Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal: International Journal of Engineering and Computer Science Applications (IJECSA) Prosiding Seminar Nasional CORISINDO
Guntara, Muhammad
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
Simulasi Topologi Jaringan Berbasis ACL Menggunakan Cisco Packet Tracer Harmain, Ahmad; Idham, Idham; Guntara, Muhammad; Santi, I Gusti Ayu Diah Gita Kartika; Husain
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5342

Abstract

Penelitian ini bertujuan untuk mensimulasikan topologi jaringan berbasis Access Control List (ACL) menggunakan perangkat lunak Cisco Packet Tracer. ACL digunakan untuk mengatur lalu lintas jaringan dengan memfilter paket berdasarkan alamat IP, protokol, dan port tertentu, sehingga meningkatkan keamanan jaringan. Proses simulasi melibatkan perancangan topologi jaringan, konfigurasi perangkat, penerapan aturan ACL, serta pengujian dan optimasi kinerja ACL. Hasil simulasi menunjukkan bahwa penerapan ACL dalam lingkungan virtual mampu merepresentasikan pengendalian akses secara efektif dan efisien. Studi ini juga menegaskan manfaat edukatif dari Cisco Packet Tracer dalam mendukung pembelajaran konsep keamanan jaringan secara praktis
Pendekatan Aritificial Neural Network untuk Prediksi Hasil Panen Kopi dengan Metode Backpropagation Guntara, Muhammad; I Gusti Ayu Diah Gita Kartika Santi; Dadang Priyanto
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5362

Abstract

Indonesia merupakan salah satu produsen kopi terbesar di dunia, dengan Provinsi Nusa Tenggara Barat (NTB) sebagai salah satu daerah penghasil utama. Produksi kopi di NTB mengalami fluktuasi tahunan yang dipengaruhi oleh berbagai faktor, seperti luas lahan, kondisi iklim, dan teknik budidaya. Untuk mendukung perencanaan dan pengambilan keputusan, diperlukan metode prediksi yang akurat. Penelitian ini bertujuan memprediksi hasil produksi kopi menggunakan pendekatan Artificial Neural Network (ANN) dengan algoritma Backpropagation, yang mampu mempelajari pola non-linear antara variabel input dan output. Dataset yang digunakan berasal dari Badan Pusat Statistik (BPS) Provinsi NTB untuk periode 2015–2024, dengan variabel Tahun, Luas Lahan (Ha), dan Produksi (Ton). Tahapan penelitian meliputi preprocessing data dengan Min-Max Scaling, perancangan arsitektur ANN dengan struktur 2–8–8–1, pelatihan model menggunakan optimizer Adam, serta evaluasi dengan metrik MSE, RMSE, MAE, dan MAPE. Hasil evaluasi menunjukkan bahwa model terbaik memiliki nilai MAPE sebesar 6.93%, yang termasuk kategori akurasi sangat baik. Prediksi produksi untuk periode 2025–2030 menunjukkan tren peningkatan, dari 7.748 ton pada tahun 2025 menjadi 10.262 ton pada tahun 2030. Hasil ini membuktikan bahwa ANN dengan algoritma Backpropagation efektif digunakan untuk memprediksi hasil produksi kopi dan berpotensi mendukung pengambilan keputusan di sektor pertanian.
Sentiment Classification of Football Supporters Using NusaBERT Embeddings, BiLSTM, and BiGRU Methods Guntara, Muhammad; Gusti Ayu Diah Gita Kartika Santi, I; Hairani, Hairani; Lalu Zazuli Azhar Mardedi
International Journal of Engineering and Computer Science Applications (IJECSA) Vol. 5 No. 1 (2026): March 2026
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/ijecsa.v5i1.6151

Abstract

Class imbalance and the use of non-standard language in football supporters’ opinions on social media constitute major obstacles to producing accurate sentiment classification for evaluating federation performance. This study aims to identify the most effective bidirectional recurrent architecture for capturing public opinion after applying data balancing techniques. Using a primary dataset of 1,039 instances (604 positive and 435 negative samples), the proposed method integrates a pre-trained NusaBERT model with hybrid Bidirectional Long Short-Term Memory (BiLSTM) and Bidirectional Gated Recurrent Unit (BiGRU) layers. To address data imbalance, the Synthetic Minority Over-sampling Technique (SMOTE) is applied to the training data, with dataset partitioning using a stratified split ratio of 70:30. The results indicate that the NusaBERT-BiLSTM model achieves the best performance, with a testing accuracy of 70.83% and an F1-score of 0.6990, outperforming the BiGRU variant, which attains an accuracy of only 64.74%. Furthermore, NusaBERT-BiLSTM demonstrates greater reliability in detecting negative sentiment, achieving a recall value of 0.6336 compared to 0.4504 for BiGRU. In conclusion, combining NusaBERT's semantic strength with SMOTE-based balancing and BiLSTM layers significantly enhances the model’s sensitivity to minority opinions without causing data leakage. This study contributes a more objective classification model for national team management to accurately map public criticism and aspirations on social media.
Co-Authors Dadang Priyanto Gusti Ayu Diah Gita Kartika Santi, I Hairani Hairani Harmain, Ahmad Husain I Gusti Ayu Diah Gita Kartika Santi Idham Idham Mardedi, Lalu Zazuli Azhar Santi, I Gusti Ayu Diah Gita Kartika