Garuda - Garba Rujukan Digital

ANALISIS SENTIMEN PADA ULASAN APLIKASI ASTRO - GROCERIES IN MINUTES DI GOOGLE PLAY STORE MENGGUNAKAN METODE BIDIRECTIONAL ENCODER REPRESENTATION FROM TRANSFORMERS (BERT) Ibrahim, Aghi Kalam; Mustikasari, Metty; Bastian, Irwan
Jurnal Informatika dan Teknik Elektro Terapan Vol 13, No 1 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i1.6033

Analisis sentimen merupakan proses penting dalam memahami persepsi pengguna terhadap suatu aplikasi, terutama dalam konteks aplikasi yang tengah berkembang pesat namun masih memiliki tantangan dalam mengenalkan layanannya kepada khalayak luas. Penelitian ini bertujuan untuk menganalisis sentimen pada ulasan pengguna aplikasi "Astro – Groceries in Minutes" yang terdapat di Google Play Store dengan menggunakan metode Bidirectional Encoder Representation from Transformers (BERT). Aplikasi Astro telah diunduh lebih dari satu juta kali, namun masih ada tantangan dalam meningkatkan kesadaran dan penggunaannya di kalangan masyarakat yang lebih luas. BERT adalah model pembelajaran mesin berbasis transformer yang mampu menangkap konteks kata secara bidirectional, sehingga dapat menghasilkan representasi teks yang lebih akurat. Dalam penelitian ini, data ulasan dikumpulkan, dipreproses, dan kemudian diklasifikasikan ke dalam kategori sentimen positif, negatif, atau netral. Hasil analisis menunjukkan bahwa metode BERT dapat secara efektif mengklasifikasikan sentimen dalam ulasan aplikasi dengan tingkat akurasi yang tinggi. Temuan ini diharapkan dapat memberikan wawasan bagi pengembang aplikasi dalam memahami umpan balik pengguna dan meningkatkan kualitas layanan aplikasi Astro.

Pembuatan Website Pariwisata Indonesia Disertai Rekomendasi Tempat Wisata dan Pramuwisata Menggunakan Ruby On Rails Antonius Angga Kurniawan; Hijria Permana; Gerry Hadiwijaya; Metty Mustikasari; Latifah
Prosiding Seminar SeNTIK Vol. 1 No. 1 (2017): Prosiding SeNTIK 2017
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

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

Indonesia memiliki kekayaan alam yang melimpah. Namun, beberapa masyarakat Indonesia masih belum mengetahui kekayaan tersebut. Hal ini disebabkan pesona pariwisata Indonesia yang belum secara maksimal dipromosikan. Pemilihan tempat wisata yang dituju menjadi salah satu faktor penting dalam berwisata. Salah satu yang menjadi pertimbangan wisatawan adalah informasi dan rekomendasi dari wisatawan terdahulu. Kurangnya informasi terhadap suatu tempat wisata tak jarang menyebabkan calon wisatawan ragu untuk berwisata. Tujuan dalam pembuatan website sistem informasi pariwisata ini adalah untuk membantu pengguna dalam mengetahui informasi pariwisata yang ada di Indonesia. Pada website yang dibangun, pengguna dapat memberikan rekomendasi tempat wisata dalam bentuk ulasan serta ungkapan “suka” atau “tidak suka”. Selain itu, pengguna disediakan pemilihan tempat wisata berdasarkan ulasan dan wisata populer serta informasi pramuwisata yang terdapat di suatu tempat wisata. Pengklasifikasian tempat wisata pada website yang dibangun, dikelompokkan berdasarkan daerah dan kategori. Website tersebut dibangun menggunakan framework Ruby on Rails dengan bahasa pemrograman Ruby, Database SQLite, Slim, dan Sass. Hasil uji coba menyatakan bahwa website layak digunakan untuk mempromosikan pariwisata di Indonesia

Analisa Metode Perbaikan Kualitas Citra Pada Citra Gigi Panoramik Rahayu Noveandini; Sarifuddin Madenda; Metty Mustikasari; Muhammad Subali
Prosiding Seminar SeNTIK Vol. 2 No. 1 (2018): Prosiding SeNTIK 2018
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

