Article Per Year (5 Year)
p-Index From 2021 - 2026
2.145
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Simetris Jurnal Pengembangan Kota Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika Jurnal IPTEK-KOM (Jurnal Ilmu Pengetahuan dan Teknologi Komunikasi) Sistemasi: Jurnal Sistem Informasi Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) RABIT: Jurnal Teknologi dan Sistem Informasi Univrab InComTech: Jurnal Telekomunikasi dan Komputer Jurnal Sisfokom (Sistem Informasi dan Komputer) JPP IPTEK (Jurnal Pengabdian dan Penerapan IPTEK) Krea-TIF: Jurnal Teknik Informatika Jurnal Riset Informatika Progresif: Jurnal Ilmiah Komputer Jurnal Informatika: Jurnal Pengembangan IT
Arif Dwi Laksito
Universitas Amikom Yogyakata
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Library & Information Science Social Sciences Other

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
PREDIKSI PENGUNDURAN DIRI MAHASISWA UNIVERSITAS AMIKOM YOGYAKARTA MENGGUNAKAN METODE NAIVE BAYES Mahanggara, Andika; Laksito, Arif Dwi
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 10, No 1 (2019): JURNAL SIMETRIS VOLUME 10 NO 1 TAHUN 2019
Publisher : Fakultas Teknik Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (239.28 KB) | DOI: 10.24176/simet.v10i1.2967

Abstract

Universitas AMIKOM Yogyakarta merupakan Universitas yang telah berdiri sejak tahun 1994 dan telah banyak menghasilkan mahasiswa yang berbakat dalam bidang komputer. Setiap tahunnya Universitas AMIKOM Yogyakarta memiliki mahasiswa baru yang jumlahnya terus bertambah hingga saat ini, namun sering kali sejumlah peserta didik pada Universitas AMIKOM Yogyakarta mengundurkan diri. Dengan menggunakan teknik klasfikasi probabilistik sederhana yaitu Algoritma Naive Bayes dapat dilakukan prediksi terhadap pengunduran diri mahasiswa dengan menghitung sekumpulan probabilitas dari jumlah frekuensi dan kombinasi nilai dari dataset yang didapatkan. Implementasi Naive Bayes diharapkan mampu untuk memprediksi pengunduran diri agar pihak lembaga dapat melakukan pencegahan terhadap pengunduran diri mahasiswa. Hasil uji coba dari 120 dataset yang dibagi menjadi 70% data training dan 30% data testing diperoleh nilai error sebesar 22,22%. Sedangkan tingkat akurasi yang diperoleh sebesar 77,78% dengan hasil prediksi 22 mahasiswa diprediksi bertahan dan 14 mahasiswa diprediksi mengundurkan diri.
Implementasi Aplikasi Sentimen Pada Data Twitter Jelang Pemilu 2024 Humam, Choirul; Laksito, Arif Dwi
Jurnal Informatika: Jurnal Pengembangan IT Vol 8, No 2 (2023)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v8i2.5051

Abstract

Elections are one of the most important democratic processes, giving citizens the right to choose their leaders. In today's digital era, social media is an increasingly important information source influencing public perception. Twitter has been a social media from the past until now that still exists in finding information. Tweets are one of the most frequently used services to express opinions or opinions to the public. Sentiment analysis as an application of Natural Language Processing (NLP) is helpful in understanding public opinion towards prospective leaders and issues discussed during election campaigns. The motivation for this study is to conduct text classification using a deep learning model called LSTM and to compare the use of oversampling and non-oversampling methods. This research started by collecting datasets from Twitter, labelling, pre-processing, creating and evaluating the model, and implementing it into the web application. The experiment showed that the random oversampling technique gets more significant accuracy than non-oversampling. Random oversampling produces an accuracy of 0.82 at epoch 25, while non-oversampling reaches an accuracy of 0.61 at epoch 50
Co-Authors Acihmah Sidauruk Adninda, Gardyas Bidari Anas Fikri Hanif Burhanudin, Nazil Ilham Darmawan, Briga Eli Pujastuti, Eli Ervan Triyanto Hafizh Fauzi Fathurahman Hayaty, Mardhiya Heri Sismoro Humam, Choirul Irfan Rifani Kartikakirana, Renindya Azizza Mahanggara, Andika Mahanggara, Andika Muhammad Darwis Arifin Muhammad Resa Arif Yudianto Muhammad Royyan Saputra Nurcholis, Muhammad Tofa Rahmi, Alfie Nur Sasongko, Theopilus Bayu Sumarni Adi Syauqani Juliansyah