Article Per Year (5 Year)
p-Index From 2021 - 2026
2.495
P-Index
This Author published in this journals
All Journal Jurnal Kesehatan Lingkungan indonesia Jurnal Informatika dan Teknik Elektro Terapan Informatika Mulawarman: Jurnal Ilmiah Ilmu Komputer JURNAL REKAYASA TEKNOLOGI INFORMASI Explore IT : Jurnal Keilmuan dan Aplikasi Teknik Informatika KOMPUTEK Jurnal Abdimas PHB : Jurnal Pengabdian Masyarakat Progresif Humanis Brainstorming JPM (Jurnal Pendidikan Modern) Borneo Student Research (BSR) Jurnal Informatika Teknologi dan Sains (Jinteks) Saber: Jurnal Teknik Informatika, Sains dan Ilmu Komunikasi Buffer Informatika Computer Journal
Rudiman Rudiman
Unknown Affiliation
Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Environmental Science Mechanical Engineering Public Health Social Sciences Other

Published : 17 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 17 Documents
Search

 1   2 
Analisis Sentimen Terhadap Calon Wakil Presiden Gibran Rakabuming Raka Menggunakan Algoritma Naive Bayes Muhammad Khumaidi Nursyarif; Muhamad Wahyu Tirta; Muhammad Rahman Hidayat; Rudiman Rudiman
KOMPUTEK Vol 8, No 1 (2024): April
Publisher : Universitas Muhammadiyah Ponorogo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24269/jkt.v8i1.2509

Abstract

The turnover of the president and vice president in Indonesia occurs every 5 years. In the year 2024, there will be an election, and one of the vice presidential candidates, listed as candidate number 2, is Gibran Rakabuming Raka, who is the son of Mr. Jokowi, currently serving as the 7th President. Many opinions have been expressed by the public regarding Mas Gibran, especially considering his age of 36 years, which is perceived as relatively young to lead the nation of Indonesia. Therefore, we intend to conduct research with the aim of identifying practical implications related to public perceptions of the potential vice presidential candidate. Data from comments on the YouTube video titled "[FULL] Gibran in Between Ganjar and Prabowo, Which One to Choose? | ROSI" underwent a classification process using the Naive Bayes algorithm for sentiment analysis. The accuracy obtained is 92.5%, with an f1 Score of 92.4%, Precision of 93.5%, and Recall of 92.5%.
ANALISIS KEPUASAAN PENGGUNA APLIKASI DONORKU DENGAN PENDEKATAN METODE RANDOM FOREST DENGAN SMOTE Muhammad Fauzan Nur Ilham; Kholifah Dwi Annurrahma; Pandu Wirayuda; Rudiman Rudiman
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 6 No 3 (2024): EDISI 21
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v6i3.4229

Abstract

Penelitian ini menganalisis kepuasan pengguna terhadap Aplikasi Donorku di Google Play Store menggunakan analisis sentimen dengan algoritma Random Forest. Di era digital, aplikasi mobile seperti Donorku sangat penting untuk memfasilitasi donasi darah di Indonesia. Ulasan pengguna di Google Play Store seringkali tidak cukup representatif. Data dikumpulkan menggunakan scraping, diikuti oleh prapemrosesan teks seperti pembersihan, tokenisasi, normalisasi, dan stemming. Data yang telah diproses dibobotkan menggunakan metode TF-IDF dan dibagi menjadi data latih dan data uji. Teknik SMOTE digunakan untuk mengatasi ketidakseimbangan kelas. Model Random Forest mengklasifikasikan sentimen pengguna, dievaluasi dengan akurasi, presisi, recall, dan F1-Score. Hasilnya menunjukkan model dapat mengidentifikasi pola ketidakpuasan pengguna secara efektif. Memahami persepsi pengguna membantu pengembang meningkatkan layanan Donorku. Penelitian ini menunjukkan efektivitas teknologi analisis sentimen dalam memahami preferensi pengguna dan meningkatkan aplikasi donasi darah.
ANALISIS SENTIMEN ULASAN “OJOL THE GAME” DI GOOGLE PLAY STORE MENGGUNAKAN ALGORITMA NAIVE BAYES DAN MODEL EKSTRAKSI FITUR TF-IDF UNTUK MENINGKATKAN KUALITAS GAME Rafi Rahmadani; Abdul Rahim; Rudiman Rudiman
Jurnal Informatika dan Teknik Elektro Terapan Vol 12, No 3 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3.4988

