Claim Missing Document
Check
Articles

Found 5 Documents
Search

SISTEM PERINGATAN DINI BANJIR BANDANG DI WILAYAH PENAMBANGAN PASIR VULKANIK MENGGUNAKAN INTERNET OF THINGS Putra, Vito Hafizh Cahaya; Kanugrahan, Ghanim; Wahyu, Ari Purno
Jurnal Responsif : Riset Sains dan Informatika Vol 6 No 1 (2024): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v6i1.1498

Abstract

Banjir bandang menjadi ancaman serius yang mengintai bagi siapapun yang beraktivitas disungai, seperti aktivitas penambang pasir vulkanik yang kerap kali mendatangkan korban yaitu secara mendadak banjir bandang datang secara tiba-tiba dari dataran tinggi. Banyak penelitian untuk membuat sistem peringatan dini berbasis Internet of Things (IoT) yang telah dilakukan umumnya menggunakan Water Flow Sensor yang kurang tepat untuk banjir bandang, tidak menggunakan platform Thingspeak dan membutuhkan pembangkit tenaga listrik konvensional. Penelitian ini bertujuan untuk membuat prototipe sistem peringatan dini banjir bandang bagi penambang pasir vulkanik berbasis Internet of Things menggunakan alarm dan media sosial twitter, serta memanfaatkan sensor Ultrasonic, sensor IR (Infrared) Line Tracking, dan modul jaringan ESP8266 menggunakan protokol HTTP (Hypertext Transfer Protocol) untuk terhubung ke platform Thingspeak. Terdapat Solar Cell yang digunakan untuk mengisi daya berbagai perangkat menggunakan cahaya matahari. Setelah dilakukan pengujian pada sistem ini menggunakan Black Box Testing dengan hasil semua perangkat dapat bekerja dengan baik. Peringatan dini melalui alarm terbukti dapat memberikan peringatan secara cepat, dan informasi bencana dapat diakses melalui twitter, serta hasil pendeteksian sensor ditampilkan melalui grafik.
Analisis Sentimen Aplikasi Gojek Menggunakan SVM, Random Forest dan Decision Tree Kanugrahan, Ghanim; Putra, Vito Hafizh Cahaya; Ramdhani, Yudi
Jurnal Infortech Vol 6, No 2 (2024): Desember 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v6i2.24594

Abstract

Semakin banyak orang di dunia menggunakan aplikasi seluler di smartphone yang mereka miliki lebih dari sekadar alat hiburan, tetapi juga untuk memenuhi kebutuhan sehari-hari. Hal ini telah menyebabkan munculnya aplikasi seperti Gojek, sebuah perusahaan Super-app yang menyediakan solusi transportasi dan keperluan lainnya. Namun, Gojek menghadapi persaingan dari aplikasi serupa. Dengan kompetisi yang intens, memastikan kepuasan pengguna sangat penting untuk kesuksesan aplikasi Gojek. Review di platform seperti Google Play Store memberikan data berharga bagi pengembang untuk meningkatkan kualitas aplikasi dan pengalaman pengguna melalui pembaruan yang berkelanjutan. Makalah ini menganalisis kepuasan pelanggan aplikasi Gojek menggunakan pembelajaran mesin pada review pengguna dari Google Play Store yang diperoleh dari repositori data Kaggle. Dari 224.044 review awal, dataset dikurangi menjadi 65.584 review. Analisis mengungkapkan sentimen yang bervariasi, dengan kepuasan tinggi pada review bintang 5 dan keluhan umum tentang layanan yang lambat pada penilaian yang lebih rendah. Sembilan variasi model pembelajaran mesin, termasuk SVM, Random Forest, dan Decision Tree, digunakan untuk mengevaluasi data yang diterima. Algoritma SVM diidentifikasi sebagai yang paling efektif untuk klasifikasi sentimen. Hasil ini menunjukkan bahwa algoritma SVM adalah algoritma terbaik untuk digunakan dalam menganalisis review Gojek.
STUDI KOMPARATIF ALGORITMA MACHINE LEARNING PADA ANALISIS SENTIMEN MEDIA SOSIAL Panjaitan, Febriyanti; Ce, Win; Oktafiandy, Hery; Kanugrahan, Ghanim; Ramdhani, Yudi; Hafizh Cahaya Putra, Vito; Permai, Antika
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.v9i2.13277

