Article Per Year (5 Year)
p-Index From 2020 - 2025
3.555
P-Index
This Author published in this journals
All Journal JUTI: Jurnal Ilmiah Teknologi Informasi INTEGER: Journal of Information Technology JIEET (Journal of Information Engineering and Educational Technology) JOURNAL OF APPLIED INFORMATICS AND COMPUTING Jurnal Abadimas Adi Buana PengabdianMu: Jurnal Ilmiah Pengabdian kepada Masyarakat Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Abdi: Media Pengabdian Kepada Masyarakat Jurnal Ekonomika Dan Bisnis Journal of Informatics and Computer Science (JINACS) Serambi Engineering Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics
Ricky Eka Putra
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Public Health Social Sciences Other

Published : 29 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search
Journal : Journal of Informatics and Computer Science (JINACS)

 1   2 
Implementasi Algoritma YOLO11 dalam Mendeteksi Spesies Ikan Laut Komersial secara Real Time untuk Sistem Penyortiran Ikan Permatasari, Dyah Wahyu; Putra, Ricky Eka
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 04 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n04.p924-931

Abstract

Abstract - Laut Indonesia memiliki potensi komersial yang sangat besar, tak dapat dipungkiri bahwa lautan Indonesia memiliki sumber daya ikan yang cukup kaya. Proses penyortiran ikan berdasarkan spesiesnnya akan menjadi tantangan besar pada saat proses pemasaran atau distribusi, karena masih dilakukan secara manual. Penelitian ini mengimplementasikan algoritma model YOLO11 dalam mendeteksi spesies ikan laut untuk membantu pross penyortiran. Data yang digunakan terdiri dari 4 sumber dataset yang berbeda, yaitu Final Dataset, Detection Fish Computer Vision Project, Fish Tun Computer Vision Project, dan Fish-gress Dataset for Fish Species Classification. Dataset tersebut kemudian diolah menjadi dataset baru melalui proses data pre-processing dan data augmentation. Model YOLO11 yang digunakan pada saat proses pelatihan adalah YOLO11n dan YOLO11s, dengan 3 variasi pembagian data. Adapun  3 variasi pembagian data yang digunakan adalah 70% data training, 20% data validation, dan 10% data testing; 80% data training, 10% data validation, 10% data testing; dan 60% data training, 20% data validation, dan 20% data testing. Hasil pelatihan terbaik dihasilkan oleh model YOLO11n dengan pembagian data 70% data training, 20% data validation, dan 10% data testing. Model pelatihan dengan hasil terbaik menghasilkan nilai mAP 95.1%, precision 93.2%, dan recall 91.0%, memnunjukkan bahwa model menunjukkan performa yang tinggi. Penelitian ini membuka peluang untuk pengembangan sistem deteksi spesies ikan dalam membantu proses penyortiran. Kata Kunci – YOLO11, Deteksi Spesies Ikan Laut Komersial, Visi Komputer
Perbandingan Analisis Sentimen Untuk Prediksi Kepuasan Pelanggan Kedai Kopi Di Kofind Menggunakan Algoritma SVM Dan Naive Bayes Fardeen Atallah Kabir Muhammad; Ricky Eka Putra
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 04 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n04.p1039-1048

Abstract

Abstrak— Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan Naïve Bayes dalam melakukan analisis sentimen terhadap ulasan pelanggan kedai kopi Kofind. Implementasi kedua algoritma dilakukan dengan pendekatan pembelajaran mesin yang memanfaatkan Term Frequency-Inverse Document Frequency (TF-IDF) sebagai metode ekstraksi fitur. Proses analisis meliputi tahap preprocessing data (pembersihan teks, tokenisasi, dan penghapusan stopwords), ekstraksi fitur menggunakan TF-IDF, pelatihan model dengan algoritma SVM dan Naïve Bayes, serta evaluasi kinerja model berdasarkan data uji. Prediksi sentimen diklasifikasikan ke dalam tiga kategori utama, yaitu positif, netral, dan negatif. Hasil penelitian menunjukkan bahwa SVM memiliki performa lebih baik dibandingkan dengan Naïve Bayes dalam menganalisis sentimen pelanggan. SVM mencatat akurasi sebesar 99%, sementara Naïve Bayes hanya mencapai 89%. Selain itu, presisi, recall, dan F1-score pada SVM juga lebih tinggi dibandingkan Naïve Bayes, terutama dalam klasifikasi sentimen positif dan netral. Hal ini menunjukkan bahwa SVM lebih efektif dalam menangkap pola sentimen dalam data ulasan pelanggan, sehingga lebih akurat dalam memprediksi tingkat kepuasan pelanggan. Dengan hasil yang diperoleh, penelitian ini menegaskan bahwa pemilihan algoritma yang tepat sangat berpengaruh terhadap akurasi analisis sentimen dalam konteks bisnis kedai kopi. Model SVM dapat menjadi solusi yang lebih optimal dalam mengembangkan sistem analisis sentimen yang digunakan untuk memantau dan meningkatkan kepuasan pelanggan. Penelitian selanjutnya dapat mengeksplorasi penggunaan model hybrid atau teknik deep learning untuk meningkatkan akurasi prediksi sentimen dalam skala yang lebih luas. Kata Kunci— SVM,Naive Bayes, sentimen, kepuasan, machine learning.
Implementasi dan Manajemen State Pada Website Next.js: Perbandingan Context API dan Redux Pada Website Mangaice Wisnu Shena Arrafi; Putra, Ricky Eka
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 04 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n04.p1131-1144

