Article Per Year (5 Year)
p-Index From 2021 - 2026
2.99
P-Index
This Author published in this journals
All Journal ComEngApp : Computer Engineering and Applications Journal International Journal of Renewable Energy Development Journal of ICT Research and Applications CESS (Journal of Computer Engineering, System and Science) Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JIKO (Jurnal Informatika dan Komputer) JURNAL MEDIA INFORMATIKA BUDIDARMA Jiko (Jurnal Informatika dan komputer) KOMPUTEK Charity : Jurnal Pengabdian Masyarakat Jurnal Nasional Teknik Elektro dan Teknologi Informasi eProceedings of Engineering Dike International Journal of Renewable Energy Development
Danang Triantoro Murdiansyah
Telkom University
Arts Humanities Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Earth & Planetary Sciences Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering Social Sciences

Published : 45 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 45 Documents
Search

 1   2   3   4   5 
Analisis Sentimen Terhadap Pemilihan Presiden Indonesia 2019 Pada Media Sosial Twitter Menggunakan Metode Naïve Bayes Lukito Agung Waskito; Kemas Muslim Lhaksmana; Danang Triantoro Murdiansyah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Pada tahun 2019 ini, media sosial twitter masih menjadi media sosial yang digemari oleh banyak orang, walaupun jumlah pengguna aktif yang sempat mengalami penurunan yang signifikan akibat ragamnya media sosial lainnya. Pada media sosial twitter ini kita dapat menuangkan apapun yang ada di pikiran kita dalam bentuk gambar, suara, dan tulisan. Setiap hari banyak sekali hal-hal yang bisa dibahas dan kita bisa menuangkannya pada media sosial twitter. Mulai dari musik, komedi, ataupun mengenai politik dan lain sebagainya. Dari hal-hal yang bisa dibahas tersebut kita bisa menggali informasi yang bermanfaat dalam sebuah penelitian mengenai topik tertentu. Untuk mengolah data dari opini-opini dalam media sosial twitter tersebut kita bisa mengerjakannya dengan teknik analisis sentimen atau opinion mining. Tetapi dalam melakukan analisis sentimen tersebut, kita perlu menggunakan teknik analisis yang tepat agar informasi yang nantinya kita dapatkan bisa maksimal dan dapat bermanfaat. Oleh karena itu, pada makalah tugas akhir ini dilakukan sebuah analisis sentimen terhadap berita yang ada di media sosial twitter mengenai pemilihan umum presiden dan wakil presiden menggunakan metode naïve Bayes classifier dengan mengklasifikasikan sentimen menjadi positif, dan negatif. Hasil penelitian yang telah dilakukan memperoleh tingkat akurasi sebesar 71.67%. Hal tersebut menunjukkan bahwa analisis sentimen menggunakan metode naïve Bayes memperoleh hasil yang cukup baik. Hasil analisis sentimen ini dapat digunakan untuk melihat bagaimana masyarakat Indonesia khususnya pada media sosial twitter dalam menanggapi proses rangkaian pemilihan umum presiden Indonesia 2019. Kata kunci : pilpres, twitter, media sosial, naïve Bayes, klasifikasi.
Analisis Sentimen Pemilihan Presiden Amerika 2020 Di Twitter Menggunakan Naive Bayes Dan Support Vector Machine Gery Nugroho; Danang Triantoro Murdiansyah; Kemas M Lhaksmana
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Analisis sentimen adalah suatu cara untuk mengekstrak emosi dari suatu teks. Tujuan dari analisis sentiment ini adalah untuk mengetahui sentiment positif atau negatif dalam suatu tweet dari twitter mengenai pemilihan Presiden Amerika 2020. Salah satu cara untuk menentukannya adalah dengan melakukan klasifikasi teks. Dengan melakukan klasifikasi teks, kita dapat melakukan prediksi sentimen dari suatu tweet. Namun terdapat suatu masalah yaitu banyaknya atribut yang dimiliki oleh suatu teks. Oleh karena itu dilakukan seleksi fitur menggunakan metode TF-IDF (Term Frequency – Inverse Document Frequency). TF-IDF merupakan teknik pembobotan suatu kata dalam dokumen. Pada penelitian ini peneliti mencoba membandingkan 2 algoritma klasifikasi yaitu Naïve Bayes dan Support Vector Machine. Hasil evaluasi menggunakan cross-validation dengan nilai K sebesar 10 serta menggunakan mean approach menunjukkan bahwa model memberikan hasil akurasi terbaik sebesar 82% menggunakan kernel linear. Berdasarkan 10000 data tweet mengenai Donald Trump dengan akurasi terbaik 82% model berhasil memprediksi 36.88% orang memiliki pandangan netral terhadap Trump, 30.78% orang memilki pandangan positif terhadap Trump, dan 32.34% memiliki pandangan pandangan negatif terhadap Trump. Lalu 10000 data tweet mengenai Joe Biden, model berhasil memprediksi atau 42.39% orang memiliki pandangan netral terhadap Biden, 29.62% orang memilki pandangan positif terhadap Biden, dan 27.99% memiliki pandangan pandangan negatif terhadap Biden Kata kunci : Pemilihan Presiden Amerika 2020,Sentiment Analysis, SVM, Naïve Bayes, TF-IDF
