Article Per Year (5 Year)
p-Index From 2021 - 2026
3.839
P-Index
This Author published in this journals
All Journal Transmisi: Jurnal Ilmiah Teknik Elektro JurTI (JURNAL TEKNOLOGI INFORMASI) Journal of Information Systems and Informatics Abdimasku : Jurnal Pengabdian Masyarakat Jurnal Ekonomi dan Teknik Informatika Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer Journal of Informatics and Electronics Engineering Abdi Wina : Jurnal Pengabdian Kepada Masyarakat Universitas Kristen Wira Wacana Sumba Komputasi : Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Komputer, Informasi dan Teknologi Jurnal Publikasi Ilmu Komputer dan Multimedia
Hery Oktafiandi
Satu University
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Medicine & Pharmacology Public Health Social Sciences Veterinary

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
Implementasi LDA untuk Pengelompokan Topik Twitter Bertagar #Mypertamina Oktafiandi, Hery
Jurnal Ekonomi dan Teknik Informatika (JNETI) Vol 11 No 1 (2023): JURNAL EKONOMI DAN TEKNIK INFORMATIKA
Publisher : Politeknik Sawunggalih Aji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37601/jneti.v11i1.222

Abstract

Abstract Twitter social media is widely used by users as a medium of communication and information. Apart from being a communication tool, Twitter is used to obtain the required research data. The use of the twitter hashtag becomes a reference for trending news or issues that are developing in the community. The trend that is currently being discussed is the Mypertamina application. This study takes data from twitter with the hashtag #Mypertamina with a lot of twitter data as many as 149 tweets, from the data obtained it will be clustered using topic modeling with the Latent Dirichlet Allocation (LDA) method. The advantage of the LDA method is that it can cluster, summarize, and link large amounts of data. This study resulted in 3 data clusters with the largest coherence value of 0.4618 Keywords: 3-5 keywords; Mypertamina, Twitter, LDA
Perbandingan Algoritma untuk Analisis Sentimen Terhadap Google Play Store Menggunakan Machine Learning Oktafiandi, Hery; Winarnie, Winarnie; Olajuwon, Sayyid M. Raziq
Jurnal Ekonomi dan Teknik Informatika (JNETI) Vol 11 No 2 (2023): JURNAL EKONOMI DAN TEKNIK INFORMATIKA
Publisher : Politeknik Sawunggalih Aji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37601/jneti.v11i2.234

Abstract

Banyaknya aplikasi yang tersedia pada google playstore memudahkan para pengguna untuk memiilih aplikasi yang sesuai dengan kebutuhannya. Pengguna aplikasi pada google playstore memiliki sedikit kesulitan dalam memilih aplikasi mana saja yang baik performancenya karena terlalu banyaknya pilihan aplikasi yang tersedia. Para pengembang aplikasi menyediakan kolom komentar untuk review para pengguna aplikasi. Dengan review ini para calon pengguna aplikasi dapat memutuskan apakah menggunakan atau tidak, sedangkan untuk pengembang, review sangat dibutuhkan karena dapat melihat pencapaian kinerja dari aplikasi yang telah dibuat. Pada penelitian ini dilakukan untuk membandingkan tiga algorima machine learning yaitu : naives bayes, k-nearest neighbors dan radom forest untuk membandingkan nilai akurasi pada setiap algoritma berdasarkan sentimen pengguna. Pada penelitian ini dataset didapat dari scraping langsung dari aplikasi yang tersedia pada google play. Data kemudian diseleksi dan diberi label/klas. Pada penelitian ini dilakuakan percobaan dengan menggunakan jumlah dataset yang berbeda yaitu 40 dataset, 100 dataset dan 1000 dataset. Hasil akurasi yang didapar pada penggunaan dataset 1000 data diperoleh hasil akurasi untuk algoritma naïve bayes sebesar 79%, algoritma k nearest neighbors sebesar 77% dan algoritma random forest sebesar 75%.
Chatbot AI Platform Sebagai Media Peningkatan Kemampuan Belajar Siswa Ayuningtyas, Pratika; Oktafiandi, Hery
Jurnal Ekonomi dan Teknik Informatika (JNETI) Vol 12 No 1 (2024): Jurnal Ekonomi dan Teknik Informatika
Publisher : Politeknik Sawunggalih Aji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37601/jneti.v12i1.246

