Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Pseudocode Journal of Electrical Engineering and Computer (JEECOM)
Saiful Bahri
Universitas AMIKOM Yogyakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
ANALISIS SENTIMEN LPDP (LEMBAGA PENGELOLA DANA PENDIDIKAN) PADA MEDIA SOSIAL TWITTER Samuel Adhi Bagaskoro; Atin Hasanah; Saiful Bahri; Ema Utami; Ainul Yaqin
Jurnal Pseudocode Vol 10 No 2 (2023): Volume 10 Nomor 2 September 2023
Publisher : UNIB Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33369/pseudocode.10.2.65-73

Abstract

LPDP Scholarship (Education Fund Management Institution) is the most sought after by prospective students who want to continue their studies in the country, especially for those who want to continue their studies abroad. Recently, LPDP experienced problems related to students who received LPDP scholarships but did not return to Indonesia in accordance with the rules that have been stated. Starting from the incident on twitter, the topic of "LPDP" became a trending topic among twitter users. So it is our concern to find out and analyze public opinion through this twitter social media. By comparing the results of two methods, namely Support Vector Machine (SVM) and Naïve Bayes in classifying the twitter sentiment. As well as the calculation of accuracy using the Confusion Matrix, there are as many as 1000 tweets result from crawling. This research resulted in a classification that uses the Vader Lexicon Library built by NLTK, the Naïve Bayes method and Support Vector Machine (SVM) has not yet reached an accuracy rate of 70%. In contrast, the Support Vector Machine (SVM) method that uses the Vader Lexicon Library from VaderSentiment achieves an accuracy rate of 90%, with a ratio of 90:10 (training data: test data). Keywords: LPDP, Naïve Bayes, Sentiment Analysis, Support Vector Machine (SVM), Vader Lexicon.
Klasifikasi Hama Pada Daun Sawi Menggunakan Convolutional Neural Network (CNN) Dengan Algoritma Xcaption dan Optimasi Adam Saiful Bahri; Andi Sunyoto; Mei P. Kurniawan
Journal of Electrical Engineering and Computer (JEECOM) Vol 6, No 2 (2024)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v6i2.9529

Abstract

Sawi (Brassica rapa) adalah sayuran yang populer di Indonesia, namun serangan hama sering kali menghambat produktivitasnya, mengurangi kualitas dan kuantitas panen. Identifikasi hama secara akurat sangat penting untuk pengendalian yang efektif, namun metode konvensional yang melibatkan pengamatan visual sering kali kurang efisien dan rentan terhadap kesalahan manusia. Oleh karena itu, penelitian ini memanfaatkan teknologi terbaru dalam pemrosesan citra dan machine learning untuk meningkatkan akurasi dan efisiensi dalam identifikasi hama pada daun sawi. Convolutional Neural Network (CNN) dengan arsitektur Xception yang dioptimalkan menggunakan algoritma Adam dipilih sebagai metode utama untuk klasifikasi hama daun sawi. Penelitian ini menggunakan dataset gambar daun sawi dari situs publik kaggle, dengan preprocessing yang dilakukan untuk memastikan kualitas dan konsistensi data. Setelah melalui proses augmentasi data dan pelatihan model, model CNN dilatih dengan ukuran batch 64, epoch 100, dan dropout 0,5. Evaluasi menggunakan confusion matrix menunjukkan akurasi pelatihan dan validasi mencapai 99,00%. Hasil menunjukkan bahwa model CNN yang dikembangkan berhasil mencapai akurasi pelatihan dan validasi sebesar 99,00%. Evaluasi model menggunakan confusion matrix menunjukkan bahwa model mampu mengklasifikasikan hama daun sawi dengan akurasi yang sangat tinggi, memberikan solusi yang efisien untuk pengendalian hama di pertanian sawi. Hasil ini menunjukkan bahwa penggunaan teknologi CNN dengan optimasi yang tepat dapat secara signifikan meningkatkan kualitas dan produktivitas hasil panen.
Co-Authors Ainul Yaqin Andi Sunyoto Atin Hasanah Ema Utami Mei P. Kurniawan Samuel Adhi Bagaskoro