Article Per Year (5 Year)
p-Index From 2021 - 2026
2.149
P-Index
This Author published in this journals
All Journal Jurnal Edukasi Elektro PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Jurnal Riset Informatika Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Ilmu Komputer dan Sistem Komputer Terapan (JIKSTRA) Jurnal Sains Teknologi dan Sistem Informasi KERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan Informatika Jurnal Pepadun Informatics and Computer Engineering Journal Jurnal Teknik Informatika Jurnal Masyarakat Madani Indonesia EdLib Journal (Education and Library Journal)
Akhiyar Waladi
Universitas Jambi
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Library & Information Science Public Health Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Evaluasi Performa Algoritma Machine Learning untuk Klasifikasi Sentimen Ulasan Film IMDb Akhiyar Waladi; Hasanatul Iftitah
KERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan Informatika Vol 7, No 1 (2026)
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.kernel.2026.v7i1.8567

Abstract

IMDb with over 83 million active users generates millions of movie reviews annually. Manually analyzing such large textual data is impractical, necessitating automated approaches for binary sentiment classification. This study tested three traditional machine learning algorithms, namely Logistic Regression, Naive Bayes, and Random Forest, on 50,000 English-language movie reviews with balanced distribution between positive and negative sentiments. Feature extraction was performed using CountVectorizer and TF-IDF after preprocessing steps including HTML tag removal, contraction expansion, and text normalization. Among all combinations tested, Logistic Regression with TF-IDF achieved the best results with 87.29% accuracy, 87.32% F1-score, and 0.9481 AUC-ROC. Performance consistency was confirmed through 5-fold cross-validation with low coefficient of variation across all folds. Feature importance analysis revealed that words like "excellent," "perfect," and "amazing" indicate positive sentiment, while "worst," "awful," and "terrible" mark negative sentiment. Naive Bayes excelled in speed with 11.5 seconds training time but lower accuracy, while Logistic Regression offered the best balance between accuracy and efficiency at 17.2 seconds. Beyond accuracy, Logistic Regression provides interpretable coefficients explaining which words drive predictions. The findings demonstrate that properly tuned traditional algorithms remain viable for sentiment analysis in the entertainment industry
Analisis dan Peramalan Suhu Rata-rata Bulanan Kota Aceh Utara Menggunakan Metode Holt–Winters Additive Fauzi Nurhamdi; Pradita Eko Prasetyo Utomo; Nindy Raisa Hanum; Akhiyar Waladi
KERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan Informatika Vol 7, No 1 (2026)
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.kernel.2026.v7i1.8528

Abstract

ABSTRACTTemperature variation is an important indicator in climate studies and environmental analysis. This research aims to analyze and forecast the monthly average temperature of Banda Aceh for the period 2020–2024 using the Holt–Winters Additive method. Daily temperature data were transformed into monthly averages and analyzed using time series decomposition to identify trend and seasonal components. The results show that the data exhibit a clear annual seasonal pattern and a slightly increasing long-term trend. Based on these characteristics, the Holt–Winters Additive model was applied to forecast temperature for the next three years (2025–2027). The forecasting results indicate that monthly average temperatures are expected to remain relatively stable, ranging between approximately 26.2°C and 28.8°C, while maintaining consistent seasonal patterns. These findings suggest that the Holt–Winters Additive method is suitable for medium-term forecasting of monthly temperature data. ABSTRAKPerubahan suhu udara merupakan indikator penting dalam kajian iklim dan lingkungan. Penelitian ini bertujuan untuk menganalisis dan meramalkan suhu rata-rata bulanan Kota Aceh periode 2020–2024 menggunakan metode Holt–Winters Additive. Data suhu harian diolah menjadi suhu rata-rata bulanan dan dianalisis menggunakan pendekatan deret waktu melalui dekomposisi untuk mengidentifikasi komponen tren dan musiman. Hasil analisis menunjukkan bahwa data memiliki pola musiman tahunan yang jelas serta tren jangka panjang yang cenderung meningkat. Berdasarkan karakteristik tersebut, metode Holt–Winters Additive digunakan untuk melakukan peramalan suhu tiga tahun ke depan (2025–2027). Hasil peramalan menunjukkan bahwa suhu rata-rata bulanan diperkirakan relatif stabil pada kisaran 26,2°C hingga 28,8°C dengan pola musiman yang konsisten. Dengan demikian, metode Holt–Winters Additive dinilai sesuai untuk peramalan suhu bulanan dalam jangka menengah.
Prediksi Nilai Ekspor Migas Indonesia menggunakan Metode ARIMA Hasby Kuswanto; Pradita Eko Prasetyo Utomo; Ulfa Khaira; Akhiyar Waladi
SATESI: Jurnal Sains Teknologi dan Sistem Informasi Vol. 5 No. 1 (2025): April 2025
Publisher : Yayasan Pendidikan Penelitian Pengabdian ALGERO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54259/satesi.v5i1.4103

