Garuda - Garba Rujukan Digital

Klasifikasi Sifat Huruf Hijaiyah Dengan Metode Convolutional Neural Network (CNN) Salamah, Siti Ruhu; Asriyanik; Apriandari, Winda
Jurnal Ilmiah Informatika Global Vol. 16 No. 2: August 2025
Publisher : UNIVERSITAS INDO GLOBAL MANDIRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jiig.v16i2.5468

Understanding the science of Tajweed, particularly the articulatory properties of hijaiyah letters, plays a crucial role in enchancing the quality of Quranic recitation. Despite its importance, research focused on classifying these properties within Quranic texts remains limited. Existing Tajweed learning tools often introduce letters at a basic level without utilizing deep learning technologies. This study proposes a CNN-based model to classify the phonetic characteristics of hijaiyah letters in Quranic texts. The dataset consists of image samples taken from quran.com, each labeled according to the phonetic categories outlined in the Tartil Al-Quran guidebook. The methodology includes image preprocessing, CNN training, and performance evaluation using accuracy, precision, recall, and F1-score. This research does not address audio or pronunciation aspects. Results show that the model achieved up to 99% classification accuracy. The findings highlight the potential of AI-powered tools to support Tajweed learning and contribute to the development of intelligent, technology-based Quranic education systems. This research serves as a foundation for future applications that blend classical Islamic knowledge with modern digital solutions.

Analisis Sentimen Terhadap Film Dirty Vote Pada Platfom Twitter (X) Dengan Metode Naïve Bayes Dan Cosine Smiliarity Mega Ihsani Rahmat; Asriyanik; Agung Pambudi
Jurnal Mahasiswa Teknik Informatika Vol. 4 No. 1 (2025): Jurnal Jamastika, Volume 4 Nomor 1 April 2025
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v4i1.3825

Penelitian bertujuan untuk menganalisis sentimen pengguna media sosial terhadap film "Dirty Vote" menggunakan metode text mining dan algoritma Naïve Bayes. Data diambil melalui teknik crawling dari Twitter (X) untuk mendapatkan tweet yang berkaitan dengan film tersebut. Setelah data dikumpulkan, dilakukan pelabelan secara manual untuk menentukan apakah sentimen yang terkandung dalam tweet tersebut bersifat positif atau negatif. Proses pre-processing dilakukan untuk membersihkan data dan menyiapkannya untuk analisis lebih lanjut, termasuk tokenisasi dan stemming. Pembobotan kata menggunakan teknik Term Frequency-Inverse Document Frequency (TF-IDF) diterapkan untuk menentukan pentingnya kata-kata dalam konteks dokumen. Algoritma Naïve Bayes kemudian digunakan untuk memodelkan dan mengklasifikasikan sentimen. Evaluasi model dilakukan dengan Confusion Matrix dan K-fold Cross Validation untuk memastikan akurasi hasil yang diperoleh. Hasil penelitian menunjukkan bahwa model yang dibangun memiliki akurasi yang cukup tinggi dalam mengklasifikasikan sentimen, memberikan pengetahuan yang berguna bagi pembuat film dan pemasar dalam memahami persepsi publik terhadap film "Dirty Vote". Kata Kunci: Analisis Sentimen, Film Dirty Vote, Twitter (X), Naive Bayes, Cosine Similarity.

Penerapan Algoritma Simple Additive Weighting (SAW) Dalam Pemilihan Perumahan Saepudin, Jijim; Setiawan, Iwan Rizal; Asriyanik
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 7 No. 2 : Tahun 2022
Publisher : LPPM UNIKA Santo Thomas

