Article Per Year (5 Year)
p-Index From 2021 - 2026
8.177
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Seminar Nasional Aplikasi Teknologi Informasi (SNATI) MATICS : Jurnal Ilmu Komputer dan Teknologi Informasi (Journal of Computer Science and Information Technology) Jurnas Nasional Teknologi dan Sistem Informasi CESS (Journal of Computer Engineering, System and Science) Jurnal Teknologi dan Sistem Komputer JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING JURNAL MEDIA INFORMATIKA BUDIDARMA Seminar Nasional Teknologi Informasi Komunikasi dan Industri Prosiding Seminar Nasional Teknoka Jurnal Nasional Komputasi dan Teknologi Informasi Digital Zone: Jurnal Teknologi Informasi dan Komunikasi Eksakta : Berkala Ilmiah Bidang MIPA Building of Informatics, Technology and Science Zonasi: Jurnal Sistem Informasi Jurnal Informatika Ekonomi Bisnis Journal of Computer System and Informatics (JoSYC) Jurnal Sistem Komputer dan Informatika (JSON) Jurnal Computer Science and Information Technology (CoSciTech) Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer Bulletin of Information Technology (BIT) Malcom: Indonesian Journal of Machine Learning and Computer Science Jurnal Informatika Ekonomi Bisnis Science, Technology, and Communication Journal
Surya Agustian
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Mathematics Mechanical Engineering Neuroscience Transportation

Published : 66 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 66 Documents
Search

 3   4   5   6   7 
Implementasi Sistem Pembuatan Soal Otomatisasi Pembelajaran Pendidikan Agama Islam Dengan Menggunakan Langchain Dan Llm Berbasis Gemini Fahrezy, Irgi; Harahap, Nazruddin Safaat; Wulandari, Fitri; Agustian, Surya
Bulletin of Information Technology (BIT) Vol 6 No 2: Juni 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bit.v6i2.2032

Abstract

This study examines the implementation of an automated question generation system in the context of Islamic Religious Education (PAI) using LangChain technology and a Gemini-based Large Language Model (LLM). The research methodology includes data collection, needs analysis, system architecture design, implementation, and validation through black-box testing and expert evaluation. The system is designed to automatically generate questions aligned with instructional content and the cognitive levels of Bloom's Taxonomy, ranging from factual knowledge to evaluation and creation. The testing process involved six expert evaluators with educational backgrounds and experience in PAI. Results indicate that the system successfully produced high-quality questions, with an average approval rate of 96.89%. Differentiated scores revealed the highest performance in theoretical interpretation questions (100%) and the lowest in critical analysis (30%), indicating varying system capabilities across the cognitive spectrum. This study demonstrates that integrating artificial intelligence into question generation is highly feasible and yields significant outcomes, although challenges remain in producing questions that stimulate higher-order and authentic thinking.
Pebandingan Metode Decision Tree dan XGBoost untuk Klasifikasi Sentimen Vaksin Covid-19 di Twitter Sinaga, Habib Hakim; Agustian, Surya
Jurnal Nasional Teknologi dan Sistem Informasi Vol 8 No 3 (2022): Desember 2022
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v8i3.2022.107-114

Abstract

Pemerintah Indonesia melaksanakan vaksinasi dalam upaya pencegahan virus COVID-19. Namun upaya tersebut memicu pro dan kontra dalam masyarakat. Pro dan kontra tersebut dapat dikatakan sebagai sentimen. Sentimen dapat diungkapkan di berbagai media, salah satunya adalah media sosial. Teknik yang digunakan untuk mendeteksi sentimen pada media sosial salah satunya adalah klasifikasi teks dengan machine learning. Penelitian ini akan membandingkan Decision tree dan XGBoost untuk mengklasifikasikan sentimen di twitter. Data diperoleh dengan cara crawling menggunakan pemograman pyton dan Twitter API. Data diberi label dengan teknik crowdsourcing dan majority voting. Data yang digunakan setelah diseimbangkan adalah 6000 data latih, 778 data validasi dan 400 data uji. Hasil pengujian Decision tree dan XGBoost mendapatkan hasil terbaik pada model XGBoost dengan nilai akurasi sebesar 66% dan f1-score sebesar 57%. Hasil ini juga merupakan yang terbaik dibanding metode yang digunakan pada penelitian sebelumnya dengan dataset yang sama.
A classification of Quran translations using K-nearest neighbors, support vector machine and random forest method Delifah, Nur; Harahap, Nazruddin Safaat; Agustian, Surya; Irsyad, Muhammad; Iskandar, Iwan
Science, Technology, and Communication Journal Vol. 6 No. 1 (2025): SINTECHCOM Journal (October 2025)
Publisher : Lembaga Studi Pendidikan dan Rekayasa Alam Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59190/stc.v6i1.337

