Article Per Year (5 Year)
p-Index From 2020 - 2025
0.778
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Terpadu JATI (Jurnal Mahasiswa Teknik Informatika)
Syaifullah Jauharis Saputra, Wahyu
Unknown Affiliation
Computer Science & IT Engineering

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

Found 4 Documents
Search

 1 
Analisis Prediksi Kata Kunci Situs Web MonsterMAC dengan Metode Long Short-Term Memory (LSTM) Hanif Assalmi, Fityan; Syaifullah Jauharis Saputra, Wahyu; Muhaimin, Amri
Jurnal Teknologi Terpadu Vol 10 No 1 (2024): Juli, 2024
Publisher : LPPM STT Terpadu Nurul Fikri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54914/jtt.v10i1.1187

Abstract

Amid increasingly fierce competition in the digital realm, many companies are striving to increase the number of visitors to their websites. One such competing company is MonsterMAC, a startup. This research aims to provide early warnings and analyze relevant keywords on the MonsterMAC website using the Long Short-Term Memory (LSTM) method. Visitor data from Google Analytics and keyword data from Google Trends for the period July 22, 2022, to July 15, 2023, have been collected and processed through several stages, such as preprocessing, model design, LSTM training, and testing, as well as visualization and interpretation of results. The modeling results show satisfactory performance, with MAE Train Real User = 0.0615, Vending Machine = 0.0218, IoT = 0.0284, Machine Learning = 0.0365, Digital Business = 0.0186, Business Intelligence = 0.0296. Furthermore, this research indicates that the number of visitors is predicted to increase but will also experience a sharp decline in the coming days. The use of the keyword "IoT" shows a significant increasing trend. Implementing the keyword "IoT" in SEO strategies has increased the number of visitors over the next seven days from 250 to 350. This research guides website owners in optimizing their content and SEO strategies to increase their visibility and competitiveness in a highly competitive digital environment. This research also emphasizes the importance of the LSTM method in keyword analysis and prediction to create more targeted SEO strategies.
PERANCANGAN SISTEM PAKAR DIAGNOSIS PENYAKIT TBC PARU DENGAN METODE CERTAINTY FACTOR DAN DEMPSTER SHAFER Aurora Prameswaty, Almira; Hanindia Prami Swari, Made; Syaifullah Jauharis Saputra, Wahyu
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 5 (2024): JATI Vol. 8 No. 5
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i5.10735

Abstract

Tuberculosis (TBC) merupakan sebuah penyakit menular yang dapat ditularkan melalui udara yang disebabkan oleh bakteri Mycobacterium tuberculosis yang bisa menyerang dibeberapa organ tubuh pada manusia contohnya seperti paru-paru. Paru-paru menjadi organ pertama yang biasanya akan terinfeksi virus TBC sebelum menyerang organ-organ lain dalam tubuh manusia, penyakit ini juga menjadi salah satu penyakit yang menyebabkan resiko kematian tertinggi secara global dengan angka mencapai 10,6 juta kasus pada tahun 2021. Indonesia menjadi salah satu negara dengan kasus TBC tertinggi di dunia yang disebabkan oleh kurangnya tingkat kesadaran masyarakat terhadap kebersihan dan kesehatan diri. Dengan pesatnya perkembangan teknologi saat ini maka dibuatlah sebuah sistem pakar dengan tujuan untuk dapat membantu mendeteksi dini TBC dimana pada penelitian ini akan membahas lebih spesifik mengenai TBC paru dan bagaimana cara mengimplementasikan sebuah algoritma pada sistem. Pembuatan sistem pakar pada penelitian ini menggunakan metode Certainty Factor dan Dempster Shafer dengan memanfaatkan Certainty Factor untuk menghasilkan nilai massa baru dari setiap gejala sebagai premis tanggal dan kombinasi Dempster Shafer untuk menghitung semua massa gejala. Adapun hasil yang didapatkan dari pengujian pada penelitian ini mencapai 88,2% untuk akurasi dengan jumlah data uji sebanyak 17 data dan data latih sebanyak 68 data.
METODE BERNOULLI NAIVE BAYES UNTUK ANALISIS SENTIMEN TERHADAP LESBIAN, GAY, BISEKSUAL DAN TRANSGENDER (LGBT) PADA MEDIA SOSIAL TWITTER Safira Kusmindasari, Anggun; Syaifullah Jauharis Saputra, Wahyu; Maulana, Hendra
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.12808

