Article Per Year (5 Year)
p-Index From 2021 - 2026
2.998
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknologi dan Rekayasa Sistemasi: Jurnal Sistem Informasi Bianglala Informatika : Jurnal Komputer dan Informatika Akademi Bina Sarana Informatika Yogyakarta Jurnal Teknik Komputer AMIK BSI Jurnal Khatulistiwa Informatika JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING ILKOM Jurnal Ilmiah Jurnal Nasional Komputasi dan Teknologi Informasi JUTIS : Jurnal Teknik Informatika Jurnal Infortech Jurnal Restikom : Riset Teknik Informatika dan Komputer Jurnal Media Informatika JUSTIAN - Jurnal Sistem Informasi Akuntansi Jurnal Abdimas Komunikasi dan Bahasa sudo Jurnal Teknik Informatika Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) EVOLUSI : Jurnal Sains dan Manajemen
Fuad Nur Hasan
Universitas Bina Sarana Informatika
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Neuroscience Social Sciences Transportation

Published : 18 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 18 Documents
Search

 1   2 
Analisis Sentimen Pengguna TikTok Terhadap Postingan Tiktok Smartfrenworld Menggunakan Algoritma Logistic Regression Arga Budi Mulya; Rifky Wahyu Eka Putra; Muhammad Arif Giovanni; Adheiktyo Februarjuna Putravani; Arya Ade Putra; Fuad Nur Hasan
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 6 (2025): Desember 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i6.9945

Abstract

Abstrak - Penelitian ini bertujuan melakukan analisis sentimen pengguna TikTok terhadap postingan akun resmi Smartfrenworld menggunakan algoritma Logistic Regression. Metode ini dipilih karena keunggulannya dalam efisiensi komputasi dan efektivitasnya yang tinggi dalam menangani klasifikasi biner pada data teks, sehingga cocok untuk analisis sentimen. Data yang digunakan adalah 4.200 komentar pengguna TikTok yang dikumpulkan melalui proses scraping. Metodologi penelitian mencakup tahap pengumpulan data, prapemrosesan data yang mencakup Case folding, Normalisasi Kata Slang, dan penghapusan Stopword, serta pelabelan sentimen menggunakan metode Rule-Based. Hasil pelabelan menunjukkan bahwa sentimen negatif lebih mendominasi, yaitu sebesar 52,31% atau 2.197 sampel, dibandingkan dengan sentimen positif sebesar 47,69% atau 2.003 sampel. Evaluasi kinerja model Logistic Regression sebagai algoritma Machine Learning menunjukkan hasil yang sangat baik dan stabil, dengan nilai akurasi keseluruhan mencapai 0,9286 (92,86%). Selain itu, model ini juga mencapai nilai Presisi, Recall, dan F1-Score yang seimbang, yaitu 0,93 untuk kedua kelas sentimen. Analisis WordCloud menunjukkan bahwa sentimen negatif berkaitan dengan berbagai kendala teknis layanan seperti "sinyal", "jaringan", dan "gangguan", sementara sentimen positif berkaitan dengan interaksi dan pelayanan pelanggan yang baik, terlihat dari kata kunci seperti "teman" dan "trimz".Kata kunci: Analisis Sentimen; TikTok; Logistic Regression; Smartfrenworld; Machine Learning; Abstract - This study aims to analyze TikTok user sentiment towards Smartfrenworld's official account posts using the Logistic Regression algorithm. This method was chosen because of its advantages in computational efficiency and its high effectiveness in handling binary classification on text data, making it suitable for sentiment analysis. The data used are 4,200 TikTok user comments collected through a scraping process. The research methodology includes data collection stages, data preprocessing including Case folding, Slang Normalization, and Stopword removal, as well as sentiment labeling using the Rule-Based method. The labeling results show that negative sentiment is more dominant, namely 52.31% or 2,197 samples, compared to positive sentiment at 47.69% or 2,003 samples. The performance evaluation of the Logistic Regression model as a Machine Learning algorithm shows excellent and stable results, with an overall accuracy value reaching 0.9286 (92.86%). In addition, this model also achieves balanced Precision, Recall, and F1-Score values, namely 0.93 for both sentiment classes. WordCloud analysis shows that negative sentiment is related to various technical service issues such as “signal,” “network,” and “interference,” while positive sentiment is related to good customer interaction and service, as seen from keywords such as “friends” and “thanks”.Keywords: Sentiment Analysis; TikTok; Logistic Regression; Smartfrenworld; Machine Learning;
Pendekatan computer vision untuk analisis fitur visual dalam estimasi produktivitas tanaman kopi Jenie Sundari; Ahmad Sinnun; Fuad Nur Hasan; Mulia Rahmayu
Jurnal Ilmiah Teknologi dan Rekayasa Vol. 31 No. 1 (2026)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/tr.2026.v31i1.182

