Claim Missing Document
Check
Articles

Found 4 Documents
Search

Active Learning Query by Committee Labeling Method to Increase Accuracy and Efficiency of Sentiment Analysis Classification Dipa Anasta Iskandar; R. Mohamad Atok
Jurnal Riset Informatika Vol. 7 No. 4 (2025): September 2025
Publisher : Kresnamedia Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1427.54 KB) | DOI: 10.34288/jri.v7i4.386

Abstract

This study proposes the Query by Committee (QBC) labeling method to improve the accuracy of classification models—specifically XLM-RoBERTa—and to increase labeling efficiency compared to manual, supervised labeling, which generally requires more time and resources. The dataset consists of unannotated healthcare-industry application reviews scraped from Google Play. Six distinct labeling strategies were applied as input for fine-tuning XLM-RoBERTa models under identical hyperparameter settings. The six labeling approaches were evaluated namely Rating-based labeling, Lexicon-based labeling, QBC for Rating-Vader labeling, QBC for Rating-Pseudo labeling, QBC for Vader-Pseudo labeling, and QBC triplet for Rating-Pseudo-Vader labeling. Each labeled dataset was split using stratified random sampling, and class weights were set to “auto” during training to address label imbalance. All models were subsequently tested on the IndoNLU SmSA test dataset, with performance compared in terms of accuracy, precision, recall, and F1-score. Results indicate that the triplet QBC approach (combining Rating, VADER, and Pseudo labeling) outperformed all other methods, achieving an accuracy of 91.4%, a precision of 91.28%, a recall of 91.4%, and an F1-score of 91.21%. These findings demonstrate that the QBC labeling method can serve as an effective and efficient alternative to manual annotation for similar classification tasks
Decision Support Framework Berbasis Machine Learning untuk Strategi Perdagangan Karbon pada PLTU Batubara Mahsun Ismail; R. Mohamad Atok
Jurnal Teknologi dan Manajemen Industri Terapan Vol. 5 No. 3 (2026): Jurnal Teknologi dan Manajemen Industri Terapan
Publisher : Yayasan Inovasi Kemajuan Intelektual

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55826/jtmit.v5i3.1888

Abstract

PLTU batubara di Indonesia ditetapkan sebagai compliance entity fase pertama dalam skema Nilai Ekonomi Karbon (NEK) dengan kewajiban mengelola emisi CO2 pada mekanisme perdagangan karbon. Praktik pelaporan emisi pembangkit pada umumnya bersifat reaktif dan retrospektif, sehingga sulit menjadi dasar keputusan perdagangan karbon yang bersifat forward-looking. Penelitian ini mengembangkan decision support framework empat tahap berbasis machine learning yang menerjemahkan prediksi emisi tingkat pembangkit menjadi pertimbangan strategi perdagangan karbon, meliputi (1) prediksi emisi CO2 menggunakan model machine learning terpilih dengan dataset 14.549 catatan operasional dari satu unit PLTU batubara 660 MW (net) selama tahun 2025; (2) proyeksi Business-as-Usual (BAU) dengan koreksi realization rate tiga tahun; (3) optimasi berbasis tiga skenario konservatisme (Pesimis, Moderat, Optimis); dan (4) evaluasi posisi emisi menjadi estimasi nilai transaksi dengan harga referensi IDXCarbon. Pada kondisi BAU, unit menempati posisi surplus 136.205 t-CO2 terhadap estimasi kuota emisi sebesar 4.599.623 t-CO2 dengan estimasi pendapatan Rp 8,01 miliar. Pada skenario Moderat, surplus meningkat menjadi 254.093 t-CO2 dengan tambahan manfaat ekonomi Rp 6,93 miliar. Kerangka ini menempatkan analitika prediktif sebagai bahan pertimbangan pada aspek manajerial dan aspek finansial dalam perdagangan karbon.
Perbandingan Prediksi Loan Default Menggunakan Pemodelan Algoritma Random Forest dan XGBoost untuk Mitigasi Risiko Kredit Bank : (Studi Kasus: BTN Syariah) Gigih Prakoso Wigantiyoko; R. Mohamad Atok
Jurnal Teknologi dan Manajemen Industri Terapan Vol. 5 No. 3 (2026): Jurnal Teknologi dan Manajemen Industri Terapan
Publisher : Yayasan Inovasi Kemajuan Intelektual

