Article Per Year (5 Year)
p-Index From 2020 - 2025
0.835
P-Index
This Author published in this journals
All Journal Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Progresif: Jurnal Ilmiah Komputer
Gata, Windu
Universitas Nusa Mandiri
Computer Science & IT Control & Systems Engineering

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

Found 5 Documents
Search

 1 
Analisis Sentimen Terhadap Layanan Aplikasi Jenius di Media Sosial Menggunakan Alogritma Long Short-Term Memory Husna, Modesta Binti; Gata, Windu
Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i2.1957

Abstract

The Jenius application was launched in 2015 by PT Bank BTPN Tbk, introducing innovation in digital banking services with an active presence on social media platforms like YouTube, Twitter (X), and Instagram. Users often provide reviews that can influence the perception and reputation of the application. This study aims to assist Bank BTPN in enhancing its services by analyzing positive, neutral, and negative user reviews. The method used is the Long Short-Term Memory (LSTM) model for sentiment analysis. The data analyzed consists of 856 comments on YouTube with the keyword "Jenius Application." The LSTM model was implemented to identify general perceptions and aspects that affect user satisfaction, using a data training and testing proportion of 70:30. The study results show that the LSTM model achieved an accuracy of 93.57% on the test dataset, demonstrating the model's effectiveness in identifying user sentiments, thus serving as a tool to improve the quality of Jenius application's services.Keywords: Sentiment Analysis; YouTube; Long Short-Term Memory; Jenius App  AbstrakAplikasi Jenius diluncurkan pada tahun 2015 oleh PT Bank BTPN Tbk, menghadirkan inovasi dalam layanan perbankan digital dengan kehadiran aktif di media sosial seperti YouTube, Twitter (X), dan Instagram. Pengguna sering memberikan ulasan yang dapat mempengaruhi persepsi dan reputasi aplikasi tersebut. Penelitian ini bertujuan untuk membantu Bank BTPN meningkatkan layanan dengan menganalisis ulasan positif, netral, dan negatif dari pengguna. Metode yang digunakan adalah model Long Short-Term Memory (LSTM) untuk analisis sentimen. Data yang dianalisis terdiri dari 856 komentar di YouTube dengan kata kunci "Aplikasi Jenius." Model LSTM diimplementasikan untuk mengidentifikasi persepsi umum dan aspek-aspek yang mempengaruhi kepuasan pengguna, dengan parameter proporsi data latih dan data uji sebesar 70:30. Hasil penelitian menunjukkan bahwa model LSTM mencapai akurasi sebesar 93.57% pada dataset uji, menunjukkan efektivitas model dalam mengidentifikasi sentimen pengguna sehingga dapat digunakan sebagai alat untuk meningkatkan kualitas layanan aplikasi Jenius.Kata kunci: Analisis Sentimen; YouTube; Long Short-Term Memory; Aplikasi Jenius
Analisis Sentimen Komentar Youtube Terhadap Ceramah Ning Umi Laila Sindir Rhoma Irama Menggunakan Algoritma LSTM Putra, Septian Ade; Gata, Windu
Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i2.1937

Abstract

Indonesian people utilize social media such as YouTube not only for entertainment, but also as a medium for education and da'wah, similar to Nen Umi Laila. This research aims to analyze the sentiment towards Neng Umi Laila's video “Kepleset” Ghibahin Rhoma Irama using the LSTM algorithm. The data used are 1108 comments on the video. LSTM was chosen because of its accuracy and ability to handle small amounts of data. This research method is comparable to deep learning in terms of prediction accuracy. The original data set consisted of 805 comments from April 13 to 15, 2024, resulting in 1. 108 comments after cleaning and preprocessing. The evaluation results show that the accuracy of managing YouTube comment data using the LSTM algorithm is 96%. Find and download a suitable dataset for the research topic from data repositories like Kaggle, UCI Machine Learning Repository, or Google Dataset Search.Keyword: Sentiment Analysis; YouTube; Long short-term memory Algorithm  AbstrakMasyarakat Indonesia memanfaatkan media sosial seperti YouTube tidak hanya untuk rekreasi dan sebagai media pendidikan dan dakwah, serupa dengan Nen Umi Laila. Tujuan penelitian ini adalah untuk menganalisis sentimen terhadap video Neng Umi Laila "Kepleset" Ghibahin Rhoma Irama menggunakan algoritma Long short-term memory (LSTM). Data yang digunakan adalah 1108 komentar pada video tersebut. LSTM dipilih karena keakuratan dan kemampuannya menangani data dalam jumlah kecil. Metode penelitian ini sebanding dengan deep learning dalam hal akurasi prediksi. Kumpulan data asli terdiri dari 805 komentar dari 13 hingga 15 April 2024, menghasilkan 1.108 komentar setelah pembersihan dan prapemrosesan. Hasil evaluasi menunjukkan akurasi pengelolaan data komentar YouTube menggunakan algoritma LSTM sebesar 96%.Kata kunci: Analisis sentimen, YouTube, Long Short-Term Memory
Analisis Sentimen Media Sosial Youtube Kereta Cepat (Whoosh) Menggunakan Algoritma Bidirectional-LSTM Rizky, Joy Lawa; Gata, Windu
Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i2.1958

