Article Per Year (5 Year)
p-Index From 2021 - 2026
0.778
P-Index
This Author published in this journals
All Journal Bulletin of Information Technology (BIT)
Samsir Samsir
Universitas Al Washliyah
Computer Science & IT

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Pemetaan Tingkat Kriminalitas di Indonesia: Analisis Spasial dengan Pendekatan SIG pada Tingkat Provinsi Ronal Watrianthos; Sudi Suryadi; Kusmanto; Samsir Samsir
Bulletin of Information Technology (BIT) Vol 4 No 3: September 2023
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bit.v4i3.861

Abstract

Indonesia memiliki Indeks Pembangunan Manusia yang rendah, yang menunjukkan bahwa masih ada pekerjaan yang harus dilakukan untuk meningkatkan kualitas hidup dan kesehatan masyarakatnya. Selain itu, Indonesia menghadapi banyak masalah sosioekonomi, termasuk populasi yang berlebihan, kemiskinan, tingkat pengangguran yang tinggi, dan sistem pendidikan yang buruk. Masalah-masalah ini dapat memengaruhi masyarakat, termasuk meningkatkan kejahatan. Banyak indikator yang umum digunakan dalam bidang statistik kriminal untuk mengukur kejahatan dari perspektif yang luas dan untuk menilai tingkat keparahannya. Tujuan dari penelitian ini adalah untuk menggambarkan distribusi tingkat kejahatan secara keseluruhan di antara provinsi-provinsi Indonesia, dengan penekanan khusus pada Sumatra dan Jawa. Studi ini menggunakan data dari Badan Pusat Statistik dari tahun 2010 hingga 2020 tentang jumlah kejahatan yang dilaporkan oleh petugas polisi regional. Objek yang diamati di masing-masing provinsi dikelompokkan ke dalam kelompok yang saling terkait menggunakan teknik pembelajaran tidak terbimbing dengan algoritma klasifikasi K-Means. Hasil menunjukkan bahwa antara tahun 2010 dan 2020, provinsi Bengkulu, Kepulauan Bangka Belitung, dan Banten memiliki tingkat kejahatan terendah dibandingkan provinsi lain di Sumatra dan Jawa. Hasil ini menunjukkan bahwa ketiga provinsi ini mungkin memiliki kemampuan yang lebih baik untuk mengatasi masalah sosioekonomi yang diketahui berkontribusi pada kejahatan.
Distribusi Spasial Unmet Need Pelayanan Kesehatan dengan Algoritma K-Means untuk Pemetaan Provinsi di Indonesia Kusmanto; Samsir Samsir; Ronal Watrianthos; Sudi Suryadi
Bulletin of Information Technology (BIT) Vol 4 No 3: September 2023
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bit.v4i3.862

Abstract

Pemetaan spasial terhadap kebutuhan pelayanan kesehatan yang belum terpenuhi (unmet need) penting dilakukan untuk mengenali wilayah yang memerlukan prioritas intervensi guna meningkatkan akses dan kualitas layanan kesehatan. Penelitian ini bertujuan memetakan tingkat unmet need pelayanan kesehatan di 34 provinsi Indonesia tahun 2015-2022 dengan algoritma klasterisasi K-Means. Data unmet need dianalisis dan dievaluasi menggunakan Indeks Davies-Bouldin untuk menentukan jumlah klaster optimal. Hasil analisis menunjukkan 3 klaster provinsi optimal berdasarkan tingkat unmet need. Klaster 1 (DKI Jakarta, Bali, Papua) memiliki rata-rata unmet need terendah 2,47%. Klaster 2 (sebagian provinsi di Jawa dan Kalimantan) memiliki rata-rata unmet need sedang 5,46%. Klaster 3 (sebagian besar provinsi di luar Jawa) merupakan kelompok dengan unmet need tertinggi rata-rata 7,35%. Secara spasial, provinsi di luar Jawa cenderung berada di klaster dengan unmet need tinggi, sejalan dengan tantangan aksesibilitas pelayanan kesehatan. Hasil pemetaan K-Means ini dapat menjadi acuan dalam merumuskan rekomendasi peningkatan akses dan kualitas layanan kesehatan di provinsi-provinsi prioritas berdasarkan tingkat unmet need.
A Text Mining Approach to Analyzing the Role of Negative Sentiment Words in News Articles on Suicide and Related Incidents Selamat Subagio; Samsir Samsir; Abdul Hakim Dalimunthe; Ronal Watrianthos
Bulletin of Information Technology (BIT) Vol 5 No 4: Desember 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bit.v5i4.1745

Abstract

This study examines the role of negative sentiment words in news media coverage of suicide and related incidents through analysis of 1,515 news articles published between 2019 and 2024. Using advanced text mining techniques and sentiment analysis, we investigated patterns in emotional language use and their impact on public discourse. The research revealed frequent usage of negative sentiment words such as "crisis" (256 occurrences), "despair" (214 occurrences), and "death" (189 occurrences), which significantly influenced the emotional framing of these sensitive topics. Statistical analysis showed strong correlations between negative sentiment words and mental health-related terms (correlation value 0.75), indicating consistent patterns in media narrative construction. Temporal analysis identified a notable increase in negative sentiment during the COVID-19 pandemic (2020-2021), followed by a shift toward more solution-focused coverage in 2022-2024. The findings suggest that while negative sentiment words are inherent in covering suicide-related topics, their use can be balanced with solution-oriented language to promote more responsible reporting. This research contributes to understanding how emotional language shapes public discourse on mental health crises and provides insights for developing more effective guidelines for responsible journalism.
Machine Learning-Driven Sentiment Analysis of Social Media Data in the 2024 U.S. Presidential Race Samsir Samsir; Wahyu Azhar Ritonga; Rahmad Aditiya; Ronal Watrianthos
Bulletin of Information Technology (BIT) Vol 5 No 4: Desember 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bit.v5i4.1762

Abstract

This study investigates public sentiment patterns during the 2024 U.S. Presidential Race through machine learning analysis of social media data from X (formerly Twitter). Using a dataset of 500 annotated tweets collected from Kaggle, we employ BERT-based sentiment analysis, temporal engagement tracking, and Latent Dirichlet Allocation (LDA) topic modeling to examine discourse across five major candidates. The analysis reveals predominantly positive sentiment (54.2%) in political discussions, with established party candidates receiving higher positive engagement. Temporal analysis demonstrates strong correlations between major campaign events and public engagement, with presidential debates generating peak interaction levels. Topic modeling identifies five key themes driving voter discourse: economic policy, healthcare, climate change, social justice, and foreign policy. Positive content consistently achieved 20-30% higher engagement rates than negative content, though negative sentiments showed sharp spikes during controversies. Our findings contribute to understanding digital political discourse dynamics and offer practical insights for campaign strategy in the social media era. The study's limitations include platform-specific constraints and a two-month observation period, suggesting opportunities for cross-platform analysis in future research.
Co-Authors Abdul Hakim Dalimunthe Kusmanto Rahmad Aditiya Ronal Watrianthos Ronal Watrianthos Selamat Subagio Suryadi, Sudi Wahyu Azhar Ritonga