Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal SITEKIN: Jurnal Sains, Teknologi dan Industri INTECOMS: Journal of Information Technology and Computer Science JUKOMTIK
Asih, Dybio Dompu Hot
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Industrial & Manufacturing Engineering Other

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Bacteria Classification using Image Processing and Residual Neural Network (ResNet) Dybio Dompu Hot Asih; Adnan Purwanto; Dwiza Riana; Sri Hadianti
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 20, No 1 (2022): Desember 2022
Publisher : Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/sitekin.v20i1.16788

Abstract

Detection of microorganisms is of particular importance to human health and life, and for the industry in general. For this reason, we want this process to be as fast and precise as possible. We also expect that the automation of this activity (detection of microorganisms) can be widely used in various industries. This article is another attempt to the classification of bacteria  that uses a deep learning approach with Residual Neural Network(ResNet) models. The research was conducted by training the ResNet-18,ResNet-34, ResNet50 and ResNet-101 models. The results show that the ResNet-50 and ResNet-101 are the best learning model. It is better to use ResNet-50 than ResNet-101 because of the faster training time. While the results of the research also show that the architecture with the least number of layers is the fastest learning model.  ResNet-50 has an accuracy rate of 96.1% with a training time of 451 seconds is the best learning model. ResNet-18 has an accuracy rate of 93.6% with a training time of 185 seconds is the fastest learning model.
Analisis Sentimen Ulasan Review Aplikasi MyTelkomsel, IndosatM3 dan MyXl di Google Play Store Menggunakan Metode Bert Asih, Dybio Dompu Hot; Manik, Lindung Parningotan
INTECOMS: Journal of Information Technology and Computer Science Vol 8 No 1 (2025): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v8i1.12817

Abstract

Aplikasi seluler dari penyedia layanan telekomunikasi, seperti MyTelkomsel, IndosatM3, dan MyXL, semakin penting dalam kehidupan sehari-hari konsumen. Pengguna sering meninggalkan ulasan dan penilaian di platform seperti Google PlayStore, yang dapat menjadi sumber informasi berharga bagi perusahaan untuk meningkatkan kualitas layanan. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna aplikasi MyTelkomsel, IndosatM3, dan MyXL di Google PlayStore menggunakan BERT. Penelitian ini dilakukan untuk analisa sentimen terhadap aplikasi MyTelkomsel, IndosatM3 dan MyXl di Google Play Store. Data review komentar diambil dari fitur komentar yang ada di Google Play Store menggunakan teknik scrapping. Data yang digunakan berjumlah 600 records. Hasil dari analisa sentimen dapat dimanfaatkan untuk melihat respon pengguna MyTelkomsel, IndosatM3 dan MyXl lalu pengembang bisa memaksimalkan fitur yang dirasa kurang oleh pengguna. Model dan metode yang digunakan adalah model pre- trained BERT. Dalam penelitian ini, kami mengumpulkan data ulasan dari ketiga aplikasi tersebut dan mengklasifikasikannya ke dalam tiga kategori sentimen utama: positif, negatif, dan netral. Model BERT dilatih untuk mengenali pola dalam ulasan tersebut dan mengklasifikasikan sentimen dengan akurasi yang tinggi. Aplikasi seluler dari penyedia layanan telekomunikasi, seperti MyTelkomsel, IndosatM3, dan MyXL, semakin penting dalam kehidupan sehari-hari konsumen. Pengguna sering meninggalkan ulasan dan penilaian di platform seperti Google PlayStore, yang dapat menjadi sumber informasi berharga bagi perusahaan untuk meningkatkan kualitas layanan. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna aplikasi MyTelkomsel, IndosatM3, dan MyXL di Google PlayStore menggunakan BERT. Penelitian ini dilakukan untuk analisa sentimen terhadap aplikasi MyTelkomsel, IndosatM3 dan MyXl di Google Play Store. Data review komentar diambil dari fitur komentar yang ada di Google Play Store menggunakan teknik scrapping. Data yang digunakan berjumlah 600 records. Hasil dari analisa sentimen dapat dimanfaatkan untuk melihat respon pengguna MyTelkomsel, IndosatM3 dan MyXl lalu pengembang bisa memaksimalkan fitur yang dirasa kurang oleh pengguna. Model dan metode yang digunakan adalah model pre- trained BERT. Dalam penelitian ini, kami mengumpulkan data ulasan dari ketiga aplikasi tersebut dan mengklasifikasikannya ke dalam tiga kategori sentimen utama: positif, negatif, dan netral. Model BERT dilatih untuk mengenali pola dalam ulasan tersebut dan mengklasifikasikan sentimen dengan akurasi yang tinggi.
Adaptasi Domain BERT pada Evaluasi Akademik Mahasiswa Asih, Dybio; Simanullang, Jasael
Jurnal Komputer dan Teknologi Informasi (JUKOMTIK) Vol. 1 No. 2 (2026): Januari-Maret
Publisher : Samudra Ilmu Indonesia

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

Abstract

Penelitian ini mengkaji adaptasi domain model BERT untuk analisis sentimen terhadap evaluasi akademik mahasiswa di Universitas Wirahusada Medan. Teks evaluasi akademik sering kali mengandung terminologi khusus bidang tertentu, ungkapan informal, serta distribusi sentimen yang tidak seimbang, sehingga menurunkan efektivitas model bahasa pralatih yang bersifat umum. Penelitian ini menerapkan strategi fine-tuning dengan pendekatan Domain-Adaptive Pretraining (DAPT) pada dataset berlabel yang berisi umpan balik mahasiswa. Desain eksperimen membandingkan model BERT dasar (baseline) dengan BERT yang telah diadaptasi domain menggunakan metode stratified 5-fold cross-validation. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan Area Under the Curve (AUC). Uji signifikansi statistik dilakukan dengan paired t-test dan uji McNemar untuk memvalidasi perbedaan performa antar model. Hasil penelitian menunjukkan bahwa adaptasi domain secara signifikan meningkatkan kinerja klasifikasi, khususnya dalam menangani sentimen netral dan negatif. Model yang telah diadaptasi memperoleh nilai F1-score yang lebih tinggi serta menunjukkan kemampuan generalisasi yang lebih baik di setiap fold pengujian. Temuan ini menegaskan bahwa adaptasi spesifik domain mampu meningkatkan ketahanan (robustness) dan keandalan model berbasis transformer dalam sistem penjaminan mutu akademik, serta mendukung pengambilan keputusan berbasis data dalam manajemen pendidikan tinggi.
Co-Authors Adnan Purwanto Dwiza Riana Jasael Simanullang Lindung Parningotan Manik Sri Hadianti