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

Perumahan merupakan suatu kebutuhan dasar manusia dalam melangsungkan hidup sehari – hari, yang tidak dapat dilihat sebagai sarana kebutuhan semata – mata tetapi lebih dari pada itu perumahan juga menciptakan ruang kehidupan untuk bermasyarakat. Dalam perkembangan jaman dan pertumbuhan ekonomi serta kesibukan masing – masing setiap manusia dalam denia kerja, dan begitujuga dengan pertumbuhan penduduk semakin meningkat dari setiap tahunnya. Maka dari itu masyarakat harus membeli rumah yang sudah di siapkan oleh pihak lain dan tidak memperhatikan kriteria yang dibutuhkan sehingga mengakibtakan ketidak nyamanan dalam memilih rumah tinggal yang tidak sesuai dengan kriteria yang dibutuhkan. Maka dari itu kriteria yang digunakan dalam memilih perumahan berupa kriteria uang muka, ukuran tanah, harga perumahan, KPR, dan kepadan penduduk. Maka dibuat sistem pendudkung yang dirancang menggunakan bahasa pemerograman AHP dan MYSQL sebagia olah datanya Sistem pendukung keputusan merupakan sebuah sistem yang dapat membantu seseorang dalam mengambil sebuah keputusan dan tidak untuk mengantikan peran dalam mengambil keputusan. Metode yang digunakan yaitu Simple Additive Weighting untuk mencari penjumlahan terbobot pada rating kinerja setiap alternatif dari semu atribut kemudian dilakukan perangkingan untuk menentukan nilai terbaik.

Penerapan Algoritma Simple Additive Weighting (SAW) Dalam Pemilihan Perumahan Saepudin, Jijim; Setiawan, Iwan Rizal; Asriyanik
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 7 No. 2 : Tahun 2022
Publisher : LPPM UNIKA Santo Thomas

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

Perumahan merupakan suatu kebutuhan dasar manusia dalam melangsungkan hidup sehari – hari, yang tidak dapat dilihat sebagai sarana kebutuhan semata – mata tetapi lebih dari pada itu perumahan juga menciptakan ruang kehidupan untuk bermasyarakat. Dalam perkembangan jaman dan pertumbuhan ekonomi serta kesibukan masing – masing setiap manusia dalam denia kerja, dan begitujuga dengan pertumbuhan penduduk semakin meningkat dari setiap tahunnya. Maka dari itu masyarakat harus membeli rumah yang sudah di siapkan oleh pihak lain dan tidak memperhatikan kriteria yang dibutuhkan sehingga mengakibtakan ketidak nyamanan dalam memilih rumah tinggal yang tidak sesuai dengan kriteria yang dibutuhkan. Maka dari itu kriteria yang digunakan dalam memilih perumahan berupa kriteria uang muka, ukuran tanah, harga perumahan, KPR, dan kepadan penduduk. Maka dibuat sistem pendudkung yang dirancang menggunakan bahasa pemerograman AHP dan MYSQL sebagia olah datanya Sistem pendukung keputusan merupakan sebuah sistem yang dapat membantu seseorang dalam mengambil sebuah keputusan dan tidak untuk mengantikan peran dalam mengambil keputusan. Metode yang digunakan yaitu Simple Additive Weighting untuk mencari penjumlahan terbobot pada rating kinerja setiap alternatif dari semu atribut kemudian dilakukan perangkingan untuk menentukan nilai terbaik.

PENGGUNAAN RANDOM FOREST DALAM SISTEM KLASIFIKASI KECEMASAN PADA GENERASI Z Fitri, Raina Rahmawati; Asriyanik; Apriandari, Winda
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 3 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i3.6905

Kesehatan mental merupakan masalah yang semakin berkembang, terutama bagi Generasi Z yang lebih banyak menderita kecemasan karena mereka memiliki tekanan sosial dan akademis yang lebih besar. Di Indonesia, hal ini masih belum dikenal, oleh karen aitu harus ada sistem yang efisien untuk mengidentifikasi kecemasan. Penelitian ini bertujuan untuk mengidentifikasi dan menginvesitasi kecemasan pada Generasi Z dengan membuat sebuah website sebagai alat identifikasi. Metode yang dilakukkan adalah ekstraksi data melalui scraping tweet dari pengguna aplikasi X dan kemudian dianalisis melalui algoritma Random Forest. Hasil model Random Forest mampu mendapatkan akurasi 97,71%. Situs web yang dikembangkan dapat mengumpulkan informasi keluhan dari pengguna dan memberikan penilaian status kecemasan mereka secara real-time. Sebagai tindak lanjut dari hasil analisis, situs web ini dapat membantu pengguna untuk menghindari kesalahan diagnosis. Dengan demikian, penelitian ini berkontribusi dalam mengembangkan sistem informasi yang lebih baik untuk mendukung kesehatan mental, serta memberikan rekomendasi yang dapat ditindaklanjuti bagi individu Generasi Z untuk memahami dan mengatasi kecemasan.

