Article Per Year (5 Year)
p-Index From 2021 - 2026
4.566
P-Index
This Author published in this journals
All Journal Jurnal sistem informasi, Teknologi informasi dan komputer Sinkron : Jurnal dan Penelitian Teknik Informatika Bina Insani ICT Journal Jurnal Pilar Nusa Mandiri INOVTEK Polbeng - Seri Informatika JATI (Jurnal Mahasiswa Teknik Informatika) REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Jurnal Infortech Jurnal Inovasi Informatika Reputasi: Jurnal Rekayasa Perangkat Lunak JURNAL ELEKTRO DAN INFORMATIKA SWADHARMA (JEIS) Jurnal Minfo Polgan (JMP) Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer Journal of Artificial Intelligence and Digital Business Bukhori: Kajian Ekonomi dan Keuangan Islam SATIN - Sains dan Teknologi Informasi Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK) Blueprint Journal Jurnal Infortech
Ghofar Taufiq
Universitas Bina Sarana Informatika
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Library & Information Science Mathematics Mechanical Engineering Social Sciences Other

Published : 35 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 35 Documents
Search

 1   2   3   4 
Analisis Tren Popularitas Musik Spotify Menggunakan Chi-Square, Regresi Linear & Anova Sentanu, Quinn Abrar Athallah; Alamsyah, Muhammad Arkan; Rivaldi, Muhammad; Sumanto, Sumanto; Taufiq, Ghofar
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 10, No 1 (2026): SEMNAS RISTEK 2026
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v10i1.8897

Abstract

Musik adalah fenomena budaya yang dinamis, dengan platform streaming seperti Spotify merevolusi konsumsi. Penelitian ini bertujuan menganalisis tren karakteristik akustik dan popularitas musik menggunakan Dataset Spotify dari tahun 2018 hingga 2022, periode krusial dominasi digital. Pentingnya topik ini terletak pada identifikasi pergeseran selera digital dan faktor-faktor yang mendorong keberhasilan musikal kontemporer. Penelitian ini menggunakan metode analisis statistik deskriptif dan pemodelan deret waktu pada metrik popularitas serta karakteristik akustik seperti danceability, energy, dan valence.Genre R&B dan Indie mencatat pertumbuhan popularitas yang paling signifikan. Disimpulkan bahwa dalam era streaming, danceability telah menjadi prediktor kuat popularitas, menandakan preferensi pendengar terhadap musik yang lebih berirama, sebuah temuan penting bagi produser musik dan pemasar
Penerapan  Naïve Bayes Berbasis SMOTE Dan Decision Tree Untuk Analisis Sentimen Timnas Indonesia Ghudzamir 'Ammar Ibrahim Pasaribu; Ghofar Taufik; Giatika Chrisnawati; Indarti; Dewi Laraswati; Dinda Ayu Muthia
Jurnal Infortech Vol. 7 No. 2 (2025): Desember 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v7i2.11570

Abstract

Penelitian ini bertujuan menganalisis persepsi publik terhadap kinerja Tim Nasional Indonesia pada masa kepelatihan Patrick Kluivert melalui analisis sentimen komentar penggemar di Instagram. Media sosial dipilih karena menjadi wadah utama bagi penggemar untuk menyampaikan opini dan dukungan secara langsung. Sebanyak 300 komentar dikumpulkan dari akun resmi Timnas Indonesia menggunakan teknik data scraping. Data tersebut kemudian melalui proses pembersihan dan pelabelan sebelum dianalisis. Untuk menyeimbangkan distribusi data, digunakan metode Synthetic Minority Over-sampling Technique (SMOTE). Klasifikasi sentimen dilakukan dengan membandingkan dua algoritma machine learning, yaitu Naïve Bayes dan Decision Tree, guna menilai kinerja masing-masing dalam mengenali sentimen positif maupun negatif. Hasil penelitian menunjukkan bahwa model Decision Tree memiliki performa lebih baik, khususnya dengan nilai recall tinggi pada kelas positif, yang menunjukkan kemampuannya dalam mendeteksi sentimen positif secara akurat. Meskipun demikian, model ini masih lemah dalam mengidentifikasi sentimen negatif. Secara keseluruhan, temuan ini menggambarkan antusiasme dan kecintaan besar penggemar terhadap Timnas Indonesia, terlepas dari hasil pertandingan yang diperoleh.
ANALISIS SENTIMEN ULASAN GAME DELTA FORCE MOBILE MENGGUNAKAN NAIVE BAYES DAN SUPPORT VECTOR MACHINE Zaky, Faiz Najwan; Gibran, Muhamad Rendi; Sumanto, Sumanto; Kumalasari, Jefina Tri; Taufiq, Ghofar; Christian, Ade
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no1.1115

