Article Per Year (5 Year)
p-Index From 2020 - 2025
1.633
P-Index
This Author published in this journals
All Journal Jurnal Informatika Jurnal Edukasi dan Penelitian Informatika (JEPIN) Jurnal Informatika dan Teknik Elektro Terapan JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Impresi Indonesia Jurnal Aplikasi dan Riset Informatika
Tursina Tursina
Universitas Tanjungpura
Religion Computer Science & IT Economics, Econometrics & Finance Education Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : JUSTIN (Jurnal Sistem dan Teknologi Informasi)

 1 
Rancang Bangun Aplikasi Pencarian Kamar Inap Berbasis Web dengan Metode Analytical Hierarchy Process (AHP) Hengky Anra; Tursina Tursina; Ryan Ariessa
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 2 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i2.51781

Abstract

Pontianak dan sekitarnya tak hanya dikenal sebagai kota industri, pendidikan dan perdagangan, tetapi juga juga populer dengan pariwisatanya karena memiliki banyak tempat-tempat unggulan yang menjadi daya tarik bagi para wisatawan, pebisnis luar daerah, maupun mahasiswa dari luar daerah untuk menginap sementara di sini. Namun, tak sedikit pengunjung dari luar wilayah Pontianak yang mengalami kesulitan dalam mencari tempat menginap dengan fasilitas sesuai kebutuhan, murah, aman, dan nyaman untuk ditinggali. Mereka harus melakukan usaha tersendiri untuk mencari kamar di lokasi yang belum mereka ketahui dalam waktu yang terbatas. Penelitian ini bertujuan menghadirkan solusi untuk permasalahan tersebut dengan membangun aplikasi pencarian kamar inap berbasis web. Aplikasi ini mengimplementasikan metode AHP (Analitical Hierarchy Process) dengan kriteria berupa harga, fasilitas, jarak, dan peraturan, serta menggabungkan google map pada website yang telah diiput oleh user (pemilik kamar). Kriteria tersebut diberi nilai agar dapat dirangkingkan, sehingga menghasilkan sebuah rekomendasi kamar untuk para pencari kamar inap. Dengan kriteria yang ada, pencari kamar dapat mempertimbangkan kamar yang menarik untuk dipilih sesuai dengan keinginan mereka. Sementara itu, sistem pendukung keputusan pada aplikasi ini menawarkan solusi untuk rujukan dalam memilih kamar inap. Sistem pendukung keputusan yang ditawarkan menggunakan metode AHP dalam menyelesaikan persoalan dengan menggunakan sistem perangkingan berdasarkan bobot. Adanya aplikasi yang dapat memberikan rekomendasi dalam pemilihan kamar inap ini diharapkan dapat membantu para pencari kamar dalam memilih kamar yang tepat untuk menginap, sehingga mereka tidak memerlukan banyak usaha dan waktu lama untuk menemukan kamar yang sesuai keinginan.
Implementasi Sentiment Analysis Berdasarkan Tweets Masyarakat Terhadap Kinerja Presiden dalam Aspek Penanganan Covid-19 Florensius Angelus Dolf; Novi Safriadi; Tursina Tursina
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.54503

Abstract

Penelitian ini berfokus pada sentiment analysis berdasarkan tweets masyarakat terhadap kinerja presiden dalam aspek penanganan covid-19. Tujuan penelitian ini adalah mengetahui pengaruh dataset dan model resampling untuk membangun model sentiment analysis machine dalam menganalisa topik kinerja presiden dalam aspek penanganan covid-19 kedalam 3 kelas sentiment yaitu positif, negatif, dan netral. Terdapat dua dataset yang digunakan pada penelitian ini dataset A yang merupakan kumpulan tweets yang diambil dari Twitter sebanyak 5694 dan dataset B yang dibentuk dengan mengambil “parameter + kata independen” dari tweets sebanyak 1015. Algoritma yang digunakan dalam penelitian ini adalah algoritma Support Vector Machine (SVM) untuk membangun sebuah model machine learning dan menggunakan model resampling ROS (Random Over Sampler) dan RUS (Random Under Sampler) dalam mengatasi data yang tidak seimbang. Dari hasil pengujian pada peneltian ini dapat diketahui skenario 5 (dataset B + ROS) memiliki performa yang paling baik dengan accuracy sebesar 90,08 % dan precision 90,39 %, dari hasil pengujian juga diketahui skenario 5 merupakan model machine learning yang tidak mengalami overfitting. Penelitian ini berhasil mengimplementasikan sentiment analysis machine sehingga dapat melakukan kategorisasi teks terhadap kinerja presiden dalam aspek penanganan covid-19.Kata kunci: Sentiment Analysis, dataset, Support Vector Machine, ROS (Random Over Sampler), RUS (Random Under Sampler)
Klasifikasi Bidang Keahlian Mahasiswa Menggunakan Algoritma Naive Bayes Fajar Istighfar; Arif Bijaksana Putra Negara; Tursina Tursina
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 11, No 1 (2023)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v11i1.52402

