Claim Missing Document
Check
Articles

ANALISIS SENTIMEN APLIKASI SHOPEE, TOKOPEDIA, LAZADA DAN BLIBLI MENGGUNAKAN LEKSIKON DAN RANDOM FOREST Syah, Adryan; Nurdiyansyah, Firman; Rahman, Aviv Yuniar
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5155

Abstract

Abstrak. Dalam era digital, aplikasi e-commerce telah menjadi sarana utama bagi masyarakat untuk berbelanja. Keberhasilan aplikasi e-commerce tidak hanya bergantung pada fungsionalitasnya tetapi juga pada pengalaman pengguna. Ulasan pengguna di Play Store menjadi indikator penting dalam mengevaluasi kepuasan dan sentimen pengguna terhadap aplikasi tertentu. Penelitian ini bertujuan untuk menganalisis sentimen pada ulasan aplikasi Shopee, Tokopedia, Lazada, dan Blibli di Play Store menggunakan pendekatan Lexicon-based dan algoritma Random Forest. Metode ini dipilih untuk memberikan interpretasi yang jelas terhadap sentimen teks dan meningkatkan akurasi analisis sentimen. Hasil penelitian menunjukkan bahwa aplikasi Lazada memiliki kinerja terbaik dengan akurasi 88,33%, presisi 88,88%, recall 88,33%, dan F1 score 88,34%. Aplikasi Blibli berada di posisi kedua dengan akurasi 85,66%, presisi 85,82%, recall 85,66%, dan F1 score 85,60%. Shopee memiliki akurasi 85,16%, presisi 85,62%, recall 85,16%, dan F1 score 85,26%. Tokopedia menunjukkan performa terendah dengan akurasi 80,33%, presisi 80,96%, recall 80,33%, dan F1 score 80,12%. Penelitian ini menunjukkan bahwa rasio pembagian data latih dan data uji mempengaruhi kinerja model, dengan model bekerja lebih efektif ketika jumlah data latih lebih besar dari data uji.
PERBANDINGAN ALGORITMA NAIVE BAYES DAN KNN DALAM ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI CAPCUT Muslim, Shinta Nilam Sari; Nurdiyansyah, Firman; Rahman, Aviv Yuniar
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3S1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3S1.5156

Abstract

Abstrak. Penelitian ini berfokus pada analisis sentimen ulasan pengguna aplikasi CapCut yang tersedia di Google Play Store dengan menerapkan model Naïve Bayes dan K-Nearest Neighbors (KNN). Tujuan utama penelitian ini adalah untuk mengevaluasi bagaimana pengruh variasi rasio pembagian data latih dan uji terhadap kinerja kedua metode dalam analisis sentimen, serta membandingkan keduanya berdasarkan akurasi, presisi, recall dan f1 score. Menggunakan sembilan rasio pembagian data, ditemukan bahwa rasio 80:20 memberikan kinerja terbaik untuk kedua metode. Naïve Bayes mengungguli KNN dengan akurasi 79.41% dibanding 75.63%. Rasio 50:50 memberikan presisi terbaik untuk kedua metode. Secara keseluruhan, Naïve Bayes menunjukkan performa lebih baik, terutama pada rasio 80:20, menjadikannya pilihan yang lebih tepat untuk analisis sentimen aplikasi CapCut.
Comparison of Machine Learning as an Inference Engine to Improve Expert Systems in Dengue Disease Istiadi, -; Marisa, Fitri; Joegijantoro, Rudy; Suksmawati, Affi Nizar; Rahman, Aviv Yuniar
JOIV : International Journal on Informatics Visualization Vol 9, No 3 (2025)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.9.3.3192

Abstract

Dengue disease remains a significant public health challenge in tropical and subtropical regions, with rising incidence and mortality rates over the past few decades. While expert systems have been developed for early detection, traditional approaches often rely on rigid rule-based inference engines, which are limited by their dependence on expert-defined structures and lack adaptability to evolving knowledge sources. This study introduces a novel approach to enhance the flexibility and adaptability of expert systems by integrating machine learning (ML) techniques into the inference engine, leveraging the growing availability of medical record data as a dynamic knowledge source. Using a dataset of 90 medical records, balanced to 126 items via the Synthetic Minority Over-sampling Technique (SMOTE), we evaluated the performance of multiple ML algorithms, including Decision Trees (DT), Support Vector Machines (SVM), and Artificial Neural Networks (ANN), against traditional models like Naive Bayes (NB) and K-Nearest Neighbors (KNN). The DT, SVM, and ANN models demonstrated exceptional performance, achieving average accuracy, precision, recall, and F1 scores of 97.73%, 98.33%, 97.22%, and 97.41%, respectively. The key innovation of this research lies in developing an adaptive inference engine that can dynamically learn from medical data, reducing reliance on static rule bases and enabling the expert system to evolve with new knowledge. This approach improves diagnostic accuracy and provides a scalable and flexible framework for addressing other infectious diseases. By bridging the gap between expert systems and machine learning, this study paves the way for more intelligent, data-driven healthcare solutions with significant implications for public health and disease management.
Determination of Training Participants in Community Work Training Centers Using the Naïve Bayes Classifier Algorithm Hananto, April Lia; Hananto, Agustia; Huda, Baenil; Rahman, Aviv Yuniar; Novalia, Elfina; Priyatna, Bayu
JOIV : International Journal on Informatics Visualization Vol 8, No 3 (2024)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.8.3.1995