Abstract

This study aims to predict Indonesia's oil and gas (migas) export values using the Seasonal Autoregressive Integrated Moving Average (SARIMA) and Long Short-Term Memory (LSTM) methods. Time series data from Statistics Indonesia (BPS) was utilized to develop an optimal prediction model. The selected SARIMA model, SARIMA(1,1,1)(1,1,1,12), was chosen based on the lowest Akaike Information Criterion (AIC) value. Meanwhile, the LSTM model was developed to capture more complex patterns in time series data. The forecasting results indicate that the SARIMA model provides higher accuracy compared to LSTM based on the Mean Absolute Percentage Error (MAPE), although LSTM demonstrated lower Mean Squared Error (MSE) and Root Mean Squared Error (RMSE). This study emphasizes that the choice of forecasting model should align with the characteristics of the data, where SARIMA is more suitable for oil and gas export data with seasonal patterns. These forecasting results can be utilized to support economic policy planning, optimize investments in the oil and gas sector, and mitigate global market fluctuation risks.
Pemberdayaan Siswa SMK melalui Pelatihan IoT untuk Sistem Monitoring Tanaman dalam Mendukung Smart Farming Ulfa Khaira; Edi Saputra; Akhiyar Waladi; Yogi Perdana; Nindy Raisa Hanum; Hasanatul Iftitah; Rahmad Ashar; Syamsyida Rozi
Jurnal Masyarakat Madani Indonesia Vol. 5 No. 1 (2026): Februari
Publisher : Alesha Media Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59025/9xvxt587

Abstract

Provinsi Jambi memiliki potensi besar di sektor pertanian, namun praktik konvensional masih menghadapi kendala terkait efisiensi, produktivitas, dan keberlanjutan. Smart farming berbasis Internet of Things (IoT) hadir sebagai solusi inovatif, namun implementasinya memerlukan sumber daya manusia yang kompeten. Kegiatan Pengabdian kepada Masyarakat (PPM) ini melibatkan sebanyak 20 orang siswa SMK, serta guru SMKN 1 Muaro Jambi, dengan tujuan meningkatkan kompetensi peserta dalam merakit, memprogram, dan memanfaatkan sistem monitoring tanaman berbasis IoT. Program dilaksanakan dalam empat sesi pelatihan yang meliputi pengenalan konsep smart farming dan IoT, pengenalan komponen, praktik perakitan sistem, serta dasar pemrograman mikrokontroler. Hasil evaluasi menunjukkan peningkatan signifikan pemahaman peserta, yang ditunjukkan oleh kenaikan nilai rata-rata post-test sebesar 26 poin (dari 37,1 menjadi 63,1), serta keberhasilan peserta dalam merakit prototipe sistem monitoring tanaman yang fungsional. Temuan ini menegaskan bahwa pelatihan berbasis praktik mampu menjembatani kesenjangan kompetensi siswa vokasi terhadap kebutuhan teknologi pertanian modern. Keberlanjutan program ini diharapkan dapat memperkuat peran sekolah vokasi dalam mendukung penerapan pertanian cerdas sekaligus membuka peluang karier dan kewirausahaan di bidang agroteknologi.
Prediksi Harga Saham IDX30 Menggunakan Long Short-Term Memory (LSTM) dengan Variabel Makroekonomi M. Rizky Ardiansyah Putra; Pradita Eko Prasetyo Utomo; Akhiyar Waladi
Informatics and Computer Engineering Journal Vol 6 No 2 (2026): Periode Juli 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM) Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/icej.v6i2.13295

Abstract

Penelitian ini bertujuan memprediksi harga saham indeks IDX30 menggunakan model Long Short-Term Memory (LSTM) dengan mengevaluasi pengaruh integrasi variabel makroekonomi berupa tingkat inflasi dan suku bunga. Data harga saham harian IDX30 diselaraskan dengan data makroekonomi bulanan melalui proses left join dan forward fill sehingga menghasilkan dataset harian yang konsisten. Selanjutnya, data dibagi menjadi data latih dan data uji dengan rasio 80:20 serta dinormalisasi menggunakan Min-Max Scaling. Model dikembangkan dalam dua skenario dengan arsitektur yang sama, yaitu satu lapisan LSTM berisi 8 unit, batch size 32, learning rate 0,001, tanpa dropout, dan menggunakan Adam optimizer. Skenario pertama menerapkan pendekatan univariat yang hanya memanfaatkan data historis harga IDX30, sedangkan skenario kedua menggunakan pendekatan multivariat dengan menambahkan variabel inflasi dan suku bunga. Hasil penelitian menunjukkan bahwa integrasi variabel makroekonomi mampu meningkatkan kinerja model secara signifikan. Model multivariat menghasilkan nilai RMSE sebesar 7,7442 dan MAE sebesar 6,1353, lebih rendah dibandingkan model univariat yang memperoleh RMSE 8,8129 dan MAE 6,7300. Selain itu, nilai koefisien determinasi (R²) meningkat dari 0,8636 menjadi 0,8947 pada data pengujian. Temuan ini menunjukkan bahwa informasi makroekonomi memberikan kontribusi penting dalam meningkatkan kemampuan model LSTM untuk menangkap pola pergerakan harga saham, sehingga menghasilkan prediksi yang lebih akurat dan robust dibandingkan penggunaan data historis harga saham saja
Co-Authors Ali Satria Wijaya Andicho Haryus Wirasapta Andre Rabiula Dasrinal Tessal Dewi Triantini Edi Saputra Eko Prasetyo Utomo, Pradita Fauzi Nurhamdi Fiqri Al Faruqi Fitra Wahyuni Gusri, Lailal Hasanatul Iftitah Hasanatul Iftitah Hasby Kuswanto Jefri Marzal Khaira, Ulfa M. Faris Daffarindra M. Rizky Ardiansyah Putra Nasution, Afdal Aditya Nasution, Mukhtada Billah Niken Rarasati Nindy Raisa Hanum Nindy Raisa Hanum Nindy Raisa Hanum Pradita Eko Prasetyo Utomo Rahmad Ashar Rahmad Ashar Sahal Maghfud Syamsyida Rozi Ulfa Khaira Ulfa Khaira Utomo, Pradita Eko Prasetyo Yendri Modika Yogi Perdana Yogi Perdana