Article Per Year (5 Year)
p-Index From 2021 - 2026
12.517
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) TEKNIK INFORMATIKA Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Bulletin of Electrical Engineering and Informatics Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JOIN (Jurnal Online Informatika) Jurnal Teknologi dan Sistem Komputer JOIV : International Journal on Informatics Visualization Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi JURNAL MEDIA INFORMATIKA BUDIDARMA Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control JITK (Jurnal Ilmu Pengetahuan dan Komputer) Building of Informatics, Technology and Science Journal of Computer System and Informatics (JoSYC) Jurnal Teknik Informatika (JUTIF) JINAV: Journal of Information and Visualization eProceedings of Engineering Eduvest - Journal of Universal Studies Scientific Journal of Informatics Khazanah Informatika : Jurnal Ilmu Komputer dan Informatika
Erwin Budi Setiawan
Telkom University
Aerospace Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Library & Information Science Mathematics Neuroscience Social Sciences

Published : 131 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 29 Documents
Search
Journal : eProceedings of Engineering

 1   2   3 
Ekspansi Fitur dengan FastText untuk Analisis Sentimen di Media Sosial X Menggunakan Recurrent Neural Network dan Covlutional Neural Networ Naufal Razzak , Robith; Budi Setiawan, Erwin
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak - Dalam era digital, media X telah menjadi platform penting bagi masyarakat untuk ekspresi dan pertukaran informasi, terutama selama pemilihan umum, memungkinkan analisis sentimen untuk memahami opini publik secara real-time. Namun, tantangan utama adalah pengolahan teks yang tidak terstruktur dan kompleks, yang sering menghasilkan analisis yang kurang akurat. Untuk mengatasi ini, penelitian ini mengembangkan model hybrid deep learning yang mengintegrasikan Recurrent Neural Networks (RNN) dan Convolutional Neural Networks (CNN). Selain itu, penggunaan ekspansi fitur FastText memungkinkan model untuk mengatasi inkonsistensi kosakata dan meningkatkan pemahaman kontekstual, dengan mengidentifikasi dan menggantikan kata-kata yang kurang representatif dengan alternatif yang memiliki kemiripan semantik. Dua dataset digunakan untuk membangun similarity corpus dengan dataset media X sebesar 62.955 dan datset IndoNews sebesar 126.673. Sistem menunjukkan tingkat akurasi maksimum pada model hybrid deep learning RNN-CNN yaitu sebesar 73,00% dengan peningkatan 2,50% terhadap model RNN dan 3,00% terhadap model CNN. Hasil ini menunjukkan bahwa integrasi RNN dan CNN, bersama dengan teknik ekspansi fitur FastText, meningkatkan kemampuan analisis sentimen, memberikan metode yang lebih efisien dan akurat dalam mengklasifikasikan sentimen publik. Kata kunci - hybrid, RNN, CNN, fasttext, analisis sentimen
Sistem Rekomendasi Destinasi Wisata di Kota Bandung dengan Collaborative Filtering Menggunakan K-Nearest Neighbors Nuril Adlan , Muhammad; Budi Setiawan, Erwin
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak - Kota Bandung adalah salah satu destinasi wisata populer di Indonesia. Banyaknya jumlah destinasi wisata di Kota Bandung, ditambah dengan kurangnya informasi tentang pariwisata, menimbulkan hambatan bagi kebutuhan masyarakat dalam memilih destinasi wisata. Oleh karena itu, diperlukan sebuah sistem rekomendasi untuk membantu wisatawan dalam menentukan destinasi mereka. Penelitian ini mengembangkan sistem rekomendasi destinasi wisata di Kota Bandung dengan menerapkan algoritma user-based collaborative filtering dan K-Nearest Neighbors untuk membantu wisatawan memutuskan destinasi mereka berdasarkan tempat-tempat yang sebelumnya telah mereka kunjungi. Dua metode kesamaan yang digunakan adalah cosine similarity dan pearson correlation. Mean Absolute Error (MAE) dan hasil rekomendasi digunakan untuk mengevaluasi kinerja sistem. Hasil penelitian menunjukkan bahwa sistem rekomendasi yang dibangun cukup memberikan rekomendasi kepada user, dengan nilai MAE sebesar 2.59 untuk metode cosine similarity dan nilai MAE sebesar 2.67 untuk metode Pearson correlation. Selain itu, hasil rekomendasi wisata yang diberikan dianggap memadai karena sesuai dengan profil wisatawan. Kata kunci - Sistem Rekomendasi, Collaborative Filtering, User-Based, Cosine Similarity, Pearson Correlation, K-Nearest Neighbors