Abstract

Community work training centers are skills training institutions that aim to improve the skills of the surrounding community by providing training programs that align with industry needs. Registration of training participants at the Al-Ikhwan Islamic Boarding School community work training centers often faces obstacles, namely, the selection process is still manual, so it takes a long time, and there is a possibility of errors. This study aims to apply the Naive Bayes Classifier Algorithm to determine whether applicants pass training at the Al-Ikhwan Islamic Boarding School community work training centers. This classification method is used to help optimize the applicant selection process by considering administrative factors, income, and training quotas. RapidMiner software is used as a tool to implement the algorithm. This study found that the Naive Bayes Classifier Algorithm can provide good accuracy results in determining applicants who pass the training selection. The test results show that the resulting model has an accuracy of 90.00% in determining passing training participants with data that has the highest chance of passing, namely data that has the attributes of the female gender, age 20 years, last education Senior High School/Vocational High School, student work/student, income 364,912, father's work as laborer, father's income 3912,280, mother's work as an IRT, and mother's income 885,964. This research increases efficiency and accuracy in determining training applicants at the Al-Ikhwan Islamic Boarding School community work training centers.
Pemberdayaan kepada Kelompok Pengolah Sampah Organik sebagai Pakan Cacing di Kecamatan Sukun Kota Malang Aviv Yuniar Rahman; Feddy Wanditya Setiawan; April Lia Hananto
Jurnal Abdimas Mahakam Vol. 4 No. 1 (2020): Januari
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/jam.v4i1.753

Abstract

Pemberdayaan masyarakat saat ini dapat mengubah pengetahuan dan keterampilan. Di Kecamatan Sukun, Kota Malang. Di Kota Malang saat ini memiliki kelompok maupun organisasi  pengolah sampah organik menjadi pakan cacing. Kelompok ini membutuhkan informasi tentang dampak limbah, pengelolaan limbah, dan memanfaatkan limbah menjadi pundi-pundi uang. Dari keterbatasan sumber daya manusia dan keterampilan yang mereka miliki. Ternyata limbah organik dapat digunakan sebagai pakan cacing. Sehingga bisa menambah pemasukan bagi kelompok pengolah sampah organik. Dalam pelaksanaan pemberdayaan ini, dibutuhkan tahapan yang terdiri dari survei, dokumentasi, pembuatan bahan dan modul, konseling dan pelatihan, dan evaluasi. Ukur hasil pemberdayaan dengan membagikan kuesioner sebelum dan sesudah kuesioner kepada 10 peserta. Pertanyaan tentang kuesioner sebelum dan sesudah terdiri dari pengetahuan dan keterampilan. Kuesioner dibagi menjadi tiga tahap acara yang terdiri dari konseling dan pelatihan dalam manajemen keuangan, manajemen pemasaran, dan proses produksi. Hasil yang diperoleh setelah kegiatan adalah jumlah peserta yang mengalami peningkatan 80% dalam pengetahuan dari konseling manajemen keuangan. Untuk hasil konseling manajemen pemasaran memiliki peningkatan pengetahuan sebesar 90%. Sementara hasil perpanjangan di ketahui dari proses produksi mencapai peningkatan pengetahuan 95%.
Literasi Teknologi untuk Budidaya Jamur Ahmad Fauzi; Jamaludin Indra; April Hananto; Elfina Novalia; Aviv Yuniar Rahman
Jurnal Abdimas Mahakam Vol. 6 No. 02 (2022): Juli
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/jam.v6i02.1513

Abstract

Kabupaten Karawang memiliki lahan pertanian yang dapat mendukung budidaya jamur. Pendapatan budidaya jamur yang menjanjikan maka perlu adanya sosialiasi pemanfaatan teknologi. Pengkondisian ruangan budidaya jamur dilakukan menggunakan mikrokontroller dengan pengaturan standar ruangan budidaya jamur. Budidaya jamur befokus pada dua jenis jamur yaitu Jamur Tiram (Pleurotus Ostreatus) dan Jamur Merang yang merupakan salah satu komoditas pertanian yang memiliki nilai gizi sangat baik dan memiliki potensi yang baik untuk dikembangkan. Kegiatan dilakukan dengan penerapan teknologi mikrokontroller dan IoT dalam kumbung jamur untuk budidaya jamur merang. Literasi dilakukan kepada petani melalui sosialisasi penerapan tekologi tersebut sesuai dengan potensi manfaat Industri 4.0 mengenai perbaikan kecepatan fleksibilitas produksi. Peralatan teknologi yang diterapkan terdiri atas sensor dan actuator. Monitoring ruangan dapat terlihat melalui display LED yang menggambarkan kondisi ruang kumbung. Hasil yang diperoleh selama masa tanam 35 hari yaitu warna jamur lebih cerah, ukuran jamur lebih besar dan hasil panen lebih banyak. Kata Kunci: Budidaya jamur, Literasi teknologi, mikrokontroller, IoT, Industri 4.0.
Peningkatan Standarisasi Kualitas Pupuk dan Ubi Berbasis Sistem Cerdas Aviv Yuniar Rahman; Chauliah Fatma Putri; Adya Hermawati
Jurnal Abdimas Mahakam Vol. 7 No. 01 (2023): Abdimas Mahakam
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/jam.v7i01.1919