Abstract

Saat ini teknologi berkembang dengan sangat pesat dan mempermudah pengguna untuk mengakses berbagi macam informasi. Salah satu media yang sering digunakan untuk mencari informasi selain google adalah twitter. Twitter merupakan salah satu media sosial yang banyak digunakan untuk menyampaikan pendapat dan mencari informasi berita terbaru. Salah satu pembahasan topik yang masih dibahasa hingga saat ini adalah mengenai Lesbian, Gay, Biseksual dan Transgender (LGBT). Ulasan atau tweet pada pembahasan topik LGBT memuat banyak sentimen dari pengguna twitter. Untuk mendeteksi ulasan atau tweet yang dikirimkan pengguna pada twitter penting untuk dilakukan suatu teknik pengolahan data yang disebut dengan teknik analisis sentimen. Analisis sentimen menggunakan algoritma Bernoulli Naive Bayes yang akan di gunakan pada tweet atau ulasan pada twitter dalam penelitian ini. Tujuan penelitian ini untuk mengukur performa dari algoritma Bernoulli Naive Bayes dalam pengklasifikasian sentimen menjadi dua kelas berupa sentimen positif dan sentimen negatif. Ssebanyak 2.000 data tweet pada twitter digunakan pada penelitian ini. Hasil pengujian menunjukan Bernoulli Naive Bayes menghasilkan nilai akurasi 90,52%.
PERBANDINGAN ARSITEKTUR VANILLA, STACKED, DAN BIDIRECTIONAL LONG SHORT-TERM MEMORY UNTUK PREDIKSI PERIODE MUSIM DI SURABAYA Sinthya Putri, Diana; Syaifullah Jauharis Saputra, Wahyu; Maulida Hindrayani, Kartika
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13769

Abstract

Indonesia memiliki dua musim utama, namun perubahan iklim global menyebabkan pergeseran pola musim yang tidak menentu. Hal ini berdampak pada berbagai sektor, termasuk agribisnis, transportasi, dan konstruksi. Surabaya, sebagai pusat ekonomi di Jawa Timur, memerlukan prediksi musiman yang akurat untuk mitigasi risiko dan perencanaan strategis. Penelitian ini mengevaluasi kinerja tiga arsitektur Long Short-Term Memory (LSTM), yaitu Vanilla LSTM, Stacked LSTM, dan Bidirectional LSTM, dalam memprediksi pola musiman curah hujan di Surabaya. Data yang digunakan berasal dari BMKG Stasiun Meteorologi Maritim Tanjung Perak, mencakup periode 2001-2024. Hasil eksperimen menunjukkan bahwa Bidirectional LSTM mencapai nilai MAE terendah sebesar 25,7883, diikuti oleh Stacked LSTM dengan MAE 26,5515, dan Vanilla LSTM dengan MAE 27,7023. Temuan ini mengkonfirmasi bahwa arsitektur yang lebih dalam dan kompleks, seperti Stacked LSTM dan Bidirectional LSTM, mampu meningkatkan akurasi prediksi secara signifikan dibandingkan Vanilla LSTM.
Co-Authors Aurora Prameswaty, Almira Hanif Assalmi, Fityan Made Hanindia Prami Swari Maulana, Hendra Maulida Hindrayani, Kartika Muhaimin, Amri Safira Kusmindasari, Anggun Sinthya Putri, Diana