Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal snimed Seminar Nasional Informatika (SEMNASIF) Jurnal INFOTEL
Agus Sasmito Aribowo
Universitas Pembangunan Nasional Veteran Yogyakarta
Computer Science & IT Electrical & Electronics Engineering

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
IMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA Yuwono, Bambang; Aribowo, Agus Sasmito; Wardoyo, Siswanto Budi
Seminar Nasional Informatika (SEMNASIF) Vol 1, No 1 (2009): Computatinal
Publisher : Jurusan Teknik Informatika

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

Abstract

Sistem Informasi Geografi (SIG) adalah suatu sistem yang men-capture, mengecek, mengintegrasikan, memanipulasi, menganalisa dan menampilkan data yang secara spasial (keruangan) mereferensikan kepada kondisi bumi.Teknologi SIG mengintegrasikan operasi-operasi umum database, seperti query dan analisa statistik, dengan kemampuan visualisasi dan analisa yang unik yang dimiliki oleh pemetaan. Kemampuan inilah yang membedakan SIG dengan sistem informasi lainnya, yang membuatnya menjadi berguna unruk berbagai kalangan untuk menjelaskan kejadian, merencanakan strategi dan memprediksi apa yang akan terjadi. Sistem ini juga mampu memanipulasi, menganalisis, menampilkan, dan memodelkan data georeferensi untuk pemecahan suatu masalah.Salah satu permasalahan informasi keruangan adalah menentukan proses pencarian jalur terpendek jalan protokol di suatu wilayah tertentu.Metode pemodelan dalam proses pencarian jalur terpendek jalur protokol di kota Yogyakarta, dapat menampilkan informasi tiap jalurnya yang bertujuan untuk mencari jalur terpendek diantara kombinasi jalur yang diberikan serta melakukan pencarian (search) terhadap lokasi yang diinputkan oleh user. Parameter untuk menentukan jalur terpendek adalah jarak tempuh (kilometer) dari lokasi yang satu ke lokasi lainnya.Dalam pembuatan SIG ini, metode yang digunakan adalah metode waterfall, dan dibuat dengan software ArcView dan bahasa pemrograman Avenue. Setelah menyelesaikan skripsi mengenai implementasi algoritma koloni semut pada proses pencarian jalur terpendek jalan protokol di kota Yogyakarta, maka didapat kesimpulan telah dibangun sistem hasil penelitian implementasi algoritma koloni semut pada proses pencarian jalur terpendek di kota Yogyakarta, sehingga memudahkan pengguna dalam menentukan jalur terpendek saat mereka melakukan perjalanan
ANALISIS DAN DESAIN PROSES SELEKSI TENAGA PENGAJAR MENGGUNAKAN GROUP DECISION SUPPORT SYSTEM (GDSS) Cahyana, Nur Heri; Aribowo, Agus Sasmito
Seminar Nasional Informatika (SEMNASIF) Vol 1, No 2 (2016): Semnasif 2016
Publisher : Jurusan Teknik Informatika

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

Abstract

Setiap tahun UPN “Veteran” Yogyakarta merekrut tenaga pengajar baru untuk ditempatkan sebagai pengajar (asisten) di laboratorium. Prioritas atau perangkingan dalam rangka seleksi calon tenaga pengajar dilakukan dengan mekanisme rapat oleh sejumlah kepala laboratorium yang masing-masing memberi penilaian sesuai bidangnya yaitu bidang kemampuan mengajar (microteaching), penguasaan ilmu (kemampuan akademik) dan kepribadian. Setiap kepala laboratorium mempertimbangkan prioritas calon tenaga pengajar sesuai kriteria milik masing-masing. Karena keputusan dicapai dengan kolaborasi tiga pengambil keputusan maka Sistem Pendukung Keputusan yang dibangun harus berupa Group Decision Support System (GDSS). Metode pengambilan keputusan untuk setiap group menggunakan Weighted Product (WP) dan hasil keputusan dari setiap group dikolaborasikan dengan metode BORDA. Metodologi penelitian menggunakan System Development Life Cycle dan pendekatan pengembangan sistem menggunakan metode terstruktur. Hasil penelitian adalah model matematika pendukung keputusan pemilihan calon tenaga pengajar yang menerapkan kedua metode tersebut. Hasil penelitian telah diuji dan dapat dipakai dalam sistem menggunakan Microsoft Excel.
Analisis Sentimen Publik pada Program Kesehatan Masyarakat menggunakan Twitter Opinion Mining Aribowo, Agus Sasmito
Seminar Nasional Informatika Medis (SNIMed) 2018
Publisher : Magister Teknik Informatika, Universitas Islam Indonesia

