Article Per Year (5 Year)
p-Index From 2021 - 2026
2.339
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) JIEET (Journal of Information Engineering and Educational Technology) Jurnal Nasional Teknik Elektro dan Teknologi Informasi Journal of Informatics and Computer Science (JINACS)
Naim Rochmawati
Universitas Negeri Surabaya
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Energy Engineering

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

Found 24 Documents
Search

 1   2   3 
Perbandingan CNN dan Bi-LSTM pada Analisis Sentimen dan Emosi Masyarakat Indonesia Di Media Sosial Twitter Selama Pandemik Covid-19 yang Menggunakan Metode Word2vec Mohamad Romli Firdaus Kamarula; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n02.p219-228

Abstract

Pandemik Covid-19 hingga kini masih melanda Indonesia. Sudah banyak kebijakan yang diberlakukan oleh Pemerintah untuk mengatasi penyebaran Covid-19 di Indonesia. Beberapa kebijakan yang telah diberlakukan seperti PPKM, PSBB, penggunaan masker, mematuhi protokol kesehatan hingga pelaksanaan vaksinasi. Namun banyaknya varian Covid-19 membuat pandemik ini belum juga berakhir. Dengan banyaknya kebijakan dan peraturan pemerintah dalam menangani pandemik Covid-19, menimbulkan berbabagai macam respon dari masyarakat. Pendapat ini banyak disampaikan melalui media sosial salah satunya twitter. Banyaknya respon dari masyarakat ini dapat kita kelompokkan berdasarkan sentimen polaritas dan emosinya. Sehingga kita mampu menilai sudut pandang masyarakat mengenai kebijakan pemerintah untuk penanganan Covid-19. Tujuan dilakukannya penelitian ini untuk mengetahui model yang memiliki kemampuan terbaik untuk melakukan proses analisis sentimen dan emosi menggunakan dataset unggahan media sosial twitter. Algoritma CNN dan Bi-LSTM diusulkan untuk digunakan dalam penelitian analisis sentimen dan emosi menggunakan metode Word2Vec. Analisis sentimen dan emosi ini menggunakan data sebanyak 58.984 yang didapatkan melalui proses crawling data unggahan twitter yang berjumlah 22.062 data dan pengunduhan dataset dari website kaggle.com dengan jumlah data sebanyak 36.922 data. Pada penelitian ini model algoritma Bi-LSTM mendapatkan tingkat akurasi sebesar 69,48% untuk analisis sentimen dan 84,36% untuk analisis emosi. Tingkat akurasi ini lebih tinggi dibandingkan dengan algoritma CNN yang menghasilkan tingkat akurasi sebesar 68,58% untuk analisis sentimen dan 84,21% untuk analisis emosi. Berdasarkan hasil tersebut dapat disimpulkan bahwa algoritma Bi-LSTM lebih baik dibandingkan algoritma CNN dalam penelitian analisis sentiment dan emosi menggunakan metode Word2Vec. Kata Kunci— Analisis Sentimen dan Emosi, Covid-19 di Indonesia, Bi-LSTM, CNN, Word2Vec.
Klasifikasi Covid-19 Pada Citra CT-Scan Dengan Mengombinasikan Metode Convolutional Neural Network Dan Support Vector Machine Erita Putri Ramadhani; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n02.p236-243

Abstract

Covid-19 adalah jenis penyakit menular dengan cepat yang disebabkan oleh virus corona yang mewabah pada akhir Desember 2019. Dalam mendeteksi Covid-19 perlu adanya pemeriksaan dengan tes swab, RT-PCR, Chest X-Ray dan CT Scan. Hasil citra CT-Scan memilki kualitas jelas dibanding pemeriksaan lainnya. Untuk hasil yang lebih jelas dalam mengklasifikasi Covid-19 pada pasien dengan menggunakan pendekatan machine learning pada citra CT-Scan paru-paru. Metode machine learning yang digunakan yaitu metode Convolutional Neural Network untuk melakukan proses ekstraksi fitur dan metode Support Vector Machine untuk proses klasifikasi citra Covid-19. Pada tahap klasifikasi Covid-19 pada citra CT-Scan paru-paru terdapat beberapa tahapan proses utama yaitu pendeskripsian data, pra-pemrosesan, ekstraksi fitur dan klasifikasi. Kelas atau label pada data yang digunakan yakni kelas covid dan no covid. Sehingga hasil dari proses pengujian dalam mengombinasikan metode CNN dan SVM didapatkan akurasi sebesar 97.39%, precision sebesar 97.36%, recall sebesar 97.43%, f1-score sebesar 97.39% dan auc sebesar 97.43% dengan parameter CNN yaitu optimizer adam dan parameter SVM yaitu kernel Poly, nilai Degree sebesar 5, nilai Gamma sebesar 1 dan C sebesar 10. Kata Kunci—Machine Learning, Deep Learning, Convolutional Neural Network, Support Vector Machine, Covid-19.
Penerapan Metode Vikor dalam Penentuan Rekomendasi Objek Wisata Terbaik Surabaya di Masa Pandemi Covid-19 Verayanti Siregar; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 4 No 04 (2023)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n04.p458-468