Analisis Sentimen pada X Terhadap Pilkada 2024 Menggunakan Ekspansi Fitur FastText dan CNN dengan Optimasi Bat Algorithm Firdaus, Dzaki Afin; Setiawan, Erwin Budi
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Pilkada 2024 merupakan momentum penting dalamdemokrasi Indonesia yang akan menentukan arahpembangunan daerah. Dalam konteks ini, analisis sentimendapat menjadi alat yang efektif untuk memahami opinipublik terhadap calon pemimpin dan isu-isu yang berkaitandengan Pilkada. Penelitian ini bertujuan untukmengimplementasikan sistem analisis sentimenmenggunakan Convolutional Neural Network (CNN) yangdioptimalkan dengan Bat Algorithm dan ekspansi fiturmenggunakan FastText. Metode ini diterapkan pada datatweet berbahasa Indonesia yang dikumpulkan selamaperiode Pilkada 2024. Hasil evaluasi menunjukkan bahwaakurasi tertinggi diperoleh dengan menggunakan maxfeature sebesar 15.000 (73,01%), konfigurasi Uni-Bigram(73,30%), dan ekspansi fitur menggunakan FastText dengankorpus Tweet + IndoNews pada Top 1 (73,82%). Optimasimenggunakan Bat Algorithm memberikan peningkatansebesar 0,05% (73,82% menjadi 73,87%), yangmenunjukkan bahwa FastText secara signifikanmeningkatkan akurasi model. Bat Algorithm terbukti efektifdalam mengoptimalkan parameter model dan memberikankontribusi positif dalam peningkatan kinerja. Penelitian inimenunjukkan bahwa penggunaan FastText dapatmemperbaiki akurasi model analisis sentimen, sementara BatAlgorithm juga memberikan kontribusi yang berhargadalam optimasi model. Kata kunci: analisis sentimen, CNN, bat algorithm, fasttext, pilkada 2024, optimasi
Ekpansi Fitur dengan Word2vec dalam klasifikasi Hoax di Twitter Cahyudi, Ridho Maulana; Setiawan, Erwin Budi
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Media sosial sekarang sudah banyak digunakan untuk berbagi informasi, dan juga tempat untuk berkomunikasi. Dalam berbagi informasi banyak peluang untuk menyebarkan hoax, contohnya seperti diaplikasi Twitter. Terkadang ada ketidaksesuaian kosa kata dalam setiap tweet. Oleh karena itu pada penelitian ini dilakukan penerapan metode fitur ekpansi menggunakan Word2vec untuk meminimalisir ketidaksesuaian kosakata tersebut. metode klasifikasi yang digunakan adalah Naive bayes, ANN, Decision Tree. Hasil dari penelitian ini, nilai tertinggi sebesar 82,44% yang menggunakan ekspansi fitur Word2vec pada metode klasifikasi ANN yang meningkat sebesar 1,17%.Kata kunci - hoax, fitur ekspansi, twitter.
Teknik Recommender System Menu Makanan dengan Pendekatan Contextual Model dan Multi-Criteria Decision Making pada Orang Dewasa Kacaribu, Isabella Vichita; Setiawan, Erwin Budi; Lhaksmana, Kemas Muslim
eProceedings of Engineering Vol. 10 No. 4 (2023): Agustus 2023
Publisher : eProceedings of Engineering

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

Abstract

Wisata Kuliner adalah kegiatan yang popular pada saat ini. Banyak tempat makan yang menawarkan makanan-makanan dengan tampilan yang menarik, murah, atau enak. Beberapa masyarakat mendapatkan informasi mengenai wisata kuliner atau daftar makanan melalui media sosial, berita maupun melalui media cetak. Sehingga banyak dari mereka menentukan menu makanan yang mereka santap melalui media sosial. Banyak kriteria yang digunakan dalam memilih makanan, seperti ada yang melihat kandungan kalorinya, harganya, lokasinya, atau yang lainnya. Seiring berkembangnya teknologi informasi, sistem rekomendasi telah semakin dibutuhkan oleh masyarakat untuk membantu pengguna dalam mendapatkan informasi menu makanan yang relavan. Ada metode untuk merekomendasikan makanan berdasarkan contextual model dan multi-criteria decision yang dapat membantu pengguna memilih makanan yang cocok. Berdasarkan pada metode Weighted Sum Model, penelitian ini ingin membuat suatu teknik yang lebih baik dengan menggunakan terapan Contextual Model. Contextual Model membuat pengguna menjadi lebih mengerti dalam penggunaan sistem dan mudah dimengerti.Kata kunci— wisata kuliner, recommender system, contextual model, multi-criteria decision, weighted sum model.