Abstract

Analisis sentimen di Twitter telah menjadi salah satu topik utama dalam penelitian terkait opini publik di bidang ekonomi, politik, dan isu sosial. Penggunaan machine learning dalam analisis sentimen memungkinkan untuk memproses data teks secara efisien. Penelitian ini bertujuan untuk mengeksplorasi literatur terkait analisis sentimen menggunakan metode machine learning pada Twitter dalam konteks ekonomi, politik, dan isu sosial. Metode yang digunakan adalah Systematic Literature Review (SLR), dengan pengumpulan artikel dari tiga database utama: IEEE Xplore, Google Scholar, dan Scopus. Setelah menerapkan kriteria inklusi dan eksklusi, 45 artikel relevan terpilih untuk dianalisis. Hasil penelitian menunjukkan bahwa Support Vector Machine (SVM) memiliki performa terbaik dengan akurasi rata-rata 85.3%, diikuti oleh Random Forest (83.7%) dan Naïve Bayes (81.5%). KNN dan Decision Tree menunjukkan performa lebih rendah, kemungkinan karena sensitivitas terhadap data yang tidak seimbang. Tren penelitian mengindikasikan bahwa analisis sentimen di bidang ekonomi lebih banyak berkaitan dengan dampak kebijakan ekonomi, di bidang politik fokus pada opini publik terkait pemilu dan kebijakan pemerintah, sementara di bidang isu sosial berkaitan dengan gerakan sosial dan kebijakan kesehatan.
Evaluation of Machine Learning Models for Sentiment Analysis in the South Sumatra Governor Election Using Data Balancing Techniques Panjaitan, Febriyanti; Ce, Win; Oktafiandi, Hery; Kanugrahan, Ghanim; Ramdhani, Yudi; Putra, Vito Hafizh Cahaya
Journal of Information System and Informatics Vol 7 No 1 (2025): March
Publisher : Universitas Bina Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51519/journalisi.v7i1.1019

Abstract

Sentiment analysis is crucial for understanding public opinion, especially in political contexts like the 2024 South Sumatra gubernatorial election. Social media platforms such as Twitter and YouTube provide key sources of public sentiment, which can be analyzed using machine learning to classify opinions as positive, neutral, or negative. However, challenges such as data imbalance and selecting the right model to improve classification accuracy remain significant. This study compares five machine learning algorithms (SVM, Naïve Bayes, KNN, Decision Tree, and Random Forest) and examines the impact of data balancing on their performance. Data was collected via Twitter crawling (140 entries) and YouTube scraping (384 entries), and text features were extracted using CountVectorizer. The models were then evaluated on imbalanced and balanced datasets using accuracy, precision, recall, and F1-score. The Decision Tree and Random Forest models achieved the highest accuracies of 79.22% and 75.32% on imbalanced data, respectively. However, they also exhibited overfitting, as indicated by their near-perfect training performance. Naïve Bayes, on the other hand, demonstrated the lowest accuracy at 54.55% despite achieving high precision, suggesting frequent misclassification, particularly for the minority class. SVM and KNN also struggled with imbalanced data, recording accuracies of 58.44% and 63.64%, respectively. Significant improvements were observed after applying data balancing techniques. The accuracy of SVM increased to 71.43%, and KNN improved to 66.23%, indicating that these models are more stable and effective when class distributions are even. These findings highlight the substantial impact of data balancing on model performance, particularly for methods sensitive to class distribution. While tree-based models achieved high accuracy on imbalanced data, their tendency to overfit underscores the importance of balancing techniques to enhance model generalization.
SISTEM PERINGATAN DINI BANJIR BANDANG DI WILAYAH PENAMBANGAN PASIR VULKANIK MENGGUNAKAN INTERNET OF THINGS Putra, Vito Hafizh Cahaya; Kanugrahan, Ghanim; Wahyu, Ari Purno
Jurnal RESPONSIF: Riset Sains & Informatika Vol 6 No 1 (2024): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v6i1.1498

Abstract

Banjir bandang menjadi ancaman serius yang mengintai bagi siapapun yang beraktivitas disungai, seperti aktivitas penambang pasir vulkanik yang kerap kali mendatangkan korban yaitu secara mendadak banjir bandang datang secara tiba-tiba dari dataran tinggi. Banyak penelitian untuk membuat sistem peringatan dini berbasis Internet of Things (IoT) yang telah dilakukan umumnya menggunakan Water Flow Sensor yang kurang tepat untuk banjir bandang, tidak menggunakan platform Thingspeak dan membutuhkan pembangkit tenaga listrik konvensional. Penelitian ini bertujuan untuk membuat prototipe sistem peringatan dini banjir bandang bagi penambang pasir vulkanik berbasis Internet of Things menggunakan alarm dan media sosial twitter, serta memanfaatkan sensor Ultrasonic, sensor IR (Infrared) Line Tracking, dan modul jaringan ESP8266 menggunakan protokol HTTP (Hypertext Transfer Protocol) untuk terhubung ke platform Thingspeak. Terdapat Solar Cell yang digunakan untuk mengisi daya berbagai perangkat menggunakan cahaya matahari. Setelah dilakukan pengujian pada sistem ini menggunakan Black Box Testing dengan hasil semua perangkat dapat bekerja dengan baik. Peringatan dini melalui alarm terbukti dapat memberikan peringatan secara cepat, dan informasi bencana dapat diakses melalui twitter, serta hasil pendeteksian sensor ditampilkan melalui grafik.