Abstract

Abstrak. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna terhadap game "OJOL THE GAME" di Google Play Store memanfaatakan algoritma Naive Bayes dan model ekstraksi fitur TF-IDF. Data ulasan dikumpulkan melalui teknik web scraping menggunakan Python, kemudian diproses dengan tahapan preprocessing meliputi pembersihan data, case folding, stop word removal, tokenizing, dan stemming. Data yang telah diproses kemudian dianalisis menggunakan algoritma Metode Naive Bayes digunakan untuk mengklasifikasikan sentimen positif dan negatif. Hasil penelitian mengindikasikan bahwa kombinasi antara algoritma Naive Bayes dan TF-IDF memberikan akurasi sebesar94,12%, menunjukkan efektivitas tinggi dalam mengidentifikasi sentimen pengguna. Temuan ini memberikan wawasan berharga  dalam memahami opini pengguna, meningkatkan kualitas game.Abstract. This study aims to analyze user sentiment towards the game "OJOL THE GAME" on Google Play Store using the Naive Bayes algorithm and the TF-IDF feature extraction model. User review data was collected through web scraping techniques using Python, then processed through preprocessing stages including data cleaning, case folding, stop word removal, tokenizing, and stemming. The processed data was then analyzed using the Naive Bayes algorithm to classify positive and negative sentiments. The results of the study show that the combination of the Naive Bayes algorithm and TF-IDF yielded an accuracy of 94.12%, demonstrating high effectiveness in identifying user sentiment. These findings provide valuable insights into understanding user opinions and improving the quality of the game.
Analisis Sentimen Terhadap Kualitas Layanan Driver Gojek Di Aplikasi Play Store Menggunakan Algoritma Naïve Bayes Dan Aplikasi Orange Ipan Hasmadi; Rudiman Rudiman; Khoirul Huda Dwi Putra; Muhammad Farhat jundullah
SABER : Jurnal Teknik Informatika, Sains dan Ilmu Komunikasi Vol. 2 No. 1 (2024): Januari : Jurnal Teknik Informatika, Sains dan Ilmu Komunikasi
Publisher : STIKes Ibnu Sina Ajibarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59841/saber.v2i1.673

Abstract

The significant changes in daily life patterns, driven by technological advancements, particularly in the transportation sector, are evident through the emergence of on-demand services such as Gojek. This research aims to explore users' perspectives and opinions regarding service quality, focusing on aspects like driver behavior, responsiveness, and reliability within the Gojek platform. The Naive Bayes method is employed to analyze user sentiments toward the driver services, supported by the Orange software to comprehend the complex patterns in user reviews. Evaluation is conducted on reviews from the Play Store, resulting in an accuracy of 87.4%, F1 score of 87.6%, precision of 87.9%, and recall of 87.4%. These findings indicate the success of the model in identifying and predicting predefined variables. Through the combination of methods and software, the study concludes that sentiment analysis of Gojek's driver services can be performed efficiently and reliably, providing valuable insights for online motorcycle taxi service providers.
Optimasi Ekstraksi Fitur TF-IDF Menggunakan Genetic Algorithm Pada Metode Support Vector Machine Dalam Menentukan Opini Publik Terhadap Keberlanjutan IKN Siti Patimah; Rudiman; Fendy Yulianto
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25134/buffer.v11i2.480

Abstract

Perubahan opini masyarakat mengenai keberlanjutan Kota Ibu Kota Negara (IKN) menjadi topik penting dalam memahami respon masyarakat terhadap kebijakan pemerintah. Penelitian ini bertujuan untuk menganalisis sentimen publik berdasarkan komentar YouTube dengan menggunakan metode Term Frekuensi-Inverse Document Frekuensi (TF-IDF) sebagai teknik ekstraksi fitur dan Support Vector Machine (SVM) sebagai algoritma klasifikasi. Untuk meningkatkan akurasi prediksi, digunakan Algoritma Genetika (GA) dalam optimasi parameter SVM. Dataset yang digunakan dalam penelitian ini terdiri dari komentar masyarakat di platform YouTube mengenai keberlanjutan IKN. Proses analisis diawali dengan preprocessing teks yang meliputi pelipatan kasus, penghapusan stopword, dan stemming. Selanjutnya fitur teks diekstraksi menggunakan TF-IDF dan diklasifikasikan menggunakan model SVM. Algoritma Genetika diterapkan untuk mencari parameter optimal sehingga kinerja model dapat ditingkatkan. Hasil penelitian menunjukkan bahwa pendekatan ini mampu mengklasifikasikan sentimen masyarakat ke dalam tiga kategori utama: positif, netral, dan negatif dengan tingkat akurasi lebih tinggi dibandingkan metode SVM tanpa optimasi. Penelitian ini diharapkan dapat memberikan wawasan bagi pengambil kebijakan dalam merancang strategi komunikasi publik dan memahami persepsi masyarakat terhadap keberlanjutan
Optimasi Seleksi Fitur BERT Menggunakan GA Pada Metode KNN Dalam Menentukan Opini Publik Terkait Keberlanjutan IKN Augie Sugiarto Nunka; Fendy Yulianto; Rudiman
Buffer Informatika Vol. 12 No. 1 (2026): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25134/buffer.v12i1.482

