Articles
<![CDATA[AUDIT AWAL SISTEM E-LEARNING SKB GUNUNGKIDUL MENGGUNAKAN EMPAT DOMAIN PADA COBIT ]]>
<![CDATA[Krisnawati Krisnawati]]>;
<![CDATA[Ema Utami]]>;
<![CDATA[Hartatik Hartatik]]>;
<![CDATA[Hastari Utama]]>
<![CDATA[ IT (INFORMATIC TECHNIQUE) JOURNAL Vol 5, No 1 (2017): IT JOURNAL APRIL 2017 ]]>
Publisher : <![CDATA[Universitas Potensi Utama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22303/it.5.1.2017.56-69
<![CDATA[Pendidikan memiliki 3 bentuk yang berbeda berdasarkan formalitasnya yaitu pendidikan formal, nonformal dan informal.SKB Gunungkidul adalah salah satu penyelenggara pendidikan nonformal yang ada di Kabupaten Gunungkidul, Yogyakarta. Hasil analisa penyelenggaraan program kesetaraan kejar paket C di SKB Gunung Kidul menggunakan diagram fishbone ditemukan ada enam masalah utama yaitu pendaftaran warga belajar , model pengajaran dan bahan ajar yang digunakan, penyelenggara pendidikan, model pembelajaran, model evaluasi, dan evaluasi mutu. Salah satu solusi dalam mengatasi permasalahan tersebut adalah dengan diselenggarakannya Pendidikan Jarak Jauh dengan pola e-learning.Namun sebelum diimplementasikan perlu dilakukan evaluasi guna evaluasi terhadap pengendalian sistem informasi e-learning ssehingga kegiatan operasional yang berkaitan dengan penyelenggaraan program pendidikan nonformal dapat berjalan dengan baik. Evaluasi dilakukan sesuai dengan standar COBIT dengan menggunakan empat domain yang ada di dalamnya yaitu Plan and Organise (PO), Acquire and Implement (AI), Deliver and Support (DS) dan Monitor and Evaluate (ME). Hasil perhitungan nilai maturity level pada masing-masing proses teknologi informasi didapatkan suatu nilai total PO sebesar 5.6, dan memiliki rata-rata PO sebesar 2.8, sehingga Gap yang didapatkan sebesar 0.70. hal tersebut menunjukan bahwa perencanaan dan perorganisasian cukup baik.]]>
<![CDATA[PENDEKATAN NATURAL LANGUAGE PROCESSING PADA APLIKASI CHATBOT SEBAGAI ALAT BANTU CUSTOMER SERVICE ]]>
<![CDATA[Sri Mulyatun]]>;
<![CDATA[Hastari Utama]]>;
<![CDATA[Ali Mustopa]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 2 No. 2 (2021): Januari ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (282.989 KB)
|
DOI: 10.24076/joism.2021v3i1.404
<![CDATA[Informasi mengenai Akademik adalah bagian sangat penting dalam kehidupan sehari-hari, dimana informasi Akademik tersebut diperoleh salah satunya dengan kosultasi langsung dengan customer service. Berdasarkan wawancara yang dilakukan terhadap beberapa mahasiswa. mahasiswa memperoleh informasi Akademik dengan cara berkunjung ke kampus dan bertanya langsung terhadap customer service.Penyampaian informasi Akademik tersebut dirasa kurang karena keterbatasan oleh waktu jam buka kampus, sedangkan banyak mahasiswa sangat membutuhkan informasi Akademik dan konsultasi Akademik dengan cepet dan tidak mau terikat oleh waktu buka kampus, bahkan mahasiswa mengalami masalah Akademik disaat kampus sudah tutup, dan membutuhkan konsultasi customer service. Dengan permasalahan tersebut maka banyak mahasiswa yang salah terima dalam mencerna informasi dari akademik. Untuk menyampaikan informasi Akademik yang tidak terikat oleh waktu buka kampus, Universitas AMIKOM Yogyakarta memerlukan suatu alat media layanan informasi Akademik yang dapat merespon setiap pertanyaan mahasiswa tanpa ada keterbatasan waktu dan jumlah customer service. Pada penelitian ini solusi yang diusulkan untuk masalah tersebut salah satunya dengan cara membangun sebuah aplikasi chatbot informasi Akademik (customer service virtual) dengan pendekatan Natural Language Processing dengan menggunakan medote Fuzzy String Matching sebagai media penalarannya. Teknologi chatbot merupakan salah satu bentuk aplikasi Natural Language Processing, NLP itu sendiri merupakan salah satu bidang ilmu Kecerdasan Buatan ( Artificial Intelligence ) yang mempelajari komunikasi antara manusia dengan komputer melalui bahasa alami.]]>
<![CDATA[Analisis Sentimen pada Twitter menggunakan Word Embedding dengan Pendekatan Word2Vec ]]>