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

Citra gigi digunakan untuk identifikasi karena survivabilitas dan dapat memberikan banyak informasi tentang gigi seperti kerangka gigi, posisi gigi, bentuk gigi seperti adanya tambalan atau tidak dan sebagainya. Oleh sebab itu kandidat terbaik untuk identifikasi biometrik menggunakan fitur gigi [2]. Perbaikan kualitas citra menjadi kegiatan yang penting saat akan melakukan pengenalan suatu obyek citra. Tujuan utama perbaikan kualitas citra adalah mendapatkan hasil citra yang optimal dari citra aslinya sehingga memudahkan proses selanjutnya pada pengenalan suatu obyek. Beberapa metode perbaikan kualitas citra yang sering digunakan adalah histogram equalization (HE), adaptive histogram equalization (AHE) dan contras adaptive histogram equalization (CLAHE). Dalam penelitian ini, diusulkan perbaikan kualitas citra gigi panoramik dengan metode HE, AHE dan AHE dengan sharpening. Algoritma yang diusulkan akan membandingkan hasil ketiganya. Hasil dari penelitian ini menyimpulkan metode AHE dengan sharpening menghasilkan perbaikan kualitas citra yang paling optimal dilihat dari citra yang dihasilkan.

Trend Analysis in Sales Forecasting and Decision Support Systems AHP Method on the Selection of Types of Motorcycles PT. AHM Fikri, Akhsanul; Mustikasari, Metty
International Journal of Multidisciplinary: Applied Business and Education Research Vol. 3 No. 5 (2022): International Journal of Multidisciplinary: Applied Business and Education Rese
Publisher : Future Science / FSH-PH Publications

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11594/ijmaber.03.05.02

During the current Covid-19 pandemic, it has a direct impact on decreasing motorcycle sales at PT. Astra Honda Motor in large enough numbers, resulting in losses for the company. This study aims to analyze the forecasting of motorcycle sales in the future and supported by a decision support system in selecting the type of motorbike that consumers are most interested in. The method used in this research is the Trend method and the Analytical Hierarchy Process (AHP) method. The results of this study are based on the mean square error analysis, sales forecasting method at PT. Astra uses exponential trend analysis. The results of forecasting sales for the next 2 periods using the exponential trend analysis method are 2,715,032 units and 2,671,937 units, the sales levels tend to be the same as sales in the 2020 period. Meanwhile, the results of the decision support system analysis use the Analytical Hierarchy Process method (AHP), in choosing the type of motorbike that consumers are most interested in is an automatic motorbike at 0.63 with the preferred alternative is the fuel consumption aspect of 0.36.