Prediksi Harga Beras Premium Dengan Metode Algoritma K-nearest Neighbor Yuwantoro Mukhlisin; Mahmud Imrona; Danang Triantoro Murdiansyah
eProceedings of Engineering Vol 7, No 1 (2020): April 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Pertanian merupakan salah satu sektor yang penting untuk kehidupan manusia, karena sebagian besar kebutuhan manusia dari pertanian, yaitu adalah kebutuhan pangan. Seiring berjalannya waktu, harga pangan seringkali tidak stabil, terutama harga beras, karena beras adalah makanan pokok masyarakat Indonesia. Hal ini tentu saja berpengaruh yang besar bagi masyarakat dan petani. Penyebab dari ketidakstabilan harga beras ini bisa disebabkan oleh beberapa faktor, seperti faktor lingkungan, serangan hama dan wereng, dan lahan kekeringan. Pada tugas akhir ini, akan dibahas mengenai penerapan salah satu metode data mining dalam proses prediksi harga beras dengan membandingkan harga beras pada tahun 2014 - 2019 dari BPS Kota Bandung. Dataset yang digunakan berasal dari BPS Kota Bandung dari tahun 2014 hingga 2019 dan BMKG Kota Bandung dengan tahun yang sama. Adapun metode yang digunakan adalah algoritma regresi K-Nearest Neighbor (KNN) serta untuk pengujiannya menggunakan RMSE. Hasil dari penelitian ini, metode K-Nearest Neighbor dengan model regresi dapat melakukan prediksi terhadap harga beras pada tahun 2014 - 2019 dengan nilai RMSE 0,125 dan parameter K = 2 yang sudah dinormalisasi. Kata kunci : prediksi harga beras, data mining, algoritma regresi K-Nearest Neighbor (KNN) Abstract Agriculture is one of the important sectors for human life, because most of the human needs of agriculture, namely food needs. Over time, food prices are often unstable, especially the price of rice, because rice is the staple food of Indonesian people. This of course has a big effect on the community and farmers. The cause of this rice price instability can be caused by several factors, such as environmental factors, pest and plant hopper attacks, and drought land. In this observation, will be discussed regarding the application of one data mining method in the process of predicting rice prices by comparing the 2014 - 2019 rice prices from BPS Bandung. The dataset used is from the Bandung City BPS from 2014 to 2019 and BMKG Bandung City in the same year. The method used is the K-Nearest Neighbor (KNN) regression algorithm and for testing using RMSE. The results of this study, the K-Nearest Neighbor method with a regression model can predict rice prices in 2014 - 2019 with an RMSE value of 0,125 and parameter K = 2 which has been normalized. Keywords: rice price prediction, data mining, K-Nearest Neighbor (KNN) regression algorithm
Klasifikasi Teks Artikel Berita Hoaks Covid-19 Dengan Menggunakan Algotrima K-nearest Neighbor Berlian Kaida Palma; Danang Triantoro Murdiansyah; Widi Astuti
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Peran internet dan pertumbuhan informasi yang diberitakan di media sosial membuat perkembangan dan penyebaran berita semakin mudah, begitu pun dalam mengaksesnya. Pada masa pandemi Covid-19 saat ini banyak sekali berita yang tersebar sehingga masyarakat luas mencari atau mendapat informasi tentang virus ini. Berita berjudul Covid-19 ini banyak berisi informasi tidak penting bahkan memberitakan informasi hoaks. Hal ini membuat masyarakat internasional khususnya Indonesia resah akan berita yang beredar selama masa Covid-19. Oleh karena itu, penulis membuat sebuah model sistem untuk melakukan klasifikasi berita yang sesuai terjadi di lapangan. Informasi yang tersebar di media sosial sangat variatif sehingga banyak berita yang tidak penting bahkan berisikan informasi hoaks. Klasifikasi berita akan dilakukan dengan K-Nearest Neighbor (KNN). Berita yang ada dibagi menjadi beberapa kelas berdasarkan kategorinya, kemudian berita dilakukan klasifikasi teks dengan metode K-Nearest Neighbor (KNN) dan k-fold cross validation sebagai validasi model yang dibuat. Proses klasifikasi dilakukan dengan skema menggunakan 80% data train dan 20% data test serta mengubah parameter nilai k pada K-Nearest Neighbor dengan k = 3, k = 5, k = 7, k = 9, dan pada k-fold cross validation sebanyak k = 5 dan k = 10. Untuk evaluasi digunakan confusion matrix. Akhirnya, dari setiap model yang dilakukan dengan mengubah nilai k pada K-Nearest Neighbor didapatkan hasil akurasi terbaik dengan F1-Score sebesar 48% dari nilai k = 5, hasil validasi dari k-fold cross validation k = 5 sebesar 42% dan k = 10 sebesar 45%. Kata Kunci : Covid-19, K-Nearest Neighbor, Hoax, intenet, klasifikasi.
Enkripsi Aturan Dinamis pada Aplikasi Pembayaran Gerak Emir Husni; Danang Triantoro Murdiansyah
Jurnal Nasional Teknik Elektro dan Teknologi Informasi Vol 5 No 3: Agustus 2016
Publisher : Departemen Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas Gadjah Mada

