Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JurTI (JURNAL TEKNOLOGI INFORMASI) JuTISI (Jurnal Teknik Informatika dan Sistem Informasi)
Rozam, Nadhir Fachrul
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
Analisis Sentimen Penilaian Masyarakat Terhadap Rumah Sakit Berdasarkan Ulasan Pada Google Maps Menggunakan Naive Bayes Rozam, Nadhir Fachrul; Sari, Tika Novita
JurTI (Jurnal Teknologi Informasi) Vol 8, No 2 (2024): DESEMBER 2024
Publisher : Universitas Asahan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36294/jurti.v8i2.4681

Abstract

- Rumah Sakit menjadi salah satu fasilitas vital dalam kehidupan masyarakat. Tingkat kepuasan masyarakat terhadap pelayanan rumah sakit menjadi salah satu indikator untuk kinerja rumah sakit didalam masyarakat. Salah satu penilaian langsung dari masyarakat dapat dilihat dari ulasan pada Google Maps. Ulasan masyarakat tentang pelayanan Rumah Sakit Muhammadiyah Lamongan menjadi objek penelitian penulis disini. Penelitian ini bertujuan untuk menganalisis sentimen ulasan masyarakat terhadap pelayanan Rumah Sakit Muhammadiyah Lamongan menggunakan data dari Google Maps. Analisis sentimen dilakukan untuk mengklasifikasikan ulasan ke dalam dua kategori, yaitu positif dan negatif, sehingga dapat memberikan gambaran mengenai persepsi masyarakat terhadap pelayanan rumah sakit. Dari data yang didapatkan menunjukkan bahwa 95% ulasan (3989 data) termasuk dalam kategori positif, sementara 5% ulasan (172 data) termasuk dalam kategori negatif. Hasil ini menggambarkan bahwa mayoritas pengunjung memiliki persepsi positif terhadap pelayanan rumah sakit. Selanjutnya untuk membuat sistem analisis sentimen, metode yang digunakan adalah algoritma Naive Bayes dengan tiga varian model, yaitu ComplementNB, MultinomialNB, dan BernoulliNB. Sebelum proses pelatihan, data ulasan melalui tahap pre-processing berupa stemming, penghapusan stopword, normalisasi emoticon, dan pembobotan TF-IDF untuk mempersiapkan data dalam format numerik. Hasil penelitian menunjukkan bahwa BernoulliNB memberikan performa terbaik dengan akurasi sebesar 84,21%, diikuti oleh ComplementNB dengan akurasi 80,26%, dan MultinomialNB dengan akurasi 72,37%. Penelitian ini berkontribusi pada peningkatan pelayanan dan manajemen rumah sakit dengan menyediakan analisis sentimen secara real-time sebagai umpan balik yang dapat digunakan untuk evaluasi dan perbaikan layanan.
Optimasi Algoritma Support Vector Machine untuk Analisis Sentimen dengan Bayesian Optimization Yudianto, Muhammad Resa Arif; Zakariah, Masduki; Rozam, Nadhir Fachrul; Rahman, Dzul Fadli; Sari, Tika Novita; Mustofa, Zaenal
Jurnal Teknik Informatika dan Sistem Informasi Vol 11 No 3 (2025): JuTISI
Publisher : Maranatha University Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28932/jutisi.v11i3.11524

Abstract

This study examines the effect of Bayesian Optimization in improving the performance, computational efficiency, and sustainability of Aspect-Based Sentiment Analysis models using Support Vector Machine (SVM). A dataset consisting of 988 customer reviews about Borobudur Temple, classified into six dimensions: Attractiveness, Facilities, Accessibility, Visual Image, Price, and Human Resources is used to compare two scenarios, namely Baseline SVM and SVM enhanced with Bayesian Optimization (BO). Important metrics used include accuracy, computational duration, energy usage, and carbon emissions. The results show that BO significantly improves accuracy, especially on difficult aspects such as Facilities (from 0.7294 to 0.8682) and Price (from 0.8047 to 0.9576). The most complicated aspect, namely visual image due to the very minimal number of datasets (unbalanced), achieved an increase in accuracy from 0.6729 to 0.72. In addition, BO reduces training time, especially for resource-intensive tasks such as the visual image aspect, reducing training time from 13.04 seconds to 9.4 seconds. Substantial reductions in energy consumption and CO₂ emissions are seen in line with sustainable machine learning principles. The hyperparameter adaptability of SVM, with linear kernels performing well in simpler tasks, while polynomial and sigmoid kernels improve performance for more complex parts. BO substantially alleviates the limitations of Baseline SVM, offering a robust, efficient, and environmentally friendly solution for ABSA. Future research can explore more enhancements for complex tasks to improve performance and efficiency.
Co-Authors Muhammad Resa Arif Yudianto Rahman, Dzul Fadli Tika Novita Sari Zaenal Mustofa Zakariah, Masduki