Abstract

Indonesia memiliki hasil pangan yang berlimpah dalam hasil olahannya. Salah satunya yaitu ubi jalar. Sumber karbohidrat dari ubi jalar banyak di manfaatkan sebagai bahan pangan di berbagai industri. Namun, dalam proses pemilihan ubi jalar masih menggunakan proses manual. Oleh karena itu membutuhkan tenaga yang banyak dalam proses pemilihan ubi jalar. Tidak hanya itu, dalam pengiriman ke berbagai mitra tidak memiliki standarisasi dalam mengirim yang di minta oleh industri. Sehingga banyak ubi jalar yang terbuang karena busuk ataupun mentah karena tidak dapat di olah. Berdasarkan dalam masalah tersebut, pengabdian ini bertujuan untuk memberi peningkatan sumber daya manusia. Tujuan kedua yaitu membuat sistem deteksi kualitas pupuk ubi jalar dan sistem deteksi ubi jalar berbasis sistem cerdas. Karena banyak di tempat tersebut masih minimnya pengetahuan dan keterampilan dalam memproduksi ubi jalar. Kemudian dalam segi peralatan juga dapat membuat alat deteksi kualitas pupuk yang dapat meningkatkan standarisasi dari pupuk ubi. Sehingga nantinya jika kualitas bagus jumlah produksi akan meningkat dengan adanya pupuk yang berkualitas. Pada Ubi jalar juga dapat membuat alat deteksi kualitas ubi yang nantinya dapat meningkatkan kualitas ubi dengan menghasilkan ubi dari berbagai grade untuk pengiriman ke industri. Hasil dalam pengabdian ini diketahui pengetahuan kualitas dan standarisasi kualitas pupuk terjadi peningkatan dari 60% menjadi 92%, untuk pengetahuan kualitas dan standarisasi kualitas ubi jalar mengalami peningkatan dari yang semula 67% menjadi 97% sedangkan pengetahuan dibidang sumber daya manusia juga mengalami peningkatan dengan yang sebelumnya melakukan pekerjaan tidak terstruktur, kini para pekerja sudah mulai melakukan pekerjaan sesuai dengan SOP dalam pekerjaan masing-masing.
Improved Hybrid GoogLeNet-Based Deep Learning Optimization for Standardized Straw Mushroom Quality Classification in Indonesia Priyatna, Bayu; Abdurahman, Titik Khawa; Miskon, Muhammad Fahmi; Hananto, April Lia; Hananto, Agustia Tia; Rahman, Aviv Yuniar
Journal of Applied Data Sciences Vol 7, No 2: May 2026
Publisher : Bright Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47738/jads.v7i2.1206

Abstract

Deep learning plays a crucial role in modern computer vision due to its ability to automatically extract hierarchical features from large-scale image data. Among various architectures, Convolutional Neural Networks (CNNs) have been extensively utilized for image pattern interpretation, including in agricultural product inspection. Straw mushrooms (Volvariella volvacea) are important agro-industrial commodities in Indonesia; however, their quality assessment still relies on subjective manual evaluation based on the Indonesian National Standard (SNI:01-6945-2003), leading to inconsistency in grading results. To address this limitation, this research proposes an Improved Hybrid GoogLeNet model integrated with a YOLO-based detection framework and hybrid preprocessing to enhance feature clarity and classification robustness. The system is capable of conducting object detection, 3-class morphological quality classification (Pure White, Oval, and Black Spot/Defect), and automatic diameter measurement using calibrated pixel-to-centimeter conversion. Performance evaluation is carried out by benchmarking the proposed model against several popular deep learning architectures including YOLOv5, LeNet, AlexNet, VGGNet, and ResNet. Experimental results demonstrate that the Improved Hybrid GoogLeNet achieves the highest performance with precision of 97.99%, recall of 96.07%, and F1-score of 96.98%, along with low misclassification rates across all classes. These results indicate that the proposed method provides accurate, reliable, and efficient quality assessment that supports standardized automated grading in industrial applications. Therefore, this study contributes to the advancement of intelligent computer vision solutions for digital transformation in the Indonesian mushroom agro-industry.