Abstract

A Classification of Quranic verses based on topics is one of the efforts to facilitate understanding and searching for information in the holy book, especially for non-Arabic readers. This study aims to test and compare the performance of three text classification methods, namely K-nearest neighbors (KNN), support vector machine (SVM), and random forest (RF), in grouping translated Quranic verses into 15 topic classes, such as Islamic arkanul, faith, the Quran, science and its branches, charity, da'wah, jihad, human and social relations, and others. The dataset used is the English translation of the Quran with full preprocessing and an 80:20 data split for training and testing. The evaluation was carried out using accuracy, precision, recall, and F1-score metrics. The results show that RF achieved the best performance with an average F1-score of 58.48% and testing accuracy of 90.81%. KNN followed with an F1-score of 54.07% and the highest testing accuracy of 92.05%, while SVM produced the lowest F1-score at 50.76% and accuracy of 88.20%. The RF demonstrates a more balanced ability in recognizing all classes, KNN excels in overall accuracy, and SVM performs less optimally in this classification task. This research is expected to serve as a foundation for developing a more intelligent and contextual topic-based verse classification system.
Implementasi Question Answering Berbasis Chatbot Telegram Pada Tafsir Al-Jalalain Menggunakan Langchain dan LLM Febrian Rizki Adi Sutiyo; Harahap, Nazruddin Safaat; Surya Agustian; Reski Mai Candra
KLIK: Kajian Ilmiah Informatika dan Komputer Vol. 4 No. 5 (2024): April 2024
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/klik.v4i5.1784

Abstract

Technological developments are very important for efficient, accurate and fast information retrieval. Tafsir Al-Jalalain is one of the famous Tafsir Al-Qur’an, and is used as a source of life guidance for muslims. To get information about tafsir, you can go through information media such as the internet or from experts in Tafsir Al-Qur’an. However, to get information it takes a lot of time to filter the information efficiently, accurately and quickly. This problem requires a system that is able to answer human questions accurately, effectively and quickly. In this research, it is hoped that the implementation of telegram Chatbot-based Question Answering using Langchain and LLM will be a solution for providing information on Tafsir Al-Jalalain that is accurate, effective and fast. The Question Answering system will carry out learning on the Tafsir Al-Jalalain data using a language model, namely the Large Language Model, so that it is expected to be able to provide accurate, effective and fast information. The evaluation results of the research by distributing questionnaires to students majoring in Al-Qur'an and Tafsir Science at UIN SUSKA Riau, as many as seven respondents, obtained a percentage of 84.29%
KLASIFIKASI SENTIMEN VAKSIN COVID-19 MENGGUNAKAN K-NEAREST NEIGHBOR BERDASARKAN WORD EMBEDDINGS FASTTEXT PADA TWITTER Naldi, Afri; Agustian, Surya
ZONAsi: Jurnal Sistem Informasi Vol. 5 No. 2 (2023): Publication Periodic ZONAsi: Jurnal Sistem Informasi.
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v5i2.12548

