Article Per Year (5 Year)
p-Index From 2021 - 2026
7.171
P-Index
This Author published in this journals
All Journal Computatio : Journal of Computer Science and Information Systems JUTIK : Jurnal Teknologi Informasi dan Komputer JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Teknik Informatika UNIKA Santo Thomas JUTIM (Jurnal Teknik Informatika Musirawas) Kurawal - Jurnal Teknologi, Informasi dan Industri Progresif: Jurnal Ilmiah Komputer Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer Teknomatika (Jurnal Teknologi dan Informatika) Syntax: Journal of Software Engineering, Computer Science and Information Technology JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer Jurnal Ilmu Komputer dan Informatika Bulletin of Information Technology (BIT) Brilliance: Research of Artificial Intelligence Jurnal Teknik Informatika Unika Santo Thomas (JTIUST) Algoritme Jurnal Mahasiswa Teknik Informatika Informatics and Enginering Dedication Jurnal Teknologi Sistem Informasi Jurnal Nasional Teknik Elektro dan Teknologi Informasi Arcitech: Journal of Computer Science and Artificial Intelligence Agrivet: Jurnal Ilmu-ilmu Pertanian dan Peternakan DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY Insand Comtech : Information Science and Computer Technology Journal Buletin Ilmiah Informatika Teknologi JOINTECOMS (Journal of Information Technology and Computer Science) MDP Student Conference Software Development Digital Business Intelligence and Computer Engineering Journal Information & Computer (JICOM) Jurnal Software Engineering and Computational Intelligence Computing Insight: Journal of Computer Science Applied Information Technology and Computer Science (AICOMS) JISCOMP (Journal of Information System and Computer) Journal of Informatics and Computer Engineering Research JuTISI (Jurnal Teknik Informatika dan Sistem Informasi)
Hafiz Irsyad
Universitas Multi Data Palembang
Agriculture, Biological Sciences & Forestry Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Social Sciences Other

Published : 77 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 77 Documents
Search

 3   4   5   6   7 
Klasifikasi Opini Masyarakat Terhadap Pertanian di Indonesia dengan Naive Bayes pada Twitter Irsyad, Hafiz; Pribadi, M Rizky
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 4 No 1: Tahun 2019
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (650.213 KB) | DOI: 10.17605/jti.v4i1.515

Abstract

Pertanian di Indonesia dalam beberapa tahun terakhir menjadi sebuah perbincangan yang sangat penting. Sektor pertanian Indonesia mengalami pertumbuhan yang sangat signifikan sampai mencapai di angka 2.56% pada tahun 2017. Dengan angka yang disebutkan tadi membuat pemerintah Indonesia mengeluarkan target yang sangat tinggi. Target tersebut adalah menjadikan Indonesia sebagai lumbung pangan dunia pada tahun 2045. Agar tercapainya target tersebut perlu adanya perluasan bisnis, salah satunya adalah melalui media sosial. Dalam perluasan bisnis dengan media sosial membuat masyarakat banyak mengeluarkan pendapat, pernyataan, maupun tanggapan tentang target yang telah ditetapkan oleh pemerintah. Prediksi dalam mencapai hasil dari target pemerintah dapat dilakukan dengan menganalisa opini masyarakat atau biasanya disebut dengan sentimen analisa yang dapat dicurahkan dalam teks yang dituliskan oleh penggiat sosial media. Metode penelitian yang digunakan oleh peneliti terdiri dari beberapa tahap, yaitu: pengambilan data pada twitter dengan memanfaatkan fasilitas API Twitter, membuat metode analisis sentimen (pre-processing, case folding, tokenizing dan stop removal) menggunakan tools orange dan metode analisis menggunakan metode Naïve Bayes. Data yang digunakan adalah sebanyak 391 dengan masing-masing kaegori. Metode Naive Bayes pada penelitian ini menghasilkan akurasi dengan rata-rata 0.523% pada seluruh kategori, untuk Precision menghasilkan rata-rata 0,865% diseluruh kategori dan untuk Recall sendiri mendapatkan persentase 0,701 % dari keseluruhan kategori opini masyarakat di twitter. Dengan tingkat akurasi tersebut dapat disimpulkan metode Naïve Bayes berjalan sesuai dengan harapan.
Klasifikasi Opini Masyarakat Terhadap Pertanian di Indonesia dengan Naive Bayes pada Twitter Irsyad, Hafiz; Pribadi, M Rizky
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 4 No 1: Tahun 2019
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (650.213 KB) | DOI: 10.17605/jti.v4i1.515