Abstract

Penelitian ini berfokus pada optimasi klasifikasi opini publik terkait keberlanjutan Ibu Kota Nusantara (IKN) yang beragam di media sosial. Tujuan utama dari penelitian ini adalah untuk meningkatkan performa klasifikasi sentimen dengan mengintegrasikan model Bidirectional Encoder Representations from Transformers (BERT) untuk ekstraksi fitur, Algoritma Genetika (Genetic Algorithm) untuk seleksi fitur, dan K-Nearest Neighbors (KNN) sebagai metode klasifikasi. Metode penelitian diawali dengan pengumpulan 1.274 data komentar dari YouTube, diikuti oleh pelabelan pakar, pra-pemrosesan data, dan ekstraksi fitur menggunakan IndoBERT yang menghasilkan 768 fitur. Algoritma Genetika kemudian diterapkan untuk menyeleksi fitur-fitur paling relevan. Hasil penelitian menunjukkan bahwa model tanpa seleksi fitur mencapai akurasi sebesar 76,56%. Sementara itu, model yang menggunakan seleksi fitur Algoritma Genetika berhasil mereduksi jumlah fitur menjadi 371 dan memperoleh akurasi sebesar 75,00%. Meskipun terjadi sedikit penurunan akurasi sebesar 1,56%, seleksi fitur terbukti mampu meningkatkan efisiensi komputasi secara signifikan dengan mengurangi dimensi fitur hingga 51,7% tanpa mengorbankan kinerja secara drastis, meskipun kedua model gagal dalam mengklasifikasikan kelas netral secara efektif.
Analisis Sentimen Ulasan Pengguna inDrive Menggunakan IndoBERT dan Algoritma Genetika pada Klasifikasi K-Nearest Neighbor Muhammad Sigit Nurhafid; Rudiman Rudiman; Taghfirul Azhima Yoga
Computer Journal Vol. 4 No. 2 (2026): August
Publisher : Yayasan Pendidikan Mitra Mandiri Aceh (YPMMA)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58477/cj.v4i2.497

Abstract

This study analyzes sentiment in InDrive user reviews from the Google Play Store using IndoBERT, Genetic Algorithm (GA), and K-Nearest Neighbor (KNN). A total of 2,000 reviews were assigned to three sentiment classes: 1,695 negative, 235 positive, and 70 neutral reviews. The pretrained indobenchmark/indobert-base-p1 model was used as a feature extractor by taking the [CLS] representation to produce 768-dimensional embeddings. The dataset was divided using a stratified 80:20 split into 1,600 training and 400 testing samples. The optimal K value was determined through stratified five-fold cross-validation on the training data. GA was applied only to the training set using a population of 30 individuals, 25 generations, a crossover rate of 0.8, a mutation rate of 0.005, and a feature penalty of 0.002. GA selected 250 features, reducing the dimensionality by 67.45%. IndoBERT + KNN correctly classified 365 of 400 test samples, achieving 91.25% accuracy (95% CI: 88.07–93.64%) and a macro F1-score of 66.88%. IndoBERT + GA + KNN correctly classified 362 samples, achieving 90.50% accuracy (95% CI: 87.23–93.00%) and a macro F1-score of 62.71%. Both models exceeded the 84.75% majority-class baseline. However, only three and two of the 14 neutral samples were correctly classified, respectively. GA substantially reduced feature dimensionality but did not improve predictive performance, indicating a trade-off between representation compactness and minority-class classification performance.
Co-Authors Abdul Basir Salsabila Abdul Rahim Augie Sugiarto Nunka Daramusseng, Andi Fendy Yulianto Ikhsan Nuttakwa Takbirata Ihram Nabawi Indiana Nawang Yuli Safitri Ipan Hasmadi Januar Abdilah Santoso Julianur Khoirul Huda Dwi Putra Kholifah Dwi Annurrahma Kurnia Jusuf, Jeane Betty M. Riadhus Sholihin Mahardhika, Nanda Alfian Malik Fajar Muhamad Wahyu Tirta Muhammad Farhat Jundullah Muhammad Fauzan Nur Ilham Muhammad Khumaidi Nursyarif Muhammad Rahman Hidayat Muhammad Rayhan Elfansyah Muhammad Reifin Perdana Muhammad Sigit Nurhafid Pandu Wirayuda Rafi Rahmadani Rofilde Hasudungan Siti Patimah Syamsir Syamsir Taghfirul Azhima Yoga Siswa Wasiatul Aqmaliah