Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA )
Kansha, Lyudza Aprilia
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Engineering

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

Found 2 Documents
Search

 1 
PEMANFAATAN BUSINESS INTELLIGENCE UNTUK ANALISIS PRODUKSI PADI DI PULAU SUMATERA Wardiani, Nazmi; Murpratiwi, Santi Ika; Kansha, Lyudza Aprilia; Sari, Gita Mailand
JTIKA (Jurnal Teknik Informatika, Komputer dan Aplikasinya) Vol 6 No 1 (2024): March 2024
Publisher : Program Studi Teknik Informatika, Fakultas Teknik, Universitas Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jtika.v6i1.381

Abstract

Pertanian padi di wilayah Sumatera memegang peran penting dalam memastikan ketersediaan pangan bagi Indonesia. Namun, tantangan serius terkait dengan organisasi dan sistematisasi data pertumbuhan dan produksi tanaman padi di pulau ini membatasi efektivitas pengambilan keputusan. Penelitian ini mengusulkan pemanfaatan business intelligence untuk menganalisis produksi padi di Sumatera dengan fokus pada pengembangan dashboard sistem. Melalui pendekatan ini, data yang ada akan diorganisir dan dianalisis dengan baik untuk memperoleh pemahaman yang lebih mendalam tentang dinamika pertumbuhan tanaman padi di wilayah ini. Pendekatan praktis yang diambil dalam penelitian ini adalah pengembangan dashboard sistem yang menggunakan business intelligence sebagai pusat informasi menyeluruh, mencakup berbagai aspek terkait pertanian padi di Sumatera. Dengan menggunakan business intelligence, dashboard ini diharapkan mampu menganalisis data pertumbuhan tanaman padi secara sistematis dan mudah dipahami. Informasi yang disajikan mencakup berbagai aspek, seperti tren luas pertanaman padi di tiap provinsi, perbandingan produksi padi, rata-rata curah hujan, suhu, tingkat kelembapan, dan peramalan luas panen. Diharapkan pemanfaatan business intelligence dalam pembuatan sistem dashboard untuk menganalisis produksi padi dapat memberikan wawasan yang lebih mendalam kepada para pemangku kepentingan dalam industri pertanian, memudahkan mereka dalam pengambilan keputusan yang lebih baik, dan pada akhirnya, meningkatkan produktivitas dan keberlanjutan sektor pertanian padi.
ANALISIS PERFORMA INDOBERTWEET DAN DISTILBERT PADA ANALISIS SENTIMEN DENGAN DATASET BERLABEL MANUAL DAN OTOMATIS Kansha, Lyudza Aprilia; Suta Wijaya, I Gede Pasek; Bimantoro, Fitri
JTIKA (Jurnal Teknik Informatika, Komputer dan Aplikasinya) Vol 7 No 2 (2025): September 2025
Publisher : Program Studi Teknik Informatika, Fakultas Teknik, Universitas Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jtika.v7i2.484

Abstract

Tourism in North Lombok, particularly the Gili Islands (Trawangan, Air, and Meno), plays a significant role in the regional economy. Understanding public sentiment through social media is crucial for improving tourism services and management. This study compares the performance of two transformer-based models IndoBERTweet and DistilBERT in sentiment analysis of tourism-related tweets from X (Twitter). The dataset used consists of 3,159 preprocessed Indonesian-language tweets, labeled through both manual annotation and automatic classification using DistilBERT. IndoBERTweet was evaluated on both manual and automatic labels, while DistilBERT was only applied to the manually translated dataset. Experimental results show that IndoBERTweet with manual labeling achieved an F1-score of 72.98% and demonstrated more balanced performance across all sentiment classes. Meanwhile, DistilBERT showed lower F1-scores overall (max. 57%) but performed efficiently in terms of computational time. Automatic labeling showed weak agreement with manual annotation (only 31.8% match), leading to bias in model learning, particularly the failure to detect neutral sentiment. Evaluation using new test sentences yielded 80% prediction accuracy, yet revealed that IndoBERTweet struggles with implicit sentiment or subtle dissatisfaction. This research highlights IndoBERTweet's effectiveness in Indonesian sentiment analysis and emphasizes the trade off between computational efficiency and contextual accuracy in lightweight models like DistilBERT.
Co-Authors Fitri Bimantoro I Gede Pasek Suta Wijaya Murpratiwi, Santi Ika Sari, Gita Mailand Wardiani, Nazmi