Article Per Year (5 Year)
p-Index From 2021 - 2026
3.484
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Edukasi dan Penelitian Informatika (JEPIN) InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Informatika Polinema (JIP) Jurnal Aplikasi dan Riset Informatika
Arif Bijaksana Putra Negara
Universitas Tanjungpura
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Library & Information Science

Published : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 36 Documents
Search

 1   2   3   4 
Analisis Sentimen Maskapai Penerbangan Menggunakan Metode Naive Bayes dan Seleksi Fitur Information Gain Negara, Arif Bijaksana Putra; Muhardi, Hafiz; Putri, Indira Melinda
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 3: Juni 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020711947

Abstract

Zaman sekarang tren masyarakat untuk memesan tiket pesawat sudah melalui situs-situs booking online. Pegipegi.com merupakan salah satu website yang menyediakan pemesanan tiket dan menyediakan fitur ulasan bagi pengunjung untuk menyampaikan opini. Pengunjung lain yang membaca ulasan-ulasan tersebut dapat memperoleh gambaran secara lebih objektif mengenai maskapai penerbangan. Ulasan pengguna yang terdapat pada website pegipegi.com saat ini sudah sangat banyak sehingga hal ini menyulitkan dan memakan waktu untuk membaca secara keseluruhan. Oleh karena itu dirancang analisis sentimen guna membantu mengklasifikasi ulasan kedalam kategori positif atau negatif sehingga dapat memberikan rekomendasi maskapai penerbangan berdasarkan jumlah kategori ulasan. Metode yang diterapkan untuk klasifikasi sentimen adalah Naïve Bayes dengan seleksi fitur Information Gain. Adapun tujuan dari penelitian ini adalah mengetahui pengaruh dari pemilihan fitur Information Gain terhadap akurasi klasifikasi dan membuktikan bahwa metode Naïve Bayes dengan Information Gain dapat digunakan untuk klasifikasi analisis sentimen. Hasil pengujian yang telah dilakukan menunjukkan bahwa nilai rata-rata akurasi, precision, recall setelah penambahan Information Gain menunjukkan hasil yang lebih baik sebesar 0,865 jika dibandingkan sebelum penambahan information gain yakni sebesar 0,81. AbstractNowadays people tend to order airplane tickets through online booking sites. Pegipegi.com is a website that provides ticket reservations and a review section for visitors to express their opinions. Other visitors who read the reviews can get a more objective picture of airlines. The user reviews contained on the pegipegi.com website are currently very large so this makes it difficult and time consuming to read in its entirety. Therefore sentiment analysis is designed to help classify reviews into positive or negative categories so that they can provide airline recommendations based on the number of review categories. The method applied for sentiment classification is Naïve Bayes with the Information Gain feature selection. The purpose of this study was to determine the effect of selecting the Information Gain feature on classification accuracy and prove that the Naïve Bayes method with Information Gain can be used for the classification of sentiment analysis. The results of the tests that have been done show that the average value of accuracy, precision, recall after adding Information Gain shows better results of 0.865 compared to the addition of information gain which is equal to 0.81.
Prediksi Jeda dalam Ucapan Kalimat Bahasa Melayu Pontianak Menggunakan Hidden Markov Model Berbasis Part of Speech Negara, Arif Bijaksana Putra; Muhardi, Hafiz; Muniyati, Evi Fathiyah
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020742166

