Article Per Year (5 Year)
p-Index From 2020 - 2025
4.051
P-Index
This Author published in this journals
All Journal International Journal of Informatics and Communication Technology (IJ-ICT) Jurnal Sarjana Teknik Informatika Register: Jurnal Ilmiah Teknologi Sistem Informasi Fountain of Informatics Journal SemanTIK : Teknik Informasi JURNAL REKAYASA TEKNOLOGI INFORMASI Journal of Electronics, Electromedical Engineering, and Medical Informatics Sains, Aplikasi, Komputasi dan Teknologi Informasi Djtechno: Jurnal Teknologi Informasi JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Adopsi Teknologi dan Sistem Informasi Pengabdian Kepada Masyarakat Bidang Teknologi dan Sistem Informasi Kreatif Teknologi dan SIstem Informasi
Irsyad, Akhmad
Unknown Affiliation
Aerospace Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering

Published : 31 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Fountain of Informatics Journal

 1 
Perbandingan Metode Lexicon-based dan SVM untuk Analisis Sentimen Berbasis Ontologi pada Kampanye Pilpres Indonesia Tahun 2019 di Twitter Ahmad Choirun Najib; Akhmad Irsyad; Ghiffari Assamar Qandi; Nur Aini Rakhmawati
Fountain of Informatics Journal Vol 4, No 2 (2019): November
Publisher : Universitas Darussalam Gontor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21111/fij.v4i2.3573

Abstract

AbstrakPenggunaan media sosial semakin hari semakin meningkat. Salah satu media sosial yang popular saat ini adalah Twitter. Menjelang pemilihan Presiden Republik Indonesia semakin banyak tweet yang membahas tentang kegiatan tersebut. Hal ini menyebabkan topik kampanye pemilu memiliki peluang yang baik untuk dilakukan proses analisis sentimen. Saat ini, mayoritas analisis sentimen di Indonesia dilakukan hanya menilai sentimen dari kalimat tanpa mengetahui apa entitas yang ada dalam kalimat. Tujuan penelitian ini yaitu melakukan analisis sentimen dengan pendekatan berbasis ontologi. Ontologi digunakan dalam menyaring data yang akan digunakan. Ontologi dalam penelitian ini adalah ekonomi dengan atribut finansial, lapangan kerja, dan kesejahteraan. Proses analisis sentimen dilakukan dengan metode Lexicon-based dan Support Vector Machine (SVM). Proses akuisisi data diperoleh sejumlah 700.000 tweet. Koleksi tersebut diseleksi berdasarkan ontologi ekonomi menghasilkan 16.998 tweet dan dilakukan pelabelan manual sebanyak 1.600. Kemudian dilakukan pengolahan data hingga diperoleh dataset final sejumlah 1.050 tweet. Berdasarkan hasil penelitian yang dilakukan akurasi yang diperoleh berdasarkan metode Lexicon-based adalah 39% dan metode SVM sebesar 83%. Dari penelitian ini diketahui bahwa SVM mempunyai performa yang lebih baik dibandingkan dengan Lexicon-based. Hasil Lexicon-based menunjukkan bahwa sentimen pada mayoritas atribut berupa netral. Sedangkan hasil SVM menunjukkan bahwa sentimen pada mayoritas atribut (finansial dan kesejahteraan) berupa positif, sisanya (lapangan kerja) berupa netral. Selanjutnya, proses ekstraksi dan pembuatan ontologi Bahasa Indonesia secara semi-otomatis pada dataset perlu untuk dikembangkan pada penelitian berikutnya untuk menyempurnakan ontologi.Kata kunci: Analisis Sentimen, Twitter, Ontology, SVM, Lexicon Abstract[Comparison of the Lexicon-based and SVM Method for Ontology-Based Analysis of the 2019 Presidential Election Campaign on Twitter] The use of social media is increasing. One of the most popular social media is Twitter. Towards the election of the President of the Republic of Indonesia, election topic tweets discussed almost every day. Hence, it is suitable for the sentiment analysis process. Nowadays, the sentiment analysis is only evaluating the sentence without knowing what the entity is in the sentence. To overcome this drawback, we propose a sentiment analysis based on ontology. Ontology is used to filter the data to be used. The ontology used in this study is economics with attributes, i.e., financial employment, and welfare. The sentiment analysis process is carried out using the Lexicon and Support Vector Machine (SVM) based methods. The process of acquiring data obtained 700,000 tweets. The collection was selected based on economic ontology to produce 16,998 tweets, and 1,600 manual labels were labelled. Then, the number of the final dataset is 1,050 tweets. The results show that the accuracy of the Lexicon-based method is 39%, and the SVM method is 83%. The SVM has better performance than Lexicon-based. Lexicon-based results show that the sentiment on the majority attributes is neutral. While the SVM results show that the sentiment on the majority attributes (financial and welfare) is positive, the rest (employment) is neutral. A semi-automatic ontology extraction and development for Bahasa Indonesia is necessary for the future works to make a comprehensive ontology and provide better results. Keywords: Sentiment Analysis, Twitter, Ontology, SVM, Lexicon
Klasifikasi COVID 19 dengan Metode EfficientNet berdasarkan CT scan Paru-paru Irsyad, Akhmad; Islamiyah; Amal, Fakhmul
Fountain of Informatics Journal Vol. 8 No. 2 (2023): November
Publisher : Universitas Darussalam Gontor

