eko Sakti; Adinugroho, Sigit
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyakit kardiovaskular, khususnya aritmia, merupakan salah satu penyebab kematian tertinggi secara global. Deteksi aritmia otomatis berbasis sinyal elektrokardiogram (EKG) menjadi solusi penting untuk mengatasi keterbatasan interpretasi manual yang rentan terhadap kesalahan manusia. Namun, model deep learning konvensional menghadapi tantangan pelatihan ketika dihadapkan pada sinyal EKG berskala besar yang bersifat non-stasioner dan bervariasi antar pasien. Penelitian ini mengusulkan model Gated Recurrent Unit berbasis Continual Normalization (GRU-CN) untuk klasifikasi empat superclass aritmia: Atrial Fibrillation (AFIB), General Supraventricular Tachycardia (GSVT), Sinus Bradycardia (SB), dan Sinus Rhythm (SR) pada dataset Chapman-Shaoxing yang terdiri dari 45.108 rekaman. Model dikembangkan melalui pendekatan two-stage learning: tahap pertama berupa unsupervised pretraining menggunakan GRU Autoencoder untuk mempelajari representasi laten sinyal EKG, dilanjutkan dengan classifier secara supervised. Continual Normalization diterapkan dengan menggabungkan Batch Normalization dan Group Normalization secara berurutan untuk menstabilkan distribusi selama pelatihan. Hasil evaluasi menunjukkan bahwa GRU-CN mencapai test accuracy sebesar 92,57%, macro F1-score sebesar 0,9181, dan AUC Macro sebesar 99,00%, mengungguli model GRU Baseline (36,58%), GRU-BN (89,60%), dan GRU-GN (88,54%). Kontribusi pretraining autoencoder memberikan peningkatan akurasi sebesar 2,15% dibandingkan model tanpa pretraining. Penelitian ini menunjukkan bahwa integrasi Continual Normalization dan strategi two-stage learning efektif dalam meningkatkan stabilitas dan akurasi klasifikasi aritmia pada data EKG berskala besar.
Pemanfaatan Kecerdasan Buatan dalam Meningkatkan Citra dan Daya Saing Digital Brand UMKM Adinugroho, Sigit; Sari, Yuita Arum; Dewi, Candra; Wijaya, Muhammad Sulthon Aulia
DIMASLOKA: Jurnal Pengabdian Masyarakat Teknologi Informasi dan Informatika Vol 5 No 2 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/dimasloka.v5i2.74

Abstract

Dalam era transformasi digital, digital branding adalah faktor kunci dalam meningkatkan daya saing dan memperluas jangkauan pasar pelaku Usaha Mikro, Kecil, dan Menengah (UMKM). Karena sumber dayanya terbatas dan kemampuan desain tidak memadai, sebagian besar UMKM masih menghadapi kesulitan untuk menghasilkan atau membuat konten visual yang menarik. Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) menawarkan solusi inovatif dalam bentuk berbagai perangkat dan platform yang dapat memudahkan proses pembuatan jenis karya desain serta logo, maupun bahan promosi. Dalam strategi digital branding oleh UMKM, Kota Malang belum ada perkembangan mengenai pemanfaatan AI karena kurangnya pengetahuan dan keterampilan untuk memahami serta mengoperasikan teknologi tersebut. Karenanya, kegiatan pelatihan ini dirancang untuk memberi alat praktis kepada pelaku UMKM cara menggunakan AI yang lebih teknis dalam mendukung identitas dan visibilitas produk mereka di ranah digital. Pengabdian masyarakat dilakukan dengan memberikan pelatihan praktis penggunaan perangkat AI untuk pembuatan materi branding. Evaluasi kegiatan dilakukan melalui pre-test dan post-test dengan kesimpulan terdapat kenaikan pemahaman sebesar 32,4%. Dengan menerapkan strategi branding yang berbasis AI, UMKM dapat dinambagi kemandiriannya, membuka pasar, dan juga memberikan kontribusi pada pertumbuhan ekonomi wilayah secara berkelanjutan.   Abstract In the era of digital transformation, digital branding is a key factor in increasing competitiveness and expanding the market reach of Micro, Small, and Medium Enterprises (MSMEs). Due to limited resources and inadequate design capabilities, most MSMEs still struggle to produce visually appealing content. The development of artificial intelligence (AI) technology offers innovative solutions in the form of tools and platforms that can facilitate the creation of various types of design work, logos, and promotional materials. In the digital branding strategy of MSMEs in Malang City, AI has not yet been widely adopted due to a lack of knowledge and skills to understand and operate the technology. Therefore, this training activity is designed to provide MSMEs with practical tools for using AI more effectively to strengthen their product identity and visibility in the digital realm. By implementing an AI-based branding strategy, MSMEs can increase their independence, expand markets, and contribute to sustainable regional economic growth.
