Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jusikom : Jurnal Sistem Komputer Musirawas Jurnal Tekinkom (Teknik Informasi dan Komputer) Prosiding Seminar Riset Mahasiswa
Satrianansyah Satrianansyah
Universitas Bina Insan
Computer Science & IT Education

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
ANALISIS SENTIMEN MASYARAKAT TERHADAP KENAIKAN HARGA BBM DI MEDIA SOSIAL TWITTER MENGGUNAKAN METODE SUPPORT VECTOR MACHINE Muazim Rahman Fauzan; Harma Oktafia Lingga Wijaya; Satrianansyah Satrianansyah; Joni Karman
Prosiding Seminar Riset Mahasiswa Vol 1, No 1: Maret 2023
Publisher : Universitas Islam Sultan Agung

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

Abstract

Melalui media sosial twitter, masyarakat bisa berbagi cuitan tentang kesehariannya, berbagi foto, berita terbaru, cuaca, politik, ataupun menyampaikan pendapat tentang suatu hal yang sedang trending topic. Salah satu isu yang sedang trending topic di twitter pada bulan september 2022 di indonesia adalah harga BBM naik. Indonesia secara resmi menaikan harga BBM dikarenakan meroketnya harga minyak dunia. Sehingga pemerintah tidak dapat lagi menjual harga BBM yang sama seperti sebelumnya kepada masyarakat, hal ini dilakukan pemerintah untuk mengurangai pengeluaran negara yang semakin membesar. Penelitian dilakukan untuk mengetahui sentimen masyarakat terhadap kenaikan harga BBM pada tweets pengguna media sosial twitter menggunakan metode SVM. Data yang di ambil adalah 5000 data tweets yang menggunakan kata kunci “harga bbm naik”. Pada tahap preprocessing dari 5000 data, tersisa menjadi 4209 data. Lebelling data dilakukan otomatis menggunakan library TextBlob. Hasil labelling data menggunakan library TextBlob dibagi menjadi 3 sentimen yaitu sentimen positif sebanyak 1275, sentimen negatif sebanyak 1287, dan sentimen netral sebanyak 1647. Klasifikasi dan evalusi dilakukan menggunakan metode SVM. Berdasarkan nilai perbandingan data training dan testing sebesar 9:1, 8:2, dan 7:3 diperoleh hasil yang paling tinggi menggunakan metode SVM adalah perbandingan data training dan testing 9:1 dengan tingkat akurasi sebesar 76%.Keyword: Analisis Sentimen, harga BBM, Support Vector Machine, Twitter.
PENERAPAN ALGORITMA NAÏVE BAYES CLASSIFIER PADA PREDIKSI STOK OBAT DI APOTEK K-24 KOTA LUBUKLINGGAU DENGAN PEMROGRAMAN PHYTON Aag Egiyansya; Joni Karman; Satrianansyah Satrianansyah; Elmayati Elmayati
Jusikom : Jurnal Sistem Komputer Musirawas Vol 9 No 1 (2024): Jusikom : Jurnal Sistem Komputer Musirawas JUNI
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jusikom.v9i1.2268

Abstract

tidak terjadi kekurangan maupun kelebihan persediaan obat yang Ada beberapa Indikator prediksi adalah bulan penjualan, stok barang, permintaan barang dan status barang. Sistem prediksi yang dapat digunakan untuk memprediksi berapa stok obat yang harus disediakan dimasa yang akan datang dengan menggunakan metode klasifikasi naïve bayes. Naïve bayes clasiffier didasarkan pada teorema Bayes yang memiliki kemampuan klasifikasi serupa dengan decision tree dan neural network. Bayesian classification terbukti memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang besar Dari pengujian model yang ada didapatkan nilai untuk akurasi yaitu sebesar 91 %, presisi sebesar 90 %, recall sebesar 89 % dan F1 score sebesar 90 %. Dari data tersebut maka model yang dihasilkan dapat digunakan untuk memprediksi stok obat dimasa yang akan datang.
SMART ROBOT OBJECT DETECTION MENGGUNAKAN ESP-32 CAM Deni Nurdiansyah; Satrianansyah Satrianansyah; Ahmad Sobri
Jurnal Tekinkom (Teknik Informasi dan Komputer) Vol 7 No 1 (2024)
Publisher : Politeknik Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37600/tekinkom.v7i1.1296

Abstract

Object detection is a method to recognize the class and location of objects in an image. The main challenge is integrating complex algorithms into lightweight and portable hardware, especially with expensive sensor and camera technologies. This research aims to develop an object detection system using the ESP-32 Cam for robotics monitoring and security. The focus is on utilizing the Yolov5 model transformed into TensorFlow Lite for integration with ESP32 AI CAMERA, expected to detect objects in real-time at a low cost. The methodology includes collecting 1710 datasets from 27 images, dividing the data into 70% training, 20% validation, and 10% testing, and labeling the dataset in Roboflow. The object detection model uses Yolov5, transformed into TensorFlow Lite, and implemented in ESP32 AI CAMERA with ESP-32 Cam as the microcontroller. Model evaluation shows high performance with mAP 95%, precision 97%, and recall 100%, indicating high accuracy. The research successfully develops an efficient and affordable object detection system with ESP-32 Cam and TensorFlow Lite from Yolov5. This integration enables the development of wheeled robots capable of real-time object detection, providing an effective solution for portable robotics monitoring and security.
Co-Authors Aag Egiyansya Ahmad Sobri Deni Nurdiansyah Elmayati Elmayati joni karman Lingga Wijaya, Harma Oktafia Muazim Rahman Fauzan