Article Per Year (5 Year)
p-Index From 2021 - 2026
10.216
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) EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Jurnas Nasional Teknologi dan Sistem Informasi CESS (Journal of Computer Engineering, System and Science) Sistemasi: Jurnal Sistem Informasi 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 Jurnal Riset Informatika Eksakta : Berkala Ilmiah Bidang MIPA Building of Informatics, Technology and Science bit-Tech Zonasi: Jurnal Sistem Informasi Jurnal Informatika Ekonomi Bisnis Journal of Computer System and Informatics (JoSYC) Jurnal Sistem Komputer dan Informatika (JSON) TIN: TERAPAN INFORMATIKA NUSANTARA Jurnal Computer Science and Information Technology (CoSciTech) Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer Malcom: Indonesian Journal of Machine Learning and Computer Science Jurnal Informatika Ekonomi Bisnis
Surya Agustian
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts 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 Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Social Sciences Transportation Veterinary Other

Published : 78 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 78 Documents
Search

 4   5   6   7   8 
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.
PENINGKATAN KINERJA SUPPORT VECTOR MACHINE MENGGUNAKAN MODEL BAHASA BERT UNTUK KLASIFIKASI SENTIMEN DENGAN DATASET TERBATAS Iffa, Marwika Rifattul; Agustian, Surya; Safaat, Nazruddin; Irsyad, Muhammad
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 2 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Mei 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i2.26847

Abstract

Media sosial kini menjadi ruang penting bagi masyarakat untuk mengekspresikan opini secara terbuka terhadap berbagai isu terkini, salah satunya melalui platform X  yang populer di kalangan pengguna internet. Platform ini sering digunakan sebagai sumber data klasifikasi sentimen guna mengungkap persepsi masyarakat terhadap peristiwa-peristiwa yang terjadi, khususnya di bidang politik dan pemerintahan. Namun, keterbatasan dataset menjadi tantangan utama dalam proses klasifikasi karena kondisi tersebut dapat mempengaruhi akurasi dan validitas sentimen yang dihasilkan. Untuk mengatasi permasalahan tersebut, penelitian ini mengusulkan kombinasi algoritma Support Vector Machine (SVM) dengan fitur Bidirectional Encoder Representations from Transformers (BERT) yang terbukti efektif dalam menangkap konteks bahasa secara mendalam. Pendekatan ini bertujuan untuk meningkatkan performa klasifikasi sentimen terkait pengangkatan Kaesang Pangarep sebagai Ketua Umum Partai Solidaritas Indonesia (PSI) pada media sosial X. Metode penelitian meliputi tahap preprocessing text, ekstraksi fitur menggunakan BERT, serta penerapan SVM dalam proses klasifikasi sentimen. Hasil eksperimen menunjukkan bahwa model kombinasi tersebut berhasil meningkatkan F1-Score secara signifikan sebesar 3% pada data uji. Hal ini menandakan model bahasa BERT dapat meningkatkan performa SVM dalam klasifikasi sentimen
Classification of Covid-19 Vaccine Sentiment Using K-Nearest Neighbor and Fasttext on Twitter Safrizal, Afri Naldi; Surya Agustian
EKSAKTA: Berkala Ilmiah Bidang MIPA Vol. 25 No. 03 (2024): Eksakta : Berkala Ilmiah Bidang MIPA (E-ISSN : 2549-7464)
Publisher : Faculty of Mathematics and Natural Sciences (FMIPA), Universitas Negeri Padang, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24036/eksakta/vol25-iss03/384

Abstract

 In late 2019 came a flu-like illness that infected the lungs in the city of Wuhan. It is suspected that the disease is suspected to have originated in bats. WHO named this disease Covid-19 and the virus spread throughout the world, causing a pandemic. The government took a vaccination drive to overcome this virus, but received a response of pros and cons from the public. There are many studies that discuss people's sentiments towards vaccination, one of which is the classification of sentiments. This study discusses the classification of sentiment towards covid-19 vaccines using the K-Nearest Neighbor and Fasttext algorithms on twitter. Data is obtained by crawling using the pyton programming language and Twitter API.  Data labeling is carried out by crowdsourcing and majority voting techniques.  The data used after the balancing process are 6000 training data, 778 development data and 400 test data.  The test results after various experiments and feature engineering got the best results with an accuracy value of 69% and an f1-score of 60%. This result is the best result compared to previous studies with the same dataset.
Perbandingan Performa Klasifikasi Terjemahan Al-Qur'an Menggunakan Metode Random Forest dan Long Short Term Memory Aftari, Dhea Putri; Safaat, Nazruddin; Agustian, Surya; Yusra, Yusra; Afrianty, Iis
Journal of Computer System and Informatics (JoSYC) Vol 5 No 3 (2024): May 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/josyc.v5i3.5156