Abstract

Informasi jeda adalah salah satu faktor pendukung dari ucapan berkualitas yang dihasilkan oleh sistem Text to Speech. Penelitian ini bertujuan untuk memprediksi jeda pada ucapan kalimat bahasa Melayu Pontianak berbasis part of speech dengan menggunakan tools Hidden Markov Model (HMM). HMM akan menghitung nilai probabilitas dari setiap kemungkinan yang ada. Penelitian ini menggunakan data berupa file rekaman ucapan penutur yang membacakan 500 kalimat berbahasa Melayu Pontianak. Hasil yang didapatkan dari sistem ini yaitu teks kalimat bahasa Melayu Pontianak beserta prediksi jedanya. Indeks jeda dikategorikan menjadi 5 kategori yaitu indeks jeda “0” menandakan tidak ada jeda, “1” menandakan jeda singkat, “2” menandakan jeda panjang, “,” menandakan tanda baca koma, dan “.” menandakan akhir kalimat. Hasil prediksi kemudian diuji menggunakan pengujian akurasi kecocokan jeda ucapan dalam satu kalimat penuh dan pengujian precision, recall dan f-measure. Frasa jeda ucapan yang diuji yaitu frasa jeda 1+2 dan frasa jeda 2. Pengujian dilakukan dengan membandingkan hasil model bigram dan trigram. Berdasarkan pengujian yang telah dilakukan, model trigram lebih baik dalam menghasilkan prediksi jeda ucapan pada kalimat bahasa Melayu Pontianak. AbstractPause information is one of the supporting factors of quality speech produced by the Text to Speech system. Previously there had been research to predict pauses in Pontianak Malay language using other methods, but it still did not get good results. This study aims to predict pauses in Pontianak Malay language sentences using the Hidden Markov Model (HMM) tools based on part of speech. HMM will calculate the probability value of each possibility. This research uses recording file of speeches from speakers who read 500 Pontianak Malay sentences and a new PoS set developed from several existing PoS sets. The results are Pontianak Malay language sentence along with the pause prediction. The pause indices are categorized into 5 categories, the pause index "0" indicates that there is no pause, "1" indicates a short pause, "2" indicates a long pause, "," indicates the comma punctuation, and "." indicates the end of the sentence. The prediction results are then tested using a speech pause match accuracy test in one full sentence and testing of precision, recall and f-measure. The speech pause phrases that are tested are the pause phrase 1+2 and the pause phrase 2. The test is done by comparing the results of the bigram and trigram models. Based on the tests that have been done, the trigram model is better at producing predictions of speech pauses in Pontianak Malay language sentences.
Rekomendasi Menu Paket Menggunakan Metode Asosiasi Hasbillah, Gilang Muhammad; Negara, Arif Bijaksana Putra; Yulianti, Yulianti
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.89113

Abstract

Rumah makan memiliki peran yang penting dalam gaya hidup masyarakat saat ini, mengingat makan di luar merupakan satu di antara aktivitas sosial yang populer. Kesuksesan suatu restoran membutuhkan pengalaman, perencanaan, dukungan finansial, tenaga, dan keberuntungan. Rumah Makan Tazakka merupakan restoran jenis casual style dining di Kota Pontianak yang menawarkan makanan sehari-hari seperti rumah makan pada umumnya.   Implementasi data mining metode asosiasi untuk menyusun rekomendasi menu paket menjadi satu di antara langkah perencanaan dalam menjalankan Rumah Makan Tazakka. Dalam hal ini digunakan algoritma Apriori dan algoritma ECLAT untuk mengolah data mentah yang memuat informasi tentang item-item yang terjual dalam setiap transaksi yang dilakukan setiap harinya. Berbagai itemset berupa menu paket akan dihasilkan dari kedua algoritma di mana itemset-itemset tersebut memiliki nilai support lebih dari 1% untuk kedua algoritma dan nilai confidence lebih dari 50% sebagai tambahan untuk algoritma Apriori. Dengan menggunakan hasil dari kedua algoritma, dilakukan proses evaluasi untuk mencari kekuatan hubungan antara item anteseden dan item konsekuen dari itemset-itemset yang akan menjadi rekomendasi menu paket menggunakan Lift Ratio di mana dari proses evaluasi ini dihasilkan sebanyak empat rekomendasi menu paket, yaitu Paket Ayam Besar Teh Es, Paket Ayam Goreng Laos Teh Es, Paket Ayam Bakar Teh Es, dan yang terakhir adalah Paket Ayam Bakar, Paket Ayam Goreng Laos Teh Es.
Implementasi Metode K-Means Clustering dan Algoritma Cosine Similarity pada Repository Digital Jurusan Informatika Riza, Abu; Negara, Arif Bijaksana Putra; Pratiwi, Helen Sasty
Jurnal Aplikasi dan Riset Informatika Vol 2, No 2 (2024)
Publisher : Jurnal Aplikasi dan Riset Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/juara.v2i2.73974