Abstract

Pada akhir 2019 muncul penyakit semacam flu yang menginfeksi paru-paru di kota Wuhan. Diduga penyakit tersebut diduga berasal dari kelelawar. WHO memberi nama penyakit ini dengan nama Covid-19 dan virus ini tersebar ke seluruh dunia sehingga menyebabkan pandemi. Pemerintah mengambil indakan vaksinasi untuk mengatasi virus ini, namun mendapat respon pro dan kontra dari masyarakat. Ada banyak penelitian yang membahas sentimen masyarakat terhadap vaksinasi salah satunya adalah klasifikasi sentimen. Penelitian ini membahas klasifikasi sentimen terhadap vaksin covid-19 menggunakan algoritma K-Nearest Neighbor dan Fasttext pada twitter. Data diperoleh dengan cara crawling menggunakan bahasa pemograman pyton dan Twitter API. Pelabelan data dilakukan dengan teknik crowdsourcing dan majority voting. Data yang digunakan setelah proses penyeimbangan adalah 6000 data training, 778 data development dan 400 data test. Hasil pengujian setelah berbagai eksperimen dan feature engineering mendapatkan hasil terbaik dengan nilai akurasi 69% dan f1-score 60%. Hasil ini merupakan hasil terbaik dibanding penelitian sebelumnya dengan dataset yang sama.
KOMPARASI METODE K-NEAREST NEIGHBORS DAN LONG SHORT TERM MEMORY PADA KLASIFIKASI TERJEMAHAN AL-QUR’AN Nurul Fatiara; Nazruddin Safaat H; Surya Agustian; Yusra; Iis Afrianty
ZONAsi: Jurnal Sistem Informasi Vol. 6 No. 2 (2024): Publikasi Artikel ZONAsi: Periode Mei 2024
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v6i2.19863

Abstract

Al-Qur’an merupakan kitab suci yang diturunkan untuk umat islam. Secara harfiah, Al-Qur'an berasal dari kata qara’a yang artinya membaca atau mengumpulkan. Namun untuk memahami terjemahan dari Al-Qur’an tidaklah mudah. Salah satu cara yang dapat dilakukan untuk memahami dan mempelajarinya adalah melakukan klasifikasi terhadap terjemahan ayat Al-Qur’an. Penelitian ini mengklasifikasikan terjemahan Al-Qur'an bahasa Indonesia ke enam kelas yang berbeda. Metode yang digunakan adalah K-Nearest Neighbor (KNN) dan Long Short Term Memory (LSTM) dan membandingkan kedua metode untuk mendapatkan hasil performa klasifikasi yang tertinggi. Hasil klasifikasi menunjukkan model LSTM menghasilkan performa klasifikasi yang lebih tinggi yaitu berupa rata-rata F1-Score sebesar 65% dan rata-rata accuracy 96% dibandingkan model KNN dengan nilai rata-rata F1-Score sebesar 55% dan rata-rata accuracy 93%.
EKSPLORASI FITUR FASTTEXT, TF-IDF DAN INDOBERT PADA METODE K-NEAREST NEIGHBOR UNTUK KLASIFIKASI SENTIMEN Putri, Atika; Agustian, Surya; Jasril, Jasril; Afrianty, Iis
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24779

Abstract

Sentiment classification is essential for analyzing public opinion, particularly on social media issues. One of the main challenges in sentiment classification is the limited amount of training data, which often affects the model's ability to make accurate predictions. This study examines Kaesang Pengarep's appointment as PSI chairman using feature extraction methods such as FastText, TF-IDF, and IndoBERT, alongside the K-Nearest Neighbor (KNN) algorithm. Optimization steps include adding external data, refining text preprocessing, applying data scaling, and tuning parameters. The baseline model achieved 44% accuracy and 39% F1-score using FastText. After optimization and switching to IndoBERT, the optimal model achieved 57% accuracy and 49% F1-score, showing a 10% improvement. These findings demonstrate that optimizations, such as advanced feature extraction and parameter tuning, significantly impact sentiment classification. Future research could focus on advanced optimization techniques to address data limitations and enhance sentiment analysis performance. Keywords: Sentiment Classification, Model Optimisation, K-Nearest Neighbor, FastText, TF-IDF, IndoBERT.
IMPLEMENTASI BI-DIRECTIONAL LONG SHORT TERM MEMORY TERHADAP KLASIFIKASI SENTIMEN DI TWITTER PADA DATASET TERBATAS Putri Zahwa; Agustian, Surya; Novriyanto, Novriyanto; Yanto, Febi
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24799

