Article Per Year (5 Year)
p-Index From 2020 - 2025
0.702
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan IKRA-ITH Informatika : Jurnal Komputer dan Informatika
Putro, Irfan Sriyono
Unknown Affiliation
Computer Science & IT

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : IKRA-ITH Informatika : Jurnal Komputer dan Informatika

 1 
Perbandingan Kinerja Algoritma Naive Bayes Dan Support Vector Machine untuk Analisis Sentimen Ulasan Produk E-Commerce Menggunakan Pembobotan TF-IDF Hasbi, Billy Ibrahim; Putro, Irfan Sriyono
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 9 No. 2 (2025): IKRAITH-INFORMATIKA Vol 9 No 2 Juli 2025
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

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

Abstract

Perkembangan pesat industri e-commerce telah menghasilkan volume ulasan produk masif yang memerlukan analisis sentimen untuk mengekstrak wawasan bisnis strategis. Penelitian ini bertujuan melakukan evaluasi komprehensif perbandingan kinerja algoritma Naive Bayes dan Support Vector Machine untuk analisis sentimen ulasan produk e-commerce menggunakan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF). Metode penelitian menggunakan systematic literature review mengikuti pedoman PRISMA 2020 dengan menganalisis 10 jurnal relevan dari 309 jurnal yang teridentifikasi pada database IEEE Xplore, ScienceDirect, SpringerLink, dan Google Scholar periode 2020-2025. Hasil penelitian menunjukkan Support Vector Machine secara konsisten mendemonstrasikan superioritas dengan akurasi 66-92,62% dan mengungguli Naive Bayes dalam menangani kompleksitas data tekstual berdimensi tinggi, terutama pada dataset Tokopedia (79% vs 76%), Lazada (75% vs 72%), dan Alibaba (88,48% vs 87,46%). Namun, Naive Bayes menunjukkan kinerja optimal pada dataset Shopee (85% vs 81%). Faktor-faktor yang mempengaruhi variasi kinerja meliputi teknik SMOTE untuk ketidakseimbangan data, optimasi kernel SVM, dan karakteristik linguistik bahasa Indonesia. Kesimpulan penelitian mengkonfirmasi bahwa pemilihan algoritma harus mempertimbangkan karakteristik spesifik dataset dan konteks platform e-commerce untuk optimasi kinerja analisis sentimen.
Evaluasi Kinerja Baseline Model YOLOv4 Pre-trained COCO pada Dataset MinneApple Putro, Irfan Sriyono; Hasbi, Billy Ibrahim; Purwantoro, Purwantoro
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 9 No. 3 (2025): IKRAITH-INFORMATIKA Vol 9 No 3 November 2025
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

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

Abstract

Model deep learning YOLOv4 pre-trained menawarkan potensi besar untuk otomatisasi di bidang pertanian presisi. Namun, kinerja baseline ("out-of-the-box") dari varian-variannya (Tiny dan Full) pada domain spesifik seperti penghitungan buah belum terdokumentasi dengan baik. Penelitian ini menyajikan evaluasi kinerja baseline dari model YOLOv4-Tiny dan YOLOv4-Full pre-trained COCO. Studi ini menggunakan metode benchmark kuantitatif pada 100 test set dari dataset MinneApple, yang diimplementasikan pada platform MATLAB dengan Computer Vision Toolbox™. Parameter kinerja yang dievaluasi adalah Mean Absolute Error (MAE) untuk akurasi penghitungan dan Frames Per Second (FPS) untuk kecepatan. Hasil menunjukkan trade-off (pertukaran) kinerja yang jelas: YOLOv4-Full (MAE 21,57) terbukti 40% lebih akurat daripada YOLOv4-Tiny (MAE 36,07). Sebaliknya, YOLOv4-Tiny terbukti 24 kali lebih cepat (12,70 FPS) dibandingkan YOLOv4-Full (0,53 FPS). Temuan penting lainnya adalah tingginya nilai MAE pada kedua model, yang mengindikasikan adanya kesenjangan kinerja (performance gap) signifikan. Studi ini menyediakan data baseline krusial yang menegaskan bahwa fine-tuning adalah langkah esensial untuk aplikasi praktis di domain spesifik.
Co-Authors Gultom, Malvin Valerian Hasbi, Billy Ibrahim Purwantoro