<![CDATA[Hastari Utama]]>;
<![CDATA[Ahlihi Masruro]]>
<![CDATA[ Jurnal Sistem Cerdas Vol. 5 No. 2 (2022) ]]>
Publisher : <![CDATA[APIC ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.37396/jsc.v5i2.242
<![CDATA[In this day and age, the use of social media is familiar to some circles. The existence of social media can be analyzed for certain interests. This analysis can also be carried out for the benefit of knowing the opinions or sentiments that contain it. Therefore, a sentiment analysis is needed to get a classification of existing opinions. The use of sentiment analysis cannot be separated from the document or text representation stage. This usually takes the form of the bag of word (BOW). However, BOW has a weakness, namely it produces a lot of features so that the classification accuracy results are less than optimal. Therefore we need the Word Embedding method to represent documents in vector form. The use of this method results in fewer features so that data training time can be shorter. Apart from that, the syntax and semantics of the words that compose the tweet are also considered. So, Word Embedding produces meaningful vectors.]]>
<![CDATA[ANALISIS SENTIMEN DENGAN PENDEKATAN ENSEMBLE LEARNING DAN WORD EMBEDDING PADA TWITTER ]]>
<![CDATA[Erna Daniati]]>;
<![CDATA[Hastari Utama]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 4 No. 2 (2023): Januari ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2023v4i2.973
<![CDATA[Twitter merupakan media sosial yang sering digunakan dimana mencapai 284 juta pengguna aktif dan setiap harinya lebih dari 500 juta tweet per hari. Hari ini menjadikan peluang emas bagi perusahaan dan individu untuk meningkatkan relasi sosial, politik, dan ekonomi yang kuat demi meningkatkan reputasi. Pada kumpulan tweet tersebut memuat opini yang berasal dari berbagai pengguna. Hal ini sangat potensial bagi perusahaan untuk menggali dan mendapatkan informasi mengenai jenis tweet ini. Selanjutnya, ekstrasi data yang disusun dalam bentuk Bag Of Word ini terdapat kekurangan. Fitur yang dihasilkan cukup banyak sehingga berpengaruh dalam waktu proses untuk pelatihan data. Metode Word2Vec memiliki keunggulan dalam menangkap hubungan sintaksis dan semantik antar kata. Pada penelitian ini berusaha untuk meningkatkan akurasi yang dicapai dengan penggunaan word embedding sebagai representasi teks dan ensemble learning dari pengklasifikasi yang digunakan. Hasil penelitian ini mampu menunjukkan tngkat akurasi yang lebih tinggi dalam penggunaan algoritma Adaboost dan Word2Vec. Kata Kunci : Ensemble Learning, Sentiment Analysis, Word Embedding, Twitter.]]>
<![CDATA[PENDEKATAN DEEP LEARNING MENGGUNAKAN METODE LSTM UNTUK PREDIKSI HARGA BITCOIN ]]>
<![CDATA[Hastari Utama]]>
<![CDATA[ The Indonesian Journal of Computer Science Research Vol. 2 No. 2 (2023): July ]]>
Publisher : <![CDATA[Hemispheres Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.59095/ijcsr.v2i2.77
<![CDATA[Bitcoin price prediction involves analyzing a variety of factors, including market sentiment, trading volume, economic news, technological developments, and other factors that affect supply and demand. Both technical and fundamental analysis methods can be used to try to predict Bitcoin price movements. In this Bitcoin price prediction using a Deep Learning approach with the chosen method is LSTM. The LSTM (Long Short-Term Memory) method is a popular type of Recurrent Neural Network (RNN) model for predicting the price of Bitcoin and other financial assets. LSTM can solve the problem of price movements that have long-term dependencies, which traditional RNN models cannot handle well. LSTMs have the ability to "remember" information from longer periods of time, thereby recognizing complex patterns and trends in historical data. In this study the prediction period used a dataset from March 1 2016 to November 24 2018. This study used an epoch parameter of 10 with a learning rate of 0.001. In addition, the batch size parameter used is 25 with layers only. The evaluation results of this study resulted in an RMSE of 77.74 and an MAE of 278.33. This shows that the RMSE value is small because the Bitcoin price range is too far.]]>