Implementasi Metode Reccurrent Neural Network pada Text Summarization dengan Teknik Abstraktif Ivanedra, Kasyfi; Mustikasari, Metty
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 6 No 4: Agustus 2019
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Text Summarization atau peringkas text merupakan salah satu penerapan Artificial Intelligence (AI) dimana komputer dapat meringkas text pada suatu kalimat atau artikel menjadi lebih sederhana dengan tujuan untuk mempermudah manusia dalam mengambil kesimpulan dari artikel yang panjang tanpa harus membaca secara keseluruhan. Peringkasan teks secara otomatis dengan menggunakan teknik Abstraktif memiliki kemampuan meringkas teks lebih natural sebagaimana manusia meringkas dibandingkan dengan teknik ekstraktif yang hanya menyusun kalimat berdasarkan frekuensi kemunculan kata. Untuk dapat menghasilkan sistem peringkas teks dengan metode abstraktif, membutuhkan metode Recurrent Neural Network (RNN) yang memiliki sistematika perhitungan bobot secara berulang. RNN merupakan bagian dari Deep Learning dimana nilai akurasi yang dihasilkan dapat lebih baik dibandingkan dengan jaringan saraf tiruan sederhana karena bobot yang dihitung akan lebih akurat mendekati persamaan setiap kata. Jenis RNN yang digunakan adalah LSTM (Long Short Term Memory) untuk menutupi kekurangan pada RNN yang tidak dapat menyimpan memori untuk dipilah dan menambahkan mekanisme Attention agar setiap kata dapat lebih fokus pada konteks. Penelitian ini menguji performa sistem menggunakan Precision, Recall, dan F-Measure dengan membandingan hasil ringkasan yang dihasilkan oleh sistem dan ringkasan yang dibuat oleh manusia. Dataset yang digunakan adalah data artikel berita dengan jumlah total artikel sebanyak 4515 buah artikel. Pengujian dibagi berdasarkan data dengan menggunakan Stemming dan dengan teknik Non-stemming. Nilai rata-rata recall artikel berita non-stemming adalah sebesar 41%, precision sebesar 81%, dan F-measure sebesar 54,27%. Sedangkan nilai rata-rata recall artikel berita dengan teknik stemming sebesar 44%, precision sebesar 88%, dan F-measure sebesar 58,20 %.AbstractText Summarization is the application of Artificial Intelligence (AI) where the computer can summarize text of article to make it easier for humans to draw conclusions from long articles without having to read entirely. Abstractive techniques has ability to summarize the text more naturally as humans summarize. The summary results from abstractive techinques are more in context when compared to extractive techniques which only arrange sentences based on the frequency of occurrence of the word. To be able to produce a text summarization system with an abstractive techniques, it is required Deep Learning by using the Recurrent Neural Network (RNN) rather than simple Artificial Neural Network (ANN) method which has a systematic calculation of weight repeatedly in order to improve accuracy. The type of RNN used is LSTM (Long Short Term Memory) to cover the shortcomings of the RNN which cannot store memory to be sorted and add an Attention mechanism so that each word can focus more on the context.This study examines the performance of Precision, Recall, and F-Measure from the comparison of the summary results produced by the system and summaries made by humans. The dataset used is news article data with 4515 articles. Testing was divided based on data using Stemming and Non-stemming techniques. The average recall value of non-stemming news articles is 41%, precision is 81%, and F-measure is 54.27%. While the average value of recall of news articles with stemming technique is 44%, precision is 88%, and F-measure is 58.20%.

Evaluasi Kinerja MLLIB APACHE SPARK pada Klasifikasi Berita Palsu dalam Bahasa Indonesia Kurniawan, Antonius Angga; Mustikasari, Metty
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022923538

Machine learning digunakan untuk menganalisis, mengklasifikasikan, atau memprediksi data. Untuk melakukan tugas dari machine learning diperlukan alat bantu dengan kinerja serta lingkungan yang kuat demi mendapatkan akurasi dan efisiensi waktu yang baik. MLlib Apache Spark adalah library machine learning yang memiliki kemampuan dan kecepatan yang sangat baik. Hal ini dikarenakan dalam melakukan pemrosesan data, MLlib berjalan di atas memori. Penelitian ini menggunakan MLlib Apache Spark untuk melakukan klasifikasi berita palsu berbahasa Indonesia dengan jumlah data sebanyak 1786 yang diperoleh dari situs penyedia berita palsu dan fakta, yaitu TurnBackHoax.id. Algoritma klasifikasi yang diterapkan adalah Naïve Bayes, Gradient-Boosted Tree, SVM dan Logistic Regression. Keempat algoritma dipilih karena kemampuannya yang sudah terbukti baik dalam melakukan klasifikasi dan beberapa algoritma yang jarang digunakan namun memiliki kemampuan yang baik juga dalam hal klasifikasi. Tahap pengolahan data diantaranya adalah preprocessing, feature extraction, penerapan algoritma. Evaluasi dilakukan berdasarkan accuracy, test error, f1-score, confusion matrix, dan running time. Hasil menunjukkan bahwa MLlib Apache Spark terbukti memiliki kinerja yang cepat dan baik karena dalam melakukan pemrosesan machine learning, running time tercepat yang didapat adalah 6.46 detik dengan menggunakan algoritma Logistic Regression. Akurasi yang didapat juga cukup baik dengan rata-rata test error dari keempat algoritma hanya 0.180. F1-score yang diperoleh pada keempat algoritma juga cukup baik dengan rata-rata sebesar 0.818. Confusion matrix yang dihasilkan juga baik, karena jumlah prediksi benar jauh lebih banyak dibandingkan dengan jumlah yang salah. AbstractMachine learning is used to analyze, classify, or predict data. To do the task of machine learning, we need tools with a strong performance and environment to get good accuracy and time efficiency. MLlib Apache Spark is a machine learning library that has excellent capabilities and speed. This is because in performing data processing, MLlib runs on memory. This research uses MLlib Apache Spark to classify fake news in Indonesian language with 1786 data that were obtained from fake news and fact provider sites, TurnBackHoax.id. The classification algorithm applied was Naïve Bayes, Gradient-Boosted Tree, SVM and Logistic Regression. The four algorithms were chosen because of their proven ability to classify and several algorithms that are rarely used but have good abilities in terms of classification. Data processing stages include preprocessing, feature extraction, and algorithm implementation. Evaluation was done based on accuracy, error test, f1-score, confusion matrix, and running time. The results showed that MLlib Apache Spark was proven to have a fast and good performance because in doing machine learning processing, the fastest running time was 6.46 seconds using the Logistic Regression algorithm. The accuracy obtained was also quite good with an average test error of the four algorithms of only 0.180. F1-scores obtained on the four algorithms were also quite good with an average of 0.818. The result of confusion matrix was also good, because the number of correct predictions was far more than the number of incorrect ones.