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (971.478 KB)

Abstract

The trend of financial transactions using mobile phone or mobile payment is increasing. Using the mobile payment service, user can save money on the mobile phone and separate the money from prepaid bills. In order to protect the user, provider must equip the mobile payment service with transaction security, such as secure mobile payment application. This paper offers a safety feature which is used for mobile payment application based on Android operating system. A new method, Dynamic Rule Encryption (DRE), is created. In DRE, the encryption is ruled dynamically. By encrypting data with dynamic rules, DRE can protect the data. DRE also has a function as a token for authentication. DRE Token is generated using dynamic time-based rules. The time reference used in DRE is based on the order of the day in the year (day of the year). Performance measurement in this research is based on the Hamming distance. The test results show that the system performs quite good. The average distance among outputs is about 258 bits of 512 bits input. The results also show that the DRE program’s execution time is quite fast, i.e. not more than 24 ms.
Multiclass Email Classification by Using Ensemble Bagging and Ensemble Voting Ali Helmut; Danang Triantoro Murdiansyah
JIKO (Jurnal Informatika dan Komputer) Vol 6, No 2 (2023): JIKO (Jurnal Informatika dan Komputer)
Publisher : Universitas Khairun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33387/jiko.v6i2.6394

Abstract

Email is a common communication technology in modern life. The more emails we receive, the more difficult and time consuming it is to sort them out. One solution to overcome this problem is to create a system using machine learning to sort emails. Each method of machine learning and data sampling result in different performance. Ensemble learning is a method of combining several learning models into one model to get better performance. In this study we tried to create a multiclass email classification system by combining learning models, data sampling, and several data classes to obtain the effect of Ensemble Bagging and Ensemble Voting methods on the performance of the macro average f1 score, and compare it with non-ensemble models. The results of this study show that the sensitivity of Naïve Bayes to imbalance data is helped by the Ensemble Bagging and Ensemble Voting method with ∆P (delta performance) of range 0.0001 – 0.0018. Logistic Regression has performance with Ensemble Bagging and Ensemble Voting by ∆P of range 0.0001-0.00015. Decision Tree has lowest performance compared to others with ∆P of -0.01
Performance Evaluation of Various Phase Change Materials for Thermal Energy Storage of A Solar Cooker via Numerical Simulation Dede Tarwidi; Danang Triantoro Murdiansyah; Narwan Ginanjar
International Journal of Renewable Energy Development Vol 5, No 3 (2016): October 2016
Publisher : Center of Biomass & Renewable Energy, Diponegoro University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/ijred.5.3.199-210