Abstract

Pertanian di Indonesia dalam beberapa tahun terakhir menjadi sebuah perbincangan yang sangat penting. Sektor pertanian Indonesia mengalami pertumbuhan yang sangat signifikan sampai mencapai di angka 2.56% pada tahun 2017. Dengan angka yang disebutkan tadi membuat pemerintah Indonesia mengeluarkan target yang sangat tinggi. Target tersebut adalah menjadikan Indonesia sebagai lumbung pangan dunia pada tahun 2045. Agar tercapainya target tersebut perlu adanya perluasan bisnis, salah satunya adalah melalui media sosial. Dalam perluasan bisnis dengan media sosial membuat masyarakat banyak mengeluarkan pendapat, pernyataan, maupun tanggapan tentang target yang telah ditetapkan oleh pemerintah. Prediksi dalam mencapai hasil dari target pemerintah dapat dilakukan dengan menganalisa opini masyarakat atau biasanya disebut dengan sentimen analisa yang dapat dicurahkan dalam teks yang dituliskan oleh penggiat sosial media. Metode penelitian yang digunakan oleh peneliti terdiri dari beberapa tahap, yaitu: pengambilan data pada twitter dengan memanfaatkan fasilitas API Twitter, membuat metode analisis sentimen (pre-processing, case folding, tokenizing dan stop removal) menggunakan tools orange dan metode analisis menggunakan metode Naïve Bayes. Data yang digunakan adalah sebanyak 391 dengan masing-masing kaegori. Metode Naive Bayes pada penelitian ini menghasilkan akurasi dengan rata-rata 0.523% pada seluruh kategori, untuk Precision menghasilkan rata-rata 0,865% diseluruh kategori dan untuk Recall sendiri mendapatkan persentase 0,701 % dari keseluruhan kategori opini masyarakat di twitter. Dengan tingkat akurasi tersebut dapat disimpulkan metode Naïve Bayes berjalan sesuai dengan harapan.
Implementation Of Word Embedding In Book Recommendations Based On Descriptions Putra Darmansius, Albertus Dwi Andhika; Irsyad, Hafiz
Brilliance: Research of Artificial Intelligence Vol. 5 No. 1 (2025): Brilliance: Research of Artificial Intelligence, Article Research May 2025
Publisher : Yayasan Cita Cendekiawan Al Khwarizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/brilliance.v5i1.6456

Abstract

The rapid development of digital libraries and online bookstores has increased the need for intelligent book recommendation systems that can understand user preferences and provide relevant suggestions. However, many existing systems rely on simple keyword matching or collaborative filtering, which often fail to capture the semantic meaning of complex user descriptions. This study aims to develop and evaluate a content-based book recommendation system that combines Word2Vec word embedding models with Knowledge-Based Filtering to improve the relevance of recommendations based on user-provided descriptions. The proposed system utilizes two Word2Vec architectures, Continuous Bag of Words (CBOW) and Skip-gram, to learn semantic relationships between words in book descriptions and user inputs, while Knowledge-Based Filtering incorporates explicit attributes such as publication year, genre, author, and book length to refine the results. The system was tested using a descriptive query: “a good fiction story telling a boy school at great magic school, published on 1995-1999”. The evaluation, measured by Precision@K and Recall@K at K = 5, 10, and 20, shows that CBOW outperformed Skip-gram, achieving a perfect Precision@5 of 1.00 and balanced precision and recall at higher K values, while Skip-gram exhibited more variability at small K. These results indicate that CBOW is more effective in providing stable and highly relevant recommendations at the top of the list. This research confirms that combining semantic embedding and knowledge-based approaches enhances the accuracy and flexibility of recommendation systems. Further studies can explore diverse datasets and user interfaces to broaden practical applications in digital library and e-commerce platforms.
OPTIMASI RANGKING DOKUMEN DENGAN MODIFIKASI TF-IDF BERBASIS WAKTU PUBLIKASI DAN COSINE SIMILARITY Kamilah, Nyimas Nisrinaa; Aurelia, Reni; Irsyad, Hafiz; Rahman, Abdul
JUKOMPSI (Jurnal Komputer dan Sistem Informasi) Vol 3 No 2 (2025): Juni
Publisher : Teknik Komputer Fakultas Teknik Universitas Islam Kadiri (UNISKA)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32503/jiscomp.v3i2.7172

