Claim Missing Document
Check
Articles

Found 12 Documents
Search

PERANCANGAN SISTEM INFORMASI PENGELOLAAN DATA PENGUNJUNG PADA RUANG PUBLIK TERPADU RAMAH ANAK KRAMAT PELA BERBASIS WEB Brillian, Naufal; Hendradi, Prionggo; Priambodo, Agung; Zuli, Faizal
JURNAL JIMATEK Vol. 3 No. 1 (2025): Vol. 3 No. 1 (2025): JIMATEK : JURNAL ILMIAH MAHASISWA TEKNIK
Publisher : FT-USNI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59134/jimat.v3i1.739

Abstract

Pengelolaan data pengunjung di RPTRA Kramat Pela masih dilakukan secara manual sehingga kurang efisien, rawan kehilangan data, dan menyulitkan pelaporan. Penelitian ini bertujuan merancang sistem informasi pengelolaan data pengunjung berbasis web menggunakan metode Waterfall dengan tahapan analisis, perancangan, implementasi, dan pengujian. Sistem dikembangkan menggunakan Laravel, MySQL, dan Bootstrap, dengan fitur pencatatan kunjungan, pengelolaan laporan masyarakat, serta visualisasi data dalam bentuk grafik. Hasil penelitian menunjukkan sistem dapat meningkatkan efisiensi kerja petugas, mempermudah akses informasi bagi pimpinan, serta mendukung transparansi pengelolaan RPTRA.
ANALISIS SENTIMEN PADA ULASAN PENGGUNA GAME MOBILE LEGENDS DI PLAY STORE MENGGUNAKAN DEEP LEARNING TRANSFORMERS BERT Khoiril S, Muhammad; Hendradi, Prionggo; Sibarani, Riama; Zuli, Faizal
JURNAL JIMATEK Vol. 3 No. 1 (2025): Vol. 3 No. 1 (2025): JIMATEK : JURNAL ILMIAH MAHASISWA TEKNIK
Publisher : FT-USNI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59134/jimat.v3i1.740

Abstract

Game Mobile Legends: Bang Bang menghasilkan jutaan ulasan pengguna yang mengandung sentimen berharga bagi pengembang, namun analisisnya terkendala oleh volume data yang besar serta penggunaan bahasa informal yang kompleks. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem analisis sentimen otomatis menggunakan model deep learning Transformers BERT untuk mengklasifikasikan ulasan pengguna ke dalam kategori positif, negatif, dan netral. Metode penelitian mencakup pengumpulan 548.250 data ulasan dari Kaggle, pra-pemrosesan teks untuk menangani noise, dan pelatihan model IndoBERT melalui teknik fine-tuning. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model IndoBERT yang telah disempurnakan (fine-tuned) mencapai akurasi 83.2%, sebuah peningkatan signifikan sebesar +62.8% dibandingkan model dasarnya (pre-trained) yang hanya mencapai 20.4%. Keberhasilan ini membuktikan bahwa proses fine-tuning secara efektif mengadaptasi model untuk memahami jargon dan konteks unik dalam ulasan game. Seluruh alur penelitian diimplementasikan dalam sebuah aplikasi web interaktif menggunakan Streamlit sebagai bukti konsep dan alat visualisasi hasil analisis. (Sutabri, Rian, Hendradi, & Febrianto, 2019)