Analisis Sentimen Multimodal terhadap Opini Publik Mengenai Kesehatan Mental di Media Sosial X dengan Metode CNN BiLSTM dan Ekspansi fitur FastText Nadim Rafli Hamzah; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Dalam hal kesehatan masyarakat global, kesehatan mental menjadi perhatian penting. Salah satu situs media sosial yang paling populer, X telah berkembang menjadi forum bagi orang-orang untuk mendiskusikan masalah kesehatan mental dan berbagi cerita pribadi. Menganalisis sentimen dalam percakapan online ini penting untuk memahami persepsi publik dan memandu intervensi kesehatan mental. Penelitian ini mengusulkan model analisis sentimen menggunakan multimodal yang memanfaatkan data tekstual dan visual, dengan fitur teks yang diekstraksi melalui CNN-BiLSTM, TF IDF, dan FastText, dan fitur gambar menggunakan VGG-16. Klasifikasi sentimen dilakukan dengan menggunakan model Hybrid CNN-BiLSTM dengan mekanisme perhatian. Model ini menggunakan fusi tingkat menengah untuk mengintegrasikan fitur teks dan gambar, diikuti dengan tingkat keputusan untuk menggabungkan output dari model teks saja, gambar saja, dan multimodal. 24.742 pasangan tweetgambar dikumpulkan dari platform X dan dianotasi melalui sistem pemungutan suara mayoritas. Untuk membangun korpus kemiripan FastText, 63.512 data dari portal berita digital CNN (Cable News Network) dan X digabungkan. Dengan akurasi 87,92%, model multimodal mengungguli model teks saja sebesar 0,09% dan model gambar saja sebesar 25,10%. Hasil ini menunjukkan keefektifan data modalitas, ekstraksi fitur yang komprehensif, dan multimodal. Keywords—Analisis Sentimen, FastText, Hybrid CNN-BiLSTM, TF-IDF, VGG-16
Deteksi Bunuh Diri pada Media Sosial Twitter Menggunakan Metode CNN-LSTM dengan Ekspansi Fitur Word2vec Fathin Thariq Wiyono; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Deteksi bunuh diri melalui media sosial telah menjadi tantangan besar dalam beberapa tahun terakhir, terutama pada platform seperti Twitter yang berisi unggahan singkat dan emosional. Penelitian ini bertujuan untuk mengembangkan model deep learning hybrid yang dapat mendeteksi potensi bunuh diri pada tweet di Twitter, menggunakan metode CNN-LSTM dan fitur semantik yang diperluas dengan Word2Vec. Dengan meningkatnya angka bunuh diri di kalangan generasi muda, yang membutuhkan sistem deteksi dini berbasis teknologi canggih. Deteksi dini ini dapat membantu memberikan intervensi lebih cepat bagi individu yang berisiko tinggi. Pendekatan yang diusulkan menggunakan kombinasi Convolutional Neural Network (CNN) untuk menangkap pola lokal dalam teks, Long Short-Term Memory (LSTM) untuk memahami urutan kata dalam teks, serta Word2Vec untuk memperkaya representasi semantik kata-kata dalam tweet. Sistem ini memanfaatkan ekstraksi fitur TF-IDF dan ekspansi fitur menggunakan Word2Vec untuk meningkatkan kemampuan model dalam mengenali pola emosional dan semantik yang ada dalam tweet. Hasil eksperimen menunjukkan bahwa model hybridCNN-LSTM dengan ekspansi fitur Word2Vec dan optimasi menghasilkan akurasi sebesar 91,31%. Hasil model hybrid CNN-LSTM belum mununjukkan hasil yang lebih baik dari model non-hybrid. Kontribusi utama dari penelitian ini adalah mengeksplorasi pengaruh ekspansi fitur Word2vec pada model hybrid deep learning untuk deteksi bunuh diri dan mengintegrasikan ekstraksi fitur TF-IDF sertaoptimasi untuk meningkatkan performa klasifikasi teks. Kata kunci— deteksi bunuh diri, hybrid deep learning, word2vec, TF-IDF, optimasi