Pengaruh AdaBoost pada Peningkatan Akurasi Naïve Bayes dalam Klasifikasi Gangguan Kepribadian Klaster B Pada Generasi Z Rafida Zahra Mahirani H; Asriyanik; Didik Indrayana
Pengembangan Riset dan Observasi Teknik Informatika Vol 12 No 2 (2025)
Publisher : Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/protekinfo.v12i2.10696

Intisari — Perkembangan teknologi informasi mendorong munculnya kebutuhan untuk memahami pola perilaku pengguna media sosial, terutama Generasi Z. Penelitian ini berfokus pada klasifikasi gangguan kepribadian klaster B, yang meliputi Borderline, Antisosial, Histrionik, dan Narsistik, menggunakan data dari media sosial X (sebelumnya Twitter). Algoritma Naïve Bayes digunakan sebagai dasar klasifikasi, yang kemudian diperkuat dengan teknik ensemble AdaBoost untuk meningkatkan akurasi pada data yang kompleks dan tidak seimbang. Penelitian ini menggunakan pendekatan SEMMA (Sample, Explore, Modify, Model, Assess) untuk menangani 13.805 data teks. Proses preprocessing melibatkan case folding, tokenizing, stopword removal, dan stemming, diikuti dengan ekstraksi fitur menggunakan TF-IDF. Evaluasi model menggunakan akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa kombinasi Naïve Bayes dan AdaBoost secara signifikan meningkatkan kinerja klasifikasi dibandingkan model Naïve Bayes murni. Penelitian ini diharapkan dapat menjadi kontribusi terhadap pengembangan sistem deteksi dini kesehatan mental berbasis media sosial. Kata Kunci — Naïve Bayes, AdaBoost, Generasi Z, media sosial X, gangguan kepribadian, klasifikasi teks. Abstract — The advancement of information technology has influenced communication patterns among Generation Z, who are highly active on social media platforms. This study focuses on the classification of Cluster B personality disorders, including Borderline, Antisocial, Histrionic, and Narcissistic disorders, using textual data from the X platform (formerly Twitter). The Naïve Bayes algorithm was employed as the primary classification method and enhanced with the AdaBoost ensemble technique to address the complexity and imbalance of the data. The SEMMA (Sample, Explore, Modify, Model, Assess) methodology was used to handle 13,805 text datasets. Preprocessing included case folding, tokenizing, stopword removal, and stemming, followed by feature extraction using TF-IDF. The model was evaluated based on accuracy, precision, recall, and F1-score metrics. The results showed that the combination of Naïve Bayes and AdaBoost significantly improved classification performance compared to the pure Naïve Bayes model. This research contributes to the development of early detection systems for mental health disorders through social media analysis. Keywords — Naïve Bayes, AdaBoost, Generation Z, X social media, personality disorders, text classification.

PREDIKSI PENETAPAN TARIF PENERBANGAN MENGGUNAKAN AUTO-ML DENGAN ALGORITMA RANDOM FOREST Asriyanik
Jurnal Ilmu Komputer Ruru Vol. 2 No. 1 (2025): Edisi Januari
Publisher : Yayasan Grace Berkat Anugerah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69688/jikr.v2i1.19

With so many airlines competing with each other, airlines are competing to become the consumer/market's main choice, but to achieve this, there is no airline strategy that can predict the price of airline tickets according to market needs. To meet the needs of airlines, we need a way to determine the price of airline tickets according to market needs with the help of the influence of technology and information. This research method was carried out using Google Collaboratory as a media to create a data model with the Random Forest, Logistic Regression and Gradient Boosting Regressor algorithms. In this study, the model that produced the highest R2 value and the lowest RMSE was a random forest with an R2 value of 83.91% and an RMSE of $175.9. However, from the three models, Random Forest got a change in accuracy of 1.96% to 85.87. To assist in predicting the determination of flight fares, airline companies can more easily and be alert to determine flight fares that are in accordance with the market. Therefore, Random Forest can be declared better than Logistic Regression and Gradient Boosting models. The Random Forest model that has been created can be used to predict in real-time using Machine Learning.

Title

Found 17 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 17 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 17 Documents
Search