Abstract

Information Retrieval (IR) tradisional belum mempertimbangkan waktu publikasi dalam menentukan relevansi dokumen. Penelitian ini bertujuan untuk meningkatkan relevansi hasil pencarian dengan memodifikasi metode TF-IDF berbasis waktu publikasi. Metode ini menggabungkan bobot TF-IDF dengan Cosine Similarity untuk mengukur kesamaan antara kueri dan dokumen. Dalam penelitian ini, dataset dievaluasi menggunakan metode yang diusulkan, dengan pengukuran melalui metrix precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa pendekatan ini mencapai precision 0.87, recall 1.00, dan F1-Score 0.93. Berdasarkan hasil evaluasi, penambahan aspek temporal pada metode ini terbukti mampu meningkatkan akurasi IR dalam konteks pencarian informasi terkini
Relevansi Berita terhadap Kasus Korupsi Dana Iklan Bank BJB Menggunakan TF-IDF dan Cosine Similarity Rizki Ambarwati; Cindy Meilani; Hafiz Irsyad
Journal of Information Technology and Computer Science Vol. 5 No. 2 (2025): JOINTECOMS : Journal of Information Technology and Computer Science
Publisher : Universitas Palangka Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47111/jointecoms.v5i2.21053

Abstract

Kasus korupsi dana iklan Bank BJB menjadi perhatian publik karena menyangkut penyalahgunaan dana yang melibatkan institusi keuangan milik pemerintah daerah. Banyaknya pemberitaan dari berbagai media membuat informasi yang tersebar sulit untuk disaring berdasarkan relevansinya terhadap inti kasus. Penelitian ini bertujuan untuk menganalisis dan mengukur relevansi berita-berita yang beredar terhadap kasus korupsi dana iklan Bank BJB dengan memanfaatkan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan Cosine Similarity. Data yang digunakan berupa kumpulan artikel berita daring dari berbagai sumber media yang membahas topik terkait. Tahapan penelitian dimulai dengan preprocessing teks, seperti pembersihan data, tokenisasi, stopword removal, dan stemming. Dokumen yang memiliki tingkat kemiripan tinggi dianggap relevan terhadap berita acuan utama kasus korupsi ini. Hasil pengujian TF-IDF dan Cosine Similarity menunjukan tingkat accuracy sebesar 71%, precision sebesar 100%, recall 71 % dan hasil F1 score 83 % sehingga dengan metode tersebut dapat mengelompokkan berita secara efektif berdasarkan tingkat relevansinya.
IMPLEMENTASI TF-IDF DAN KNN PADA REKOMENDASI JURNAL OTOMATIS Jonathan Wijaya; Fernando Sugianto Putra; Hafiz Irsyad; Abdul Rahman
Journal of Informatics and Computer Engineering Research Vol. 2 No. 1 (2025)
Publisher : Politeknik Negeri Ujung Pandang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31963/jicer.v2i1.5565

Abstract

In the rapidly evolving digital era, finding relevant journals has become a challengefor students, researchers, and academics. The easy access to journal publications hasled to an increase in the number of available journals. Therefore, there is a need fora recommendation system based on related journals automatically using the TF-IDFand K-Nearest Neighbor (KNN) approaches with cosine distance. The goal is toenhance the efficiency and accuracy of journal searches. The first step is to process the text taken from the titles and abstracts of the journals into numerical vectors using TF-IDF to determine the importance of words in each document. Then, KNN is used to find the journals that are most similar to the specified journal based on the distance between TF-IDF vectors. Precision@3 is used to evaluate the results of the top three recommendations. The evaluation results show highly relevant recommendations, with a Precision@3 value of 1. This system has successfully improved the efficiency and accuracy of automatic journal searches for relevant content
Opini Publik Terhadap Kebijakan Tarif Impor Donald Trump Menggunakan Logistic Regression dan SMOTE Dewa; Fujianto; Hafiz Irsyad
Journal Information & Computer Vol. 3 No. 2 (2025): Journal Information & Computer
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/jicomisc.v3i2.49347