<![CDATA[PENGEMBANGAN WEBSITE PROFIL SEBAGAI MEDIA INFORMASI PADA BATALYON KOMANDO 469 KOPASGAT MEDAN ]]>
<![CDATA[Nila Feby Puspitasari]]>;
<![CDATA[Hastari Utama]]>;
<![CDATA[Erni Seniwati]]>;
<![CDATA[Bayu Setiaji]]>;
<![CDATA[Banu Santoso]]>;
<![CDATA[Achmad Lukman]]>
<![CDATA[ Panrita Abdi - Jurnal Pengabdian pada Masyarakat Vol. 8 No. 1 (2024): Jurnal Panrita Abdi - Januari 2024 ]]>
Publisher : <![CDATA[LP2M Universitas Hasanuddin ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.20956/pa.v8i1.22410
<![CDATA[The presence of the internet is a form of technological and information development that has a positive impact on life because given the many benefits. An example is the existence of a website organization which can be felt by the institution. As a response, it is appropriate for the website organization to be an important consideration for the organization, one of the military environments which in carrying out its duties and functions. The 469th Kopasgat Command Battalion is a Kopasgat combat unit directly under the Commander of Wing III Kopasgat located in Medan, North Sumatra. The existence of the 469th Kopasgat Command Battalion certainly has a very important role in maintaining national security. However, the public does not yet know much information related to the profile of the organization, due to limited access to information services owned by the organization and the community. One of the media for information and communication to the public used by this institution is Instagram. It has access is so easy, but the context is still limited, only uploading photos and videos and preventing Instagram users from reaching other domains. In addition, the quality of uploads is degraded and must be changed periodically. Therefore we need a mechanism to implement information media in the form of website services. This can provide information related to unit performance and others. The existence of this problem motivates me to develop a profile website as a form of community service. This service program aims to develop a website service profile for the 469 Kopasgat commando battalion to be able to work together to build a complete culture of information and communication. --- Kehadiran internet adalah salah satu bentuk perkembangan teknologi dan informasi yang memberikan dampak positif bagi kehidupan, karena mengingat banyaknya manfaat yang didapatkan. Salah satu contohnya adalah keberadaan website organisasi yang kemudian dapat dirasakan manfaatnya oleh pihak lembaga yang bersangkutan. Menanggapi hal tersebut, sudah sepatutnya website organisasi menjadi pertimbangan yang penting bagi organisasi salah satunya adalah institusi di lingkungan militer yang dalam menjalankan tugas dan fungsinya Batalyon Komando 469 Kopasgat adalah satuan tempur Kopasgat yang berkedudukan langsung di bawah Komandan Wing III Kopasgat yang berlokasi di Medan Sumatera Utara. Keberadaan Batalyon Komando 469 Kopasgat tentunya memiliki peran yang sangat penting dalam mempertahankan keamanan nasional. Namun masyarakat belum banyak mengetahui informasi terkait profil organisasi tersebut, karena keterbatasan layanan akses informasi yang dimiliki organisasi maupun masyarakat. Salah satu media informasi dan komunikasi kepada masyarakat yang digunakan Batalyon Komando 469 Kopasgat Medan berupa Instagram. Instagram merupakan media sosial yang aksesnya begitu mudah, tetapi konteksnya masih terbatas, hanya memuat foto dan video serta membuat pengguna Instagram tidak dapat menjangkau ranah ranah lainnya. Selain itu, kualitas unggahan yang menurun dan harus diubah secara berkala. Oleh karena itu perlu suatu mekanisme untuk menerapkan sebuah media informasi berupa layanan website. Hal ini dapat memberikan informasi terkait dengan kinerja satuan dan lainnya. Adanya permasalahan ini memotivasi untuk mengembangkan website profil sebagaiwujud dari pengabdian masyarakat. Adapun tujuanprogram pengabdian masyarakat dosen ini adalah melakukan pengembangan layanan website profil batalyon komando 469 kopasgat untuk dapat bersinergi untuk bersama sama membangun budaya informasi dan komunikasi secara lengkap.]]>