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

Abstract

Program dan kebijakan pemerintah di bidang kesehatan membutuhkan umpan balik untuk evaluasi dan perbaikan. Umpan balik bisa diperoleh dari opini publik terkait program-program kesehatan  tersebut.  Media sosial seperti Twitter memuat opini publik terutama tentang program kebijakan di bidang kesehatan masyarakat. Media sosial merupakan salah satu sumber data teks yang tidak terstuktur. Ekstraksi pengetahuan untuk mendapatkan umpan balik dari media sosial sangat menyulitkan karena sifat tidak terstruktur tersebut. Penelitian ini bertujuan untuk mengembangkan model untuk mengetahui sentimen publik terhadap enam macam program kebijakan pemerintah yaitu imunisasi, asuransi kesehatan, stunting, gizi buruk, pelayanan kesehatan, dan jaminan kesehatan masyarakat. Metodenya adalah dengan melakukan ekstraksi pengetahuan dari opini di media sosial menggunakan analisis sentimen  berbasis leksikon. Sifat tidak terstuktur dari opini publik di twitter akan diproses sehingga dapat diketahui pola tersembunyi di dalamnya. Jumlah pesan tweet yang diolah dari Twitter dalam penelitian ini adalah 6000 pesan tweet dan pemantauan pesan di media Twitter dilakukan setiap minggu. Hasil analisis sentimen berupa grafik sentimen opini publik di twitter terkait topik-topik kesehatan tersebut. Model diuji untuk membaca sentimen public di twitter sejak awal bulan Agustus 2018. Model menghasilkan kesimpulan bahwa opini publik terkait asuransi kesehatan, pelayanan kesehatan dan jaminan kesehatan masyarakat cenderung positif dan opini terkait imunisasi, gizi buruk, dan stunting cenderung negatif.
Metode Data Mining K-Means Untuk Klasterisasi Data Penanganan Dan Pelayanan Kesehatan Masyarakat Cahyana, Nur Heri; Aribowo, Agus Sasmito
Seminar Nasional Informatika Medis (SNIMed) 2018
Publisher : Magister Teknik Informatika, Universitas Islam Indonesia

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

Abstract

Data mining adalah metode pengolahan data untuk mencari pola tersembunyi dalam data tersebut sehingga pola tersebut dapat dipakai sebagai pengetahuan. Salah satu jenis algoritma data mining adalah k-means yang dapat dipakai untuk mengelompokkan data ke dalam beberapa klaster yang lebih homogen. Penelitian ini menjelaskan tentang bagaimana memakai k-Means untuk mengelompokkan data kecamatan di Kabupaten Blora berdasarkan beberapa indikator kesehatan. Indikator keberhasilan pelayanan kesehatan yang dimaksud adalah ketanggapan pelayanan kesehatan, ruang lingkup pelayanan kesehatan dan kesehatan ibu dan anak. Dalam penelitian ini dipilih tiga buah atribut untuk menilai kualitas layanan kesehatan yaitu persentase jumlah kasus diare yang ditangani terhadap jumlah perkiraan penderita, jumlah kasus pneumonia yang ditangani dibandingkan dengan jumlah perkiraan penderita dan jumlah balita yang terlayani dibandingkan dengan jumlah total balita. Hasil penelitian berupa klasterisasi tahunan kecamatan-kecamatan di Kabupaten Blora yang bisa dipakai untuk menggambarkan distribusi kecamatan berdasarkan profil penanganan dan pelayanan kesehatan masyarakat masing-masing.
Semi-Supervised Sentiment Classification Using Self-Learning and Enhanced Co-Training Aribowo, Agus Sasmito; Khomsah, Siti; Saifullah, Shoffan
JURNAL INFOTEL Vol 17 No 3 (2025): August
Publisher : LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/infotel.v17i3.1344