Rupiah Exchange Prediction of US Dollar Using Linear, Polynomial, and Radial Basis Function Kernel in Support Vector Regression Alida, Mufni; Mustikasari, Metty
JOIN (Jurnal Online Informatika) Vol 5 No 1 (2020)
Publisher : Department of Informatics, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/join.v5i1.537

As a developing country, Indonesia is affected by fluctuations in foreign exchange rates, especially the US Dollar. Determination of foreign exchange rates must be profitable so a country can run its economy well. The prediction of the exchange rate is done to find out the large exchange rates that occur in the future and the government can take the right policy. Prediction is done by one of the Machine Learning methods, namely the Support Vector Regression (SVR) algorithm. The prediction model is made using three kernels in SVR. Each kernel has the best model and, the accuracy and error values are compared. The Linear Kernel has C = 7, max_iter = 100. The Polynomial Kernel has gamma = 1, degree = 1, max_iter = 4000 and C = 700. The RBF kernel has gamma = 0.03, epsilon = 0.007, max_iter = 2000 and C = 100. Linear kernels have advantages in terms of processing time compared to Polynomial and Radial Basis Function (RBF) kernels with an average processing time of 0.18 seconds. Besides that, in terms of accuracy and error, the RBF kernel has advantages over the Linear and Polynomial kernels with the value R2 = 95.94% and RMSE = 1.25%.

User Experience Analysis of Employee Attendance List on Talent Application with Heuristic Evaluation Method Anjani, Dini; Mustikasari, Metty
Journal of Computer Networks, Architecture and High Performance Computing Vol. 7 No. 4 (2025): Articles Research October 2025
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/cnahpc.v7i4.7036

The development of digital technology has influenced human resource management systems, particularly in the management of employee attendance records. One of the most widely used applications in Indonesia is Mekari Talenta, a cloud-based HRIS platform with features ranging from online attendance, leave, overtime, to payroll integration. Despite its high rating on the Google Play Store, there are still a number of complaints regarding user experience, such as confusing navigation, an unintuitive interface, and difficulty in accessing certain features. This study aims to analyze the user experience on the Talenta application using the Heuristic Evaluation method based on Nielsen's 10 principles. Data collection was conducted through questionnaires and processed using SPSS for validity, reliability, and descriptive percentage analysis. The results of the study show that most of the Heuristic Evaluation principles scored in the "Good" category, especially in terms of visibility of system status, consistency and standards, and aesthetic and minimalist design. However, there are still weaknesses in terms of help and documentation as well as error prevention that need improvement. These findings recommend that developers improve the interface display, clarify the help documentation, and optimize the error prevention feature so that the application can provide a more optimal user experience. Further research is recommended using other evaluation methods, such as the User Experience Questionnaire (UEQ) or in-depth interviews, to obtain a more comprehensive picture.