Abstract

Coffee productivity is an important factor in supporting the sustainability of smallholder plantations, particularly in the Sukabumi region. However, conventional estimation methods that rely on manual observation tend to be subjective and inefficient. Although previous studies have applied computer vision and machine learning for yield prediction, most approaches depend on large-scale datasets and expensive sensing technologies, and often do not integrate multiple visual plant features comprehensively. This indicates a research gap in the use of simple RGB-based imaging for productivity estimation. This study aims to analyze visual features of coffee plants and develop a coffe productivity estimation model using the Random Forest algorithm. The dataset consists of 10 coffee plant images collected directly from field observations, with extracted features including fruit count, fruit maturity percentage, canopy area, leaf color, and leaf texture. Model evaluation is performed using Leave-One-Out Cross Validation (LOOCV) method to optimize data utilization on a limited dataset. The results show that the model achieves a Mean Absolute Error (MAE) of 0.06, a Root Mean Square Error (RMSE) of 0.07, and a coefficient of determination (R²) of 0.91. These results indicate good predictive performance within the available dataset. Feature importance analysis reveals that fruit count and fruit maturity percentage are the most influential factors in determining coffee productivity. This study contributes to the development of a low-cost image-based estimation approach that is practical and potentially applicable for smart agriculture in smallholder coffee plantations, although the findings remain preliminary due to the limited dataset size.
Analisis Kinerja Random Forest, Gradient Boosting, dan LightGBM dengan SMOTENC pada Klasifikasi Tingkat Obesitas Kartika Handayani; Erni; Fuad Nur Hasan
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.1074

Abstract

Klasifikasi tingkat obesitas merupakan aspek penting dalam bidang kesehatan untuk mendukung deteksi dini dan pengambilan keputusan yang tepat. Namun, dataset obesitas umumnya memiliki distribusi kelas yang tidak seimbang, yang dapat menyebabkan bias model terhadap kelas mayoritas dan menurunkan kemampuan dalam mengenali kelas minoritas. Penelitian ini bertujuan untuk menganalisis kinerja algoritma ensemble learning dalam klasifikasi tingkat obesitas serta mengevaluasi pengaruh teknik penyeimbangan data terhadap performa model. Algoritma yang digunakan meliputi Random Forest, Gradient Boosting, dan Light Gradient Boosting Machine (LightGBM). Untuk mengatasi ketidakseimbangan data, diterapkan metode Synthetic Minority Over-sampling Technique for Nominal and Continuous (SMOTENC). Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score, serta didukung oleh analisis confusion matrix dan kurva Receiver Operating Characteristic (ROC). Hasil penelitian menunjukkan bahwa model LightGBM dengan SMOTENC menghasilkan performa terbaik dengan nilai accuracy sebesar 96,45%, precision sebesar 96,12%, recall sebesar 95,98%, dan F1-score sebesar 96,05%. Penerapan SMOTENC terbukti meningkatkan nilai recall dan F1-score pada kelas minoritas, sehingga menghasilkan klasifikasi yang lebih seimbang dan mengurangi bias terhadap kelas mayoritas.
Pemanfaatan Internet Dalam Menunjang Kegiatan Belajar Mengajar Di Masa Pandemi Covid-19 Riska Aryanti; Atang Saepudin; Tri Wahyuni; Fuad Nur Hasan; Kristine Harefa
Jurnal Abdimas Komunikasi dan Bahasa Vol. 1 No. 1 (2021): Juni
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/abdikom.v1i1.331