Abstract

Pesatnya perkembangan teknologi Artificial Intelligence di dunia pendidikan dengan penggunaan AI sebagai media pembelajaran yang dapat diakses siswa tanpa batas waktu. Chatbots merupakan teknologi kecerdasan buatan yang dapat digunakan. Penggunaan chatbots sebagai media pembelajaran terbukti memberikan banyak dampak positif dalam pembelajaran. Perancangan chatbot dirancang untuk memenuhi kebutuhan siswa agar dapat menyadari manfaat penggunaan chatbots sebagai media pembelajaran dalam peningkatan kemampuan belajar siswa. Dalam perancangan dan pengembangan chatbot, digunakan template smojo.ai yang dilengkapi dengan media gambar, audio, video dan link website. Dengan kelengkapan media pendukung tersebut, siswa dapat belajar mandiri dengan media yang menarik dan inovatif. Chatbot AI juga dapat proses belajar interaktif yang dapat membuat suasana belajar lebih menyenangkan sehingga siswa mendapatkan banyak manfaat dan pengalaman belajar baru dengan chatbot AI.
Sistem Pelayanan Surat Pengantar Pada Desa Bedono Karangduwur Kemiri Berbasis Website Ardiansyah, Difta; Oktafiandi, Hery
Jurnal Ekonomi dan Teknik Informatika (JNETI) Vol 11 No 1 (2023): JURNAL EKONOMI DAN TEKNIK INFORMATIKA
Publisher : Politeknik Sawunggalih Aji

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37601/jneti.v12i1.289

Abstract

Sistem ini bertujuan untuk membantu memberikan pelayanan yang lebih optimal kepada masyarakat khususnya pada proses pembuatan surat menyurat agar lebih cepat dan mudah. Penilitian menggunakan metode pengumpulan data pengamatan secara langsung (observasi), penelitian langsung diobjek penelitian yaitu di desa Bedono Karangduwur Kemiri. Jenis data yang dipakai adalah data Kuantitatif atau data yang dapat diukur dalam skala angka, seperti jumlah penduduk, dan data kualitatif atau data yang dinyatakan dalam bentuk kata, seperti hasil wawancara dengan petugas atau masyarakat. Kesimpulan penilitian dari Tugas Akhir ini menunjukan bahwa sistem hanya dapat dijangkau oleh warga dengan usia produktif dan sistem hanya mencakup pada pembuatan surat pengantar saja.
Perbandingan Algoritma Machine Learning Untuk Sentimen Analisis Game Bus Simulator Indonesia Oktafiandi, Hery; Winarnie, Winarnie
JurTI (Jurnal Teknologi Informasi) Vol 8, No 2 (2024): DESEMBER 2024
Publisher : Universitas Asahan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36294/jurti.v8i2.4666

Abstract

This study aims to perform sentiment analysis on user reviews of the Bus Simulator Indonesia (BUSSID) application, developed by Maleo from Surabaya and released in 2017. A total of 10,000 reviews were collected from the Google Play Store using web scraping techniques and labeled based on ratings; reviews with ratings above 3 were considered positive, while those with ratings of 3 or below were considered negative. The reviews were then processed through case folding, cleaning, tokenizing, stopword removal, and stemming, and their features were extracted using the TF-IDF method. The data was split into 70% for training and 30% for testing. Three machine learning algorithms were applied: Naive Bayes Classifier (NBC), Stochastic Gradient Descent (SGD), and Support Vector Machine (SVM). The results showed that SVM had the highest accuracy at 79%, followed by SGD at 77%, and NBC at 76%. Evaluation using metrics such as accuracy, precision, recall, and f1-score indicated that this analysis provides valuable insights for BUSSID developers to improve the application’s quality. sentiment analysis, 
Pelatihan Dasar Artificial Intelligence : Membangun Chatbot dengan Python untuk Siswa SMA/SMK di Kota Palembang Panjaitan, Febriyanti; Oktafiandi, Hery; Permai, Antika
ABDIMASKU : JURNAL PENGABDIAN MASYARAKAT Vol 8, No 2 (2025): MEI 2025
Publisher : LPPM UNIVERSITAS DIAN NUSWANTORO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/ja.v8i2.2957