Deteksi Depresi di Twitter Menggunakan Metode CNN-BiGRU dengan Fitur Ekspansi FastText Muhammad Arif Dwi Putra; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Depresi merupakan gangguan mental yang sering tidak terdeteksi dengan baik, meskipun banyak mempengaruhi individu di seluruh dunia. Media sosial, khususnya Twitter, menjadi platform yang digunakan untuk mengekspresikan emosi, termasuk gejala depresi yang tidak diungkapkan secara eksplisit. Penelitian ini bertujuan untuk mengembangkan model deteksi depresi di Twitter dengan metode hybrid CNN-BiGRU yang dilengkapi dengan ekspansi fitur FastText. CNN digunakan untuk mengekstraksi pola lokal dalam teks, sementara BiGRU memproses urutan kata dari dua arah untuk menangkap konteks yang lebih dalam. Ekspansi FastText bertujuan untuk menangani variasi kosakata dan meningkatkan akurasi dalam mendeteksi makna implisit dalam teks. Penelitian ini penting karena banyak pengguna media sosial yang tidak mendapatkan perawatan depresi yang memadai. Deteksi otomatis melalui teks Twitter dapat menjadi solusi untuk intervensi dini. Pengujian menggunakan dataset tweet berbahasa Indonesia menunjukkan bahwa model hybrid BiGRU-CNN dengan FastText mencapai akurasi tertinggi sebesar 80,65% pada korpus IndoNews dengan optimizer RMSprop. Model ini diharapkan dapat berkontribusi dalam deteksi depresi dan mendukung intervensi kesehatan mental. Kata kunci— Depresi, Twitter, CNN-BiGRU, FastText, Deteksi Emosi, Model Hybrid.
Klasifikasi Sentimen Multimodal Pada Media Sosial X Terkait Isu Kesehatan Mental Dengan Ekspansi Fitur FastText dan Model CNN-GRU I Gusti Bagus Bagaskara Kerta Yasa; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Media sosial kini berfungsi sebagai platform utama bagi orang untuk membagikan pengalaman dan pandangan, termasuk yang berkaitan dengan kesehatan mental. Namun, analisis data yang ada menghadapi beberapa tantangan, seperti perbedaan jenis seperti teks dan gambar dan pola ekspresi yang rumit. Penelitian ini bertujuan untuk merancang model analisis sentimen multimodal yang dapat mendeteksi masalah kesehatan mental di media sosial X dengan menggabungkan metode Convolutional Neural Network (CNN), Gated Recurrent Units (GRU), dan ekspansi fitur FastText. Metodologi yang diusulkan mencakup pengumpulan data secara real-time dari media sosial X, meliputi teks dan gambar. Data teks diolah dengan teknik praproses standar dan representasi fitur FastText, sedangkan data visual diambil menggunakan VGG-16 untuk mengenali pola visual yang relevan. 24.742 pasangan tweet gambar dikumpulkan dari platform Twitter dan dianotasi melalui sistem pemungutan suara mayoritas. Untuk membangun korpus kemiripan FastText, 63.512 data dari portal berita digital CNN dan Twitter digabungkan penggabungan modalitas dilakukan melalui lapisan integrasi untuk menghasilkan klasifikasi sentimen akhir (positif dan negatif). Hasil evaluasi pada dataset uji menunjukkan bahwa metode ini mampu meningkatkan akurasi deteksi sentimen hingga 0,12% dibandingkan metode yang hanya berbasis teks. Secara keseluruhan, akurasi yang diperoleh mencapai 87,89%. Dengan capaian ini, diharapkan penelitian ini dapat menjadi referensi dalam pemantauan isu kesehatan mental di media sosial X secara lebih efektif. Keywords—Analisis Sentimen Multimodal, VGG-16, Hybrid CNN-GRU, TF-IDF, FastText