ANALISIS SENTIMEN PADA ULASAN APLIKASI JAKARTANOTEBOOK DI GOOGLE PLAY MENGGUNAKAN METODE RECURRENT NEURAL NETWORK (RNN) Berliana, Arisky Sistita; Mustikasari, Metty
Jurnal Informatika dan Teknik Elektro Terapan Vol. 12 No. 3 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i3.5067

Perkembangan aplikasi digital menyulitkan konsumen dalam memilih aplikasi terbaik. Laporan e-Conomy Asia Tenggara mencatat penambahan 40 juta pengguna internet baru pada tahun 2021, dan sekitar 80% dari pengguna tersebut telah berbelanja daring. JakartaNotebook, perusahaan e-commerce terbesar, mulanya berfokus pada teknologi, kini menyediakan produk beragam dan melayani jutaan pelanggan di Indonesia. Pada aplikasi JakartaNotebook terdapat fitur ulasan yang berguna sebagai bahan evaluasi guna meningkatkan kualitas aplikasi dengan mempertimbangkan masukan dari pengguna. Untuk memudahkan pengelolaan data ulasan, penelitian ini menerapkan analisis sentimen, sebuah metode otomatis untuk memahami dan mengolah data tekstual, termasuk opini terhadap produk atau layanan. Analisis sentimen dilakukan dengan menggunakan metode Recurrent Neural Network (RNN) dengan Long Short Term Memory (LSTM). Komentar akan diidentifikasi apakah komentar memiliki sentimen positif atau negatif. Penelitian dilakukan menggunakan 1655 ulasan yang diproses dalam beberapa tahapan preprocessing yang selanjutnya diimplementasikan dalam analisis sentimen menggunakan model LSTM. Model yang dibentuk merupakan hasil dari pelatihan dengan menggunakan parameter terbaik diantaranya adalah jumlah neuron 200, fungsi aktivasi softmax, ukuran batch size 32 dengan nilai akurasi 89.15% dan nilai loss 26.83%. Hasil pengujian terbaik dari metode RNN dengan partisi data 80% data latih dan 20% menghasilkan tingkat nilai akurasi sebesar 88,3%, precision 75%, recall 78%, f1-score 76%.

ANALISIS SENTIMEN PADA ULASAN APLIKASI ASTRO - GROCERIES IN MINUTES DI GOOGLE PLAY STORE MENGGUNAKAN METODE BIDIRECTIONAL ENCODER REPRESENTATION FROM TRANSFORMERS (BERT) Ibrahim, Aghi Kalam; Mustikasari, Metty; Bastian, Irwan
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 1 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i1.6033

Analisis sentimen merupakan proses penting dalam memahami persepsi pengguna terhadap suatu aplikasi, terutama dalam konteks aplikasi yang tengah berkembang pesat namun masih memiliki tantangan dalam mengenalkan layanannya kepada khalayak luas. Penelitian ini bertujuan untuk menganalisis sentimen pada ulasan pengguna aplikasi "Astro – Groceries in Minutes" yang terdapat di Google Play Store dengan menggunakan metode Bidirectional Encoder Representation from Transformers (BERT). Aplikasi Astro telah diunduh lebih dari satu juta kali, namun masih ada tantangan dalam meningkatkan kesadaran dan penggunaannya di kalangan masyarakat yang lebih luas. BERT adalah model pembelajaran mesin berbasis transformer yang mampu menangkap konteks kata secara bidirectional, sehingga dapat menghasilkan representasi teks yang lebih akurat. Dalam penelitian ini, data ulasan dikumpulkan, dipreproses, dan kemudian diklasifikasikan ke dalam kategori sentimen positif, negatif, atau netral. Hasil analisis menunjukkan bahwa metode BERT dapat secara efektif mengklasifikasikan sentimen dalam ulasan aplikasi dengan tingkat akurasi yang tinggi. Temuan ini diharapkan dapat memberikan wawasan bagi pengembang aplikasi dalam memahami umpan balik pengguna dan meningkatkan kualitas layanan aplikasi Astro.

Title

Found 31 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 31 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 31 Documents
Search