Abstract

Perkembangan teknologi informasi telah mengubah cara Masyarakat mengekspresikan pendapat, terutama melalui media sosial seperti Twitter. Di bidang politik, media sosial kerap dijadikan parameter untuk mengukur popularitas tokoh politik sampai kepada sentimen masyarakat. Penelitian ini menggunakan metode deep learning yaitu Bi-Directional Long Short Term Memory (Bi-LSTM) untuk mengukur sentimen publik terhadap tokoh politik Kaesang Pangarep di Twitter. Dataset yang dikumpulkan 1.524 tweet dari 25 September hingga 3 Oktober 2023 dibagi menjadi 924 tweet untuk pengujian dan 600 tweet untuk pelatihan. Proses preprocessing meliputi cleaning dan konversi emoji. Model Bi-LSTM dilatih menggunakan fitur yang diekstraksi melalui Word2Vec. Penambahan data training dengan dataset eksternal dari data sentimen program vaksinasi Covid-19 dan Open Topic, dapat meningkatkan performa model dengan nilai F1-Score tertinggi 67.77% pada data validasi, dan 52.70% pada data testing. Hasil ini meningkat secara signifikan dibandingkan dengan metode baseline Bi-LSTM tanpa optimasi. Penelitian ini menunjukkan bahwa Bi-LSTM sangat efektif dalam klasifikasi sentimen, dan hasil akhir sangat dipengaruhi oleh kuantitas dan kualitas data latih yang digunakan.
PENERAPAN METODE LOGISTIC REGRESSION UNTUK KLASIFIKASI SENTIMEN PADA DATASET TWITTER TERBATAS Putri, Adilah Atikah; Agustian, Surya; Abdillah, Rahmad; Pizaini, Pizaini
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24804

Abstract

Kecepatan dan akurasi menjadi semakin penting dalam analisis sentimen publik, terutama di media sosial seperti Twitter, yang sering digunakan untuk menyampaikan opini terkait berbagai isu terkini. Penelitian ini mengaplikasikan metode Logistic Regression untuk klasifikasi sentimen pada dataset terbatas yang terdiri dari 300 sampel, yang dikategorikan menjadi sentimen positif, negatif, dan netral. Studi kasus mengeksplorasi respons masyarakat terhadap pengangkatan Kaesang Pangarep sebagai Ketua Umum Partai Solidaritas Indonesia (PSI) di Twitter. Data eksternal dari vaksinasi COVID-19 dan topik umum (open topic) digunakan dalam penelitian ini untuk meningkatkan proses klasifikasi. Metode TF-IDF digunakan untuk meningkatkan representasi teks. Grid Search digunakan untuk mengoptimalkan hyperparameter model. Evaluasi dilakukan menggunakan metrik F1-score untuk mengukur precision dan recall. Hasil baseline menunjukkan F1-score sebesar 40,83%, sementara berdasarkan hasil eksperimen yang dilakukan optimasi menghasilkan peningkatan hingga 52,68% dengan akurasi 61,76% pada eksperimen terbaik (C7). Penelitian ini menunjukkan bahwa metode Logistic Regression yang dioptimalkan dapat melakukan klasifikasi dengan dataset terbatas, yang relevan untuk analisis sentimen.
KLASIFIKASI SENTIMEN MENGGUNAKAN BIDIRECTIONAL LSTM DAN INDOBERT DENGAN DATASET TERBATAS Illahi, Ridho; Agustian, Surya; Jasril, Jasril; Yanto, Febi
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.25091

