Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal JURNAL INSTEK (Informatika Sains dan Teknologi) Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence
Rohid
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Mathematics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PENINGKATAN KINERJA ANALISIS SENTIMEN PADA ULASAN APLIKASI IDENTITAS KEPENDUDUKAN DIGITAL (IKD) DI INDONESIA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN SMOTE Gusmansyah, Rafly; Rahmaddeni; Hendrawan, Heri; Rohid
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 1 (2025): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i1.55292

Abstract

Analisis sentimen terhadap ulasan aplikasi Identitas Kependudukan Digital di Indonesia memberikan wawasan penting bagi pengembang dalam meningkatkan kualitas aplikasi. Penelitian ini menggunakan algoritma Support Vector Machine (SVM), yang dikenal andal dalam menangani data berdimensi tinggi, untuk mengklasifikasikan sentimen ulasan pengguna. Untuk mengatasi ketidakseimbangan data, diterapkan metode Synthetic Minority Oversampling Technique (SMOTE). Data ulasan diperoleh melalui data crawling dari Google Play Store sebanyak 1.498 komentar, kemudian diproses melalui pembersihan teks, normalisasi, tokenisasi, stemming, dan representasi numerik menggunakan Word2Vec. Hasil penelitian menunjukkan bahwa mayoritas komentar bersifat netral (78,2%), sedangkan komentar positif dan negatif masing-masing sebesar 10,3% dan 6,3%. Model SVM tanpa SMOTE mencapai akurasi 89,00% dengan F1-Score macro average 0,87 dan weighted average 0,89. Setelah penerapan SMOTE, akurasi meningkat menjadi 91,00%, dengan F1-Score macro average dan weighted average sebesar 0,91. Perbaikan signifikan terjadi pada kelas netral, di mana F1-Score meningkat dari 0,81 menjadi 0,99, meskipun performa kelas positif dan negatif sedikit menurun. Hasil ini menunjukkan bahwa kombinasi SVM dan SMOTE efektif dalam meningkatkan akurasi dan efisiensi klasifikasi sentimen pada data tidak seimbang.
Klastering Perbandingan Metode Machine Learning untuk Klastering Penerima Bantuan Pendidikan Siswa Gusmansyah, Rafly; Rahmaddeni; Rohid; Ahmad Rivaldi; Daulay, Suandi
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 2 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i2.1139

Abstract

Penelitian ini membandingkan tiga algoritma clustering Fuzzy C-Means, K-Medoids, dan Hierarchical Clustering untuk mengelompokkan siswa sebagai calon penerima bantuan pendidikan berdasarkan data sosial. Data yang digunakan berasal dari MTsN 1 Kota Pekanbaru sebanyak 1.200 entri dan mencakup atribut seperti penghasilan orang tua, jumlah tanggungan, dan prestasi akademik. Principal Component Analysis (PCA) digunakan untuk mereduksi dimensi data sebelum proses klasterisasi. Hasil evaluasi menggunakan Silhouette Coefficient dan Davies-Bouldin Index menunjukkan bahwa Fuzzy C-Means memberikan performa terbaik dengan nilai Silhouette 0.449 dan DBI 0.779. K-Medoids mencatatkan nilai Silhouette 0.436 dan DBI 0.787, sedangkan Hierarchical Clustering memperoleh Silhouette 0.405 dan DBI 0.790. Visualisasi hasil menunjukkan bahwa distribusi kategori siswa “Sangat Layak”, “Layak”, dan “Tidak Layak” paling proporsional dihasilkan oleh Fuzzy C-Means. Temuan ini mengindikasikan bahwa Fuzzy C-Means lebih efektif dalam menangani data sosial yang kompleks dan sesuai untuk digunakan sebagai basis sistem pendukung keputusan dalam seleksi penerima bantuan pendidikan.
Co-Authors Ahmad Rivaldi Daulay, Suandi Gusmansyah, Rafly Hendrawan, Heri Rahmaddeni Rahmaddeni