Abstract

Sentiment classification is usually done manually by humans. Manual senti- ment labeling is ineffective. Therefore, automated labeling using machine learning is es- sential. Building a computerized labeling model presents challenges when labeled data is scarce, which can decrease model accuracy. This study proposes a semi-supervised learn- ing (SSL) framework for sentiment analysis with limited labeled data. The framework integrates self-learning and enhanced co-training. The co-training model combines three machine learning methods: Support Vector Machine (SVM), Random Forest (RF), and Lo- gistic Regression (LR). We use TF-IDF and FastText for feature extraction. The co-training model will generate pseudo-labels. Then, the pseudo-labels from models (SVM, RF, LR) are checked to choose the highest confidence — this is called self-learning. This framework is applied to English and Indonesian language datasets. We ran each dataset five times. The performance difference between the baseline model (without pseudo-labels) and SSL (with pseudo-labels) is not significant; the Wilcoxon Signed-Rank Test confirms it, obtaining a p- value < 0.05. Results show that SSL produces pseudo-labels on unlabeled data with quality close to the original labels on unlabeled data. Although the significance test performs well on four datasets, it has not yet surpassed the performance of the supervised classification (baseline). Labeling using SSL proves more efficient than manual labeling, as evidenced by the processing time of around 10-20 minutes to label thousands to tens of thousands of samples. In conclusion, self-learning in SSL with co-training can effectively label unla- beled data in multilingual and limited datasets, but it has not yet converged across various datasets.
The Evaluation of Effects of Oversampling and Word Embedding on Sentiment Analysis Cahyana, Nur Heri; Fauziah, Yuli; Wisnalmawati, Wisnalmawati; Aribowo, Agus Sasmito; Saifullah, Shoffan
JURNAL INFOTEL Vol 17 No 1 (2025): February 2025
Publisher : LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/infotel.v17i1.1077

Abstract

Generally, opinion datasets for sentiment analysis are in an unbalanced condition. Unbalanced data tends to have a bias in favor of classification in the majority class. Data balancing by adding synthetic data to the minority class requires an oversampling strategy. This research aims to overcome this imbalance by combining oversampling and word embedding (Word2Vec or FastText). We convert the opinion dataset into a sentence vector, and then an oversampling method is applied here. We use 5 (five) datasets from comments on YouTube videos with several differences in terms, number of records, and imbalance conditions. We observed increased sentiment analysis accuracy with combining Word2Vec or FastText with 3 (three) oversampling methods: SMOTE, Borderline SMOTE, or ADASYN. Random Forest is used as machine learning in the classification model, and Confusion Matrix is used for validation. Model performance measurement uses accuracy and F-measure. After testing with five datasets, the performance of the Word2Vec method is almost equal to FastText. Meanwhile, the best oversampling method is Borderline SMOTE. Combining Word2Vec or FastText with Borderline SMOTE could be the best choice because of its accuracy score and F-measure reaching 91.0% - 91.3%. It is hoped that the sentiment analysis model using Word2Vec or FastText with Borderline SMOTE can become a high-performance alternative model.
Co-Authors Bambang Yuwono Dyah Sugandini Effendi, Mohamad Irhas Nur Heri Cahyana Saifullah, Shoffan Siswanto Budi Wardoyo, Siswanto Budi Siti Khomsah, Siti Wisnalmawati Wisnalmawati Yenni Sri Utami, Yenni Sri Yuli Fauziah