Abstract

Workshop AI untuk Pemula: Membangun Chatbot dengan Python bagi Siswa SMA/SMK di Kota Palembang diselenggarakan sebagai respons terhadap antusiasme siswa dalam program Jelajah Jurusan terkait kecerdasan buatan (Artificial Intelligence/AI). Kegiatan ini bertujuan untuk memberikan pemahaman dasar mengenai AI dan chatbot serta melatih keterampilan pemrograman Python menggunakan Google Colab. Workshop ini diikuti oleh 40 siswa dari SMKN 4 Palembang dan SMA Xaverius 2 Palembang yang dibagi ke dalam dua sesi. Hasil evaluasi melalui pretest dan post-test menunjukkan adanya peningkatan pemahaman siswa terhadap konsep AI dan chatbot. Rata-rata nilai pretest pada sesi pertama sebesar 68 meningkat menjadi 89 pada post-test, sedangkan sesi kedua meningkat dari 69 menjadi 90. Hal ini menunjukkan bahwa siswa mampu memahami dan mengimplementasikan chatbot dengan lebih baik setelah mengikuti workshop. Penggunaan Google Colab juga terbukti efektif dalam memfasilitasi pembelajaran tanpa kendala instalasi perangkat lunak. Workshop ini memberikan wawasan bagi siswa mengenai potensi AI dalam berbagai bidang serta mendorong minat mereka untuk mendalami teknologi ini lebih lanjut. Ke depannya, diharapkan pelatihan serupa dapat diperluas ke lebih banyak sekolah dan disertai dengan sesi lanjutan untuk memperdalam pemahaman serta implementasi teknologi AI dalam skala yang lebih luas
Analisis Sentimen Kutipan Media Sosial Berbahasa Indonesia Menggunakan Convolutional Neural Network M. Fajar Ramadhan; Febriyanti Panjaitan; Winarnie; Hery Oktafiandi; Yohanes
Jurnal Komputer, Informasi dan Teknologi Vol. 5 No. 2 (2025): Desember
Publisher : Penerbit Jurnal Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53697/jkomitek.v6i1.3627

Abstract

Media sosial menjadi salah satu ruang utama ekspresi opini dan emosi masyarakat Indonesia. Berbagai pandangan, keluhan, dukungan, maupun refleksi pribadi sering dituangkan dalam bentuk teks pendek seperti caption dan kutipan (quotes). Teks-teks ini tidak hanya memuat informasi, tetapi juga sentimen yang dapat menggambarkan sikap pengguna terhadap suatu isu. Penelitian ini bertujuan untuk mengembangkan model analisis sentimen kutipan media sosial berbahasa Indonesia menggunakan Convolutional Neural Network (CNN) dan membandingkannya dengan pendekatan klasifikasi klasik berbasis Term Frequency–Inverse Document Frequency (TF-IDF) dan Logistic Regression. Data yang digunakan berasal dari dataset terbuka opini publik di media sosial terkait pasar saham Indonesia. Dari dataset tersebut dipilih secara seimbang 1.200 kutipan berbahasa Indonesia, masing-masing 400 berlabel negatif, 400 netral, dan 400 positif. Tahapan penelitian meliputi pembersihan teks, normalisasi, tokenisasi, pembagian data latih dan uji (80:20), pembentukan vektor TF-IDF sebagai baseline, pembentukan urutan indeks kata untuk CNN, perancangan arsitektur text-CNN dengan tiga kernel konvolusi paralel, serta evaluasi model menggunakan akurasi, precision, recall, F1-score, dan confusion matrix. Model baseline TF-IDF + Logistic Regression menghasilkan akurasi 66% dengan macro F1-score 0,66 pada data uji. CNN varian awal (CNN V1) memberikan performa sebanding dengan akurasi 65% dan macro F1-score 0,65, namun menunjukkan gejala overfitting. Setelah kapasitas model dikurangi dan regularisasi diperkuat (CNN V2), kinerja meningkat menjadi akurasi 67,5% dan macro F1-score 0,67, sedikit melampaui baseline klasik. Hasil ini mengindikasikan bahwa CNN mampu menangkap pola n-gram lokal pada kutipan secara efektif, meskipun keunggulannya terhadap pendekatan klasik masih terbatas pada skala data yang relatif kecil.
Analisa Daerah Kebakaran Hutan Pulau Sumatera dengan K-Means Clustering Metode CRISP-DM Winarnie, Winarnie; Hery Oktafiandi; Pebriyanti Panjaitan; M. Fajar Ramadhan; Yohanes
Jurnal Publikasi Ilmu Komputer dan Multimedia Vol. 5 No. 1 (2026): Januari: Jurnal Publikasi Ilmu Komputer dan Multimedia
Publisher : Pusat Riset dan Inovasi Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jupikom.v5i1.6198

