Article Per Year (5 Year)
p-Index From 2020 - 2025
0.659
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Sosial dan Teknologi Jurnal Teknik Informatika dan Desain Komunikasi Visual
R Kaesmetan, Yampi
Unknown Affiliation
Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Engineering Environmental Science Law, Crime, Criminology & Criminal Justice

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

Found 3 Documents
Search

 1 
PERBANDINGAN KINERJA CONVOLUTIONAL NEURAL NETWORK, RECURRENT NEURAL NETWORK DAN LONG SHORT TERM MEMORY DALAM ANALISIS SENTIMEN Sefri Bere, Emilianto; R Kaesmetan, Yampi
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13982

Abstract

Indonesia memiliki jumlah pengguna TikTok terbesar, dengan 157,6 juta pengguna, diikuti oleh Amerika Serikat dengan 120,5 juta pengguna. Beberapa hashtag populer yang berkaitan dengan Jokowi di TikTok antara lain #jokowi (769,3 ribu postingan), #jokowidodo (278,6 ribu postingan), dan #presidenjokowi (115,5 ribu postingan). Selama dua periode masa jabatan sebagai Presiden, Jokowi menerima jutaan komentar, baik positif maupun negatif, dari masyarakat Indonesia di TikTok. Penelitian ini menggunakan metode deep learning dengan algoritma Long Short-Term Memory (LSTM), Recurrent Neural Network (RNN), dan Convolutional Neural Network (CNN) untuk mengklasifikasikan sentimen pengguna TikTok terhadap Jokowi serta mengevaluasi performa deep learning dalam klasifikasi sentimen. Dalam penelitian ini, 1.029 komentar berhasil diklasifikasikan menjadi sentimen positif (529 komentar) dan negatif (500 komentar) menggunakan model LSTM, dengan hasil akurasi 86%, presisi 86%, recall 89%, dan F1-score 87%, meskipun terdapat 24 sampel False Positive (FP). Perbandingan dengan model lainnya menunjukkan bahwa RNN memiliki performa terbaik, dengan akurasi 88%, presisi 91%, recall 91%, dan F1-score 91%, sementara CNN mencapai akurasi 84%, presisi 85%, recall 85%, dan F1-score 85%. Keunggulan RNN terkait dengan karakteristik dataset yang terdiri dari komentar pendek, di mana mekanisme memori pada LSTM tidak memberikan peningkatan kinerja yang signifikan.
Penerapan Penerapan Metode Weighted Product Dalam Sistem Pendukung Keputusan Pembelian Leptop Pada Toko Sherfis Tech G Ninu, Maria; peka lewotobi, marselinus; Manoh, Marianto; R Kaesmetan, Yampi
Jurnal Sosial Teknologi Vol. 3 No. 12 (2023): Jurnal Sosial dan Teknologi
Publisher : CV. Green Publisher Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59188/jurnalsostech.v3i12.1009

Abstract

Di era teknologi yang terus berkembang ini, laptop telah menjadi salah satu perangkat elektronik yang paling penting dalam kehidupan sehari-hari. Baik digunakan untuk pekerjaan, pendidikan, hiburan, atau keperluan lainnya, pemilihan laptop yang sesuai dengan kebutuhan individu telah menjadi tugas yang semakin menant ang. Dalam menghadapi berbagai pilihan laptop yang beragam di pasaran, dibutuhkan sebuah sistem yang dapat membantu para pengguna untuk membuat keputusan yang bijak. Metode WP adalah salah satu metode pengambilan keputusan multi-kriteria yang digunakan untuk mengevaluasi beberapa alternatif berdasarkan berbagai kriteria yang relevan. Dengan menggunakan metode WP, kita dapat memberikan bobot atau nilai kepentingan relatif pada setiap kriteria yang menjadi pertimbangan, sehingga membantu dalam mengidentifikasi laptop terbaik sesuai dengan preferensi dan kebutuhan pengguna. Hasil dari penelitian ini memberikan saran laptop sesuai dengan kebutuhan spesifikasi untuk calon pembeli dengan tingkat akurasi perhitungan 100% berdasarkan perhitungan manual dan perhitungan pada sistem pendukung keputusan pemilihan laptop,dengan menggunakan 5 kriteria yaitu : Prosesor, RAM,Harga,Hard Drive dan Kapasitas Batrei. Alternatif yang diuji dapat diperoleh nilai alternatif yaitu : (1) Acer Nitro V1 0.112281726,(2) Asus Tuft Gaming V2 0.109559232 (3) Acer A514-56P V30.104734827, (4) Asus X1402ZA V40.101472382, (5) Acer A314-36M V50.093494393, (6) Asus X415EA V60.086892142, (7) Lenovo 82V6 V70.076670381,(8) Asus X415MA V8 0.076670381, (9) Acer Z1402 V90.064979182,(10) Hp 14s V100.063608771, (11) Acer A315-35 V11 0.060834083, (12) Asus X441 V12 0.053909292.
Klasifikasi Tanaman Herbal Menggunakan Metode Support Vector Machine Agustina Meo1, Veronika; Uba Ladopurab, Yohana; R Kaesmetan, Yampi
Jurnal Teknik Informatika dan Desain Komunikasi Visual Vol 3 No 2 (2024): Jurnal Teknik Informatika dan Desain Komunikasi Visual
Publisher : Fakultas Komputer Dan Desain

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Herbal plants are plants that have value or health benefits, both traditional and scientific. Herbal plants have been used for centuries in various cultures as natural medicines, food supplements, or ingredients for body and health care. However, for many people they cannot differentiate herbal plants from other plants. With these problems, it is necessary There is an introduction to this problem with classification using the support vector machine method. . This research test uses test images that have been prepared previously, and calculated with GLCM using a pixel distance of d = 1 to 5 assisted by Gaussian and polynomial kernel functions. After performing feature extraction and classification calculations, the results showed that the highest accuracy was at pixel distance d = 1 with a polynomial function accuracy of 83%.
Co-Authors Agustina Meo1, Veronika Bere, Emilianto Sefri G Ninu, Maria Manoh, Marianto peka lewotobi, marselinus Uba Ladopurab, Yohana