Irawan, Mohammad Isa
Departemen Matematika Institut Teknologi Sepuluh Nopember Surabaya

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

Analisis Sentimen terhadap Rencana Pembangunan Ibu Kota Nusantara (IKN) Berdasarkan Twitter (X) Menggunakan Metode Hybrid RoBERTa-GRU Deagusti, Chika Ananda; Irawan, Mohammad Isa
Jurnal Sains dan Seni ITS Vol 13, No 4 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i4.156405

Abstract

Pemindahan ibu kota negara dari DKI Jakarta ke Ibu Kota Nusantara (IKN) di Pulau Kalimantan telah menjadi topik perdebatan yang ramai di masyarakat. Twitter, atau X, telah menjadi platform populer untuk menyampaikan pendapat dan aspirasi masyarakat terkait isu-isu terkini. Penelitian ini bertu-juan untuk melakukan analisis sentimen terhadap opini masya-rakat di Twitter terkait rencana pembangunan IKN. Dengan analisis sentimen, dapat diidentifikasi dinamika perasaan ma-syarakat terhadap rencana tersebut. Penelitian ini mengguna-kan metode hybrid pendekatan Transformer, khususnya Ro-bustly optimized BERT pretraining approach (RoBERTa), de-ngan metode Recurrent Neural Network (RNN) berupa Gated Recurrent Unit (GRU). Data yang digunakan merupakan data dari Twitter (X) yang berisi pendapat dan sentimen masyarakat terkait rencana pembangunan IKN. Proses analisis dilakukan melalui tahap pengumpulan data, pre-processing data yang mencakup analisis tanda baca, pembersihan data, casefolding, tokenizing, normalisasi, dan pelabelan data menggunakan InSet Lexicon. Data kemudian dibagi menjadi data train, data validation, dan data test sebelum dilanjutkan ke tahap penera-pan metode klasifikasi dengan metode hybrid RoBERTa-GRU, serta visualisasi dengan word cloud. Dengan menerapkan metode hybrid RoBERTa-GRU, penelitian ini mendapatkan ha-sil analisis sentimen Twitter dari Juni 2023 hingga Januari 2024 didominasi dengan sentimen negatif sebanyak 7.907 tweet, dibandingkan dengan 7.126 tweet yang bersentimen positif. Ki-nerja model hybrid RoBERTa-GRU terbaik didapatkan meng-gunakan skenario set C dengan parameter optimizer AdamW, batch size 32, GRU hidden size 64, learning rate 1e-7, weight decay 0.08 dan menjalankan 23 epoch mendapatkan loss pengu-jian sebesar 0.6002 dan akurasi pengujian sebesar 72.78%. Met-rik evaluasi lainnya seperti presisi, recall, dan F1-score masing-masing, yaitu 72,65%, 69,64%, dan 71,06%.
Perbandingan Metode Extreme Gradient Boosting (XGBoost) dan Light Gradient Boosting Machine (LightGBM) untuk Mendeteksi Fraud pada Data Klaim Asuransi Kendaraan Bermotor Aliefia, Aqilla Yumna; Irawan, Mohammad Isa
Jurnal Sains dan Seni ITS Vol 13, No 4 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i4.156337

Abstract

Penggunaan asuransi semakin diminati di era per-kembangan ekonomi modern saat ini karena meningkatnya kesadaran masyarakat akan risiko, sehingga penting diperlu-kan sebuah perlindungan atas risiko yang tidak terduga. Asu-ransi merupakan perjanjian antara dua pihak, di mana pihak penanggung berkomitmen kepada tertanggung dengan meneri-ma premi asuransi untuk memberikan ganti rugi kepada ter-tanggung. Salah satu asuransi yang banyak ditawarkan, yaitu asuransi kendaraan bermotor yang memberikan manfaat atas kerugian atau kerusakan yang terjadi pada kendaraan. Namun, pada praktiknya, asuransi kendaraan bermotor rentan terha-dap masalah fraud, yang merupakan tindakan yang dilakukan secara sengaja dengan tujuan memperoleh keuntungan dari pihak lain. Oleh karena itu, pada penelitian ini membahas mengenai deteksi fraud pada klaim asuransi kendaraan bermo-tor dengan menggunakan metode Extreme Gradient Boosting (XGBoost) dan Light Gradient Boosting Machine (LightGBM). Hasil klasifikasi dari kedua metode tersebut akan dibandingkan untuk mendapatkan model yang terbaik. Penelitian ini dila-kukan tahap pengambilan data sebanyak 15.420 data, kemu-dian dilakukan preprocessing data yang meliputi data cleaning, label encoding data, handling imbalance class, dan splitting data. Kemudian dilakukan klasifikasi dengan mengimplementasikan metode XGBoost dan metode LightGBM serta hyperparameter tuning pada masing-masing metode. Kinerja model XGBoost dari metrik evaluasi mendapatkan hasil accuracy 97,89%, precision 97,8%, recall 98,1%, F1-Score 98,0%, dengan waktu komputasi training, yaitu 756.2738 sekon atau sekitar 12 menit. Sementara itu, model LightGBM mendapatkan accuracy 98,3%, precision 98,0%, recall 98,5%, F1-Score 98,3% dengan waktu komputasi training, yaitu 444,5474 sekon atau sekitar 7 menit, Kedua model menunjukkan kinerja yang baik dalam mendeteksi fraud. Namun, model LightGBM memiliki keung-gulan dalam semua metrik evaluasi dan efisiensi waktu kom-putasi. Dengan demikian, LightGBM lebih efektif dan efisien dibandingkan XGBoost dalam mendeteksi fraud pada klaim asuransi kendaraan bermotor.
Pendeteksi Situs Website Phishing Menggunakan Metode Stochastic Gradient Boosting Trisna Amanda Putri, I Gusti Agung Ayu; Irawan, Mohammad Isa
Jurnal Sains dan Seni ITS Vol 13, No 4 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i4.154248

Abstract

Perkembangan teknologi jaringan dan komunikasi global yang pesat telah mengalihkan banyak aktivitas kehidup-an sehari-hari ke dunia maya. Namun, infrastruktur internet yang terbuka dan anonim membuka peluang bagi serangan cyber serius, terutama melalui phishing, yang melibatkan pem-buatan situs web palsu untuk mencuri informasi sensitif. Pene-litian ini mengusulkan sistem pendeteksi situs phishing menggu-nakan metode Stochastic Gradient Boosting (SGB), yang terbuk-ti efektif dalam klasifikasi dan prediksi. Sistem ini menganalisis struktur URL sebagai ciri utama dalam mendeteksi phishing. Melalui tahapan preprocessing data, implementasi model, dan pengujian dalam empat skenario, evaluasi menunjukkan bahwa SGB mampu mengklasifikasikan dengan sangat baik, dengan nilai rata-rata metrik evaluasi di atas 96%. Skenario tebraik de-ngan pembagian data 90%:10% tanpa feature selection meng-hasilkan accuracy 97%, precision 96,8%, recall 97,2%, dan F1-score 97%. Hasil ini menujukkan bahwa SGB sangat andal da-lam mengidentifikasi URL phishing, jarang membuat kesala-han, dan memiliki keseimbangan yang baik antara precision dan recall. Selain itu, metode SGB terbukti mampu mendeteksi situs phishing dengan performa sangat baik dalam kondisi data yang kompleks dan penggunaan parameter yang tepat, efektif melin-dungi pengguna dari kerugian finansial dan risiko keamanan.