Abstract

Penelitian ini bertujuan untuk mengelola data dokumen tugas akhir dalam Repositori Digital Jurusan Informatika. Fokus pengolahan data adalah pengelompokan dokumen berdasarkan abstrak dan penghitungan tingkat kemiripan antara dokumen-dokumen tersebut. Prosesnya dimulai dengan mengambil abstrak dari setiap dokumen tugas akhir dan melakukan pemrosesan teks menggunakan metode Nazief-Adriani. Kemudian, dilakukan perhitungan bobot kata dengan algoritma TF-IDF dan pengelompokan dokumen menggunakan K-Means Clustering. Selanjutnya, dihitung tingkat kemiripan antara dokumen-dokumen dalam kelompok menggunakan Cosine Similarity. Penelitian ini juga mengimplementasikan sistem berupa website yang memungkinkan pengguna mengakses dan memanfaatkan hasil pengolahan data. Diharapkan penelitian ini dapat memberikan pengelompokan dokumen tugas akhir yang efisien dan akurat berdasarkan abstrak, serta tingkat kemiripan yang baik antara dokumen-dokumen tersebut. Hal ini akan membantu pengguna mencari informasi relevan dan meningkatkan manajemen Repositori Digital Jurusan Informatika.
Perbandingan Kinerja Naive Bayes dan Random Forest dengan Penanganan Imbalance Data Fortunatus Adhiethera Tuah Putra; Negara, Arif Bijaksana Putra; Sastypratiwi, Helen
Jurnal Informatika Polinema Vol. 12 No. 2 (2026): Vol. 12 No. 2 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i2.8424