Abstract

Salah satu faktor yang dapat menentukan pilihan bidang keahlian mahasiswa yang dimiliki Jurusan Informatika Fakultas Teknik Universitas Tanjungpura adalah penguasaan sub kemampuan yang dikuasai oleh mahasiswa terhadap kriteria sub kemampuan pada bidang pilihan tersebut. Apabila mahasiswa memiliki kemampuan yang dikuasai di bidang keahliannya tentunya akan mempermudah mahasiswa dalam proses pemilihan topik tugas akhir/skripsi. Penelitian ini bertujuan untuk menerapkan dan menguji performa klasifikasi algoritma Naive Bayes dalam mengklasifikasikan bidang keahlian untuk mendapatkan model klasifikasi bidang keahlian mahasiswa berdasarkan kemampuan yang dikuasai oleh mahasiswa terhadap kriteria sub kemampuan pada kelompok keahlian Jurusan Informatika Fakultas Teknik Universitas Tanjungpura. Metode yang digunakan dalam penelitian ini adalah Synthetic Minority Oversampling Technique (SMOTE) sebagai preprocessing untuk menangani ketidak seimbangan kelas, Chi Square sebagai feature selection dalam mengurangi dimensi data, menghilangkan fitur-fitur yang tidak relevan dan Naive Bayes yang berfungsi untuk mengklasifikasi data. Pengujian akurasi metode pada penelitian ini dilakukan dengan K-Fold Cross Validation dan evaluasi menggunakan Confusion Matrix. Pengujian dilakukan dengan menggunakan empat skenario pengujian. Skenario pengujian pertama dilakukan menggunakan algoritma Naive Bayes dengan hasil nilai akurasi sebesar 66%. Skenario pengujian kedua dilakukan menggunakan algoritma Naive Bayes dan Chi Square dengan hasil nilai akurasi sebesar 71%. Skenario pengujian ketiga dilakukan menggunakan algoritma Naive Bayes dan SMOTE dengan hasil nilai akurasi sebesar 79%. Skenario pengujian keempat dilakukan menggunakan algoritma Naive Bayes, SMOTE dan Chi Square dengan hasil nilai akurasi sebesar 80%. Terdapat peningkatan akurasi pada klasifikasi dengan penambahan SMOTE dan Chi Square sebagai balanced data dan feature selection. Hal ini dikarenakan data set yang digunakan sudah seimbang dan memiliki kriteria yang relevan, dari 228 data set sebanyak 183 data berhasil diprediksi dengan benar. Sehingga model dengan menggunakan algoritma Naive Bayes, SMOTE dan Chi Square dapat memberikan performa model yang baik dan dapat digunakan dalam memprediksi bidang keahlian mahasiswa.
Pengaruh Stemming Terhadap Performa Klasifikasi Sentimen Masyarakat Tentang Kebijakan New Normal Rama Ulgasesa; Arif Bijaksana Putra Negara; Tursina Tursina
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.53880

Abstract

Banyaknya pengguna twitter dapat dimanfaatkan untuk mengetahui sentimen masyarakat tentang kebijakan dan penanganan yang dilakukan oleh pemerintah terhadap Covid-19, salah satunya kebijakan mengenai adaptasi kebiasaan baru atau new normal. Untuk melakukan hal itu, bisa digunakan salah satu fungsi dari text mining, yaitu klasifikasi text. Sebelum model klasifikasi text dibuat, text akan melalui tahapan preprocessing. Setiap tahapan memiliki pengaruh terhadap hasil evaluasi klasifikasi text yang akan dilakukan. Tujuan dari penelitian ini adalah mengetahui perbandingan performa klasifikasi menggunakan proses stemming dan tanpa stemming pada dataset melalui tahapan preprocessing dan algoritma klasifikasi yang performanya paling baik jika pada preprocessing dilakukan stemming. Metode klasifikasi menggunakan metode Naive Bayes dan Logistic Regression. Hasil percobaan menunjukan pengaruh model klasifikasi Naive Bayes dan Logistic Regression terhadap penggunaan tahapan stemming pada preprocessing dengan akurasi sebesar 74,11% dan 73,57%, sedangkan tanpa melakukan stemming mendapatkan akurasi masing -masing sebesar 78,47% dan 76,29% . Dari hasil pengujian model, dapat dilihat bahwa tanpa tahapan stemming pada preprocessing memiliki tingkat akurasi yang lebih unggul pada masing-masing model sebesar 4,36% dan 2,72% dibandingkan dengan penerapan tahapan stemming pada preprocessing. Hasil tersebut menunjukan bahwa penggunaan tahapan stemming dapat menurunkan akurasi klasifikasi. Algoritma klasifikasi yang tidak banyak pengaruhnya jika pada preprocessing dilakukan stemming adalah Logistic Regression karena tingkat penurunan akurasi lebih tipis dari algoritma Naïve Bayes.
Co-Authors Arif Bijaksana Putra Negara Cintya Cintya Enda Esyudha Pratama Fajar Istighfar Florensius Angelus Dolf Hengky Anra Herry Sujaini Khulaqo Tafdila Lo Bun San Muhammad Maulana Nadya Lestari Novi Safriadi Rama Ulgasesa Rina Septiriana Ryan Ariessa Trisya Ayu Pratami