Abstract

Penelitian ini bertujuan untuk mengamati bagaimana opini publik bereaksi pada biaya masuk barang Donald Trump, yang ramai dibicarakan di dunia maya, terutama pada platform YouTube. Karena banyaknya pendapat yang muncul pada platform tersebut, penting sekali memakai cara yang cocok agar lebih paham akan opini yang disampaikan. Kami memakai metode logistic Regression  yang digabung dengan metode SMOTE untuk penelitian ini, guna dalam menganalisis opini yang ada pada komentar yang tersebar luas pada platform Youtube. Kami membagi sentimen komentar jadi dua kelompok yaitu , positif atau negatif. Setelah dilakukan dari banyak tahapan analisis data, mulai dari membersihkan texs hingga menghapus karakter yang bukan termasuk teks menggunakan pre-processing dan ekstraksi fitur, Hasil yang telah dibangun dengan Logistic Regression, kemudian dataset akan diseimbangkan dengan SMOTE mendapatkan hasil precision pada sentimen negatif sebesar 95% dan sentimen positif sebesar 02%, recall pada sentimen negatif 74% dan sentimen positif 11%, F1-Score pada sentimen negatif 83% dan sentimen positif 03%, serta jumlah sample pada kelas sentimen negatif 210 dan kelas sentimen positif  9. dengan hasil penelitian ini Logistic Regression dan SMOTE dapat diterapkan.
Pemodelan Topik Jurnal Informatika Menggunakan Bag of Words dan Latent Dirichlet Allocation Verrino Adityya; Ivander Destian Luis; Abdul Rahman; Hafiz Irsyad
Journal Information & Computer Vol. 3 No. 2 (2025): Journal Information & Computer
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/jicomisc.v3i2.49672

Abstract

Penyebaran jurnal penelitian secara online, khususnya jurnal informatika, seringkali menyajikan topik yang mirip dan berubah sangat cepat, sehingga menyulitkan pembaca memahami konteks jurnal secara utuh. Pemodelan topik menjadi penting untuk mengelompokkan jurnal berdasarkan kemiripan konteks secara semantik, sehingga jurnal menjadi terstruktur dan mudah dipahami sebab-akibatnya. Penelitian ini bertujuan untuk memodelkan topik jurnal dari yang dikumpulkan dari sumber, seperti UMDP dan UIGM. menggunakan Bag of Words (BoW) untuk ekstraksi fitur dan Latent Dirichlet Allocation (LDA) untuk pemodelan topiknya. Data konten jurnal informatika dikumpulkan dari beberapa sumber jurnal informatika dan melalui tahap preprocessing meliputi, penghapusan kalimat dan kata unik, tokenisasi, penghapusan stop words, dan stemming. Setiap token akan dibentuk menjadi unigram dan bigram dan diberi pembobotan dengan BoW. Evaluasi dilakukan dengan mengukur nilai koherensi untuk rentang jumlah topik 2 hingga 10. Hasil penelitian menunjukkan bahwa model LDA mampu mengidentifikasi 4 topik optimal dengan nilai koherensi sebesar 52.1%. Penelitian ini menunjukkan bahwa kombinasi BoW dan LDA efektif untuk menemukan maksud tersembunyi dari setiap topik jurnal informatika secara semantik.
KLASIFIKASI PNEUMONIA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE Wati, Risha Ambar; Irsyad, Hafiz; Al Rivan, Muhammad Ezar
Algoritme Jurnal Mahasiswa Teknik Informatika Vol 1 No 1 (2020): Oktober 2021 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1276.306 KB) | DOI: 10.35957/algoritme.v1i1.429