Abstract

Data mining merupakan proses penting untuk mengekstraksi informasi berharga dari kumpulan data besar dan kompleks. Salah satu teknik utamanya adalah klasifikasi, yang digunakan untuk memprediksi kategori data berdasarkan fitur tertentu. Penelitian ini membandingkan performa algoritma Naïve Bayes dan Random Forest dalam mengatasi klasifikasi pada data tidak seimbang. Dataset yang digunakan adalah Bank Marketing dari UCI Machine Learning Repository yang memiliki distribusi kelas tidak seimbang, dengan perbandingan signifikan antara label “yes” dan “no”. Penelitian ini mengevaluasi pengaruh dua teknik penyeimbangan data, yaitu Synthetic Minority Oversampling Technique (SMOTE) dan undersampling, terhadap kinerja kedua algoritma dengan metrik akurasi, presisi, recall, dan F1-score. Pada Naïve Bayes, model default memberikan hasil terbaik (akurasi 91,78%, presisi 90,59, recall 91,78, F1-Score 90,93), sedangkan penggunaan SMOTE atau undersampling justru menurunkan seluruh metrik, dengan penurunan terbesar pada SMOTE (−9,25%). Pada Random Forest, SMOTE meningkatkan akurasi, recall, dan F1-Score secara signifikan, yaitu 5,18% pada akurasi, menghasilkan kombinasi terbaik (akurasi 93,08%, presisi 93,35, recall 93,08, F1-Score 93,07). Hal ini menunjukkan bahwa SMOTE efektif untuk algoritma berbasis pohon, sementara Naïve Bayes lebih optimal tanpa penyeimbangan data tambahan.
Pengaruh Variabel Teknikal dan Makroekonomi pada Prakiraan Harga Saham menggunakan Algoritma XGBoost dan Random Forest Calista, Eva; Negara, Arif Bijaksana Putra; Zulkarnain, Izuardo
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Prediksi harga saham merupakan salah satu permasalahan penting dalam bidang keuangan karena memiliki tingkat kompleksitas dan ketidakpastian yang tinggi. Oleh karena itu, diperlukan model prediksi yang akurat dan mampu menangkap pola data secara optimal. Penelitian ini menggunakan pendekatan machine learning dengan algoritma XGBoost dan Random Forest untuk memprediksi harga saham PT Bank Syariah Indonesia Tbk (BRIS) dengan memanfaatkan kombinasi variabel teknikal dan makroekonomi. Dataset yang digunakan berupa data historis harga saham BRIS dan nilai tukar USD/IDR pada periode 1 Juli 2021 hingga 1 Oktober 2025. Tahapan penelitian meliputi feature engineering dengan pembuatan lag feature dan moving average, pembagian data berdasarkan time series, serta normalisasi data menggunakan StandarScaler. Evaluasi model dilakukan menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Selain itu, dilakukan analisis SHAP untuk mengetahui pengaruh masing-masing variabel terhadap performa model. Hasil penelitian menunjukkan bahwa penggunaan kombinasi variabel teknikal dan makroekonomi tidak memberikan peningkatan performa yang signifikan dibandingkan variabel teknikal saja. Pada dataset BRIS sebagai fokus utama penelitian, model Random Forest dengan variabel teknikal menghasilkan performa terbaik dengan nilai RMSE sebesar 30.793479 dan MAPE sebesar 0.823462%. Hasil analisis SHAP menunjukkan bahwa variabel Low dan High memiliki kontribusi paling besar dibandingkan fitur seperti volume perdagangan, harga pada beberapa periode sebelumnya, serta rata-rata harga dalam periode tertentu yang menunjukkan bahwa informasi harga harian memiliki peran dominan dalam menentukan hasil prediksi model. Selain itu, model juga diuji pada dataset lain sebagai pengujian tambahan yang menunjukkan bahwa model memiliki kemampuan generalisasi yang cukup baik, meskipun tingkat akurasinya tetap dipengaruhi oleh karakteristik masing-masing data.
Co-Authors Aji Bagus Perdana, Aji Bagus Aldi Setiawan, Aldi Andreas Christian Anggi Perwitasari Anggi Srimurdianti Sukamto, Anggi Srimurdianti Anugrah, Restu Asyrafi, Muhammad Iqbal Asyrafi, Muhammad Iqbal Calista, Eva Chavin Lorento Cintya Cintya Dimitri Indastri Putra, Dimitri Indastri Enda Esyudha Pratama, Enda Esyudha Fajar Istighfar Fikri Zainun Nasihin, Fikri Zainun Fortunatus Adhiethera Tuah Putra Hafiz Muhardi Harianto op, Harianto Hasbillah, Gilang Muhammad Hatimah, Numrotul Helen Sasty Pratiwi, Helen Sasty Helen Sastypratiwi, Helen Herry Sujaini Hutagalung, Alfan Syahada Lia Suci Fitriawati Luthfia Justisia Loebis M Iqbal kamiludin, M Iqbal Muhammad Azhar Irwansyah Muhammad Nur Amin Muniyati, Evi Fathiyah Novi Safriadi Novi Safriadi Novia Kusumarani, Novia Nurul Fitri Nurul Hafizah Yadi, Nurul Hafizah Pribadi, Yulizar Putri, Indira Melinda Raharjo, Agus Prasetyo Rama Ulgasesa Rendi Febriyansyah, Rendi Rina Septriana Riza, Abu Robi nusantara, Robi Rudy Dwi Nyoto Rudy Dwi Nyoto Rudy Dwi Nyoto Rudy Dwi Nyoto Rudy Dwi Nyoto, Rudy Dwi Sajid, Fahmi Septiriana, Rina Sherren Jessica Angelina Sholva, Yus Steven Steven Sumoko, Ade Sunarko, Ponco Triyanto, Hari Tursina Tursina Tursina Tursina Vivensius Mitra, Vivensius Wega Marda Fitri Windari Oktapia Simanjuntak Yulia Magdalena Yulianti Yulianti Yulianti Yulianti Zulkarnain, Izuardo