Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal Jurnal Penelitian Pendidikan IPA (JPPIPA) Buletin Sistem Informasi dan Teknologi Islam Jurnal Informatika Polinema (JIP)
Kencana, Nagala Wangsa
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Library & Information Science Materials Science & Nanotechnology Physics

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

Found 3 Documents
Search

 1 
Analisis Sentimen Media Sosial X terhadap Gerakan Muhammadiyah Menggunakan Algoritma Naïve Bayes Putri, Salsabilla Azahra; Kencana, Nagala Wangsa; Khoirudin, Azaki
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 6, No 1 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v6i1.2569

Abstract

Media sosial merupakan sumber data yang kaya untuk memahami persepsi publik terhadap berbagai isu, termasuk organisasi keagamaan seperti Muhammadiyah. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap Gerakan Muhammadiyah di Media Sosial X menggunakan algoritma Naïve Bayes. Sebanyak 617 unggahan dikumpulkan dan diklasifikasikan ke dalam tiga kategori sentimen utama: positif, negatif, dan netral. Tahapan analisis dimulai dengan preprocessing data, seperti penghapusan stop words, stemming, serta penanganan slang dan teks tidak terstruktur. Data teks kemudian direpresentasikan menggunakan metode TF-IDF sebelum diterapkan pada algoritma Naïve Bayes. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mencapai akurasi sebesar 87,5%, dengan kinerja yang sangat baik dalam mengidentifikasi sentimen positif (45%) dan negatif (30%), sementara sentimen netral (25%) sering memiliki pola yang ambigu. Sentimen positif didominasi oleh apresiasi terhadap kontribusi Muhammadiyah dalam bidang pendidikan, kesehatan, dan penanganan bencana. Sebaliknya, sentimen negatif sebagian besar terkait dengan kritik terhadap biaya pendidikan, pelayanan kesehatan, dan distribusi bantuan sosial yang dinilai kurang optimal. Sentimen netral mencakup unggahan informatif tanpa opini emosional. Penelitian ini menunjukkan bahwa analisis sentimen menggunakan algoritma Naïve Bayes efektif dalam memahami persepsi publik terhadap Muhammadiyah. Temuan ini memberikan wawasan strategis bagi Muhammadiyah untuk meningkatkan citra positif dan mengelola kritik publik melalui pendekatan yang lebih adaptif di era digital.
Implementasi Transfer Learning Untuk Klasifikasi Jenis Ras Ayam Menggunakan Arsitektur MobileNetV2 kencana, nagala wangsa; Umar, Rusydi; Murinto
Jurnal Informatika Polinema Vol. 11 No. 2 (2025): Vol. 11 No. 2 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i2.6469

Abstract

Ayam diketahui telah berbaur dengan manusia dan menyebar di berbagai penjuru dunia. Orang awam kebanyakan dalam membedakan jenis ras ayam dengan ayam yang lain berdasarkan ekor, warna, dan bentuk tubuhnya. Dengan memahami perbedaan-perbedaan tersebut, seseorang dapat mengidentifikasi jenis ras ayam yang berbeda. Ras ayam secara umum memiliki tekstur yang hampir sama sehingga ini membuat kesulitan orang untuk menentukan jenis ras ayam, terutama orang awam yang belum mengetahui ciri-ciri serta jenis ras ayam. Pengumpulan data dilakukan dengan mengambil citra pada jenis ras ayam yang digunakan sebagai dataset dengan 12 kelas, yaitu Cemani, Kate, Pelung, Serama, Ketawa, Hutan, Mutiara, Kalkun, Bangkok, Poland, Ketawa, Dong Tao Sistem dianalisis kebutuhannya dari segi data, pengguna, dan sistem itu sendiri. Tahap perancangan dimulai dari pelatihan model yang baik dalam klasifikasi, merancang arsitektur data, dan merancang arsitektur. Berikutnya, transfer learning diimplementasikan kedalam sistem menyesuaikan rancangan yang telah dibuat untuk menghasilkan sistem klasifikasi. Pada penelitian ini transfer learning diimplementasikan menggunakan pre-trained model yang berarsitektur MobileNetV2 sebagai lapisan ekstraksi fitur pada model klasfikasi. Pada penelitian ini transfer learning diimplementasikan menggunakan pre-trained model yang berarsitektur MobileNetV2 sebagai lapisan ekstraksi fitur pada model klasfikasi. Pada tahap pelatihan, model-model klasifikasi dilatih menggunakan 1800 citra dan divalidasi dengan 300 citra. Kemudian, dilakukan pengujian menggunakan 300 citra menggunakan confusion matrix untuk melihat performa model, dan akurasi. Hasil dari penelitian dapat diketahui bahwa model MobileNetV2 yang mendapatkan hasil akurasi pengujian sebesar 95% dengan loss 0,378. Dari hasil tersebut, sistem klasifikasi jenis ras ayam yang dibangun dapat digunakan.  
Advanced Chicken Breed Identification Using Transfer Learning Techniques with the VGG16 Convolutional Neural Network Architecture kencana, Nagala Wangsa; Umar, Rusydi; Murinto
Jurnal Penelitian Pendidikan IPA Vol 11 No 7 (2025): July
Publisher : Postgraduate, University of Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jppipa.v11i7.11870

Abstract

This study proposes a deep learning-based classification system to identify chicken breeds from image data. A dataset of 2,400 labeled images representing twelve distinct chicken breeds was collected and divided into training, validation, and testing sets. The system employs transfer learning by integrating the Mobile VGG16 convolutional neural network as the feature extraction backbone. The extracted features were then passed through custom classification layers to differentiate among the breeds. The model was trained using 1,800 images, validated with 300 images, and evaluated on a separate test set of 300 images. During testing, the model achieved an accuracy of 81% and a categorical cross-entropy loss of 0.378. These results indicate that the model can effectively recognize subtle visual distinctions between similar-looking chicken breeds. The system demonstrates practical potential for applications in poultry farming, biodiversity documentation, and automated livestock management. The findings confirm that deep convolutional neural networks, particularly VGG16 in a transfer learning setup, are capable of performing fine-grained classification tasks in real-world scenarios. The proposed method provides a reliable and scalable solution for automatic chicken breed identification based on image input.
Co-Authors Azaki Khoirudin Murinto Putri, Salsabilla Azahra Rusydi Umar