Article Per Year (5 Year)
p-Index From 2021 - 2026
3.05
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Mathematics Education Journal Lontar Komputer: Jurnal Ilmiah Teknologi Informasi
Indriati
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Mathematics Other

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

Found 23 Documents
Search

 1   2   3 
Aspect Based Sentiment Analysis on Shopee Application Reviews Using Support Vector Machine Dyah Ayu Wulandari; Fitra Abdurrachman Bachtiar; Indriati
Lontar Komputer : Jurnal Ilmiah Teknologi Informasi Vol. 15 No. 02 (2024): Vol. 15, No. 2 August 2024
Publisher : Institute for Research and Community Services, Udayana University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24843/LKJITI.2024.v15.i02.p03

Abstract

One of the e-commerce in Indonesia is Shopee. Feedback from users is needed to improve the quality of e-commerce services and user satisfaction. This research process includes data scraping, labeling, text pre-processing, TF-IDF, aspect, and sentiment classification. The novelty of this research is using the SVM method with SGD to classify Indonesian language application reviews based on aspect categories consisting of 7 dimensions of service quality and sentiment so that the website created in this research can display the aspects and sentiments of the input reviews. This research also builds an Indonesian normalization dictionary to optimize the terms used to increase model accuracy. The test in aspect classification resulted in a precision value of 90%, recall of 88.73%, accuracy of 88.57%, and f1-score of 89%. Meanwhile, the sentiment classification resulted in a precision value of 96.15%, recall of 91.91%, accuracy of 94.28%, and f1-score of 93.98%. In addition, the test results (accuracy, f1-score, precision, recall) show that the lemmatization process is better than stemming and term weighting using the TF-IDF method is better than other methods (raw-term frequency, log-frequency weighting, binary-term weighting).
Sistem Pakar Untuk Mendiagnosis Penyakit Tanaman Padi Menggunakan Metode Naive Bayes Berbasis Telegram Bot Aldinno, Deva; Rahman, Muh. Arif; Indriati
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 4 (2026): April 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Tanaman padi sangat penting bagi umat manusia. Penyakit tidak dapat dihindari dalam pertanian padi, tetapi pengelolaan yang tidak tepat dapat menurunkan hasil panen. Berdasarkan hal tersebut, penelitian ini merancang sebuah program untuk membantu petani mengidentifikasi penyakit tanaman padi. Layanan obrolan berbasis bot bernama Telegram menampilkan temuan identifikasi. Identifikasi menggunakan pengetahuan petani sebagai data pelatihan. Beberapa gejala yang dimasukkan pengguna digunakan sebagai data uji untuk identifikasi. Dataset akan diklasifikasikan menggunakan Naive Bayes. Bot akan menampilkannya di Telegram. Membuat bot API Telegram adalah langkah pertama dalam sistem ini. Selanjutnya, pendekatan Naive Bayes menghitung prior, likelihood, dan posterior dan mengevaluasinya menggunakan matriks kebingungan. Pengujian menggunakan input dari banyak pengguna menghasilkan nilai presisi 90% untuk semua kelas, nilai recall 85%, dan f1-score 84%. Sementara itu, akurasinya adalah 85%.
Analisis Sentimen Ulasan Aplikasi SP4N LAPOR! dengan IndoBERT dan Koreksi Ejaan Berbasis Levenshtein Distance Kirana, Nareswara Lintang; Muflikhah, Lailil; Indriati
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 4 (2026): April 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Ulasan pengguna pada platform SP4N-LAPOR! memuat sentimen yang penting untuk evaluasi layanan publik, namun teksnya sering tidak terstruktur, mengandung variasi ejaan, singkatan, dan kalimat ambigu sehingga menyulitkan klasifikasi sentimen. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan SP4N-LAPOR! menggunakan IndoBERT serta menganalisis pengaruh normalisasi variasi ejaan berbasis Levenshtein Distance dan penerapan class-weighted loss terhadap kinerja model. Tahap awal meliputi pembersihan data dan normalisasi ejaan, kemudian data dibagi menjadi latih, validasi, dan uji. IndoBERT selanjutnya di-fine-tune dengan pengujian hyperparameter (epoch, learning rate, batch size) dan dievaluasi dalam empat skenario kombinasi penggunaan normalisasi Levenshtein dan class-weighted loss. Hasil uji menunjukkan performa terbaik diperoleh pada kombinasi class-weighted loss dan normalisasi Levenshtein dengan accuracy 0,9272 dan macro F1-score 0,8996. Skenario class-weighted loss tanpa normalisasi menghasilkan macro F1-score 0,8985, sedangkan skenario tanpa class-weighted loss berada pada macro F1-score 0,8901. Temuan ini menegaskan class-weighted loss paling berpengaruh, sementara normalisasi Levenshtein memberi manfaat tambahan saat dikombinasikan.
Co-Authors Abilo, Nelson Alfons Achmad Ridok Agus Wahyu Widodo Agus Wahyu Widodo, Agus Wahyu Aldinno, Deva Andrea, Amalia Reani Bayu Priyambadha Budi Darma Setiawan Dhamara, Helmi Dhiya'uddin, Muhammad Faishal Dyah Ayu Wulandari Edy Santoso Fauzan, M. Sabran Firdausi, Fathina Atsila Firman Yasin, Satferisnan Qoris Fitra Abdurrachman Bachtiar Hartawan, Alan Hibatullah, Farras Husain Kirana, Nareswara Lintang Kirana, Naufal Laksana Kurnianingtyas, Diva Lailil Muflikhah Mahendra, Andika Raka Mahendra, Zianka Muh. Arif Rahman Muslimah Az-Zahra, Hanifah Naufal, Muhammad Jilan Perdana, Rizal Putra Pandu Adikara Putra Pratama, Ferdiansyah Putra, Octo Perdana Ramadani, Rifki RAMADHAN, ADITYA RIZKY Rizal Setya Perdana Salsabila Sangdiva Laksono, Khansa Setya Perdana, Rizal Yusuf Hartono Zulhilmi, Anshar