Abstract

Penyebaran Covid-19 yang cepat dan pesat hingga keseluruh dunia menyebabkan pandemi, sehingga berpengaruh pada seluruh kegiatan masyarakat termasuk ekonomi dan pariwisata. Kota Surabaya sebagai daerah yang memiliki fasilitas objek wisata outdoor dan indoor juga mengalami dampak yang sama. Sebagai usaha untuk memutus rantai penularan COVID-19 di objek wisata, pemerintah mengeluarkan aturan seperti pembatasan pengunjung hingga penerapan protokol kesehatan. Oleh karena itu peneliti melakukan penelitian terkait rekomendasi objek wisata terbaik Surabaya dimasa pandemi covid-19. Penggunaan metode Vikor diterapkan karena metode vikor berfokus pada pemeringkatan dan pemilihan seperangkat kriteria alternatif yang saling bertentangan dalam memperoleh keputusan akhir. Penelitian ini dilakukan dengan menguji sebanyak sebelas objek wisata luar ruangan di Surabaya yang diperoleh dari Dinas Pariwisata Surabaya. Kriteria yang digunakan yaitu yaitu protokol kesehatan, pembatasan pengunjung, fasilitas umum, tempat makan, kebersihan, ramah disabilitas, rating, harga tiket masuk, jarak dari pusat kota, waktu buka, jumlah pengunjung pertahun 2022. Perhitungan bobot dalam penelitian ini dilakukan dengan skala likert. Hasil perhitungan sistem menunjukkan Tugu Pahlawan menjadi rekomendasi objek wisata terbaik di Surabaya selama pandemi, diposisi ke-dua objek wisata Taman Bungkul dan yang ke-tiga Ekowisata Mangrove Gunung Anyar. Untuk hasil uji kegunaan sistem dengan pengujian blackbox memperoleh hasil yang memuaskan dengan tingkat keberhasilan 100% sesuai dengan hasil yang diharapkan. Kata Kunci— COVID-19, Pandemi, Vikor, Rekomendasi, Objek Wisata.
Analisis Algoritma Klasifikasi untuk Memprediksi Karakteristik Mahasiswa pada Pembelajaran Daring Wiyli Yustanti; Naim Rochmawati
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v8i1.50452

Abstract

Keberhasilan pelaksanaan pembelajaran secara daring di masa pandemi dari sisi mahasiswa dipengaruhi oleh faktor eksternal dan internal. Faktor eksternal antara lain ketersediaan sinyal atau jaringan yang baik, kuota internet, serta perangkat penunjang seperti smartphone dan laptop. Selain itu, aspek internal seperti motivasi belajar, budaya belajar, dan  kondisi fisik serta psikologi yang baik juga berperan penting dalam keberhasilan proses belajar mahasiswa. Faktor-faktor ini menjadi input untuk membangun model prediksi karakteristik mahasiswa peserta daring. Pada proses pemodelan diawali dengan tahap pre-processing melalui seleksi fitur menggunakan uji independen Chi-Square untuk menentukan variabel yang berpengaruh pada proses prediksi variabel respon. Hasil seleksi variabel independen menghasilkan 16 variabel yang berpengaruh dari total 22 variabel awal.  Adapun jenis label pada variabel respon terdiri dari 4 kelompok yaitu mahasiswa aktif dengan fasilitas terbatas, aktif dengan fasilitas baik, pasif dengan fasilitas baik dan pasif dengan fasilitas terbatas. Pada data penelitian ini, distribusi variabel respon termasuk dalam kategori tidak seimbang (imbalanced class) dengan proporsi kelas terkecil adalah 2,20%. Untuk melakukan balancing data digunakan teknik oversampling sebelum tahap pemodelan. Sementara algoritma klasifikasi yang diujicobakan terdiri dari 6 algoritma yaitu Naïve Bayes (NB), Support Vector Machine (SVM), Random Forest (RF), Regresi Logistik (LR), K-Nearest Neighbor (KNN), dan Decision Tree (DT). Hasil komparasi kinerja menunjukkan bahwa algoritma Support Vector Machine (SVM) lebih unggul dengan nilai F-1 Score 92,8% dan AUC sebesar 99,01%.
Co-Authors Achmad Chairuddin Agus Prihanto Ahmad Rizki Maulana Anita Qoiriah Anita Rahayu Asmunin Asmunin Atik Wintarti Bagus Geriansyah Putra Dian Novita Yohanes Erita Putri Ramadhani Esti Ika Maharani Fandi Ilham Febian Fitra Maulana Firda Ariani Alim Putri Hanik Badriyah Hidayati,* Mohammad Hasan Machfoed,* Kuntoro,** Soetojo,*** Budi Santoso,**** Suroto,***** Budi Utomo****** Hapsari Peni Agustin Tjahyaningtijas Malik Dwi Yoni Fordana Mohamad Romli Firdaus Kamarula Nadya Hidayatun Najah Putri Pratama Erika Indarbensyah Rezky Arisanti Putri Rosida Pujiati Roy Belmiro Virgiant Setri Dwi Prasetiani Ulifatur Rosyidah Ulin Nuha Verayanti Siregar Wiyli Yustanti YUNI YAMASARI