Article Per Year (5 Year)
p-Index From 2020 - 2025
2.837
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) SITEKIN: Jurnal Sains, Teknologi dan Industri Jurnal Teknologi Informasi dan Ilmu Komputer AKSIOMA Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Journal Of Nursing Practice LENSA (Lentera Sains): Jurnal Pendidikan IPA EDUKATIF : JURNAL ILMU PENDIDIKAN Sehat Masada Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi (JUST-SI) J-Intech (Journal of Information and Technology) Jurnal Multidisiplin Indonesia
Indriati Indriati
Universitas PGRI Semarang
Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Nursing Physics Public Health Social Sciences Veterinary Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

 1 
Klasifikasi Data Twitter pada Masa Transisi Pandemi menuju Endemi menggunakan Latent Semantic Analysis (LSA) Fiqri, Miftahul; Indriati, Indriati; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 6 (2023): Juni 2023
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Saat ini, platform media sosial yang memiliki penggunaan paling luas adalah Twitter. Twitter memiliki potensi untuk memberikan pemahaman mendalam tentang perubahan perilaku masyarakat terkait aturan pencegahan, tingkat kepatuhan terhadap vaksinasi, dan perubahan adaptasi sosial seiring berjalannya waktu selama masa endemi. Untuk dapat mengklasifikasikan data dari Twitter secara efisien, diperlukan pengembangan model klasifikasi yang solid dan penerapan metode analisis data yang canggih. Pendekatan yang diadopsi dalam penelitian ini adalah menerapkan teknik Latent Semantic Analysis (LSA), yang bertujuan untuk mengungkap struktur semantik atau makna yang tersembunyi dalam kalimat. Fokus utama penelitian ini adalah untuk mengevaluasi pengaruh dari klasifikasi data Twitter sepanjang masa pandemi hingga fase endemi terhadap performa Latent Semantic Analysis yang diaplikasikan menggunakan metode Naïve Bayes. Hasil penelitian menunjukkan bahwa dalam skenario klasifikasi menggunakan metode Naïve Bayes tanpa melalui proses LSA, tingkat akurasi yang berhasil dicapai adalah 22,00%. Akan tetapi, dalam konteks yang sama, saat LSA diaplikasikan sebelum menerapkan metode Naïve Bayes, terjadi peningkatan signifikan dalam tingkat akurasi menjadi 24,00%. Dari hasil ini, dapat ditarik kesimpulan bahwa penggunaan LSA memberikan sumbangan positif dalam mencapai hasil yang lebih memuaskan. Selanjutnya, dalam upaya mengklasifikasikan data menggunakan metode Naïve Bayes, penelitian dilakukan dalam dua skenario, yaitu menggunakan data yang seimbang dan tidak seimbang. Ketika data seimbang digunakan bersamaan dengan penerapan metode Naïve Bayes setelah tahap LSA, tingkat akurasi yang tercapai adalah 16,00%. Sebaliknya, ketika data tidak seimbang digunakan dalam skenario yang sama, terjadi peningkatan yang signifikan dalam tingkat akurasi, mencapai angka 24,00%. Dari hasil ini, dapat disimpulkan bahwa penggunaan data yang tidak seimbang memiliki dampak positif pada performa klasifikasi.
Klasifikasi Emosi berdasarkan Lirik Lagu Berbahasa Indonesia menggunakan Leksikon Emosi dan Metode Naïve Bayes Classifier Permataningrum, Sandra Elanda Aza; Indriati, Indriati; Santoso, Edy
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 9 (2023): September 2023
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Musik merupakan salah satu media yang digunakan untuk menggambarkan emosi seseorang. Penggambaran emosi pada sebuah lagu dapat dilihat salah satunya melalui lirik dari lagu tersebut. Pembuatan daftar lagu berdasarkan emosi liriknya saat ini masih dilakukan secara manual. Lagu-lagu tersebut akan didengarkan terlebih dahulu untuk kemudian dibuatkan daftar lagu berdasarkan emosinya. Bahkan kebanyakan daftar lagu hanya memperhatikan irama dari lagu tersebut tanpa memperhatikan emosi liriknya. Hal tersebut tentunya membuat proses pengklasifikasian memakan waktu yang lama dan terkadang mengabaikan emosi sebenarnya dari lirik lagu tersebut. Oleh sebab itu, diperlukan sebuah sistem untuk mengklasifikasikan emosi dari setiap lirik pada suatu lagu. pada penelitian ini, digunakan leksikon emosi untuk seleksi fitur dan metode Naïve Bayes Classifier untuk proses klasifikasi emosi lirik lagu. Pengujian akan dilakukan menggunakan seleksi jumlah fitur dan K-Fold Cross Validation yang kemudian akan dievaluasi menggunakan confussion matrix. Proses pengujian menggunakan 80 data latih dan 20 data uji yang akan dipilih secara acak. Hasil akurasi menggunakan seleksi fitur sebesar 40% dengan menggunakan jumlah fitur sebanyak 60%, sedangkan penggunaan 100% fitur menghasilkan akurasi sebesar 35%, lebih rendah daripada hasil klasifikasi tanpa seleksi fitu yaitu sebesar 45%. Hasil pengujian menggunakan K-Fold Cross Validation menghasilkan nilai akurasi terbaik pada fold ke-3 yaitu sebesar 40%.