<![CDATA[Kolaborasi Naïve Bayes dan AdaBoost dalam Klasifikasi Bakteri E.coli ]]>
<![CDATA[Utama, Hastari Utama]]>;
<![CDATA[Masruro, Ahlihi]]>;
<![CDATA[Triyadi, Agung]]>
<![CDATA[ Jurnal Sistem Informasi, Manajemen dan Teknologi Informasi Vol. 2 No. 2 (2024): Juli ]]>
Publisher : <![CDATA[STMIK Palangkaraya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33020/jsimtek.v2i2.756
<![CDATA[Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma Naïve Bayes yang di-boosting menggunakan AdaBoost dalam klasifikasi bakteri E.coli. Naïve Bayes sering dianggap sebagai weak classifier karena akurasinya yang kurang optimal pada dataset yang kompleks, sehingga diperlukan metode boosting untuk meningkatkan performanya. AdaBoost dipilih karena kemampuannya memperkuat weak classifiers dengan menyesuaikan bobot pada data yang salah diklasifikasikan, sehingga hasil klasifikasi menjadi lebih akurat. Dataset E.coli yang digunakan dalam penelitian ini terdiri dari 7 fitur biologis yang menggambarkan karakteristik sinyal dan protein. Proses implementasi dilakukan menggunakan Python, Jupyter Notebook, serta library scikit-learn dan imblearn. Evaluasi kinerja dilakukan dengan menggunakan metode 10-fold cross-validation dan confusion matrix. Hasil penelitian menunjukkan bahwa Naïve Bayes yang di-boosting dengan AdaBoost berhasil meningkatkan akurasi klasifikasi dari 76% menjadi 94%, serta meningkatkan rata-rata cross-validation dan geometric mean. Meskipun AdaBoost tidak selalu menjamin peningkatan kinerja pada setiap dataset, kolaborasi kedua algoritma ini terbukti mampu memberikan hasil yang lebih stabil dan akurat pada dataset E.coli . Penelitian ini menyimpulkan bahwa kombinasi Naïve Bayes dan AdaBoost efektif dalam meningkatkan performa klasifikasi dataset biologis yang kompleks.]]>
<![CDATA[Perancangan UI/UX Pada Aplikasi Peduli Alam Berbasis Aplikasi Mobile Menggunakan UCD ]]>
<![CDATA[Gavinda, Gigih Raka]]>;
<![CDATA[Utama, Hastari]]>;
<![CDATA[Masruro, Ahlihi]]>
<![CDATA[ The Indonesian Journal of Computer Science Research Vol. 4 No. 1 (2025): Januari ]]>
Publisher : <![CDATA[Hemispheres Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.59095/ijcsr.v4i1.192
<![CDATA[Permasalahan pembuangan sampah sembarangan masih sering terjadi di berbagai daerah, seperti di pinggir jalan dan sungai, yang menimbulkan bau tidak sedap, merusak pemandangan, serta mengganggu kenyamanan masyarakat. Fenomena ini menunjukkan rendahnya kesadaran masyarakat dalam menjaga kebersihan lingkungan. Untuk mengatasi masalah tersebut, diperlukan solusi inovatif yang dapat memudahkan masyarakat dan petugas kebersihan dalam mengelola sampah. Penelitian ini bertujuan merancang antarmuka aplikasi Peduli Alam berbasis mobile dengan menerapkan metode User-Centered Design (UCD) yang berfokus pada kebutuhan pengguna. Aplikasi ini dirancang dengan tiga fitur utama, yaitu Lokasi Sampah, Laporan Pekerjaan, dan Tip untuk Petugas Kebersihan, yang diharapkan dapat memudahkan masyarakat dalam melaporkan lokasi sampah serta membantu petugas kebersihan dalam menangani masalah sampah secara efektif. Pengujian prototipe dilakukan terhadap 30 responden menggunakan kuesioner dengan skala Likert yang terdiri dari 15 pertanyaan. Hasil evaluasi menunjukkan skor sebesar 84,71 yang termasuk dalam kategori “Baik”, mengindikasikan bahwa desain aplikasi ini telah memenuhi kebutuhan pengguna dan siap untuk dikembangkan lebih lanjut. Dengan adanya aplikasi ini, diharapkan dapat meningkatkan partisipasi masyarakat dalam menjaga kebersihan lingkungan serta mendukung kinerja petugas kebersihan dalam menanggulangi masalah sampah.]]>
