Article Per Year (5 Year)
p-Index From 2021 - 2026
2.109
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Informatika Komputer Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Jurnal Pengabdian Masyarakat Indonesia Jurnal Abdi Masyarakat Indonesia Ilmu Komputer untuk Masyarakat Jurnal Fokus Elektroda (Energi Listrik, Telekomunikasi, Komputer, Elektronika dan Kendali) Bulletin of Social Informatics Theory and Application Jurnal Medika: Medika JBIMA: Jurnal Pengabdian kepada Masyarakat Linier: Literatur Informatika dan Komputer
Ramdaniah Ramdaniah
Teknik Informatika, Fakultas Ilmu Komputer, Universitas Muslim Indonesia
Aerospace Engineering Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Health Professions Mathematics Medicine & Pharmacology Nursing Public Health Social Sciences Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Linier: Literatur Informatika dan Komputer

 1 
Analisis Sentimen Pengguna X Terhadap Perkembangan Artificial Intelligence (AI) Menggunakan Algoritma Machine Learning Azmi Fauziah Nur; Yulita Salim; Ramdaniah Ramdaniah
LINIER: Literatur Informatika dan Komputer Vol 1, No 4 (2024)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v1i4.2534

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap perkembangan Artificial Intelligence (AI) dengan membandingkan kinerja tiga algoritma machine learning: Naive Bayes (NB), Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN). Dataset yang digunakan dalam penelitian ini terdiri dari 5044 tweet yang dikumpulkan dari platform media sosial X yang merepresentasikan opini dan pandangan pengguna tentang perkembangan AI. Proses pengumpulan data melibatkan pemilihan tweet yang relevan dengan menggunakan keyword terkait perkembangan AI, diikuti dengan tahap preprocessing untuk membersihkan dan menghilangkan noise serta kata yang tidak relevan. Evaluasi dilakukan dengan mengukur akurasi, presisi, recall, dan F1-score setiap algoritma dalam mengklasifikasikan sentimen tweet sebagai positif, negatif, atau netral. Hasil penelitian menunjukkan bahwa algoritma SVM secara signifikan lebih efektif dalam menangani analisis sentimen dibandingkan NB dan KNN, dengan akurasi masing-masing algoritma sebagai berikut: SVM=93%, NB=91%, dan KNN=81%. Penelitian ini dapat memberikan wawasan penting mengenai pemilihan algoritma machine learning yang optimal untuk analisis sentimen dan dapat membantu peneliti dan praktisi dalam memilih metode yang tepat untuk evaluasi sentimen di berbagai topik
Analisis Review Pengguna Terhadap Fitur Baru Whatsapp Menggunakan LSTM Rainanda Darya Saputra; Tasrif Hasanuddin; Ramdaniah Ramdaniah
LINIER: Literatur Informatika dan Komputer Vol 2, No 4 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i4.3335

Abstract

Sebagai salah satu platform komunikasi paling banyak digunakan, WhatsApp terus menghadirkan berbagai fitur baru untuk meningkatkan kenyamanan penggunanya. Namun, setiap pembaruan fitur seringkali disertai dengan beragam tanggapan dari pengguna, yang banyak dituangkan melalui ulasan di Google Play Store. Penelitian ini bertujuan untuk mengklasifikasikan sentimen dari ulasan-ulasan tersebut menggunakan metode Long Short-Term Memory (LSTM), sebuah arsitektur Recurrent Neural Network yang unggul dalam menangani data teks yang bersifat sekuensial. Data diperoleh melalui teknik web scraping dan diproses melalui tahapan pra-pemrosesan seperti tokenisasi, pembersihan teks, dan embedding kata. Model LSTM dirancang menggunakan kombinasi layer embedding, bidirectional LSTM, dan dense untuk menghasilkan klasifikasi sentimen ke dalam tiga kategori: positif, negatif, dan netral. Berdasarkan hasil pelatihan, model menunjukkan peningkatan akurasi yang signifikan serta penurunan loss yang stabil, mencapai akurasi validasi di atas 85%. Hasil confusion matrix menunjukkan bahwa model mampu membedakan ketiga jenis sentimen dengan akurasi tinggi dan kesalahan klasifikasi yang minim. Uji coba pada input kalimat baru juga menunjukkan kemampuan model dalam mengenali sentimen secara kontekstual dengan baik. Dengan demikian, pendekatan LSTM terbukti efektif dalam memahami dan menganalisis opini pengguna terhadap fitur-fitur baru WhatsApp
Co-Authors Azmi Fauziah Nur Bayu Adrian Ashad Dolly Indra Farniwati Fattah Lutfi Budi Ilmawan Mansur Miftahul Janna Mubarak, Syahrul Muhammad Arfah Asis Muhammad Farhan Hermansyah Mustari, Muhid Nia Kurniati Rainanda Darya Saputra Saidah Suyuti Siska Anraeni Sitti Hajrah Mansyur Sriwijanaka Sriwijanaka Sriwijanaka St. Hajrah Mansyur Sukur, Widianti Tasrif Hasanuddin Yulita Salim