Article Per Year (5 Year)
p-Index From 2021 - 2026
2.959
P-Index
This Author published in this journals
All Journal IPTEK Journal of Proceedings Series TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Teknologi Informasi dan Ilmu Komputer Transformasi: Jurnal Pengabdian Masyarakat JOIN (Jurnal Online Informatika) Edu Komputika Journal RABIT: Jurnal Teknologi dan Sistem Informasi Univrab Jurnal ULTIMATICS JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) bit-Tech Indonesian Journal of Electrical Engineering and Computer Science International Journal of Advances in Data and Information Systems SKANIKA: Sistem Komputer dan Teknik Informatika Jurnal Teknik Informatika (JUTIF) Abdi Teknoyasa Computer Journal Artificial Intelligence Systems and Its Applications (AISA) Proceeding of Informatics Collaborations and Dessimenation Meeting (Infocoding)
Endang Wahyu Pamungkas
Universitas Muhammadiyah Surakarta
Religion Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Environmental Science

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

Found 24 Documents
Search

 1   2   3 
ANALISIS SENTIMEN TERHADAP KOMENTAR PADA VIDEO VIRAL (FYP) TIKTOK MENGGUNAKAN METODE NAÏVE BAYES Putra Weka Pratama; Endang Wahyu Pamungkas
SKANIKA: Sistem Komputer dan Teknik Informatika Vol 9 No 1 (2026): Jurnal SKANIKA Januari 2026
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/skanika.v9i1.3628

Abstract

Sentiment analysis, or opinion mining, is a method used to identify public opinions expressed in textual form on social media platforms. This approach is useful for understanding public responses to a particular phenomenon without the need for conventional survey methods. This study focuses on sentiment analysis of user comments on viral TikTok videos categorized under the For You Page (FYP). The dataset was obtained through a comment crawling process, resulting in 12,494 comments, which were then processed through preprocessing stages including case folding, text normalization, stopword removal, and stemming. Sentiment classification was performed using the Naïve Bayes method with Term Frequency–Inverse Document Frequency (TF-IDF) weighting and two sentiment classes, namely positive and negative. The data were split using an 80% training and 20% testing scheme. Experimental results show that the proposed method achieved a best accuracy of 90%, demonstrating that the combination of comprehensive preprocessing and TF-IDF weighting effectively improves the performance of sentiment classification on comments from TikTok FYP videos.
PEMANFAATAN STANCE DETECTION UNTUK MITIGASI DAMPAK ECHO CHAMBER EFFECT DALAM MEDIA SOSIAL X BERBASIS WEB Ary Okta Sulistyo; Endang Wahyu Pamungkas
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 4 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i4.6866

Abstract

Di Indonesia, platform media sosial X atau yang sebelumnya dikenal dengan Twitter termasuk salah satu media sosial yang banyak digunakan yang membahas berbagai hal termasuknya tentang Pemilihan Umum (PEMILU) Presiden Indonesia 2024. Dalam platform ini terdapat halaman bernama “Untuk Anda” yang berisi konten yang sering dibaca oleh pengguna. Dengan kata lain, pengguna akan mendapatkan informasi sesuai dengan ketertarikannya saja yang memungkinkan terjadinya echo chamber effect. Echo chamber effect dapat mempengaruhi sudut pandang seseorang karena terbatasnya paparan yang lebih luas terhadap suatu informasi. Untuk mencegah hal tersebut terjadi, penelitian ini mengusulkan sistem berupa aplikasi yang dapat menyediakan informasi terhadap suatu berita dalam media sosial X sehingga pengguna dapat mendapatkan informasi terhadap suatu berita tanpa memengaruhi tipe berita yang muncul pada halaman “Untuk Anda”. Stance detection digunakan untuk mendeteksi stance dari komentar apakah mendukung atau menentang topik. Ini digunakan agar sistem dapat menyajikan informasi dalam bentuk statistik stance dari tweet komentar pada berita tertentu. Penelitian ini melakukan eksperimen terhadap beberapa algoritma machine learning untuk stance detection, yaitu Multinomial Naive Bayes (MNB), Support Vector Machine (SVM), Logistic Regression (LR), Random Forest (RF), dan K-Nearest Neighbor (KNN). Model terbaik untuk klasifikasi stance yang dihasilkan adalah model SVM yang memiliki akurasi 77,3%. Model tersebut digunakan pada aplikasi berbasis web untuk mengklasifikasi stance komentar. Aplikasi diuji dengan metode System Usability Scale (SUS) dan menghasilkan skor sebesar 75,4. Dengan adanya aplikasi ini, pengguna dapat terhindar dari echo chamber effect pada media sosial X.
Predicting Hotel Booking Cancellations Using CatBoost and SHAP: An Explainable AI Approach Based on 2020–2026 Operational Data I Made Sudana; Endang Wahyu Pamungkas
Computer Journal Vol. 4 No. 2 (2026): August
Publisher : Yayasan Pendidikan Mitra Mandiri Aceh (YPMMA)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58477/cj.v4i2.511

