Article Per Year (5 Year)
p-Index From 2021 - 2026
2.619
P-Index
This Author published in this journals
All Journal Sistemasi: Jurnal Sistem Informasi Jurnal Ipteks Terapan Journal of Dynamics Community Development Journal: Jurnal Pengabdian Masyarakat SELODANG MAYANG Jurnal AbdiMas Nusa Mandiri pendidikan, science, teknologi, dan ekonomi Journal of Artificial Intelligence and Digital Business Indonesian Journal of Multidisciplinary on Social and Technology Teknofile, Jurnal Sistem Informasi Abdimas, Jurnal Pengabdian Masyarakat Jurnal Perangkat Lunak
Samsudin, Samsudin
Universitas Islam Indragiri
Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Nursing Physics Public Health Social Sciences Transportation Other

Published : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 36 Documents
Search

 1   2   3   4 
ANALISIS SENTIMEN PENGGUNA APLIKASI ADINDA MENGGUINAKAN METODE NAIVE BAYES Silvia Hera Agustin; Samsudin; Bayu Rianto
JURNAL PERANGKAT LUNAK Vol 8 No 2 (2026): Jurnal Perangkat Lunak
Publisher : Indragiri Islamic University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32520/jupel.v8i2.5077

Abstract

Perkembangan teknologi informasi dan komunikasi membuat penggunaan aplikasi mobile semakin meningkat dalam berbagai layanan digital. Aplikasi mobile dipilih karena lebih praktis,cepat, dan mudah diakses melalui smartphone yang kini sudah menjadi bagian dari aktivitas sehari-hari masyarakat. Seiring dengan meningkatnya penggunaan aplikasi, pengguna juga semakin aktif memberikan ulasan atau komentar berdasarkan pengalaman mereka saat menggunakan apikasi. Ulasan tersebut dapat menjadi sumber informasi penting untuk mengetahui tingkat kepuasan pengguna,kendala yang di alami, serta masukan untuk pengembangan aplikasi. Namun banyaknya jumlah ulasan membuat proses analisis secara manual menjadi kurang efektif dan memerlukan waktu yang lama. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi ADINDA menggunakan metode Naive Bayes agar ulasan dapat diklasifikasikan secara otomatis ke dalam sentimen positif,negatif,dan netral. Metode penelitian dilakukan melalui pengumpulan data ulasan, preprocessing teks, pembobotan kata, dan proses klasifikasi menggunakan algoritma Naive Bayes. Hasil penelitian menunjukkan bahwa metode Naive Bayes mampu membantu proses analisis sentimen secara cukup efektif sehingga hasilnya dapat digunakan sebagai bahan evaluasi dan pertimbangan dalam meningkatkan kualitas layanan aplikasi ADINDA.
Analisis Sentimen Publik Program Makan Bergizi Gratis (MBG) Menggunakan Algoritma Naïve Bayes Muhammad Nabil; Samsudin Samsudin
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.10998

Abstract

Program Makan Bergizi Gratis (MBG) merupakan salah satu program pemerintah yang mendapat perhatian luas dari masyarakat dan menimbulkan berbagai tanggapan di media sosial, khususnya Instagram. Banyaknya komentar yang dihasilkan membuat proses analisis opini secara manual menjadi kurang efektif sehingga diperlukan metode otomatis untuk mengidentifikasi sentimen masyarakat. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap Program Makan Bergizi Gratis (MBG) menggunakan algoritma Naïve Bayes. Data penelitian diperoleh melalui proses scraping komentar Instagram menggunakan Apify Store Sebanyak 2.000 komentar berhasil dikumpulkan dan setelah melalui proses pembersihan data diperoleh 383 data yang digunakan dalam proses analisis. Tahapan penelitian meliputi preprocessing data berupa case folding, cleaning, Tokenizing, Filtering dan stemming, kemudian dilakukan pembobotan kata menggunakan metode TF-IDF sebelum proses klasifikasi dengan algoritma Naïve Bayes. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes memperoleh nilai akurasi sebesar 93,21%. Model memiliki performa yang sangat baik dalam mengidentifikasi sentimen negatif dengan nilai recall sebesar 1,00 dan F1-score sebesar 0,96. Namun, model masih mengalami keterbatasan dalam mendeteksi sentimen positif dengan nilai recall sebesar 0,26 akibat ketidakseimbangan jumlah data pada masing-masing kelas. Secara keseluruhan, penelitian ini menunjukkan bahwa algoritma Naïve Bayes efektif digunakan untuk analisis sentimen publik terhadap Program Makan Bergizi Gratis berdasarkan data komentar Instagram.
Optimasi Metode K-Nearest Neighbor (KNN) pada Klasifikasi Tingkat Kematangan Buah Pinang Menggunakan Citra Digital Shofi Camila Laisya Amanda; Fitri Yunita; Samsudin Samsudin
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12727