Abstract

This study aims to analyze sentiment in Delta Force Mobile reviews on the Google Play Store using Naive Bayes and Support Vector Machines. Sentiment classification in reviews helps game developers understand player sentiment and improve user satisfaction. The method used is the KDD framework, which focuses on web scraping, text cleaning, tokenization, stemming, and TF-IDF for data weighting. The experimental data consisted of 29,454 reviews, with a peak accuracy rate of 86.17%. The study found a significant improvement in SVM’s ability to classify negative sentiment accurately. SVM had a score of 0.69, while Naive Bayes had a score of 0.56. This indicates that SVM is more accurate at classifying reviews that contain technical complaints, such as lag and bugs.Penelitian ini bertujuan menganalisis sentimen pada ulasan Delta Force Mobile di Google Play Store menggunakan Naive Bayes dan Support Vector Machine. Klasifikasi sentimen dalam ulasan digunakan untuk membantu pengembang game memahami sentimen pemain dan membantu meningkatkan kepuasan pengguna. Metode yang digunakan yaitu kerangka kerja KDD yang berfokus pada web scraping, pembersihan teks, tokenisasi, stemming, dan TF-IDF untuk memberi bobot pada data. Data yang digunakan dalam eksperimen berjumlah 29.454 ulasan, dengan tingkat akurasi tertinggi sebesar 86.17%. Hasil penelitian mendapatkan temuan signifikan bahwa SVM memiliki kemampuan yang lebih baik dalam mengklasifikasikan sentimen negatif secara akurat. SVM memiliki nilai 0,69 dan Naive Bayes memiliki nilai 0,56. Hal ini menunjukan bahwa SVM lebih akurat dalam mengklasifikasikan ulasan yang mengandung keluhan teknis seperti lag dan bug.
MODEL SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KARYAWAN TERBAIK PADA BANK X DENGAN SIMPLE ADDITIVE WEIGHTING Suharjanti Suharjanti; Ghofar Taufik; Ahmad Zarkasi; Melan Susanti
Reputasi: Jurnal Rekayasa Perangkat Lunak Vol. 2 No. 2 (2021): November 2021
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/reputasi.v2i2.568

Abstract

Untuk sistem pendukung keputusan, model menggunakan metode simple additive weighting (SAW). Dalam melakukan evaluasi terhadap pegawai terbaik Bank X akan dilakukan beberapa evaluasi berdasarkan kriteria yang digunakan sebagai bahan evaluasi. Dalam evaluasi ini, karyawan dibandingkan satu sama lain untuk memberikan nilai output yang valid antara setiap karyawan. Oleh karena itu, para pengelola Bank X dapat menggunakannya sebagai alat pengambilan keputusan yang efektif dan efisien, serta dapat membantu para pengelola Bank X untuk menentukan pemilihan pegawai terbaik melalui evaluasi. Hasil dari penelitian ini adalah suatu model sistem pendukung keputusan yang memilih pegawai terbaik melalui metode simple additive weighting (SAW) yang memberikan informasi dengan cara mengevaluasi pegawai terbaik. Memilih karyawan terbaik di sebuah perusahaan memang tidak mudah. Karena karyawan merupakan salah satu aset penting perusahaan, maka harus ada kriteria yang dijadikan parameter evaluasi dalam pemilihan karyawan terbaik. Bank X memiliki beberapa kriteria penilaian pegawai terbaik yaitu penampilan, kehandalan, rasa tanggung jawab, wawasan dan empati terhadap produk Bank X.
Penerapan Algoritma Random Forest Dalam Memprediksi Harga Properti di Jakarta Selatan Berdasarkan Karakteristik Fisik dan Lokasi Safa Emilita; Putri Sri Rahayu; Sekar Rania Larasati; Ghofar Taufiq; Jefina Tri Kumalasari
Jurnal Minfo Polgan Vol. 14 No. 2 (2025): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v14i2.15735

Abstract

Penelitian ini bertujuan untuk melakukan prediksi harga properti di wilayah Jakarta Selatan dengan memanfaatkan algoritma Random Forest. Dataset yang digunakan mencakup 1.003 data dengan variabel seperti harga, luas tanah (LT), luas bangunan (LB), jumlah kamar tidur (JKT), jumlah kamar mandi (JKM), keberadaan garasi (GRS), serta lokasi (KOTA). Hasil analisis menunjukkan bahwa algoritma Random Forest mampu memberikan prediksi harga properti dengan tingkat akurasi yang tinggi, di mana luas tanah dan luas bangunan menjadi faktor yang paling berpengaruh terhadap hasil prediksi.Temuan ini dapat menjadi referensi bagi pengembang, agen properti, maupun calon pembeli dalam memperkirakan nilai pasar properti di Jakarta Selatan secara lebih objektif dan data-driven .
Co-Authors Ade Christian Adjat Sudradjat Adriansyah, Mohammad Agus Salim Ahmad Zarkasi Alamsyah, Muhammad Arkan Ali, Muhamad Hafis Ardiyansyah, Rizqi Arief Rusman Asfani, Asfani Baginda Oloan Lubis Banu Dwi Hanggoro, Dimas Budi Santoso Budi Waluyo Chitantri Septiana Rachman Chrisnawati, Giantika Dewi Laraswati Dinda Ayu Muthia Dona Jatmika Fauzan, Muhammad Indra Febrian, Zico Ghazi, Akhmad Nur Ghudzamir 'Ammar Ibrahim Pasaribu Giatika Chrisnawati Gibran, Muhamad Rendi Indarti Indarti Indarti Ishak Komarudin Ispandi Ispandi, Ispandi Jefina Tri Kumalasari Khultsum, Umi Kumalasari Kumalasari Lestari, Julia Ananda Marni Berek, Maria Susey Melan Susanti Nur Kholifah, Desiana Nurhotimah, Ica Oman Rusmana Putri Sri Rahayu Ramadhania Hendharti Rivaldi, Muhammad Rofiqi, Ainur Rosadi Rosadi Safa Emilita Santiyana Yulia Sekar Rania Larasati Sentanu, Quinn Abrar Athallah Sianturi, Julius Immanuel Suhar Janti Suharjanti Suharjanti Sulaiman Sulaiman Sumanto Sumanto Sutisna, Alifan Widad Utami, Elta Tri Yamani, Teuku Arrasy Yopi Handrianto, Yopi Zaky, Faiz Najwan