Abstract

Hotel booking cancellations are a critical problem in hotel revenue management because they can cause operational inefficiencies and financial losses. This study develops an explainable cancellation prediction model using CatBoost integrated with SHAP, based on real-world Property Management System (PMS) operational data from a budget hotel in Central Java, Indonesia. The dataset spans 67 months (October 2020–April 2026) and, after preprocessing and data cleaning, yields 74,826 independent reservation records from 80,110 raw entries. The cancellation rate is extremely low (1.56%), creating a severe class imbalance challenge. Instead of synthetic oversampling, the proposed method applies cost-sensitive learning via CatBoost’s scale_pos_weight, computed from the natural class ratio. Model performance is evaluated using hold-out validation (80% training, 20% testing). The proposed CatBoost model achieves an F1-score of 72.04%, with precision of 87.20% for the cancellation class and an AUC-ROC of 0.86, outperforming Random Forest and XGBoost baselines. SHAP analysis indicates that lead time, deposit type, and arrival month are the most influential features driving cancellation predictions. These findings support early warning decision-making for risk mitigation in hotel operations.
Klasifikasi Subjektif Berita Menggunakan Algoritma Machine Learning Laily Fajria Chasanah; Endang Wahyu Pamungkas
Proceeding of Informatics Collaborations and Dessimenation Meeting Vol. 1 No. 1 (2025)
Publisher : Universitas Muhammadiyah Surakarta

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

Abstract

Teknologi informasi telah mengubah penyebaran berita, dengan akses yang lebih mudah melalui media elektronik . Dalam era digital ini, semakin banyak berita yang tersebar di internet, dengan sifat berita yang dapat dibedakan menjadi objektif dan subjektif. Berita subjektif sering kali mengandung pendapat atau keyakinan pribadi penulis, sementara berita objektif menyajikan fakta secara netral. Dengan tingginya volume berita, klasifikasi manual menjadi tidak efisien. Oleh karena itu, penerapan algoritma machine learning seperti Naïve Bayes, Decision Tree, Support Vector Machine (SVM), dan Logistic Regression. Proses penelitian meliputi pengumpulan data, representasi teks dengan TF-IDF ,pembelajaran model dan evaluasi. Dengan dataset 3.000 berita, model diuji menggunakan akurasi, presisi, recall, dan F1-Score. Penelitian ini bertujuan untuk mengembangkan sistem yang dapat membantu masyarakat membedakan antara berita subjektif dan objektif melalui penerapan machine learning. Berdasarkan hasil pengujian, model yang diterapkan memberikan akurasi yang bervariasi, dengan model Support Vector Machine menunjukkan performa terbaik. Hasil penelitian ini diharapkan dapat berkontribusi dalam pengembangan teknologi serta membantu masyarakat dalam memilah berita yang mereka terima untuk mengurangi dampak penyebaran informasi yang salah atau bias.
Co-Authors ABDUL MUNIF Agus Ardiansyah Nh Al Isyadi, Fatah Yasin Aldhyno Yoghatama Ariefin Nur Hidayat Ary Okta Sulistyo Diah Priyawati Dian Purworini Divi Galih Prasetyo Putri Divi Galih Prasetyo Putri Fatah Yasin Al Irsyadi Fernandes Sinaga Galih Wiratmoko Hanifah Afkar Nabila Hepy Adityarini Husni Thamrin I Made Sudana Ikhlasul Amal Jan Wantoro Laily Fajria Chasanah Lelita Azaria Rahmadiva Maryam Muhammad Fahmi Johan Syah Muhammad Irfan Abidin Naidoo, Gedala Mulliah Putra Weka Pratama Riyanarto Sarno Rona Rizkhy Bunga Chasana Salam, Farah Danisha Saputra, Shafa Bani Sidiq Setyawan Siti Rochimah Sohail Akhtar Sohail Akhtar Wili Astuti Yanti Haryanti Yusuf Sulistyo Nugroho Zebada, Alana Mulya ‘Ammar, Mohammad Faqih Eza