Analisis Sentimen Ulasan Pengguna Aplikasi Jakarta Kini (JAKI) Menggunakan Algoritma Logistic Regression dan TF Ferniansyah, Ihsan; Tirana Noor Fatyanosa; Adinugroho, Sigit
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 6 (2026): Juni 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Aplikasi Jakarta Kini (JAKI) merupakan platform layanan publik digital terintegrasi yang dikembangkan oleh Pemerintah Provinsi DKI Jakarta sebagai wujud implementasi konsep smart city. Dengan lebih dari satu juta pengguna, ulasanyang diterima melalui Google Play Store menjadi sumber data penting untuk mengevaluasi kualitas layanan, namun proses pelabelan sentimen secara manual dinilai tidak efisien dan sulit diskalakan. Penelitian ini bertujuan untuk mengukur dan mengevaluasi kinerja algoritma Logistic Regression yang dikombinasikan dengan metode pembobotan Term Frequency-Inverse Document Frequency (TFIDF) dalam mengklasifikasikan sentimen ulasan pengguna JAKI ke dalam tiga kelas, yaitu positif, negatif, dan netral. Dataset yang digunakan berjumlah 3.737 ulasan yang diperoleh dari Jakarta Smart City. Tahapan penelitian meliputi prapemrosesan teks, ekstraksi fitur menggunakan TF-IDF, pembagian data dengan rasio 80:20, serta klasifikasi menggunakan strategi multikelas One-vs-Rest (OvR) dan One-vs-One (OvO). Selain itu, dilakukan augmentasi data menggunakan Large Language Model dan relabeling otomatis menggunakan TextBlob untuk mengatasi ketidakseimbangan kelas. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa model mencapai akurasi tertinggi sebesar 79,14% pada strategi OvO tanpa augmentasi dengan learning rate 0,8. Augmentasi data terbukti efektif meningkatkan kemampuan deteksi kelas Netral dengan peningkatan F1-Score dari 0,00 menjadi 0,09, sementara relabeling TextBlob meningkatkan F1-Score kelas Netral hingga 0,43 meskipun menurunkan akurasi total menjadi 66,31%. Kesimpulan penelitian ini menunjukkan bahwa terdapat trade-off antara akurasi keseluruhan dan kemampuan mendeteksi kelas minoritas, serta kualitas dan konsistensi label berperan penting terhadap performa model klasifikasi sentimen
Co-Authors Achmad Arwan Artha Sitorus, Yoshua Arum Sari, Yuita Azhar, Naziha Azizah, Rizky Adinda Bihanda, Yusuf Gladiensyah Budi Darma Setiawan Candra Dewi Divano, Nico Arya Eko Sakti Pramukantoro, Eko Sakti Fadhilah, Muhammad Aldy Naufal Fatchurrahman, Danial Ferniansyah, Ihsan Firmansyah, Ilham Fitra Abdurrachman Bachtiar Haikal, M. Fikri Hapsani, Anggi Gustiningsih Intan Rizky Mutiaz Jaya Mahar Maligan Jayawarsa, A.A. Ketut Lukman Hakim Nugraha, Dwi Cahya Astria Nuraini, Nabila Putra Pandu Adikara Putra, Hugo Alfedo Sari, Irawati Nurmala Siti Mutrofin soegiharto, sekar Parameswara Meilia Tirana Noor Fatyanosa Utaminingrum, Fitri Wijaya Kurniawan Wijaya, Muhammad Sulthon Aulia Yuita Arum Sari Zumaro, Athiya Jannati