Article Per Year (5 Year)
p-Index From 2021 - 2026
0.778
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer Jurnal Informatika Dan Tekonologi Komputer
Lusiana Efrizoni
Universitas Sains dan Teknologi Indonesia
Computer Science & IT Control & Systems Engineering Other

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Klasterisasi Lagu Populer dan Eksplorasi Subgenre Spotify 2024 dengan K-Medoids Alfia Nurlaili Tahiyat; Bima Maulana; Ade Eka Saputra; Lusiana Efrizoni; Rahmaddeni Rahmaddeni
Jurnal Informatika Dan Tekonologi Komputer (JITEK) Vol. 5 No. 1 (2025): Maret : Jurnal Informatika dan Tekonologi Komputer
Publisher : Pusat Riset dan Inovasi Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jitek.v5i1.5699

Abstract

Spotify's genre classification system remains too broad, often grouping songs with distinct characteristics into the same category. For example, Pop Ballads and Dance Pop are frequently classified under "Pop" despite significant differences in tempo, emotion, and production style. This leads to inaccurate song recommendations. This study applies the K-Medoids algorithm to enhance song classification based on Spotify Playlist Count, Spotify Playlist Reach, and Spotify Popularity. The CRISP- DM methodology guides business understanding, data understanding, data preparation, modeling, evaluation, and deployment. Clustering results without popularity ranking reveal three main groups: songs with low playlist count but high reach (dominated by light hip-hop), songs with high playlist count and reach (dominated by contemporary R&B), and songs with low popularity (dominated by dance). After ranking by popularity, clusters became more defined, with alternative pop dominating the high-reach cluster, contemporary R&B in the popular cluster, and dance pop in the less popular cluster. Evaluation using a Silhouette Score of 0.5014 indicates good cluster quality. Additionally, this study successfully identified the 15 most popular songs on Spotify in 2024. These findings can help Spotify refine its recommendation system by incorporating subgenre-based classification, ensuring more accurate search results aligned with user preferences and evolving music trends.
Penerapan Algoritma Support Vector Machine dan XGBoost Dalam Mengklasifikasikan Sentimen Opini Publik Terhadap Aplikasi Uber Rizky Rizaldi; M Ridho; Arraihan Tahta Ainullah; Lusiana Efrizoni; Rahmaddeni Rahmaddeni; M Fahrel Dea Putra
Jurnal Informatika Dan Tekonologi Komputer (JITEK) Vol. 5 No. 1 (2025): Maret : Jurnal Informatika dan Tekonologi Komputer
Publisher : Pusat Riset dan Inovasi Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jitek.v5i1.5735

Abstract

The development of application-based transportation services such as Uber has driven an increase in the number of public opinions distributed through various digital platforms. Sentiment analysis of this public opinion is important to understand user perceptions of Uber services. This study applies the Support Vector Machine (SVM) and Extreme Gradient Boosting (XGBoost) algorithms to classify public opinion sentiment, by optimizing data imbalance using the Synthetic Minority Oversampling Technique (SMOTE). The data used comes from Uber reviews on public platforms, which are grouped into positive, negative, and neutral sentiments. The experimental results show that the SVM algorithm has superior performance with an accuracy of 94%, while XGBoost experienced an increase in accuracy of up to 93% after applying SMOTE. This study provides insight into the effectiveness of machine learning algorithms in sentiment analysis and its implementation in the development strategy of application-based transportation services. Abstrak: Perkembangan layanan transportasi berbasis aplikasi seperti Uber telah mendorong peningkatan jumlah opini publik yang disalurkan melalui berbagai platform digital. Analisis sentimen terhadap opini publik ini menjadi penting untuk memahami persepsi pengguna terhadap layanan Uber. Penelitian ini menerapkan algoritma Mesin Vektor Pendukung (SVM) dan Peningkatan Gradien Ekstrem (XGBoost) untuk mengklasifikasikan sentimen opini publik, dengan mengoptimalkan ketidakseimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE). Data yang digunakan berasal dari ulasan Uber di platform publik, yang dikategorikan ke dalam sentimen positif, negatif, dan netral. Hasil eksperimen menunjukkan bahwa algoritma SVM memiliki performa lebih unggul dengan akurasi mencapai 94%, sementara XGBoost mengalami peningkatan akurasi hingga 93% setelah penerapan SMOTE. Penelitian ini memberikan wawasan mengenai efektivitas algoritma pembelajaran mesin dalam analisis sentimen serta implikasinya terhadap strategi pengembangan layanan transportasi berbasis aplikasi.  
KLASIFIKASI PENJUALAN WALMART MENGGUNAKAN ALGORITMA C4.5 Iftar Ramadhan; Rangga Febrio Waleska; Syarifuddin elmi; Lusiana Efrizoni; Rahmaddeni
BETRIK Vol. 15 No. 02 (2024): Jurnal Ilmiah BETRIK : Besemah Teknologi Informasi dan Komputer
Publisher : PPPM Institut Teknologi Pagar Alam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36050/pjbkse24