Abstract

This study focuses on the use of the Qur'an as the primary source of Islamic teachings, aiming to facilitate Muslims' understanding of its content. To achieve this, the classification of translated Qur'anic verses was conducted. Two methods that are rarely used for Qur'anic translation data are Random Forest (RF) and Long Short Term Memory (LSTM) due to their ability to process large and complex data. The data used in this study are translations of the Qur'an that have been classified into 15 topics by previous research, but this study will only focus on 6 topics. The objective of this research is to compare the performance of RF and LSTM in classifying Qur'anic translations into 6 different categories. The results show that in the preaching category, LSTM consistently outperformed RF, with an F1-Score of 57.3% and an accuracy of 96.8%, whereas RF achieved an F1-Score of 49.4% and an accuracy of 97.5%. These findings indicate that LSTM has better performance, especially with proper preprocessing, optimal parameter tuning, and balanced data. This study provides important insights into the development of classification models for Qur'anic translation texts, highlighting the importance of proper preprocessing and parameter tuning.
Pengaruh Penyeimbangan Data Pada Klasifikasi Terjemahan Al-Quran Dengan Metode Naïve Bayes dan Long Short Term Memory Ningsih, Sulistia; Safaat, Nazruddin; Agustian, Surya; Yusra, Yusra; Cynthia, Eka Pandu
Journal of Computer System and Informatics (JoSYC) Vol 5 No 3 (2024): May 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/josyc.v5i3.5181

Abstract

The Al Qur'an is a holy book of Muslims which is a guide to life for all mankind. Studying and understanding the translation of the Al-Quran is not easy, one way that can be done is to classify the translation of Al-Quran verses into existing topics. This research uses Naïve Bayes and LSTM methods in the classification process. The data used comes from translation data of the Al-Quran in Indonesian which has been labeled based on multi-class classification. One of the main problems faced is data imbalance. To overcome this problem, data balancing, text preprocessing, feature construction and feature extraction processes were carried out using the Bag of Words (BoW) and TF.IDF techniques. The research results indicate that the most optimal Naïve Bayes model achieved an average accuracy of 55.39% on test data from juz 30, 61.59% on test data from juz 10-20, and 59.53% on test data from juz 25-28. Meanwhile, the most optimal LSTM model yielded an accuracy of 58.02% on test data from juz 30, 59.64% on test data from juz 10-20, and 58.59% on test data from juz 25-28. The main aim of this research is to improve classification performance and compare the accuracy between naïve Bayes and lstm.
Co-Authors .Safrizal, Safrizal Abdillah, Rahmad Achmad Yamin Harahap Afdhal Zikri Afriyanti, Liza Aftari, Dhea Putri AGUNG SUCIPTO Ahmad Kurniawan Ahmad, Rizmah Zakiah Nur Alfitra Salam Arasy, Abdurrahman Arif Kurniawan Ash Shiddicky Aulia Ramadhani Ayu Fransiska Baehaqi Dermawan, Jozu Dzaky Abdillah Salafy Eka Pandu Cynthia El Saputra, Yoga Elin Haerani Elvia Budianita Fadhilah Syafria Faizah Husniah Fauzan Ray T Fauzi Ihsan Febi Yanto Febrian Rizki Adi Sutiyo Fitra Kurnia Fitri Insani Fitri Insani Fitri, Dina Deswara Fuji Astuti Gusti, Siska Kurnia Habib Hakim Sinaga Hadi, Mukhlis Halimah Heru Wibowo Idhafi, Zaky Iffa, Marwika Rifattul Ihsan, Miftahul Iis Afrianty Iis Afrianty Ikhwan Habibi Ilham Habibi Hasibuan Illahi, Ridho Iman Fauzi Aditya Sayogo Indri Pangestuti Iwan Iskandar Jasril Jasril Jasril Jasril Jasril Jasril Jauhari, Najwa Lestari Handayani Lubis, Anggun Tri Utami BR. M Ridho Saputra Marsha Cahyani Dwisyakilla Melyana Hasibuan Miftah Farid Muhammad Affandes Muhammad Affandes Muhammad Elfarizi Muhammad Fikry Muhammad Fikry Muhammad Iqbal Maulana Muhammad Irsyad Muhammad Irsyad Muhammad Ravil Muhammad Tirta Syakban Muktar Sahbuddin Mukti M Kusairi Mulyadi, Syahrul Nadila Handayani Putri naldi, Afri Nazir, Alwis Nazruddin Safaat Nazruddin Safaat H Nazruddin Safaat H Nazruddin Safaat H Negara, Benny Sukma Novi Yanti Novriyanto Novriyanto Novriyanto Novriyanto Nurika Dwi Wahyuni Nurul Fatiara Okfalisa Okfalisa 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, Nugroho Wahyu Satira, Husna Sinaga, Habib Hakim Siti Ramadhani Siti Ramadhani Sri Puji Utami A. Subhi, Yazid Abdullah Suci Rahayu Sulistia Ningsih, Sulistia Suwanto Sanjaya Syaiful Azhar Tarmizi, Veci Cahyono Teddie D Trya Ayu Pratiwi Utari, Roid Fitrah Wahyu Reinaldy Wan Sobri Amin Yusra Yusra Yusra Yusra Yusra, Yusra