Abstract

Untuk mendapatkan informasi melalui media sosial mengenai popularitas termasuk juga sentimen masyarakat terhadap para tokoh politik, masalah waktu menjadi krusial. Oleh karena itu, menganalisis hal tersebut menggunakan komputer menjadi pilihan. Namun menyediakan data yang berlabel cukup untuk pembelajaran mesin dalam kasus analisis sentimen dan tingkat kepopuleran dari media sosial, akan menyebabkan waktu yang dibutuhkan menjadi lebih lama. Penelitian ini mengembangkan model Bi-LSTM (Bidirectional Long Short-Term Memory) yang dipadukan dengan IndoBERT sebagai fitur representasi teks, untuk menganalisis sentimen dengan data training yang terbatas. Isu utama mengenai pengangkatan Kaesang sebagai ketua umum Partai Solidaritas Indonesia (PSI), hanya menyediakan 300 – 600 tweet berlabel positif, negatif dan netral untuk training. Data tweet setelah melalui tahap preprocessing dan vektorisasi BERT, dilatih pada metode klasifikasi Bi-LSTM. Langkah-langkah optimasi dilakukan sampai kepada hyperparameter tuning untuk menemukan model terbaik. Meski jumlah data train terbatas, model yang diusulkan berhasil mencapai F1-score sebesar 71% pada data validasi, dan 59% pada pengujian data test. Hasil penelitian mendemonstrasikan keefektifan metode Bi-LSTM dan fitur IndoBERT dalam mengukur opini masyarakat di media sosial. Framework metode klasifikasi yang diusulkan sangat potensial sebagai alat untuk menganalisis respons masyarakat terhadap isu politik terkini.
Co-Authors .Safrizal, Safrizal Afdhal Zikri Afriyanti, Liza Aftari, Dhea Putri AGUNG SUCIPTO Ahmad, Rizmah Zakiah Nur Alfitra Salam Arasy, Abdurrahman Ash Shiddicky Aulia Ramadhani Ayu Fransiska Delifah, Nur Dermawan, Jozu Dzaky Abdillah Salafy Eka Pandu Cynthia, Eka Pandu El Saputra, Yoga Elin Haerani Elvia Budianita Fahrezy, Irgi Faizah Husniah Fauzan Ray T Fauzi Ihsan Febi Yanto Febrian Rizki Adi Sutiyo Fitri Insani Fitri Insani Fitri Wulandari Fitri, Dina Deswara Fuji Astuti Habib Hakim Sinaga Hadi, Mukhlis Halimah Hasibuan, Ilham Habibi Heru Wibowo Idhafi, Zaky Iffa, Marwika Rifattul Ihsan, Miftahul Iis Afrianty Iis Afrianty Iis Afrianty Iis Afrianty Illahi, Ridho Iman Fauzi Aditya Sayogo Indri Pangestuti Iwan Iskandar Jasril Jasril Jasril Jasril Jasril Jasril Lestari Handayani Lubis, Anggun Tri Utami BR. Miftah Farid Muhammad Fikry Muhammad Fikry Muhammad Iqbal Maulana Muhammad Irsyad Muhammad Irsyad Muhammad Ravil Muktar Sahbuddin Mukti M Kusairi Mulyadi, Syahrul Nadila Handayani Putri naldi, Afri Nazir, Alwis Nazruddin Safaat Nazruddin Safaat H Nazruddin Safaat H Negara, Benny Sukma Novriyanto Novriyanto Novriyanto Nurul Fatiara Oktavia, Lola Pangestu, Yoga Pizaini Pizaini Pranata, Joni Prima Yohana Putri Zahwa Putri, Adilah Atikah Putri, Atika Rahmad Abdillah Rahmad Kurniawan Ramadhani, Siti Reski Mai Candra Reski Mai Candra Rizqa Raaiqa Bintana Safrizal, Afri Naldi Salam Kurniawan Saputra, Ikhsan Dwi Saputra, M Ridho Saputra, Nugroho Wahyu Sinaga, Habib Hakim Siska Kurnia Gusti Siti Ramadhani Siti Ramadhani Siti Ramadhani Sri Puji Utami A. Subhi, Yazid Abdullah Suci Rahayu Sulistia Ningsih, Sulistia Suwanto Sanjaya Syaiful Azhar Trya Ayu Pratiwi Utari, Roid Fitrah Yusra Yusra Yusra, Yusra