<![CDATA[Perbandingan Kinerja Algoritma SVM, LSTM, dan Fine-tuned IndoBERT dalam Analisis Sentimen Opini Masyarakat Indonesia terhadap Mobil Listrik ]]>
<![CDATA[Daniati, Erna]]>;
<![CDATA[Nugroho, Arie]]>;
<![CDATA[Ristyawan, Aidina]]>;
<![CDATA[Utama, Hastari]]>
<![CDATA[ The Indonesian Journal of Computer Science Research Vol. 5 No. 1 (2026): Januari ]]>
Publisher : <![CDATA[Hemispheres Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.59095/ijcsr.v5i1.245
<![CDATA[Penelitian ini menyajikan analisis sentimen terhadap opini publik di Indonesia mengenai mobil listrik menggunakan pendekatan fine-tuning pada model IndoBERT untuk meningkatkan akurasi klasifikasi sentimen. Dengan semakin meningkatnya pergeseran global menuju transportasi berkelanjutan, memahami persepsi masyarakat sangat penting bagi keberhasilan adopsi mobil listrik di Indonesia. Penelitian ini menggunakan dataset berisi 1.517 komentar berbahasa Indonesia yang dikumpulkan dari platform media sosial dan dilabeli menjadi tiga kategori sentimen: positif, negatif, dan netral. Model yang digunakan adalah IndoBERT-base yang diperbaiki melalui proses fine-tuning pada dataset tersebut untuk meningkatkan performanya dalam klasifikasi sentimen. Hasil evaluasi menunjukkan bahwa IndoBERT yang telah dilakukan fine-tuning mencapai akurasi sebesar 0,91, mengungguli tiga model baseline yaitu TF-IDF dengan SVM, LSTM, serta IndoBERT tanpa fine-tuning. Uji signifikansi statistik menggunakan uji McNemar membuktikan bahwa peningkatan tersebut signifikan secara statistik (p < 0,05). Selain itu, analisis tematik kualitatif mengungkapkan bahwa sentimen negatif didominasi oleh kekhawatiran terhadap harga yang mahal infrastruktur pengisian daya yang minim serta ketidakpercayaan terhadap kebijakan pemerintah sedangkan sentimen positif cenderung berkaitan dengan manfaat lingkungan dan insentif yang adil. Penelitian ini menunjukkan bahwa pendekatan fine-tuning pada IndoBERT secara signifikan meningkatkan akurasi klasifikasi sentimen dan memberikan wawasan berharga mengenai opini publik yang mendukung pengembangan kebijakan dan strategi industri dalam mempromosikan mobilitas ramah lingkungan di Indonesia]]>
<![CDATA[Comparative Analysis of BERT and LSTM Models for Sentiment Classification of Mobile Game User Reviews ]]>
<![CDATA[Indriyatmoko, Toto]]>;
<![CDATA[Rahardi, Majid]]>;
<![CDATA[Utama, Hastari]]>;
<![CDATA[Frobenius, Arvin Claudy]]>
<![CDATA[ Journal of Applied Informatics and Computing Vol. 10 No. 1 (2026): February 2026 ]]>
Publisher : <![CDATA[Politeknik Negeri Batam ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30871/jaic.v10i1.12149
<![CDATA[Sentiment classification of user reviews for mobile games that rely on direct advertising (direct ads) is crucial for understanding player perceptions and improving user experience. This study aims to compare the performance of two deep learning architectures, Long Short-Term Memory (LSTM) and multilingual Bidirectional Encoder Representations from Transformers (BERT) in classifying sentiment in reviews into three categories, positive, negative, and neutral. The dataset used consists of reviews from games employing direct ads, which underwent rule-based labeling and text preprocessing. The LSTM model was built from scratch using a custom embedding layer, while the multilingual BERT model was fine-tuned using a transfer learning approach. Evaluation was conducted based on accuracy, precision, recall, and F1-score metrics. Experimental results show that multilingual BERT achieves superior validation loss compared to LSTM (0.37 vs. 0.44). BERT also outperforms LSTM significantly in terms of F1-score and its ability to understand multilingual linguistic context. However, LSTM demonstrates advantages in computational efficiency and training speed. These findings offer practical recommendations for developers in selecting an appropriate sentiment analysis model based on accuracy requirements and resource availability.]]>