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

Abstract

Abstrak Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) adalah virus penyebab Covid-19. Covid-19 adalah virus mematikan yang oleh Organisasi Kesehatan Dunia (WHO) ditetapkan sebagai pandemi karena penyebarannya yang cepat. Dua metode yang kini paling sering digunakan untuk mendeteksi Covid-19 adalah Rapid Diagnostic Test (RDT) dan Real-Time Reverse Transcription Polymerase Chain Reaction (RT-PCR). Menemukan strategi baru yang cepat dan tepat sangat penting karena kedua strategi memiliki kelebihan dan kekurangan. Penggunaan CT scan untuk menemukan Covid-19 adalah salah satu metode yang direkomendasikan. Makalah ini merekomendasikan identifikasi Covid-19 pada gambar CT menggunakan EfficientNet B0 tampil lebih unggul dari model tanpa CLAHE. Untuk performa EfficientNet B0 dengan CLAHE, akurasi, F-measure, recall, dan precision adalah 91,95%, 92,06%, 92,43%, dan 91,69%..   Kata kunci: Covid-19, Klasifikasi, Deep Learning, EfficientNet   Abstract [Classification of COVID-19 using the EfficientNet Method Based on Lung CT Scan] Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) is the virus that causes COVID-19. Covid-19 is a deadly virus that the World Health Organization (WHO) has designated as a pandemic due to its rapid spread. The two methods that are now most often used to detect COVID-19 are the Rapid Diagnostic Test (RDT) and Real-Time Reverse Transcription Polymerase Chain Reaction (RT-PCR). Finding a new strategy that is quick and precise is crucial since both strategies have benefits and drawbacks. The use of a CT scan to locate Covid-19 is one recommended method. This paper recommends identifying COVID-19 on CT images using EfficientNet B0 performs superior to the model without CLAHE. For the performance of EfficientNet B0 with CLAHE, accuracy, F-measure, recall, and precision are 91.95%, 92.06%, 92.43%, and 91.69%.   Keywords: Covid-19, Classification, Deep Learning, EfficientNet
Co-Authors -, Irvan Apdila Ahmad Choirun Najib Aini, Dinda Nur Al'Aqsa, Muhammad Ramadhan Alivia Amin, Dhestyara Amal, Fakhmul Amin Padmo Azam Masa Anam, M Khairul Angela, Jeroline Betsy Apdila, Irvan Arba, Muhammad Hendra Arif, Afdinal Astuti, Eka Desi Puji Balan, Nicola Fernando Bernikusti Mentik, Sulpisius Dengen, Helen Amalia Dinda Nur Aini Efrata Madao, O’neal Firdaus, Muhammad Bambang Geralda, Raihan Daiva Ghiffari Assamar Qandi Ginting, Stephanie Elfriede Handoko, Heldi Harianto, Biko Hario, Jati Setiyadi Ibrahim, Muhammad Rivani Ikram, Adli Dzil Imelda Putri Islamiyah Islamiyah Islamiyah, Islamiyah Isnawaty Isnawaty Karinda, Siti Solikah Yosi Kartika Sari, Amalia Listiana Dewi Milasari Mentik, Sulpisius Bernikusti Mohammad Ibnu, Praditya Muhamad Ali Muhammad Dwi Refansyah Muhammad Fa’iz Muhammad Hisyam Nugroho Muhammad Indra Buana Muhammad Labib Jundillah Muhammad Rivani Ibrahim Muhammad Rizky Setiawan Najla Nayla Putri Nazwa Tri Ananda Nifansa, Albygael Rifal Nur Aini Rakhmawati Nurwahyu, Ferryza Pardosi, Josia Giribosar Praditya, Mohammad Ibnu Prafanto, Anton Prasetyo, Afrila Zahra Putra, Gubtha Mahendra Putri, Juventia Adelia Putut Pamilih Widagdo Putut Pamilih Widagdo, Putut Pamilih Rapiq, Rayhan Abdilah Refansyah, Muhammad Dwi Riswanti, Nita Riyandi, Selamat Rizal Adi Saputra Rizky, Avinka Rosmasari Rosmasari, Rosmasari Ruswantomo, Ruswantomo Sandrina Aulia Saragi, Bertha Joy Rodo Sari, Amalia Kartika Sativa, Alisya Nisrina Setyadi, Hario Jati Sholawati, Anisa Sidabutar, Erni Veronica Sogen, Valentina Febrizah Peni Stephanie Elfriede Ginting Surachkaryadi, Angelina Syaputra, Karlen Tarigan, Phascalis Chevin Taruk, Medi Tejawati, Andi Vina Zahrotun Kamila Waksito, Alan Zulfikar Wardhana, Reza Zamani, Harrys Qomarul