Article Per Year (5 Year)
p-Index From 2020 - 2025
3.448
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA JUITA : Jurnal Informatika JOIV : International Journal on Informatics Visualization Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) JSAI (Journal Scientific and Applied Informatics) Building of Informatics, Technology and Science JISKa (Jurnal Informatika Sunan Kalijaga) Jurnal Teknik Elektro dan Komputasi (ELKOM) JATI (Jurnal Mahasiswa Teknik Informatika) JATI EMAS (Jurnal Aplikasi Teknik dan Pengabdian Masyarakat) Jurnal Teknik Informatika (JUTIF) Journal of Dinda : Data Science, Information Technology, and Data Analytics JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Informatika: Jurnal Pengembangan IT JPMTT (Jurnal Pengabdian Masyarakat Teknologi Terbarukan)
Sudianto
Institut Teknologi Telkom Purwokerto
Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Library & Information Science Mechanical Engineering Public Health Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Pelabelan Sentimen Berbasis Semi-Supervised Learning menggunakan Algoritma LSTM dan GRU Ayuningtyas, Puji; Khomsah, Siti; Sudianto, Sudianto
JISKA (Jurnal Informatika Sunan Kalijaga) Vol. 9 No. 3 (2024): September 2024
Publisher : UIN Sunan Kalijaga Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14421/jiska.2024.9.3.217-229

Abstract

In the sentiment analysis research process, there are problems when still using manual labeling methods by humans (expert annotation), which are related to subjectivity, long time, and expensive costs. Another way is to use computer assistance (machine annotator). However, the use of machine annotators also has the research problem of not being able to detect sarcastic sentences. Thus, the researcher proposed a sentiment labeling method using Semi-Supervised Learning. Semi-supervised learning is a labeling method that combines human labeling techniques (expert annotation) and machine labeling (machine annotation). This research uses machine annotators in the form of Deep Learning algorithms, namely the Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) algorithms. The word weighting method used in this research is Word2Vec Continuous Bag of Word (CBoW). The results showed that the GRU algorithm tends to have a better accuracy rate than the LSTM algorithm. The average accuracy of the training results of the LSTM and GRU algorithm models is 0.904 and 0.913. In contrast, the average accuracy of labeling by LSTM and GRU is 0.569 and 0.592, respectively.
PENEMPATAN PRODUK PENJUALAN PADA E-COMMERCE BERBASIS PERILAKU KONSUMEN MENGGUNAKAN ALGORITMA ECLAT Naden, Yoga; Sudianto, Sudianto; Athiyah, Ummi
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 4 (2024): JATI Vol. 8 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i4.10129

Abstract

Perdagangan elektornik berkembang sangat pesat pada era modern seperti sekarang ini, yang menjadi faktor utama berkembangnya perdagangan elektronik adalah masyarakat modern yang lebih suka belanja secara daring karena dianggap lebih efisien dibandingkan dengan pasar tradisional. Padatnya persaingan perdagangan elektronik menjadi tantangan tersendiri bagi pelaku bisnis, maka dibutuhkan strategi untuk meningkatkan penjualan, dengan memanfaatkan tata letak produk yang baik dapat meningkatkan penjualan dan mempermudah konsumen menemukan barang dan layanan atau jasa yang mereka cari. Salah satu strategi yang dapat digunakan adalah dengan menganalisa perilaku konsumen, dengan menganalisa perilaku konsumen kita dapat menentukan strategi penjualan berdasarkan data transaksi penjualan untuk mencari barang apa saja yang dibeli pada waktu yang sama pada satu keranjang belanja. Penelitian ini bertujuan untuk mencari hubungan antar barang dengan menggunakan metode Market Basket Analysis dan algoritma asosiasi untuk menemukan hubungan pada tiap item yang dibeli secara bersamaan menggunakan data berdasarkan perilaku konsumen dengan mencari nilai support, confidence, dan lift. Dengan menggunakan data transaksi berdasarkan perilaku konsumen ditemukan hubungan yang kuat antara Travel Voucher, Travel Case Game dan Casing & silicon game console ditemukan nilai confidence sebesar 100% dan nilai support sebesar 2%. Hasil analisa yang ditemukan kemudian dapat digunakan sebagai panduan untuk membuat desain tata letak produk sebagai strategi untuk meningkatkan penjualan pada e-commerce Tokopedia.
Perbandingan Arsitektur MobileNetV2 dan RestNet50 untuk Klasifikasi Jenis Buah Kurma Hermanto, Agyl Restu; Aziz, Abdul; Sudianto, Sudianto
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 12, No 4 (2024)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v12i4.80358

