Article Per Year (5 Year)
p-Index From 2021 - 2026
5.987
P-Index
This Author published in this journals
All Journal Jurnal TIMES Jurnal Mantik Penusa INTECOMS: Journal of Information Technology and Computer Science The IJICS (International Journal of Informatics and Computer Science) Jurnal Riset Informatika ComTech: Computer, Mathematics and Engineering Applications Jurnal Mantik bit-Tech JATI (Jurnal Mahasiswa Teknik Informatika) Journal of Intelligent Decision Support System (IDSS) JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Bulletin of Information Technology (BIT) Jurnal Minfo Polgan (JMP) BEES: Bulletin of Electrical and Electronics Engineering Jurnal Nasional Teknologi Komputer Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Jurnal Hasil Pengabdian Masyarakat (JURIBMAS) Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Jurnal Testing dan Implementasi Sistem Informasi Journal of Algorithmic Digital Engineering and Networks The Journal of Information Technology, Computer Science, and Electrical Engineering
Muhammad Iqbal
Universitas Pembangunan Panca Budi
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Social Sciences

Published : 44 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 44 Documents
Search

 1   2   3   4   5 
Analisis Algoritma Neural Network Dan Regresi Linier Untuk Memprediksi Permintaan Layanan Kampus Berbasis Data Mahasiswa di AMIK Medicom Robin Antoni; Muhammad Iqbal; Zulham Sitorus
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

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

Abstract

The increasing number of students and the growing adoption of digital services have made campus service demand more dynamic, creating a need for accurate prediction methods to support service planning and data-driven decision-making. This study aims to analyze and compare the performance of Neural Network and Linear Regression algorithms in predicting campus service demand based on student data at AMIK Medicom. The dataset consists of student-related variables, including the number of active students and the percentage of digital service utilization as predictor variables, while total campus service demand is used as the target variable. The data were collected from September 2025 to February 2026. The research procedure involved data collection, data preprocessing, the development of Linear Regression and Neural Network models, and model evaluation using the coefficient of determination (R²), Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and prediction accuracy. The results indicate that both methods are capable of predicting campus service demand effectively. The Linear Regression model achieved an R² value of 0.987, an MAE of 245.60, an RMSE of 301.20, and an accuracy rate of 91.4%. Meanwhile, the Neural Network model achieved an R² value of 0.996, an MAE of 118.30, an RMSE of 156.50, and an accuracy rate of 96.8%. These findings demonstrate that the Neural Network model outperforms Linear Regression, as evidenced by its higher R² value and lower error rates. Therefore, Neural Network is recommended as a more effective prediction model for supporting data-driven planning and management of campus services at AMIK Medicom.
KLASIFIKASI TEKS KOMENTAR MOBILE LEGENDS DALAM GOOGLE PLAY PADA TAHUN 2025 DENGAN ALGORITMA NAIVE BAYES Eva Mufida Padilla; Muhammad Iqbal
Jurnal TIMES Vol 15 No 1 (2026): Jurnal TIMES
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51351/jtm.15.1.2026902

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan sentimen komentar pengguna aplikasi Mobile Legends di Google Play pada bulan November 2025 menggunakan algoritma Naive Bayes. Data diperoleh dengan melakukan web scraping terhadap 2.000 komentar dari aplikasi Mobile Legends dalam periode pengumpulan data setahun ke belakang hingga bulan November 2025. Komentar kemudian dikelompokkan berdasarkan rating bintang, dengan kriteria sentimen positif untuk rating 3-5 bintang dan sentimen negatif untuk rating 1-2 bintang. Dari dataset yang dikumpulkan, diperoleh 1.213 komentar dengan sentimen negatif (60,7%) dan 705 komentar dengan sentimen positif (35,2%). Tahapan penelitian mencakup preprocessing teks, vektorisasi TF-IDF dengan maksimal 1.000 fitur, serta pelatihan model Naive Bayes multinomial menggunakan split data 80:20. Evaluasi model menggunakan metrik classification report yang mencakup precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mencapai akurasi sebesar 83%, dengan precision 0,82 dan recall 0,94 untuk klasifikasi sentimen negatif, serta precision 0,84 dan recall 0,62 untuk sentimen positif. F1-score keseluruhan mencapai 0,82 dengan nilai rata-rata tertimbang, menunjukkan performa model yang baik dalam mengklasifikasikan sentimen komentar pengguna. Hasil ini menginformasikan bahwa pengguna Mobile Legends lebih banyak memberikan komentar negatif, yang dapat menjadi masukan berharga bagi pengembang untuk meningkatkan kualitas aplikasi.
LSTM DENGAN DEEP LEARNING UNTUK KLASIFIKASI OPINI PUBLIK KELANGKAAN BAHAN BAKAR PASCA BANJIR DI MEDIA SOSIAL X Aidul Safii; Muhammad Iqbal
Jurnal TIMES Vol 15 No 1 (2026): Jurnal TIMES
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51351/jtm.15.1.2026903