Abstract

This study analyzes social media sentiment on YouTube regarding the high-speed train (Whoosh) using the Bidirectional-LSTM algorithm. The issue raised is the need for a deeper understanding of public perception of the high-speed train project, which can affect its acceptance and sustainability. The purpose of this paper is to evaluate the performance of the Bidirectional-LSTM algorithm in sentiment analysis compared to other algorithms. The method used involves collecting YouTube comment data, text preprocessing, and applying the Bidirectional-LSTM algorithm for sentiment classification. The parameters analyzed include accuracy, precision, and resilience to data variations. The research results show that the Bidirectional-LSTM algorithm achieves an accuracy of (0.86), which is significantly higher compared to the Multinomial Naïve Bayes algorithm (0.80), USE-Transfer learning (Tensorflow) (0.80), and Text Vectorization and Embedding (Tensorflow) (0.80). The conclusion of this study is that Bidirectional-LSTM is more effective and reliable in analyzing social media sentiment towards the high-speed train (Whoosh).Keywords: Sentiment Analysis; YouTube Fast Train (Whoosh); Bidirectional-LSTM. AbstrakPenelitian ini menganalisis sentimen media sosial YouTube terhadap kereta cepat (Whoosh) menggunakan algoritma Bidirectional-LSTM. Masalah yang diangkat adalah perlunya pemahaman yang lebih mendalam tentang persepsi publik terhadap proyek kereta cepat, yang dapat mempengaruhi penerimaan dan keberlanjutannya. Tujuan penulisan ini adalah untuk mengevaluasi performa algoritma Bidirectional-LSTM dalam menganalisis sentimen dibandingkan dengan algoritma lain. Metode yang digunakan melibatkan pengumpulan data komentar YouTube, preprocessing teks, dan penerapan algoritma Bidirectional-LSTM untuk klasifikasi sentimen. Parameter-parameter yang dianalisis meliputi akurasi, presisi, dan ketahanan terhadap variasi data. Hasil penelitian menunjukkan bahwa algoritma Bidirectional-LSTM mencapai akurasi (0.86) yang secara signifikan lebih tinggi dibandingkan dengan algoritma Multinomial Naïve Bayes (0.80), USE-Transfer learning (0.80), dan Text Vactorita-tion and Embedding (Tensorflow) (0.80). Simpulan penelitian ini adalah bahwa Bidirectional-LSTM lebih efektif dan andal dalam menganalisis sentimen media sosial YouTube kereta cepat (Whoosh).Kata kunci: Analisis Sentimen; Youtube Kereta Cepat (Whoosh); Bidirectional-LSTM;
Pengelompokan Analisis Sentimen Komentar Youtube Terhadap Pengambilalihan Jalan Rusak di Lampung Menggunakan Algoritma Clustering Purnomo, Niko; Gata, Windu
Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i2.1936