Abstract

Penentuan tingkat kematangan buah pinang secara manual masih bergantung pada pengamatan visual, sehingga rentan terhadap kesalahan, subjektivitas, dan ketidakkonsistenan akibat perbedaan pengalaman pengamat serta kondisi pencahayaan. Penelitian ini bertujuan mengoptimasi metode K-Nearest Neighbor (KNN) untuk mengklasifikasikan tingkat kematangan buah pinang menggunakan citra digital berdasarkan variasi nilai parameter K. Dataset terdiri atas 360 citra buah pinang yang dikelompokkan ke dalam empat kelas, yaitu muda, sedang, tua, dan kering, dengan pembagian 300 citra sebagai data latih dan 60 citra sebagai data uji. Tahapan penelitian mencakup akuisisi data, pra-pemrosesan berupa penghapusan latar belakang, cropping, dan resize menjadi 64 × 64 piksel, kemudian ekstraksi 17 fitur yang terdiri atas 12 fitur warna RGB dan HSV serta 5 fitur tekstur Gray Level Co-occurrence Matrix (GLCM). Proses klasifikasi menggunakan jarak Euclidean dengan pengujian nilai K sebesar 1, 3, 5, 7, dan 9. Kinerja model dievaluasi menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa seluruh variasi nilai K menghasilkan performa yang identik, yaitu accuracy 96,67%, precision 97,06%, recall 96,67%, dan F1-score 96,65%. Dari 60 citra uji, sebanyak 58 citra berhasil diklasifikasikan dengan benar. Nilai K = 1 dipilih sebagai parameter optimal karena memberikan performa tinggi dengan konfigurasi paling sederhana. Temuan ini menunjukkan bahwa kombinasi fitur RGB, HSV, dan GLCM efektif merepresentasikan karakteristik visual kematangan buah pinang.
Analisis Sentimen Ulasan Qris Berbasis Naïve Bayes Dengan Penerapan Teknik Random Oversampling Muhammad Haikal Habibillah; Samsudin Samsudin
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12921

Abstract

Pesatnya perkembangan teknologi finansial telah menempatkan Quick Response Code Indonesian Standard (QRIS) sebagai metode pembayaran digital yang sangat penting di Indonesia. Seiring dengan adopsinya yang masif, ulasan pengguna pada platform seperti Google Play Store menyediakan informasi otentik mengenai tingkat kepuasan maupun kendala teknis pengguna. Namun, analisis sentimen pada data teks ini seringkali menghadapi masalah ketidakseimbangan kelas (class imbalance) yang menyebabkan algoritma klasifikasi standar menjadi bias terhadap kelas mayoritas. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap penggunaan QRIS pada aplikasi dompet digital DANA, GoPay, dan OVO dengan membandingkan performa algoritma Multinomial Naïve Bayes sebelum dan sesudah penerapan teknik penyeimbangan data. Metodologi penelitian mengimplementasikan kerangka kerja Knowledge Discovery in Databases (KDD) dengan memanfaatkan dataset ulasan yang divalidasi menggunakan kata kunci khusus transaksi QRIS. Hasil eksperimen menunjukkan bahwa model awal yang dilatih menggunakan data asli (Skenario 1) menghasilkan akurasi global sebesar 79,41%, namun memiliki kelemahan dalam mendeteksi keluhan pengguna dengan nilai recall sentimen negatif yang hanya menyentuh 66%. Sebaliknya, penerapan teknik Random Oversampling (Skenario 2) terbukti efektif meningkatkan sensitivitas model terhadap kelas minoritas secara signifikan, di mana nilai recall sentimen negatif melonjak naik menjadi 76% dan tebakan benar terhadap ulasan keluhan meningkat dari 19 menjadi 22 ulasan, meskipun akurasi global mengalami penyesuaian menjadi 73,53%. Kesimpulannya, pemodelan berbasis Random Oversampling jauh lebih andal dan direkomendasikan untuk analisis sentimen di dunia nyata karena mampu meminimalkan risiko bias komputasi serta menghasilkan model yang lebih peka dan objektif dalam menjaring ulasan kritik dari para pengguna pembayaran digital.
Sistem Pakar dalam Mengidentifikasi Penyakit Tanaman Pisang Menggunakan Metode Forward Chaining Herby Mulya Wardana; Abdul Muni; Samsudin Samsudin
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12993

