Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal INTECOMS: Journal of Information Technology and Computer Science Jurnal Sains dan Teknologi ISTP
Al Afghani, Dhian Yusuf
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
ANALISA SENTIMEN DATA ULASAN PADA GOOGLE PLAY DENGAN MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE Betesda, Betesda; Purwanto, Hari; Nuryadi, Hepi; Sinaga, Dimpo; Al Din, Sayyid Jamal; Al Afghani, Dhian Yusuf
Jurnal Sains dan Teknologi ISTP Vol. 22 No. 01 (2024): DESEMBER
Publisher : LPPM ISTP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59637/jsti.v22i01.423

Abstract

Reviews on the Google Play website are an application's user ratings, which contain users' ratings and comments. Review data describes user sentiment towards the application according to the ratings and comments are given. In practice, there is often a discrepancy between the rating and the comments given, resulting in a biased sentiment, so it is necessary to analyze the review to find out the sentiment contained therein. The Naïve Bayes method and the Support Vector Machine can be one of the methods that are often used to carry out sentiment analysis, because they have a good level of accuracy in the sentiment analysis process. In collecting data from the Google Play site using the Web Scraping technique with the google- play-scraper package from Python. Reviews that are successfully scraped then go through the preprocessing stage so that the data set is more structured. In the next stage, the data set is labeled based on the rating, and given a weight using TF-IDF. After classifying using the Naïve Bayes and Support Vector Machine methods, then evaluating using the confusion matrix, and validating using K-Fold Cross Validation. Research results using the Naïve Bayes method and Support Vector Machine for sentiment analysis on the Google Play website, the Naïve Bayes method produces 87.82% accuracy, 58.90% precision, 60.08% recall, while the Support Vector Machine method produces 90% accuracy .01% , precision 61.89%, recall 60.18%.
Perbandingan Kinerja Algoritma Klasifikasi Machine Learning Dalam Analisis Sentimen Ulasan Mobile Banking WONDR BY BNI Riza, Faizal; Hendrakusuma, Dannie Febrianto; Wibowo, Budi; Al Afghani, Dhian Yusuf
INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 2 (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.v8i2.14826

Abstract

Penelitian ini menganalisis sentimen ulasan pengguna terhadap layanan dan fitur yang ditawarkan oleh WONDR by BNI dengan menerapkan berbagai algoritma klasifikasi Machine Learning. Data diperoleh dari ulasan pengguna di Google Play Store, yang kemudian melalui tahap pra-pemrosesan teks, mencakup pembersihan data dan normalisasi, sebelum digunakan dalam pelatihan model klasifikasi. Studi ini membandingkan kinerja Support Vector Machine (SVM), Light Gradient Boosting Machine (LGBM), XGBoost, Random Forest, CatBoost, dan Naïve Bayes dalam mengklasifikasikan sentimen pengguna. Hasil evaluasi menunjukkan bahwa SVM memiliki akurasi tertinggi sebesar 0,881, diikuti oleh LGBM dengan akurasi 0,877, yang unggul dalam efisiensi waktu eksekusi sebesar 11,80 detik. XGBoost memperoleh akurasi sebesar 0,872, diikuti oleh Random Forest dengan akurasi 0,866, sementara CatBoost dan Naïve Bayes mencatatkan akurasi masing-masing sebesar 0,85 dan 0,72. Meskipun SVM menunjukkan kinerja terbaik dalam klasifikasi sentimen, algoritma ini memiliki kelemahan dalam hal waktu eksekusi yang lebih lama, yaitu 57,5 detik pada mesin dengan spesifikasi RAM 2 GB dan 2 vCPU. Sebaliknya, LGBM dan XGBoost, meskipun memiliki akurasi yang sedikit lebih rendah, menunjukkan efisiensi komputasi 47,5 detik lebih gegas, sehingga lebih optimal untuk implementasi dalam sistem berskala besar
Perancangan Agen AI Lokal Mandiri Berbasis LLM Melalui Orkestrasi N8N Untuk Memori Percakapan Pada RAG Riza, Faizal; Al Din, Sayyid Jamal; Al Afghani, Dhian Yusuf; Setiabudi, Rachmat; Wibisono, Wibisono
INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 3 (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.v8i3.15839

Abstract

Pemanfaatan model bahasa besar (Large Language Model atau LLM) melalui layanan awan kerap menimbulkan beban biaya dan risiko privasi data. Penelitian ini mengembangkan agen AI lokal berbasis LLM yang terintegrasi dengan N8N, PostgreSQL pgVector, dan Ollama untuk menjawab tantangan tersebut. Sistem yang dirancang bertujuan menciptakan agen AI mandiri yang dapat beroperasi sepenuhnya secara lokal tanpa ketergantungan pada API eksternal. Proses pengembangan melibatkan integrasi orkestrator N8N untuk alur kerja percakapan, penyimpanan memori berbasis vektor melalui pgVector, dan inferensi LLM lokal menggunakan Ollama. Pengujian menggunakan model Mistral:7B menunjukkan bahwa agen mampu menyimpan memori percakapan secara persisten dan melakukan information retrieval yang relevan dengan konteks. Konfigurasi optimal dicapai pada parameter sampling temperature 0,5, top-P 0,9, dan max token 500. Seluruh skenario black-box testing berjalan sesuai rencana. Hasil menunjukkan bahwa prototipe agen AI ini dapat dijalankan secara lokal dengan baik, menjaga privasi data dan tidak bergantung pada penyedia layanan eksternal. Rancangan ini sangat sesuai diterapkan pada organisasi dengan sumber daya terbatas, kebutuhan privasi tinggi, dan skala pengguna kecil hingga menengah.
Co-Authors Al Din, Sayyid Jamal Betesda Betesda Dimpo Sinaga Faizal Riza Hari Purwanto Hendrakusuma, Dannie Febrianto Nuryadi, Hepi Riza, Faizal Setiabudi, Rachmat Wibisono Wibisono