Abstract

Penelitian ini berjudul Pemanfaatan LSTM dalam Deep Learning untuk Klasifikasi Opini Publik Kelangkaan Bahan Bakar Pasca Banjir di Media Sosial X. Penelitian bertujuan menganalisis sentimen publik terkait kelangkaan bahan bakar pasca banjir dengan menerapkan metode Long Short-Term Memory (LSTM) pada unggahan di platform X (dahulu Twitter). Data dikumpulkan menggunakan tool Tweet-Harvest melalui API X, kemudian diproses dengan tahapan preprocessing seperti case folding dan tokenizing, serta pelabelan otomatis menggunakan model transformer IndoBERT. Sebanyak 8.850 tweet tentang kelangkaan bahan bakar pasca banjir diklasifikasikan ke dalam dua kategori sentimen, yaitu positif dan negatif. Model LSTM dibangun dengan satu layer embedding, satu layer LSTM berukuran 128 unit, dan satu layer dropout, lalu dievaluasi menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi keseluruhan sebesar 85,11% dengan performa yang lebih baik dalam mengklasifikasikan sentimen negatif dibandingkan positif. Mayoritas tweet yang dianalisis cenderung menunjukkan sentimen negatif terhadap kelangkaan bahan bakar, mencerminkan keresahan masyarakat terhadap ketersediaan serta distribusi energi pasca bencana. Simpulan penelitian menegaskan bahwa metode LSTM efektif digunakan untuk menganalisis opini publik mengenai kelangkaan bahan bakar dan temuannya dapat menjadi masukan penting bagi pemangku kebijakan dalam merumuskan respons yang tepat. Penelitian ini juga memberikan kontribusi pada pengembangan studi analisis sentimen di Indonesia, khususnya terkait isu-isu kebencanaan dan krisis energi dengan pendekatan deep learning
ANALISIS SENTIMEN PUBLIK PADA PENANGANAN BENCANA DARI KOMENTAR LIVE YOUTUBE KUNJUNGAN PRESIDEN PRABOWO DI ACEH TENGGARA MENGGUNAKAN INDOBERT Maisya Fitri Anugrah; Muhammad Iqbal
Jurnal TIMES Vol 15 No 1 (2026): Jurnal TIMES
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51351/jtm.15.1.2026904

Abstract

Penelitian ini dilatarbelakangi oleh tantangan dalam pemrosesan bahasa alami (NLP), khususnya pada tugas analisis sentimen, di mana metode konvensional seringkali kesulitan menangkap konteks semantik yang kompleks. Tujuan dari studi ini adalah untuk meningkatkan akurasi prediksi dengan menerapkan metode Transfer Learning menggunakan model BERT (Bidirectional Encoder Representations from Transformers). Metodologi penelitian meliputi tahap pra-pemrosesan data, tokenisasi menggunakan WordPiece, dan proses fine-tuning model IndoBERT-Base Uncased pada dataset komentar video YouTube. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score, serta dibandingkan dengan model baseline. Hasil penelitian menunjukkan bahwa model yang diusulkan berhasil mencapai akurasi sebesar 43%, yang menunjukkan peningkatan signifikan dibandingkan metode sebelumnya, hasil dan proses pengujian ada di https://github.com/tomylive/IndoBERT. Kesimpulannya, penerapan arsitektur BERT terbukti sangat efektif dalam menyelesaikan permasalahan analisis sentimen dan menawarkan solusi yang lebih handal untuk pemahaman teks otomatis.
Co-Authors , Arpan Abdul Khaliq Abdul Muin Nasution Ade Guna Suteja Ahkyar Khadafi Aidul Safii Akmal Pratama Harahap Andi Ernawati Andi Ernawati Anzas Ibezato Zalukhu Ardiansyah Ardiansyah Astri Aprilia Pratiwi Atja Ramadhan Ayu Ofta Sari Bagas Alivia M Boy Rizky Akbar Chairul Rizal Dadang Iskandar Mulyana` Darmeli Nasution Dika Dika Dimas Armadansyah DWI SURYANTO Efendi, Syahril Eko Hariyanto Eva Mufida Padilla Firdaus Firdaus Hafizh Sallam Hafni Hafni Irwan Irwan Irwan Syahputra Kairul Fahmi Khairul Khairunnisa Khairunnisa Kurnia Wira Syahputra Maida Indrayani Maisya Fitri Anugrah Muhammad Adli Afdika Muhammad Eka Muhammad Irfan Sarif Muhammad Israr Fathoni Muhammad Noor Hasan Siregar Muhammad Syahputra Novelan Muhammad Zen Nadya Septiani Nadya Nelviony Parhusip Niska, Debi Yandra Nurlina Sari Harahap Puspita Wanny Putra, Randi Rian Rian Farta Wijaya Rian Farta Wijaya Wijaya Rindi Antika Robin Antoni Rudi Hermawan Sapna Indah Br Ginting Sartika Siburian Siti Hapsoh Lubis Siti Nurhaliza Sofyan Siti Nurhaliza Sofyan Sitorus, Zulham Sri Wahyuni Suhardiansyah Sumarno Supiyandi Supiyandi Susilawati Yahya Syaiful Asmi Hasibuan Zulham