Abstract

Penyakit tanaman pisang dapat menurunkan produktivitas apabila tidak dikenali sejak dini. Petani sering mengalami kesulitan membedakan penyakit karena sejumlah gejala tampak serupa, sedangkan ketersediaan pakar pertanian di lapangan terbatas. Penelitian ini bertujuan membangun sistem pakar berbasis web untuk mengidentifikasi penyakit tanaman pisang menggunakan metode forward chaining. Data diperoleh melalui observasi tanaman, wawancara dengan petani dan penyuluh pertanian, serta studi literatur. Basis pengetahuan yang dibangun memuat 12 gejala, 5 penyakit, dan 5 aturan produksi IF-THEN. Sistem dikembangkan menggunakan Laravel, Vue 3, Tailwind CSS, Inertia.js, dan basis data relasional. Mesin inferensi menyimpan gejala yang dipilih sebagai fakta awal, menelusuri seluruh aturan, lalu menghitung persentase kecocokan berdasarkan perbandingan jumlah gejala yang sesuai dengan total gejala pada aturan. Suatu aturan dinyatakan terpenuhi pada ambang 100%, sehingga kesimpulan hanya dihasilkan apabila seluruh premis aturan telah dipenuhi. Hasil pengujian menunjukkan bahwa kelima kombinasi gejala uji menghasilkan diagnosis yang identik dengan basis pengetahuan, sehingga ketepatan penalaran mencapai 100%. Seluruh 12 skenario pengujian blackbox dinyatakan valid dan validasi pakar menyatakan seluruh komponen basis pengetahuan sesuai. Sistem yang dihasilkan menyediakan diagnosis awal dan rekomendasi penanganan bagi petani serta panel admin untuk memperbarui basis pengetahuan tanpa perubahan kode program.
PELATIHAN APLIKASI BUDTRACK BERBASIS MOBILE UNTUK MONITORING BATAS WAKTU PENGGUNAAN OBAT DI KOTA TEMBILAHAN KABUPATEN INDRAGIRI HILIR Marfuah Marfuah; Masparudin Masparudin; Abdullah Abdullah; Samsudin Samsudin
Jurnal AbdiMas Nusa Mandiri Vol. 8 No. 3 (2026): Periode Juli 2026
Publisher : LPPM Universitas Nusa Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/abdimas.v8i3.8316

Abstract

Public knowledge about the expiration time of medications is still limited, despite ongoing educational efforts. Many people rely solely on the Expiration Date (ED) on the primary packaging, which indicates the time limit for use after production. However, once the packaging is opened, the time limit no longer refers to the ED, but rather to the Beyond Use Date (BUD), which depends on the type of medication, its form, aroma, and color. The BUDTrack application not only facilitates the monitoring of the medication's expiration time but also educates the public regarding the expiration time based on both the ED and BUD. This aims to minimize losses and enhance awareness and adherence to avoid medication misuse. In addition to increasing public education on medication expiration time, it is also necessary to enhance the digital ecosystem in the health sector in Tembilahan. Therefore, it is important to measure the usability of the BUDTrack application using the System Usability Scale (SUS) method within the community, especially in Tembilahan, to evaluate the sustainability of the application’s implementation. The SUS calculation results from 34 respondents showed an average score of 77.3, indicating that the BUDTrack application falls within the Acceptable range, with a C grade scale and an adjective rating of "Good." Therefore, it is concluded that the BUDTrack application is well-accepted by users. The application has a very good potential for sustainability.
Co-Authors Abdul Muni Abdullah Abdullah Achmad Isya Alfassa Ahmad Suprianto Amy Hasfarinah Asniati Bindas Bayu Rianto Dwi Yuli Prasetyo Edward Endy Sudeska Fatimah Fitri Yunita Hamdi Hamdi Herby Mulya Wardana Herman Syahputra Ilyas Ilyas Ilyas, Ilyas Loneli Costaner M. Syariat Marfuah, Marfuah Masparudin Masparudin Muhammad Haikal Habibillah Muhammad Muhammad Muhammad Nabil Novrizal Nur Panca Nuari, Trafo Lajusi Rahma Yulia Sifa Ratih Indriani Reza Fahrizal Rifky Rivaldi Roslaini Has Albanjari Sandi Arjun Pratama Shofi Camila Laisya Amanda Silvia Hera Agustin Syafrizal Taher Syahreni Syahreni Usman, Usman Yogi Hernata