Abstract

Kebakaran Hutan dan Lahan (Karhutla) sering terjadi di negara Indonesia. Karhutla pada wilayah Sumatera dan Kalimantan tahun 2015 menjadi sorotan dunia karena telah membawa polusi kabut asap ke negara tetangga. Informasi tentang pengelompokkan daerah yang terkena dampak kebakaran hutan digunakan untuk mengingatkan supaya masyarakat lebih waspada dan siap. Metode K-Mean Clustering dengan model data mining CRISP-DM, bisa dipakai sebagai salah satu cara untuk menganalisa daerah yang termasuk dalam daerah rawan terjadi karhutla. Penelitian ini dilakukan untuk membuat kelompok daerah dengan kemungkinan kebakaran hutan yang tinggi. dan daerah yang aman dari bencana kebakaran hutan pada kabupaten-kabupaten yang terdapat pada pulau Sumatera yang meliputi 9 provinsi di Pulau Sumatera., Kelompok daerah waspada kebakaran hutan dan lahan diwakili oleh beberapa cluster. Pada penelitian ini berhasil menghasilkan cluster yang baik dan optimal dapat dilihat dengan nilai silhouette bernilai positif dan mendekati 1. Cluster nilai terbaik adalah cluster 2 dengan nilai silhouette coefficient indeks terbesar yaitu 0,96 dengan luas karhutla sebanyak 6624 ha dan kemunculan titik api sebanyak 6006 titik.
Machine Learning Classification of SCD, CHF, and NSR Using 15-Minute ECG-Derived HRV Features Febriyanti Panjaitan; Win Ce; M. Fajar Ramadhan; Winarnie; Hery Oktafiandi
Journal of Information System and Informatics Vol 8 No 2 (2026): April
Publisher : Asosiasi Doktor Sistem Informasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63158/journalisi.v8i2.1557

Abstract

Heart disease remains one of the leading causes of mortality worldwide, making early detection essential for effective intervention. Heart Rate Variability (HRV) is widely used as a non-invasive marker for assessing cardiac conditions, and machine learning has shown potential in classifying heart diseases such as Sudden Cardiac Death (SCD) and Congestive Heart Failure (CHF). This study evaluates the performance of Support Vector Machine (SVM), Decision Tree (DT), and K-Nearest Neighbors (KNN) using 15-minute ECG signals comprising three 5-minute segments. The dataset consists of 53 subjects, generating 159 segments, including SCD, CHF, and Normal Sinus Rhythm (NSR). To prevent data leakage, a subject-wise split (80:20) is applied for training and testing. Two evaluation scenarios are considered: per-segment classification and combined 15-minute classification. Results indicate that SVM and DT achieve consistently high, stable performance with near-perfect accuracy, precision, recall, and F1-score, whereas KNN shows lower, more variable performance, particularly in segment-based analysis. The combined 15-minute approach provides more stable results, suggesting improved HRV representation and class separability. Although the results are promising, further validation with larger, more diverse datasets is required to ensure robustness and generalizability. This study highlights the potential of HRV-based machine learning while emphasizing the importance of appropriate temporal representation and rigorous evaluation design.
Analisis Klaster Pasien Menggunakan K-Means untuk Mendukung Perawatan Medis Terpersonalisasi Oktafiandi, Hery; Winarnie, Winarnie; Nur, Wahid
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 1 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i1.1001

Abstract

Penelitian ini bertujuan untuk melakukan analisis klasterisasi pada dataset pasien menggunakan algoritma K-Means. Dataset yang digunakan berisi 6.000 baris data pasien dengan 16 fitur, meliputi usia, jenis kelamin, tekanan darah, kolesterol, dan status merokok. Untuk mencari jumlah klaster yang optimal, digunakan metode Elbow yang menunjukkan jumlah klaster yang paling tepat adalah 3. Setelah itu, algoritma K-Means diaplikasikan untuk mengklasifikasi data pasien berdasarkan kesamaan karakteristik kesehatan mereka. Hasil klasterisasi menunjukkan bahwa pasien dapat dibagi menjadi tiga kelompok utama: kelompok dengan tekanan darah dan kolesterol rendah, kelompok dengan kadar gula darah tinggi, dan kelompok dengan hipertensi dan obesitas. Hasil ini dapat digunakan untuk memberikan wawasan lebih lanjut dalam mengelompokkan pasien untuk perawatan yang lebih personal. Penelitian ini menunjukkan bagaimana teknik klasterisasi dapat digunakan untuk menganalisis data kesehatan dan membantu dalam pengambilan keputusan medis.
Co-Authors Aghus Sofwan Agung Budi Prasetijo Ardiansyah, Difta Ari Indra Indra Widyawan Ayuningtyas, Pratika Febriyanti Panjaitan Febriyanti Panjaitan Febriyanti Panjaitan Ghanim Kanugrahan Hafizh Cahaya Putra, Vito Lutfi Ashar Mauludin, Lutfi Ashar M. Fajar Ramadhan M. Fajar Ramadhan M. Fajar Ramadhan M.Fajar Ramadhan Mukti Setiono Nur, Wahid Olajuwon, Sayyid M. Raziq Pebriyanti Panjaitan Pebriyanti Panjaitan Permai, Antika Pratika Ayuningtyas Sayid M. Raziq Olajuwon Win Ce Win Ce Winarnie Winarnie Winarnie Yohanes Yohanes Yohanes Yohanes Yohanes Yohanes Yudi Ramdhani