Abstract

Clustering is a method to group data into groups with certain similarities. This research analyzes text clustering on YouTube video comments about damaged road repairs in Lampung. Three clustering algorithms were used: K-means, DBSCAN, and HDBSCAN. The results showed a silhouette score for K-means of -0.348, DBSCAN of 0.836, and HDBSCAN of 0.106. Theme analysis on DBSCAN clusters showed better clustering than K-means and HDBSCAN. DBSCAN clusters are easier to infer because the topics of each cluster are well classified. Thus, DBSCAN proved superior in clustering text comments, with the highest silhouette score of 0.836% in the case of damaged road repair in Lampung.Keywords: Analisis Sentimen; Clustering; K-means; DBSCAN; HDBSCAN   AbstrakClustering adalah metode untuk mengelompokkan data ke dalam kelompok-kelompok dengan kemiripan tertentu. Penelitian ini menganalisis pengelompokan teks pada komentar video YouTube tentang perbaikan jalan rusak di Lampung. Tiga algoritma clustering digunakan: K-means, DBSCAN, dan HDBSCAN. Hasil penelitian menunjukkan skor siluet untuk K-means sebesar -0,348, DBSCAN sebesar 0,836, dan HDBSCAN sebesar 0,106. Analisis tema pada cluster DBSCAN menunjukkan pengelompokan yang lebih baik dibandingkan K-means dan HDBSCAN. Cluster DBSCAN lebih mudah disimpulkan karena topik tiap cluster terklasifikasi dengan baik. Dengan demikian, DBSCAN terbukti lebih unggul dalam mengelompokkan komentar teks, dengan skor siluet tertinggi 0,836% pada kasus perbaikan jalan rusak di Lampung.Kata Kunci: Analisis Sentimen; Clustering, K-means; DBSCAN; HDBSCAN.  
Prediksi Harga Saham Bank Central Asia Menggunakan Algoritma Deep Learning GRU Prayogi, Kurnia; Gata, Windu; Kussanti, Devy Putri
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 13, No 1: April 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v13i1.1910

Abstract

Stocks are an essential part of investment, often known for their fast-paced price fluctuations. Investing in stocks also requires strategies for deciding and predicting future stock prices, with current methods including technical, sentiment, and fundamental analysis. The aim of this research is to predict stock prices for PT Bank Central Asia's stock data from 2019 to 2024 using a deep learning classification algorithm, namely Gated Recurrent Units (GRU). The implementation of the model here is to find values such as RMSE, MSE, MAE, R-Squared, MGD, and MPD, and for evaluation metrics, values such as accuracy, f1-score, precision, and recall are sought. The dataset is divided into two models: training data and test data, with a model split of 80:20 and 60:40. The research results also indicate that the use of the 80:20 model appears to be better than the 60:20 model with a lookback of 15, timestep of 15, and epoch of 50, which yields RMSE 1.039, MSE 1.079, MAE 0.842, R-Squared 0.983, MGD 0.0037, and MPD 0.0197, along with an accuracy result of 54.87%, recall of 59.23%, f1-score of 58.11%, and precision of 57.03%.Keywords: Stocks; Bank Central Asia; Deep Learning; Gated Recurrent Units AbstrakSaham adalah suatu bagian penting dalam investasi yang sering dikenal dengan investasi dengan fluktuasi harga yang cenderung cepat. Dalam berinvestasi saham juga membutuhkan strategi dalam memutuskan dan memprediksi harga saham kedepannya dimana untuk saat ini metode yang masih digunakan berupa analisis teknis, sentiment, dan fundamental. Penelitian saat ini bertujuan untuk melakukan prediksi harga saham terhadap data saham PT Bank Central Asia dari tahun 2019 sampai 2024 menggunakan algoritma klasifikasi deep learning, yaitu Gated Recurrent Units (GRU). Penerapan model disini untuk mencari nilai RMSE, MSE, MAE, R-Squared, MGD dan MPD lalu untuk nilai evaluasi mencari nilai accuracy, f1-score, precision, dan recall. Dataset yang dibagi menjadi dua model yaitu data latih dan data uji dengan model 80:20 dan 60:40, hasil penelitian juga memperlihatkan penggunaan model 80:20 terlihat lebih baik daripada model 60:20 dengan lookback 15, timestep 15, dan epoch 50, yang memiliki nilai RMSE 1.039, MSE 1.079, MAE 0.842, R-Squared 0.983, MGD 0.0037 dan MPD 0.0197 lalu hasil accuracy sebesar 54.87%, recall 59.23%, f1-square 58.11%, precission 57.03%. 
Co-Authors Devy Putri Kussanti Husna, Modesta Binti Prayogi, Kurnia Purnomo, Niko Putra, Septian Ade Rizky, Joy Lawa