Abstract

Pneumonia is a type of lung disease caused by bacteria, viruses, fungi, or parasites. One way to find out pneumonia is by x-ray. X-rays will be analyzed to determine whether there is pneumonia or not. This study aims to classify the x-ray results whether there is pneumonia or not on the x-ray results. The classification method used in this study were Support Vector Machine (SVM) and Gray Level Co-Occurrence (GLCM) for the extraction method. There are several stages before classification, namely cropping, resizing, contrast stretching, and thresholding then extracted using GLCM and classified using SVM. The results showed that the best accuracy of 62.66%.
CLASSIFICATION OF PNEUMONIA USING K-NEAREST NEIGHBOR METHOD WITH GLCM EXTRACTION Wijaya, Chandra; Irsyad, Hafiz; Widhiarso, Wijang
Algoritme Jurnal Mahasiswa Teknik Informatika Vol 1 No 1 (2020): Oktober 2021 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1864.245 KB) | DOI: 10.35957/algoritme.v1i1.431

Abstract

Pneumonia is an inflammatory parenchymal disease caused by various microorganisms, including bacteria, micro bacteria, fungi, and viruses. This study used an X-ray to find out whether or not there was pneumonia. The objective of this study was to classify the X-ray results whether or not there was pneumonia in a fast and precise way through a program to produce good accuracy. The classification method used in this study were K-Nearest Neighbor (KNN) and Gray Level Co-Occurrence (GLCM) for the extraction method. There are several stages before being classified, namely cropping, resizing, contrast stretching, and thresholding. The results showed that the best accuracy per class was 66.20% for K = 5.
Co-Authors Abdul Rahman Abdul Rahman Adi Saputra Adrian Suparto Agnes Anastasia Putri Akhsani Taqwiym Akhsani Taqwiym Akhsani Taqwiym Akhsani Taqwiym Andreas Andreas Angel Kelly Antony, Felix Arta Tri Narta Arta Tri Narta Aurelia, Reni Busdin, Rusdie Candra candra Chandra Wijaya Chandra, Kelvin William Christian Bautista Christy, Christy Cindy Meilani Daniel Wijaya Derry Alamsyah Devella, Siska dewa Dicko David K Dina Mariana Dwifa_Sophian, Muhammad Agus Edison, Nicholas Edward Pratama Eka Puji Widiyanto Fareza, Ivan Farisi, Ahmad Farisi, Ahmad Fariz Prasetya Ferdi Jiranda Sinaga Ferdilian, M Lazuardi Fernando Sugianto Putra Fernando, Kristian Franko, Billy Fujianto Graciela, Michelle Hansen, Hansen Hartati, Ery Hendra Nata Niko P Hidayat, Muhammad Syahrizal Hidayat, WIlliam Ibnusina, Fedri Ivander Destian Luis Jeason Lie Jennifer Jocelyn Jennifer Velensia Santoti Jeremy Allegrato Hartono Jolyn Lucretia jonathan stanly Jonathan Wijaya Juliana Nasution Julyo Armando Davincy Lin, Valen Kamilah, Nyimas Nisrinaa Kevin Kevin Kevin kevin Kotan, Jendraja Husein Kurniawan, Calvin Laksana, Jovansa Putra Leonardo Leonardo Lestari, Yehezekiel Gian levid, Jonathan Felix Lin, Jimmi M Ezar Al Rivan Meiriyama, Meiriyama Michael Gunawan Michael Joy Clement Michael Wijaya Molavi Arman Muhammad Bemby Putra Mansyah Muhammad Ishaq Maulana Muhammad Rizky Pribadi Muhdhor, Umar Mutia, Silvi Narta, Arta Tri Novan Wijaya Nur Aisyah Wahyuni Ong, Jesen Patrisius Satria Hendrawan Pribadi, M Rizky Putra Darmansius, Albertus Dwi Andhika Renaldo, Florence Reynald Dwika Prameswara Rikky, Rikky Rizki Ambarwati Roshan, Muhamad Rizvi RR. Ella Evrita Hestiandari Russel Wijaya Samuel Effendi pratama Sanu, Intan Saputra, M Reynaldi Setiawan, Christofer Evan Shela, Shela Silfia Suhartoyo, Rayvin Tanuwijaya, William Taqwiym, Akhsani Taqwiym, Akhsani Taqwiym, Akhsani Tinaliah, Tinaliah Triana Elizabeth, Triana Verrino Adityya Virginia, Callista Wati, Retiana Krisna Wati, Risha Ambar Wijang Widhiarso Wijaya, Christian Richie Willyanto, Aldo Wilyanto, Nicholas Wong, Jeovanni Yeremia Agung Chandra Yohannes, Yohannes Yunarto Yunarto, Yunarto