Abstract

Abstrak—Pengelolaan state yang efisien menjadi tantangan dalam pengembangan website modern terutama ketika website memiiki tingkat kompleksitas yang tinggi. Pemillihan tools yang tepat dalam memanajemen state sering kali menimbulkan kebingungan bagi developer, mengingat masing-masing tools memiliki pendekatan yang berbedan dan keunggulan serta kekurangan masing-masing dalam hal performa, skalabilitas, dan memori. Contoh tools yang populer digunakan dalam manajemen state adalah Context API dan Redux. Oleh karena itu, penelitian ini mengimplementasikan dan melakukan perbandingan terhadap Context APi dan Redux pada website Mangaice yang dikembangkan dengan menggunakan framework Next.js. Perbandingan dilakukan berdasarkan parameter performa, skalabilitas, dan memori. Penelitian ini diharapkan dapat menjadikan panduan empiris dalam memilih state management tools yang sesuai dengan kebutuhan projek. Penelitian dilakukan dengan tahapan yang pertama adalah studi literatur, analisis kebutuhan, implementasi, dan pengujian. Pengujian dalam penelitian dilakukan dengan menjalankan skenario penggunaan yang mencangkup autentikasi, pencarian dan penambahan library, membaca manga dan penyimpanan progress baca, pengelolaan history baca, dan pengaturan preferensi pengguna. Dari hasil pengujian, didapatkan hasil bahwa Redux unggul 11,16% dalam performa, terutama dalam menampilkan konten utama dan rendering pada repeat view, sedangkan Context API lebih efisien dalam scripting dan painting. Dari segi skalabilitas, Redux lebih unggul 25,91%, dengan waktu respons lebih cepat, throughput lebih tinggi, dan stabilitas lebih baik dalam skenario dengan banyak pengguna. Dalam penggunaan memori, Redux lebih efisien dengan penghematan total sebesar 51,0% dibandingkan Context API setelah adanya interaksi pengguna. Pada akses awal, Redux juga lebih hemat sekitar 3,5%.   Kata Kunci— Context API, Redux, Perbandingan State Management, Pengembangan Website.
Analisis Sentimen Pengguna X/Twitter Terhadap Timnas Sepakbola Indonesia di Era Shin Tae Yong dengan BERT&RNN Subroto, Jahfal Azzuhri; Ricky Eka Putra
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Perkembangan media sosial, khususnya Twitter (X), menjadikan platform ini sebagai ruang utama bagi masyarakat untuk mengekspresikan opini terhadap performa Timnas Sepakbola Indonesia di bawah kepelatihan Shin Tae Yong (STY). Penelitian ini bertujuan untuk menganalisis dan membandingkan performa empat model analisis sentimen berbasis kombinasi IndoBERT dan arsitektur Recurrent Neural Network (RNN), yaitu IndoBERT + RNN, IndoBERT + LSTM, IndoBERT + BiLSTM, dan IndoBERT + GRU. Data dikumpulkan menggunakan Tweet Harvest dan melalui tahapan preprocessing meliputi cleaning, case folding, normalisasi, tokenizing, stopword removal, stemming, serta labeling menggunakan InSet Lexicon yang kemudian divalidasi secara manual. Setiap model dilatih menggunakan beberapa konfigurasi hyperparameter, seperti variasi hidden size, batch size, dropout, learning rate, serta jumlah unit RNN untuk menemukan performa optimal pada tahap pelatihan dan validasi. Konfigurasi terbaik dari masing-masing model kemudian digunakan sebagai model final untuk dievaluasi pada skenario tiga label (positif, netral, negatif) dan dua label (positif, negatif). Evaluasi dilakukan menggunakan classification report dan confusion matrix. Hasil penelitian menunjukkan bahwa pada skenario tiga label, model IndoBERT+RNN memberikan performa terbaik dengan akurasi 0,69 dan Macro F1-Score 0,68. Sementara itu, pada skenario dua label, model IndoBERT+GRU menghasilkan performa tertinggi dengan akurasi dan Macro F1-Score sebesar 0,83. Temuan ini menegaskan bahwa pemilihan konfigurasi optimal pada kombinasi model berbasis transformer dan jaringan berulang berpengaruh signifikan terhadap peningkatan akurasi analisis sentimen berbahasa Indonesia. Kata Kunci— Analisis sentimen, IndoBERT, RNN, Twitter, Timnas Indonesia
Co-Authors Aditya Prapanca Agus Prihanto Akbar, Rafy Aulia Alit, Ronggo Alizar Hasan Ammar, Muhammad Zhafran Anita Qoiriah ANITA QOIRIAH Ardiansyah, Muhammad Yusriza Asmunin Asmunin Aulia Akbar, Rafy Dewi, Maharani Nirmala Diastian Vinaya Wijanarko Dyantono, Aganda Maulan Dan Fardeen Atallah Kabir Muhammad Handayani Tjandrasa I Made Suartana Juhrah Singke Mahendra, Yusril Isra Maulana, Dimas Avian Mirwa Adiprahara Anggarani Muhammad Santoso Nanik Suciati Nuhaenibudi As-sajid, Amirah Bilqis Permatasari, Dyah Wahyu Prasetyo, Achmad Wafa Purnama, Erlix Rakhmad Putra, Nino Fachrurrozi Erlangga Putri, Rezky Arisanti Rafif Raif, Andi Rhifqy Rahmatulloh, Romadlon Rahulil, Muhammad Raya Sulistyowati Romadhon, Dedy Putra Suartana, I Made Subroto, Jahfal Azzuhri Tilasefana, Rhyosvaldo Aurellio Tri Sudarwanto Tutuk Indriyani Usodoningtyas, Sri Wisnu Shena Arrafi Wiyli Yustanti YUNI YAMASARI