Abstract

In this paper, thermal performance of various phase change materials (PCMs) used as thermal energy storage in a solar cooker has been investigated numerically. Heat conduction equations in cylindrical domain are used to model heat transfer of the PCMs. Mathematical model of phase change problem in the PCM storage encompasses heat conduction equations in solid and liquid region separated by moving solid-liquid interface. The phase change problem is solved by reformulating heat conduction equations with emergence of moving boundary into an enthalpy equation. Numerical solution of the enthalpy equation is obtained by implementing Godunov method and verified by analytical solution of one-dimensional case. Stability condition of the numerical scheme is also discussed. Thermal performance of various PCMs is evaluated via the stored energy and temperature history. The simulation results show that phase change material with the best thermal performance during the first 2.5 hours of energy extraction is shown by erythritol. Moreover, magnesium chloride hexahydrate can maintain temperature of the PCM storage in the range of 110-116.7°C for more than 4 hours while magnesium nitrate hexahydrate is effective only for one hour with the PCM storage temperature around 121-128°C. Among the PCMs that have been tested, it is only erythritol that can cook 10 kg of the loaded water until it reaches 100°C for about 3.5 hours.Article History: Received June 22nd 2016; Received in revised form August 26th 2016; Accepted Sept 1st 2016; Available onlineHow to Cite This Article: Tarwidi, D., Murdiansyah, D.T, Ginanja, N. (2016) Performance Evaluation of Various Phase Change Materials for Thermal Energy Storage of A Solar Cooker via Numerical Simulation. Int. Journal of Renewable Energy Development, 5(3), 199-210.http://dx.doi.org/10.14710/ijred.5.3.199-210
Prediksi Stroke Menggunakan Extreme Gradient Boosting Murdiansyah, Danang Triantoro
JURNAL INFORMATIKA DAN KOMPUTER Vol 8, No 2 (2024): September 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v8i2.1295

Abstract

Stroke merupakan salah satu penyakit yang paling banyak menyebabkan disabilitas dan kematian pada orang dewasa di seluruh dunia. Salah satu hal yang penting terkait stroke adalah pengobatan dini, sehingga stroke tidak berkembang ke level yang parah pada seseorang. Oleh karena itu prediksistroke pada seseorang sebelum penyakit tersebut berkembang lebih jauh adalah sangat penting. Penelitian ini berisi prediksi stroke pada seseorang menggunakan algoritma berbasis machine learning, yaitu algoritma Extreme Gradient Boosting, disebut juga dengan XGBoost.Algoritma XGBoost dipilih karenamemiliki potensi kemampuan yang baik untuk melakukan prediksi (klasifikasi). XGBoost telah banyak digunakan oleh para peneliti untuk mencapai hasil yang bagus dalam memecahkan berbagai kasus menggunakan machine learning. Pada penelitian ini model machine learning yang dirancang dengan menggunakan XGBoost dibandingkan dengan model machine learning lain yang telah digunakan sebelumnya, yaitu model jenis Stacking, Random Forest, dan Majority Voting. Hasil pengujian menunjukkan XGBoost dapat mencapai performa yang baik dalam seluruh metrik evaluasi, termasuk akurasi yang mendapatkan nilai 95.4%, namun XGBoost pada penelitian ini performanya belum bisa mengungguli Stacking dan Random Forest, yang mana Stacking menempati performa terbaik dengan nilai akurasi 98%.
Analisis Sentimen pada Steam Review Menggunakan Multinomial Naïve Bayes dan Seleksi Fitur Gini Index Text Haditira, Ragil; Murdiansyah, Danang Triantoro; Astuti, Widi
KOMPUTEK Vol 8, No 2 (2024): Oktober
Publisher : Universitas Muhammadiyah Ponorogo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24269/jkt.v8i2.2981

Abstract

Video game is one of the entertainment medias chosen by most people today, many of which are played through computer devices. On computer devices, many video games are obtained through one of the game distribution platforms, namely Steam. However, Steam has several shortcomings, including those related to Steam reviews. On Steam reviews, you can see the rating of the game, but the rating does not really show the actual quality or condition of the game. As one example, there are users who give a high rating to a game, but in the comments column the user actually mentions the shortcomings of the game. To reduce or anticipate unclear reviews for users who want to try or buy the game, sentiment analysis on reviews is used. In this research, the output produced is information on the results of sentiment classification in filtering reviews, using the Multinomial Naïve Bayes algorithm and combined with the Gini Index feature selection. Sentiment classification is divided into two classes, namely recommended and not recommended classes. In this study, to test the sentiment classification system, a dataset containing reviews in the form of review sentences from Steam is used. The test results using Multinomial Naïve Bayes and Gini Index, can achieve the best accuracy of 60.29%.
Analisis Sentimen Tweet COVID-19 menggunakan K-Nearest Neighbors dengan TF-IDF dan Ekstraksi Fitur CountVectorizer Mahendra, Muhammad Hafizh; Murdiansyah, Danang Triantoro; Lhaksmana, Kemas Muslim
Dike Vol. 1 No. 2 (2023): Dike Edisi Agustus
Publisher : CV. Ro Bema