Abstract

Kurma adalah buah yang populer di Indonesia, terutama saat bulan Ramadhan karena mayoritas penduduknya beragama Islam. Buah ini berwarna coklat, berbentuk lonjong, dan tumbuh di pohon palem, serta kaya akan zat besi, kalsium, kalium, dan vitamin C. Kurma memiliki berbagai jenis dengan bentuk dan warna yang mirip, sehingga sulit diidentifikasi. Penelitian ini bertujuan untuk mengklasifikasikan jenis-jenis kurma menggunakan perbandingan arsitektur transfer learning. Metode yang digunakan adalah model CNN (Convolutional Neural Network) dengan arsitektur MobileNetV2 dan RestNet50, yang dilatih kembali menggunakan dataset citra untuk membedakan tiga jenis kurma: Ajwa, Alwassim, dan Khenaizi. Kedua model dilatih dengan parameter epoch 20, 40, dan 60. Hasil penelitian menunjukkan bahwa MobileNetV2 unggul dibandingkan RestNet50 dalam semua metrik evaluasi (accuracy, precision, recall, f1-score), dengan akurasi tertinggi 95% pada MobileNetV2. Hal ini mengindikasikan bahwa MobileNetV2 lebih efisien dalam memanfaatkan proses transfer learning dan lebih efektif dalam mengidentifikasi tiga jenis kurma pada dataset.
Co-Authors Abdul Aziz Akbar Maulana Yusuf Al Fachri, Moh Aminullah Aldean, Muhammad Yusril Alif Aryaputra Alvina Tahta Indal Karim Andini Mulia Kusumaningrum Asti Dwi Sripamuji Ayuningtyas, Puji Bagas Prihatnowo Cahyo Prihantoro Chandra Ayunda Apta Soemedhy Dedy Agung Prabowo Dwi Puspa Martiyaningsih Egidya Zalsabila Hapsari Warih Utami Hasna Nur Hanifah Hermanto, Agyl Restu Hikari Adriansyah Hilmawan, Muhammad David Imada Riski Ramadhanti Jonathan Indra Chelidivano Juan Arton Arton Masheli Julian Saputra Khusnul Khatimah Lasama, Jerry LILIK BUDIPRASETYO M Yoka Fathoni Mahda Laina Arnumukti Martin Parhusip Muhammad Hilmi Kafabi Muhammad Rahaji Jhaerol Naden, Yoga Naufal, Adzan Bari Nawang Anggita Winanti Nicolaus Euclides Wahyu Nugroho Nora Trivetisia Nursatio Nugroho Puspa Wahyuningtias Rafi Wika Ananda Rumpoko Ramadhani, Rafian Reni Dyah Wahyuningrum Reni Dyah Wahyuningrum Risa Riski Amalia Rizki Mugi Setya Adi Sandhy Fernandes Satria Nur Saputro Satria, Muhammad Adhan Hady Siti Khomsah, Siti Siti Maghfiroh Surya Haganta Brema Ginting Tangguh Widodo Tavany Amalia Rizky Tiara Khumaira Putri Tri Ginanjar Laksana Tri Wulandari Utami Uli Ahda Raihan Ummi Athiyah Widi Afandi Yanuar Sabikhi Yehezkiel Nicholas Adanson Yeni Herdiyeni Zarkasih Akhmad