Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal INFOMATEK: Jurnal Informatika, Manajemen dan Teknologi Journal of Artificial Intelligence and Digital Business
Ngara, Simson Mali
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
Perbandingan Logistic Regression dan SVM untuk Analisis Sentimen Pengguna Netflix Menggunakan TF-IDF dan Bot Telegram Ngara, Simson Mali; Anggara, Indra Galuh; Saputra, Ryan Adjie; Rahmatullah, Beni; Wahidin, Ahmad Jurnaidi; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3988

Abstract

Pertumbuhan layanan over-the-top (OTT) seperti Netflix di Indonesia menyebabkan meningkatnya jumlah ulasan pengguna yang dapat dimanfaatkan sebagai sumber informasi untuk memahami persepsi terhadap kualitas layanan. Ulasan tersebut mengandung opini positif maupun negatif yang berhubungan dengan pengalaman menonton, stabilitas aplikasi, kualitas jaringan, hingga aspek biaya. Penelitian ini bertujuan membandingkan performa dua algoritma Machine Learning, yaitu Logistic Regression dan Support Vector Machine (SVM), dengan representasi teks TF-IDF dalam mengklasifikasikan sentimen ulasan pengguna Netflix berbahasa Indonesia. Dataset yang digunakan terdiri dari 5.620 ulasan yang diperoleh dari Google Play Store dan telah melalui serangkaian tahapan prapemrosesan mencakup pembersihan teks, case folding, tokenisasi, stopword removal, dan stemming. Evaluasi dilakukan menggunakan keseluruhan dataset untuk memperoleh gambaran performa operasional yang lebih realistis dalam konteks penggunaan nyata. Hasil penelitian menunjukkan bahwa SVM memberikan performa tertinggi dengan akurasi 0,8603, F1-score 0,7773, precision 0,8698, recall 0,7026, dan ROC-AUC 0,9206, sedangkan Logistic Regression mencatat akurasi 0,8532 dan F1-score 0,7626. Selain evaluasi model, penelitian ini juga mengimplementasikan sistem analisis sentimen melalui dashboard Streamlit dan bot Telegram yang mampu memberikan prediksi secara real-time. Temuan ini menunjukkan bahwa integrasi model Machine Learning dengan platform aplikasi dapat digunakan sebagai alat pemantauan opini pengguna secara berkelanjutan serta mendukung pengambilan keputusan terkait peningkatan kualitas layanan OTT.  
Implementasi K-Nearest Neighbor untuk Klasifikasi Tingkat Kemiskinan Sebagai Pendukung Pengambilan Keputusan Sosial di Indonesia Juanuari, Juanuari; Manzis, Ilham; Musyaffa, Abdurrozzaq; Ngara, Simson Mali; Syahla, Haura; Putra, Jordy Lasmana
INFOMATEK Vol 28 No 1 (2026): Juni 2026 (In Progress)
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v28i1.26866

Abstract

Kemiskinan tetap menjadi tantangan utama dalam pembangunan berkelanjutan di Indonesia, yang diperparah oleh kurangnya sistem identifikasi presisi untuk penyaluran bantuan sosial. Penelitian ini bertujuan untuk mengevaluasi efektivitas algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasikan tingkat kemiskinan di 514 kabupaten/kota di Indonesia guna mendukung pengambilan keputusan kebijakan sosial yang lebih tepat sasaran. Metode yang digunakan mencakup analisis dataset dengan 12 atribut indikator sosial-ekonomi, seperti Indeks Pembangunan Manusia (IPM) dan akses sanitasi. Tahapan pra-pemrosesan data melibatkan normalisasi min-max untuk menyelaraskan skala fitur yang heterogen serta teknik Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan distribusi kelas antara kategori "Miskin" dan "Tidak Miskin". Model divalidasi menggunakan metode 10-fold cross-validation dengan menguji variasi parameter k (3, 5, dan 7) melalui perangkat lunak RapidMiner. Hasil eksperimen menunjukkan bahwa algoritma KNN dengan parameter k=3 menghasilkan performa paling optimal dengan tingkat akurasi sebesar 89,88%. Meskipun presisi untuk kelas minoritas (miskin) tercatat sebesar 55,00%, model ini mampu mencapai nilai recall yang sangat tinggi, yakni 88,71%, serta rata-rata tertimbang F1-score sebesar 93,45%. Tingginya nilai recall menunjukkan kemampuan model dalam mendeteksi mayoritas penduduk miskin secara akurat, sehingga meminimalkan risiko pengabaian bantuan sosial. Penelitian ini menyimpulkan bahwa integrasi normalisasi dan SMOTE pada algoritma KNN secara signifikan meningkatkan sensitivitas model dalam mengidentifikasi kelompok rentan. Penggunaan model ini dianggap layak untuk kebijakan sosial inklusif karena lebih mengutamakan pengurangan kesalahan pengabaian (false negative). Namun, terdapat keterbatasan pada penggunaan data agregat wilayah yang berisiko memicu ecological fallacy. Untuk penelitian mendatang, disarankan penggunaan data tingkat rumah tangga yang lebih mikro serta integrasi indikator multidimensi yang lebih luas guna meningkatkan presisi identifikasi individu
Co-Authors Ahmad Jurnaidi Wahidin Anggara, Indra Galuh Beni Rahmatullah Ika Kurniawati Jordy Lasmana Putra Juanuari, Juanuari Manzis, Ilham Musyaffa, Abdurrozzaq Saputra, Ryan Adjie Syahla, Haura