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69688/dike.v1i2.35

Abstract

Analisis sentimen tweet terkait COVID-19 telah menjadi topik penelitian yang menarik karena memberikan wawasan tentang pandangan dan perasaan pengguna media sosial terhadap situasi kesehatan global ini. Dalam penelitian ini, kami melakukan analisis sentimen tweet COVID-19 menggunakan metode K-Nearest Neighbors (K-NN) dengan dua metode ekstraksi fitur yang berbeda, yaitu Term Frequency-Inverse Document Frequency (TF-IDF) dan CountVectorizer. Langkah pertama dalam penelitian ini adalah mengumpulkan dataset tweet terkait COVID-19 dari sumber yang dapat dipercaya. Setelah itu, kami membersihkan dan melakukan pra-pemrosesan data untuk mengatasi masalah seperti tanda baca, stop words, dan tautan. Selanjutnya, kami menerapkan dua teknik ekstraksi fitur, yaitu TF-IDF dan CountVectorizer, untuk mengubah teks tweet menjadi representasi vektor yang dapat digunakan oleh algoritma K-Nearest Neighbors. Dalam implementasi K-NN, kami menentukan parameter K yang optimal melalui validasi silang untuk meningkatkan kinerja model. Kami juga membagi dataset menjadi subset pelatihan dan pengujian untuk mengukur akurasi dan kinerja model secara objektif. Hasil eksperimen menunjukkan bahwa K-Nearest Neighbors dengan ekstraksi fitur TF-IDF dan CountVectorizer keduanya memberikan hasil yang baik dalam analisis sentimen tweet COVID-19. Namun, kami menemukan bahwa satu metode mungkin memberikan performa yang lebih baik tergantung pada karakteristik dataset tertentu. Dalam kesimpulan, analisis sentimen tweet COVID-19 dengan menggunakan K-Nearest Neighbors dan dua metode ekstraksi fitur, TF-IDF dan CountVectorizer, dapat memberikan wawasan berharga tentang pandangan dan perasaan pengguna media sosial selama masa pandemi. Penelitian ini memberikan kontribusi untuk memahami persepsi publik tentang COVID-19 dan dapat berguna untuk menginformasikan kebijakan kesehatan dan strategi komunikasi yang lebih efektifPada studi ini digunakan KNN (K-Nearest Neighbor) yang memiliki kompleksitas komputasi rendah untuk mengklasifikasikan tweet. Kemudian ekstraksi fitur yang digunakan adalah TF-IDF (Term Frequency - Inverse Document Frequency) dan CountVectorizer. Hasil pengujian pada studi ini menghasilkan hasil akurasi terbaik 73,2% dengan menggunakan TF-IDF.
Co-Authors Aditya Pratama, Rangga Adiwijaya Aldi Riyadi Ramadhan Ali Helmut Andrian Yoga Pratama Annisa Aditsania Arief Chaerudin Aura Sukma Andini Barini Harahap Berlian Kaida Palma Chaerudin, Arief Dany Dwi Prayoga Dede Tarwidi Della Alfarydy Akbar Devi Pratami Dwi Nugroho Dwi Yanita Apriliyana Ekky Wicaksana Emir Husni Emir Husni, Emir Favian Dewanta Felix Octavianus Hasudungan Ferdian Yulianto fh Nhita Fhira Nhita Fikri Rozan Imadudin Gege Safet Yanto Raharjo Gery Nugroho Haditira, Ragil Haga Simada Ginting Hana Rufaidha Ika Arum Puspita Imadudin, Fikri Rozan Isman Kurniawan Jodi Noordiansyah Jondri Jondri Kemas M Lhaksmana Kemas Muslim Lhaksmana Kemas Rahmat Saleh Wiharja Litasari Widyastuti, Litasari Lukito Agung Waskito M Ikhsan Perdana Putra M. Hady Setiawan Mahendra, Muhammad Hafizh Mahmud Imrona Merry Sofhia Tambunan Miranti Andhita Scantya Muhamad Paisal Hanip Muhammad Ramadhan Gandidi Muhammad Zakiyullah Romdlony Narwan Ginanjar Narwan Ginanjar, Narwan Nida Mujahidah Azzahra Nurul Ikhsan Ragil Haditira Reza Rendian Septiawan Rian Febrian Umbara Sahlya Handayati Sugeng Hadi Wirasna Tiwa Ramdhani Umar Ali Ahmad Wicaksana, Ekky Widi Astuti Widi Astuti Youga Pratama Yuwantoro Mukhlisin ZK Abdurahman Baizal