Identifikasi Kerusakan Transmisi pada Mobil Otomatis Torque Converter menggunakan Pendekatan Improved K-Nearest Neighbor Ricardo, Muhammad Erico; Indriati, Indriati; Ridok, Achmad
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 6 (2023): Juni 2023
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Peningkatan mobilitas masyarakat Indonesia dipicu oleh pertumbuhan penduduk dan popularitas mobil bertransmisi otomatis. Mobil bertransmisi otomatis lebih mudah digunakan, tetapi perawatannya sering diabaikan oleh pemilik. Hal ini dapat menyebabkan kerusakan, yang sulit didiagnosis oleh teknisi yang tidak berpengalaman. Sistem klasifikasi kerusakan transmisi otomatis torque converter dikembangkan untuk mengatasi permasalahan ini. Sistem ini menggunakan pendekatan Improved K-Nearest Neighbor, yang merupakan pengembangan dari metode K-Nearest Neighbor dengan menggunakan Z-Distance. Hasil penelitian menunjukkan bahwa sistem klasifikasi ini memiliki akurasi tertinggi sebesar 95,83%. Nilai precision, recall, dan F-measure masing-masing adalah 96,87%, 97,50%, dan 96,82%. Pada pengujian K-Fold Cross Validation, sistem ini menghasilkan rata-rata akurasi sebesar 91.66%.
Analisis Sentimen berbasis Aspek terhadap Ulasan Game Honkai Impact 3rd menggunakan IndoBERT Hidayat, M.; Indriati, Indriati; Santoso, Edy
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 2 (2024): Februari 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Dalam zaman digital saat ini, kemajuan teknologi berkembang dengan cepat dan semakin kompleks, menyajikan berbagai opsi hiburan, termasuk game online yang terhubung dengan Internet. Honkai Impact 3rd adalah contoh game action RPG 3D yang menggunakan IndoBERT untuk menganalisis sentiment ulasan pengguna terkait gameplay, performa, serta aspek player. IndoBERT, sebuah model sebelumnya yang sudah disesuaikan untuk bahasa Indonesia berdasarkan BERT, mempergunakan data set Indo4B dengan kapasitas melebihi 23GB text dalam bahasa Indonesia. Dataset ini mencakup 4 miliar kata formal dan non-formal dari bermacam sumber. Dalam proses pembangunan kosakata, IndoBERT dengan SentencePiece dengan tokenizer Byte Pair Encoding (BPE), suatu model untuk membagi dan menyatukan sub kata. SentencePiece sendiri merupakan tokenizer dan detokenizer sub kata yang bersifat bahasa-agnostik, didesain untuk memproses pesan berbasis otak. Dalam penilaian akurasi dari berbagai uji coba, model IndoBERT terbukti mampu melakukan klasifikasi dengan baik. Perubahan pada nilai ukuran batch ternyata memengaruhi akurasi, dan hasil rata-rata makro serta rata-rata berbobot menunjukkan fluktuasi karena adanya ketidakseimbangan dalam dataset yang digunakan. Evaluasi performa model IndoBERT menyimpulkan bahwa terdapat kecenderungan overfitting, di mana model terlalu memahami data latih tetapi mungkin kurang generalisasi. Akurasi yang dihasilkan adalah 0,82 untuk aspek gameplay, 0,75 untuk aspek performa, dan 0,86 untuk aspek player.
Co-Authors Achmad Ridok Arbawa, Yoke Kusuma Arief Andy Soebroto Awalina, Aisyah Bayu Rahayudi Brilliansyach, Raihan Fikri Candra Dewi Daud, Nathan Edy Santoso Fiqri, Miftahul Fitra Abdurrachman Bachtiar Ginting, Rosalina Br. Hendra Darmawan Heni Pujiastuti Ibnu, Mohammad Issa Arwani Karlitasari, Karlitasari Kohei Arai Kurnianingtyas, Diva Lailil Muflikhah M. Hidayat M. Zainal Abidin Marji Marji Mugi Hartoyo Muh Arif Rahman murtanti, Riris Tri Nadia Artha Dewi Nurannisa, Nadhira Nurkolis Nurkolis, Nurkolis Nurul Hidayat Oktaviana, Natasya Eldha Permataningrum, Sandra Elanda Aza Purwaniati, Sulis Ricardo, Muhammad Erico Rizal Setya Perdana Santoso, Andri Satria, Rangga Adi Setyorini, Tri Endah Siregar, Rifki Akbar Sri Utami Dwiningsih Sutrisno, Sutrisno Suyono Suyono Tutik Setyowati, Tutik Vasya, M Azka Obila Yeni Mahwati Yuita Arum Sari Zhafira, Dhaifa Farah