Abstract

Pandemi Covid-19 berdampak besar pada berbagai sektor, salah satunya pendidikan. Dunia pendidikan juga ikut merasakan dampaknya. Pendidik harus memastikan kegiatan belajar mengajar tetap berjalan, meskipun peserta didik berada di rumah. Solusinya, pendidik dituntut mendesain media pembelajaran sebagai inovasi dengan memanfaatkan media daring (online). Ini sesuai dengan Menteri Pendidikan dan Kebudayaan Republik Indonesia terkait Surat Edaran Nomor 4 Tahun 2020 tentang Pelaksanaan Kebijakan Pendidikan dalam Masa Darurat Penyebaran Corona Virus Disease (Covid-19). Sistem pembelajaran dilaksanakan melalui perangkat Mobile Phone, Personal Computer (PC) atau laptop yang terhubung dengan koneksi jaringan internet. Proses belajar mengajar akhirnya berubah dari bertatap muka secara langsung dikelas menjadi pembelajaran berbasis jaringan/internet atau yang biasa disebut dengan istilah daring. Tidak sedikit peserta didik bahkan pendidik yang masih belum terbiasa dengan sistem pembelajaran daring ini. Oleh karena itu, dosen Program Studi Ilmu Komputer (S1) Universitas Bina Sarana Informatika akan menyelenggarakan sosialisasi/pelatihan terhadap peserta didik khususnya pada warga RT. 002/RW.002 Tegal Parang–Jakarta Selatan. Pelatihan tersebut memiliki tema Pemanfaatan Internet Dalam Menunjang Kegiatan Belajar Mengajar Di Masa Pandemi Covid-19. Pelatihan ini diharapkan mampu menambah pemahaman dan keterampilan para peserta agar lebih mampu memanfaatkan layanan internet dengan lebih bijak untuk menunjang proses belajar mengajar di masa pandemi Covid-19 saat ini. Adapun target luaran dari pelaksanaan Pengabdian Masyrakat ini yaitu berupa publikasi artikel di media online, video dokumentasi kegiatan dan meningkatkan pengetahuan dan keterampilan peserta dalam memanfaatkan layanan internet.
Rancang Bangun Sistem Informasi Pengarsipan Dokumen Di Kantor Camat Segedong Berbasis Web Santi Santi; Sri Murni; Kartika Handayani; Erni Erni; Panny Agustia Rahayuningsih; Fuad Nur Hasan
Jurnal Sistem Informasi Akuntansi Vol 6 No 1 (2025): Periode Maret 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/justian.v6i1.9429

Abstract

In accordance with Pontianak District Regulation No. 7 of 2005, which formally established Segedong District, it was created by dividing Siantan District, which is now Jongkat District. Document archiving, including the recording of arriving and outgoing letters, is an integral part of the work of the Segedong Camat Office, a government agency in Segedong that provides services. The Segedong Sub-District Office has an issue with document archiving; specifically, they still use an agenda book to manually record incoming and outgoing letters. There is a risk of data corruption or loss while using the agenda book to record letters. The Segedong Sub-District Office is in need of an information system for web-based archiving. The research methodology involves conducting interviews and direct observations of the Segedong District Office's document filing system. In response to the challenges encountered by the Segedong District Office's staff in the process of document archiving, the author proposes the development of a web-based document archiving information system. Development of websites in PHP with the help of Xampp and MySQL. data pertaining to outgoing mail, index, reports on arriving mail, and reports on outgoing mail
Analisis Sentimen Keefektifan Belajar Bahasa Asing di Aplikasi Duolingo dengan Algoritma Naïve Bayes Muhammad Aqshal Anindya Tratama; Fadli Santoso Murmita; Dimas Arsya Maulana; Cindy Renata; Raras Ailsa; Fuad Nur Hasan
sudo Jurnal Teknik Informatika Vol. 5 No. 1 (2026): Edisi Maret
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56211/sudo.v5i1.1354

Abstract

Aplikasi pembelajaran bahasa Duolingo telah diunduh lebih dari 500 juta kali, namun terdapat perdebatan mengenai keefektifannya. Ulasan pengguna di Google Play Store merupakan sumber data masif untuk mengevaluasi persepsi ini, namun volumenya terlalu besar untuk dianalisis secara manual. Penelitian ini bertujuan untuk menganalisis sentimen pengguna guna memahami lebih dalam persepsi efektivitas Duolingo sebagai media pembelajaran bahasa asing. Penelitian ini menggunakan 5.000 ulasan yang dikumpulkan melalui scraping dari Google Play Store. Metode Natural Language Processing (NLP) diterapkan, meliputi text pre-processing serta vektorisasi TF-IDF. Sebuah model klasifikasi sentimen biner yang telah dilabeli positif dan negatif dibangun menggunakan algoritma Multinomial Naïve Bayes. Hasil analisis data menunjukkan sentimen keseluruhan sangat positif, dimana 85.34% ulasan diklasifikasikan sebagai positif. Analisis kualitatif mengidentifikasi pendorong sentimen positif adalah efektivitas ("mudah paham", "bantu ajar") dan aspek gamifikasi ("seru"). Sebaliknya, sentimen negatif didominasi oleh keluhan pada fitur "sistem hati" dan "iklan" yang mengganggu. Model Naïve Bayes yang telah dilatih berhasil mencapai akurasi 92.81% dalam mengklasifikasikan data uji, membuktikan efektivitasnya untuk tugas ini terutama dalam tugas klasifikasi sentimen positif. Hasil ini mengonfirmasi persepsi positif terhadap keefektifan Duolingo, sekaligus memberikan masukan kritis mengenai model bisnis freemium-nya dan kekurangan lain yang dimiliki aplikasi pembelajaran ini.
Indonesia Analisis Sentimen Teknologi Ai Terhadap Desainer Grafis Menggunakan Na?ve Bayes Dengan Metode Pengujian 10 Fold Cross Validation Qodri Nurfalah; Fuad Nur Hasan
JURNAL TEKNIK INFORMATIKA UNIS Vol. 13 No. 1 (2025): Jutis (Jurnal Teknik Informatika)
Publisher : Universitas Islam Syekh Yusuf