Abstract

Penelitian ini bertujuan untuk memprediksi penjualan Walmart dengan menggunakan algoritma C4.5, sebuah metode pohon keputusan yang populer dalam data mining. Prediksi penjualan merupakan aspek krusial bagi strategi bisnis Walmart untuk mengoptimalkan persediaan dan meningkatkan keuntungan. Dataset yang digunakan dalam penelitian ini mencakup data historis penjualan Walmart yang terdiri dari berbagai variabel seperti store, date, weakly sales, holiday flag, temperature, fuel price, uci, unemployment dan faktor-faktor lain yang mempengaruhi penjualan. Dari data variabel tersebut akan melakukan klasifikasi pada data penjualan walmart dari 6.345 record. Hasil pengujian metode dengan evaluasi modeling menunjukkan bahwa metode C4.5 mendapatkan hasil acuracy 0.94, precision 0.43, dan recall 0.75.
PERBANDINGAN ALGORITMA RANDOM FOREST DAN XGBOOST UNTUK KLASIFIKASI PENYAKIT PARU-PARU BERDASARKAN DATA DEMOGRAFI PASIEN Risky Harahap; M. Irpan; M. Azzuhri Dinata; Lusiana Efrizoni; Rahmaddeni
BETRIK Vol. 15 No. 02 (2024): Jurnal Ilmiah BETRIK : Besemah Teknologi Informasi dan Komputer
Publisher : PPPM Institut Teknologi Pagar Alam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36050/3v3xwn06

Abstract

Dalam penelitian ini, algoritma Random Forest dan XGBoost dibandingkan dalam klasifikasi penyakit paru-paru menggunakan data demografi pasien. Dataset yang digunakan terdiri dari 30.000 data pasien dengan 9 atribut dan 1 label yang diambil dari Kaggle. Tahapan penelitian termasuk pengumpulan data, Preprocessing, pembagian data, dan klasifikasi data menggunakan kedua algoritma. Hasil menunjukkan bahwa algoritma XGBoost memiliki akurasi 94% dan AUC 0.98, sedangkan algoritma Random Forest memiliki akurasi 91% dan AUC 0.97. Meskipun Random Forest lebih cepat dan lebih mudah diinterpretasikan, XGBoost bekerja lebih baik dengan data yang kompleks dengan hasil yang lebih konsisten. Melalui penggunaan teknik regularisasi dan penanganan outliers yang lebih baik, XGBoost juga dapat mengatasi masalah overfitting dengan lebih baik. Studi ini memberikan panduan untuk peneliti dan praktisi dalam memilih algoritma terbaik untuk tugas klasifikasi medis, terutama yang berkaitan dengan penyakit paru-paru.
Co-Authors Ade Eka Saputra Alfia Nurlaili Tahiyat Arraihan Tahta Ainullah Bima Maulana Iftar Ramadhan M Fahrel Dea Putra M Ridho M. Azzuhri Dinata M. Irpan Rahmaddeni Rahmaddeni Rahmaddeni Rangga Febrio Waleska Risky Harahap Rizky Rizaldi Syarifuddin Elmi