Co-Authors Abdullah, Athallah Zacky Adriana, Kaysa Azzahra Adyatma, I Made Darma Cahya Agung Toto Wibowo Ahmad Zahri Ruhban Adam Aji Reksanegara Aji, Hilman Bayu Alvi Rahmy Royyan Anang Furkon RIfai Anindika Riska Intan Fauzy Annisa Aditsania Annisa Cahya Anggraeni Annisa Cahya Anggraeni Annisa Rahmaniar Dwi Pratiwi Arie Ardiyanti Arki Rifazka Arsytania, Ihsani Hawa Athirah Rifdha Aryani Aufa Ab'dil Mustofa Aydin, Raditya Bagas Teguh Imani Bayu Muhammad Iqbal Bayu Surya Dharma Sanjaya Billy Anthony Christian Martani Bintang Ramadhan, Rifaldy Brenda Irena Brigita Tenggehi Cahyudi, Ridho Maulana Crisanadenta Wintang Kencana Damarsari Cahyo Wilogo Daniar Dwi Pratiwi Daniar Dwi Pratiwi Dede Tarwidi Dedy Handriyadi Dery Anjas Ramadhan Dhinta Darmantoro Diaz Tiyasya Putra Dion Pratama Putra, Dion Pratama Diyas Puspandari Evi Dwi Wahyuni Faadhilah, Adhyasta Naufal Faidh Ilzam Nur Haq Farid, Husnul Khotimah Fathin Thariq Wiyono Fathurahman Alhikmah Fathurahman Alhikmah Fazira Ansshory, Azrina Febiana Anistya Feby Ali Dzuhri Fhina Nhita Fhina Nhita Fida Nurmala Nugraha Fikri Maulana, Fikri Firdaus, Dzaki Afin Fitria, Mahrunissa Azmima Fitria Gde Bagus Janardana Abasan, I Ghina Dwi Salsabila Gita Safitri Grace Yohana Grace Yohana Hafiza, Annisaa Alya Hanif Reangga Alhakiem Hildan Fawwaz Naufal Husnul Khotimah Farid I Gusti Ayu Putu Sintha Deviya Yuliani I Gusti Bagus Bagaskara Kerta Yasa I Kadek Candradinata Ibnu Sina, Muhammad Noer Ilyana Fadhilah Inggit Restu Illahi Inggit Restu Illahi Irma Palupi Isep Mumu Mubaroq Isman Kurniawan Kacaribu, Isabella Vichita Kamil, Ghani Kamil, Nabilla Kartika Prameswari Kemas Muslim Lhaksmana Kevin Usmayadhy Wijaya Khamil, Muhammad Khamil Khoirunnisa, Sanabila Luthfi Firmansah M. Arif Bijaksana Mahmud Imrona Mansel Lorenzo Nugraha Marissa Aflah Syahran Marissa Aflah Syahran Maulina Gustiani Tambunan Mela Mai Anggraini Moh Adi Ikfini M Moh. Hilman Fariz Muhammad Afif Raihan Muhammad Arif Dwi Putra Muhammad Faiq Ardyanto Putro Muhammad Khiyarus Syiam Muhammad Kiko Aulia Reiki Muhammad Nur Ilyas Muhammad Shiba Kabul Muhammad Tsaqif Muhadzdzib Ramadhan Mustofa, Aufa Ab'dil Nabilla Kamil Nadim Rafli Hamzah Naufal Adi Nugroho Naufal Razzak , Robith Nilla, Arliyanna Nindya Erlani, Dea Alfatihah Nisa Maulia Azahra Nur Ihsan Putra Munggaran Nuril Adlan , Muhammad Prahasto, Girindra Syukran Putri, Karina Khairunnisa Rafi Anandita Wicaksono Raisa Sianipar Rakhmat Rifaldy Ramadhan, Ananta Ihza Ramadhan, Helmi Sunjaya Ramadhani, Andi Nailul Izzah Ramadhanti, Windy Rayhan Rahmanda Refka Muhammad Furqon Regina Anatasya Rudiyanto Rendo Zenico Riaji, Dwi Hariyansyah Rizki Annas Sholehat Roji Ellandi Saleh, Abd Salsabil, Adinda Arwa Sanjaya, Bayu Surya Dharma Sari Ernawati Saut Sihol Ritonga Septian Nugraha Kudrat Septian Nugraha Kudrat Setiawan, Rizki Tri Shakina Rizkia Siti Inayah Putri Sri Suryani Sri Suryani Sukmawati Dwi Lestari Syafa Fahreza Syafa Fahreza Syahdan Naufal Nur Ihsan Valentino, Nico Wicaksono, Galih Wasis Wida Sofiya Widiarta, I Wayan Abi Widjayanto, Leonardus Adi Widyanto, Jammie Reyhan Wijaya, Kevin Usmayadhy Windy Ramadhanti Yoan Maria Vianny Yuliant Sibaroni Zahwa Dewi Artika Zakaria, Aditya Mahendra ZK Abdurahman Baizal