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55826/jtmit.v5i3.2101

Abstract

Peningkatan penyaluran pembiayaan syariah pascapandemi meningkatkan risiko gagal bayar yang mengancam stabilitas bank. Bank BTN Syariah Cabang X mencatat Non Performing Financing (NPF) sebesar 15,27% pada 2019, turun ke 1,47% pada 2022, namun meningkat kembali pada 2023-2024. Penelitian ini membangun dan membandingkan model prediksi gagal bayar pembiayaan konsumer menggunakan algoritma Random Forest dengan Synthetic Minority Over-sampling Technique (SMOTE) dan Extreme Gradient Boosting (XGBoost) dengan Weighted Class sebagai fondasi Early Warning System (EWS) untuk monitoring nasabah eksisting secara periodik. Data yang digunakan adalah 14.374 nasabah pembiayaan konsumer aktif per 31 Desember 2024 dengan rasio ketidakseimbangan kelas sebesar 77,5:1. Model dievaluasi menggunakan recall, precision, F1-Score, ROC-AUC, dan PR-AUC dengan penekanan pada recall sebagai metrik prioritas. Hasil menunjukkan bahwa Random Forest dengan SMOTE merupakan model terbaik dengan recall kelas default = 0,6757 dan ROC-AUC = 0,9368, mendeteksi 25 dari 37 nasabah gagal bayar pada data testing. XGBoost menghasilkan F1-Score = 0,4878 dan PR-AUC = 0,4849 lebih tinggi namun recall lebih rendah (0,5405). Analisis feature importance menggunakan MDI dan SHAP mengungkapkan bahwa Saldo Tersedia dan Rasio Saldo/Angsuran merupakan prediktor dominan, membuktikan likuiditas real time sebagai leading indicator yang lebih kuat dari riwayat tunggakan.
Pengembangan Model Optimalisasi Manajemen Sumber Daya Kantin untuk Mendukung Program Employee Wellness melalui Prediksi Pola Kunjungan Karyawan Menggunakan Model Time Series SARIMAX  Aan Slamet Riyadi; R. Mohamad Atok
Jurnal Teknologi dan Manajemen Industri Terapan Vol. 5 No. 3 (2026): Jurnal Teknologi dan Manajemen Industri Terapan
Publisher : Yayasan Inovasi Kemajuan Intelektual

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55826/jtmit.v5i3.2105

Abstract

Investasi pada kesehatan dan kesejahteraan karyawan melalui kantin korporat merupakan upaya strategis untuk meningkatkan moral dan produktivitas kerja. Efektivitasnya sering terkendala overestimasi operasional, yaitu angka perencanaan (plan) penyediaan layanan melampaui realisasi kunjungan aktual sehingga menimbulkan inefisiensi anggaran dan kerugian finansial. Penelitian ini mengembangkan model peramalan time series SARIMAX untuk memproyeksikan kunjungan harian secara presisi guna meminimalisir selisih rencana–realisasi pada Kantin S PT XYZ. Pendekatan kuantitatif berbasis metodologi Box-Jenkins diterapkan atas 1.035 data kunjungan harian (Juli 2023–April 2026). Tujuh kandidat variabel eksogen diuji melalui grid search dan backward elimination berbasis p value, meliputi Ramadan, Idul Fitri, libur sekolah, dan kegiatan internal perusahaan. Model final SARIMAX₇ menetapkan tiga variabel eksogen signifikan (p<0,001): Ramadan, Idul Fitri, dan libur sekolah; kegiatan internal tidak signifikan. Model mencapai MAPE 10,14% pada kondisi normal (good forecasting) dengan residu white noise. Simulasi menunjukkan reduksi overestimasi 68,8%, setara potensi penghematan sekitar Rp 600,2 juta per tahun. Temuan ini memberikan landasan ilmiah bagi optimasi anggaran kantin sekaligus keberlanjutan program employee wellness.