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33592/jutis.v13i1.5442

Abstract

Penelitian ini diperuntukan untuk mengetahui sentimen para desainer grafis terhadap teknologi yang belum lama ini sedang di perbincangkan yaitu teknologi ai. Dengan menggunakan metode Naive Bayes dengan 10-Fold Cross Validation, penelitian ini meneliti bagaimana teknologi AI berdampak pada desainer grafis. Data dikumpulkan melalui crawling platform YouTube. Data yang di dapatkan dari crawling yaitu 1754 data. Dengan melalui tahap pre-processing yaitu, cleansing, tokenize, stopword, stemming, dan lemmatization Hasilnya menunjukkan 796 sentimen negatif dan 958 sentimen positif. Dengan menggunakan matrix confusion, evaluasi ini menunjukkan akurasi 73%. Akurasi tertinggi adalah di fold ke-2 (76%) dan terendah adalah di fold ke-6 (65%), dengan rata-rata akurasi 10 fold adalah 70%. Hasil penelitian menunjukkan bahwa Naive Bayes dengan Validasi Jalur Sepuluh Potongan dapat digunakan dengan cukup akurat untuk menilai sentimen teknologi AI terhadap desainer grafis. Dengan na?ve bayes terbukti cukup bagus untuk efektifitas dalam klasifikasi sentimen komentar para desainer grafis
Komparasi Kinerja Support Vector Machine dan Naive Bayes Teroptimasi pada Sentimen Ulasan Blu by BCA Fathony Mursyid; Marcellino Andelta Pinem; Abraham Imanuel Sinaga; Haichal Ryan Saputra; Eldika Rubiana; Fuad Nur Hasan
Jurnal Media Informatika Vol. 6 No. 6 (2025): Edisi Desember 2025
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v6i6.7665

Abstract

 − Pertumbuhan pesat aplikasi perbankan digital Blu by BCA Digital menghasilkan volume ulasan pengguna yang besar dan tidak terstruktur. Penelitian ini bertujuan untuk menentukan model klasifikasi sentimen biner yang optimal dengan membandingkan kinerja algoritma Support Vector Machine (SVM) dan Naive Bayes (NB). Kedua algoritma dioptimasi menggunakan Particle Swarm Optimization (PSO) untuk memperoleh hiperparameter terbaik. Optimasi ini dilakukan guna meningkatkan performa klasifikasi pada data teks berbahasa Indonesia yang bersifat informal. Evaluasi model dilakukan menggunakan metrik Akurasi dan F1-Score. Hasil pengujian menunjukkan bahwa model PSO-SVM memiliki kinerja yang lebih unggul dengan akurasi 86,01% dan F1-Score (Negatif) 76,66%. Sebagai perbandingan, model PSO-NB menghasilkan akurasi 85,03% dan F1-Score (Negatif) 74,70%. Berdasarkan hasil tersebut, PSO-SVM direkomendasikan sebagai model yang paling andal untuk sistem pemantauan sentimen otomatis, khususnya dalam mendeteksi keluhan pelanggan pada industri Fintech
Co-Authors Abdul Latif Abraham Imanuel Sinaga Adheiktyo Februarjuna Putravani Ahmad Sinnun Arga Budi Mulya Ari Abdilah Arya Ade Putra Atang Saepudin Cindy Renata Dimas Arsya Maulana Dini Nurlaela Dwi Yuni Utami Elah Nurlelah Eldika Rubiana Erni Erni Erni Fadli Santoso Murmita Fathony Mursyid Haichal Ryan Saputra Hariani Jenie Sundari Kartika Handayani Kristine Harefa Lestari Yusuf Lila Dini Utami Lisnawanty Mahmud Syarif Marcellino Andelta Pinem Muhammad Aqshal Anindya Tratama Muhammad Arif Giovanni Muhammad Rifqi Firdaus Mulia Rahmayu Narti Narti Noor Hasan Panny Agustia Rahayuningsih Qodri Nurfalah Rangga Pebrianto Raras Ailsa Rifky Permana Rifky Wahyu Eka Putra Riska Aryanti Santi Santi Sri Murni Taufik Hidayatulloh Tri Wahyuni Yohana Rosalinda Situmorang