Article Per Year (5 Year)
p-Index From 2021 - 2026
2.522
P-Index
This Author published in this journals
All Journal Gaung Informatika Tekinfo | Scientific Journal of Industrial and Information Engineering Budimas : Jurnal Pengabdian Masyarakat International Journal of Computer and Information System (IJCIS) Jurnal Informatika, Komputer dan Bisnis (JIKOBIS) Jurnal Rekayasa Sistem Informasi dan Teknologi Bulletin of Informatics and Data Science SmartComp SUBSERVE: Community Service and Empowerment Journal Solusi Bersama : Jurnal Pengabdian Dan Kesejahteraan Masyarakat Jimstek
Fitriyadi, Farid
Universitas Sahid Surakarta
Religion Humanities Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Veterinary Other

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : smartcomp

 1 
Rancang Bangun Aplikasi Rekomendasi Produk Telekomunikasi Berbasis WEB Berdasarkan Perilaku Pelanggan Dippo Ardy Wibowo; Hardika Khusnuliawati; Farid Fitriyadi
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 15, No 3 (2026): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v15i3.10359

Abstract

Banyaknya variasi paket telekomunikasi dapat menyulitkan pelanggan dalam memilih layanan yang sesuai dengan kebutuhan penggunaan mereka. Penelitian ini bertujuan merancang dan membangun aplikasi rekomendasi produk telekomunikasi berbasis web berdasarkan perilaku pelanggan. Sistem dikembangkan menggunakan React.js pada sisi frontend, FastAPI pada sisi backend, serta PostgreSQL sebagai database. Model rekomendasi menggunakan algoritma Random Forest yang dilatih pada dataset Telco Customer Churn sebanyak 7.043 data pelanggan. Dataset diperkaya melalui pembentukan fitur perilaku dan label rekomendasi berbasis aturan bisnis, serta didukung data transaksi dan event sintetis untuk kebutuhan pengembangan aplikasi. Model menggunakan 21 fitur input untuk mengklasifikasikan pelanggan ke dalam enam kelas rekomendasi paket. Hasil pengujian terhadap 1.409 data uji menunjukkan akurasi sebesar 86,8%. Sistem juga menyediakan dashboard pengguna untuk menampilkan rekomendasi dan riwayat pembelian, serta dashboard admin untuk mengelola produk serta memantau rekomendasi pengguna. Hasil penelitian menunjukkan bahwa aplikasi mampu mengintegrasikan proses klasifikasi rekomendasi berbasis perilaku dengan penyajian paket secara terstruktur pada aplikasi web
Perbandingan Algoritma Support Vector Machine dan Naïve Bayes Dalam Analisis Sentimen Demo DPR RI 2025 Lathif Huda; Farid Fitriyadi; Hardika Khusnuliawati
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 15, No 3 (2026): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v15i3.10259

Abstract

Media sosial YouTube menjadi platform utama bagi masyarakat untuk menyuarakan opini terkait peristiwa politik, seperti Demo DPR RI 2025. Volume komentar yang masif memerlukan analisis sentimen otomatis untuk memahami opini publik. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Naive Bayes (NB) dalam mengklasifikasikan sentimen komentar tersebut ke dalam tiga kelas: Positif, Negatif, dan Netral. Data dikumpulkan dari tiga video YouTube terkait demo menggunakan YouTube Data API v3, menghasilkan 18.973 komentar unik setelah pra-pengolahan yang dilabeli menggunakan metode Lexicon-Based (InSet). Fitur diekstraksi menggunakan CountVectorizer (Bag-of-Words) dan data dibagi dengan rasio 80:20. Optimasi model dilakukan melalui Hyperparameter Tuning dengan GridSearchCV. Hasil analisis menunjukkan dominasi sentimen Negatif sebesar 40,34%. Pada pengujian klasifikasi, SVM dengan parameter terbaik (kernel 'linear' dan C=10) berhasil mencapai akurasi tertinggi sebesar 90,17%. Kinerja ini secara signifikan mengungguli Naive Bayes (alpha=0.5) yang hanya mencapai akurasi 66,14%. Kesimpulannya, SVM terbukti sebagai model yang lebih superior dan andal untuk klasifikasi sentimen pada dataset komentar politik berbahasa Indonesia yang berdimensi tinggi.
Co-Authors Agus Prasetya Ahmad Khoirul Anwar Akhsanul Khuluq Ahsan Alfry Aristo Jansen Sinlae Astri Charolina Dippo Ardy Wibowo Erna Indriatiningsih Evelyn Henny Lukitasari Evelyne Henny Lukitasari Evelyne Henny Lukitsari Hardika Khusnuliawati, Hardika Indriastiningsih, Erna Ipong Setyawan Lathif Huda Lilik Suhery, Lilik Moh. Erkamim Muqorobin Muqorobin Rachmat Destriana Sri Huning Anwariningsih Tino Feri Efendi Vera Wati Wartono Wartono Yunita Primasanti Yunita Primasanti