Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Journal of Computer and Information System (J-CIS) STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer
Asnan Cirua, A. Amirul
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

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

Found 2 Documents
Search

 1 
Analisis Sentimen Ulasan Aplikasi Wondr By Bni Menggunakan Algoritma Svm Dengan Optimasi Kernel Trick Bazar, Ikbal; Wajidi, Farid; Asnan Cirua, A. Amirul
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 4 No. 2 (2025): Mei
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v4i2.5178

Abstract

Transformasi digital dalam sektor perbankan Indonesia mendorong peluncuran aplikasi Wondr by BNI pada Juli 2024 sebagai pengganti BNI Mobile Banking. Meskipun jumlah pengguna aktifnya telah melampaui 5,3 juta hingga akhir 2024, ulasan di Google Play Store menunjukkan berbagai keluhan teknis, seperti kesulitan login, kegagalan transaksi, dan proses verifikasi yang rumit. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi Wondr dengan menerapkan algoritma Support Vector Machine (SVM) dan mengoptimasi performanya menggunakan empat jenis kernel: Linear, RBF, Polynomial, dan Sigmoid. Sebanyak 2.000 ulasan dikumpulkan melalui teknik scraping dari kategori most relevant di Google Play Store. Setelah melalui proses preprocessing dan pelabelan otomatis menggunakan model Multilingual BERT, sebanyak 1.719 data yang berkategori positif dan negatif digunakan untuk proses klasifikasi. Ekstraksi fitur dilakukan dengan metode Term Frequency–Inverse Document Frequency (TF-IDF). Evaluasi performa menggunakan metrik F1-score menunjukkan bahwa kernel Sigmoid dengan parameter C = 3 dan γ = 0,5 menghasilkan performa terbaik dengan nilai Accuracy dan F1-score sebesar 0,922. Analisis frekuensi kata menunjukkan bahwa kata “gagal” dan “verifikasi” mendominasi sentimen negatif, sementara “mudah” dan “cepat” banyak muncul dalam sentimen positif. Temuan ini menunjukkan bahwa kombinasi pelabelan otomatis berbasis BERT dan klasifikasi SVM dengan optimasi kernel mampu menghasilkan model analisis sentimen yang akurat dan stabil untuk mengevaluasi layanan aplikasi perbankan digital.
Pengenalan Huruf Aksara Lontara Menggunakan Metode Convolutional Neural Network mustafa, mukhdar; Nur, Nahya; wajidi, farid; Asnan Cirua, A. Amirul; Ismaun
Journal of Computer and Information System ( J-CIS ) Vol 7 No 1 (2024): J-CIS Vol. 7 No. 1 Tahun 2024
Publisher : Universitas Sulawesi Barat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31605/jcis.v7i1.3768

Abstract

Salah satu warisan budaya aksara nusantara, aksara lontara saat ini perlu di lestarikan agar tidak mengalami kepunahan. Beberapa hal yang menyebabkan aksara Lontara ini terancam punah diantaranya adalah tren penggunaan bahasa asing yang didukung oleh pesatnya perkembangan teknologi, serta kurangnya pendidikan dan pembelajaran yang mendukung kelestarian aksara Lontara pada generasi mudaPengenalan huruf aksara lontara menggunakan metode Convolutional Neural Network merupakan suatu sistem yang mampu menegenali huruf aksara lontara secara realtime. Pada penelitian ini menggunakan jenis penelitian eksperimen karena penelitian ini bersifat uji coba dimana penelitian ini menghasilkan suatu sistem pengenalan huruf aksara lontara dengan hasil akhir berupa perhitungan persentase pengujian. Implementasi Convolutional Neural Network sebagai metode yang digunakan untuk mendapatkan model. Berdasarkan tingkat akurasi terhadap model yang di dapatkan pada proses training dengan menggunakan 575 data uji sebanyak 48 data uji yang tidak dapat dikenali oleh sistem dan 527 data yang dapat dikenali dengan persentase sebesar 91.6%. Algoritma CNN sudah cukup baik dalam melakukan pengenalan huruf aksara lontara.
Co-Authors Bazar, Ikbal Farid Wajidi Ismaun mustafa, mukhdar Nur, Nahya