cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Ida Bagus Ary Indra Iswara
Contact Email
lppm@stiki-indonesia.ac.id
Phone
-
Journal Mail Official
sintechjournal@stiki-indonesia.ac.id
Editorial Address
-
Location
Kota denpasar,
Bali
INDONESIA
SINTECH (Science and Information Technology) Journal
Published by STMIK STIKOM Indonesia
ISSN : 25987305     EISSN : 25989642     DOI : -
Core Subject : Science,
Computer Science & IT
SINTECH (Science and Information Technology) Journal merupakan jurnal yang dikelola dan diterbitkan oleh Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK STIKOM Indonesia, dengan e-ISSN 2598-9642 dan p-ISSN: 2598-7305. SINTECH Journal diterbitkan pertama kali pada bulan April 2018 dan memiliki periode penerbitan sebanyak dua kali dalam setahun, yaitu pada bulan April dan Oktober. Bidang keilmuan dari SINTECH Journal mencakup bidang ilmu : Data analysis, Natural Language Processing, Artificial Intelligence, Neural Networks, Pattern Recognition, Image Processing, Genetic Algorithm, Bioinformatics/Biomedical Applications, Biometrical Application, Content-Based Multimedia Retrievals, Augmented Reality, Virtual Reality, Information System, Game Mobile, dan IT Bussiness Incubation.
Arjuna Subject : -
Articles 166 Documents
 13   14   15   16   17 
Optimisasi Klasifikasi Sentimen Pada Review Hotel Bahasa Inggris Dengan Model Roberta Twitter Setiadi, Bagas; Purwanto, Eko; Permatasari, Hanifah
SINTECH (Science and Information Technology) Journal Vol. 7 No. 2 (2024): SINTECH Journal Edition Agustus 2024
Publisher : Prahasta Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31598/sintechjournal.v7i2.1547

Abstract

Dalam era digital, wisatawan sering menggunakan internet untuk mencari dan memesan hotel. Ulasan hotel online adalah sumber informasi penting bagi calon tamu, namun sentimen dalam ulasan ini sulit diinterpretasikan karena bahasa yang kompleks dan kontekstual. Klasifikasi sentimen yang akurat dalam ulasan hotel berbahasa Inggris memerlukan strategi yang canggih. Penelitian ini fokus pada model RoBERTa Twitter, yang merupakan pengembangan dari BERT (BiDirectional Encoder Representations from Transformers) Google, untuk meningkatkan pemahaman bahasa dan kinerja dalam konteks ulasan hotel. Dengan pendekatan pelatihan yang lebih komprehensif, model ini diharapkan dapat meningkatkan akurasi analisis sentimen. Penelitian ini melibatkan tahapan identifikasi masalah, seleksi data, preprocessing, pemodelan, dan pengujian hyperparameter. Hasil evaluasi menunjukkan kinerja model yang memuaskan dengan akurasi sentimen 88%, namun akurasi untuk aspek tertentu lebih rendah, dengan fasilitas 75%, pelayanan 78%, kamar 81%, serta lokasi dan harga 84%. Penelitian ini bertujuan untuk memberikan kontribusi dalam meningkatkan akurasi analisis sentimen, mendukung keputusan yang lebih tepat dalam pemilihan hotel online.
Analisis Sentimen Berbasis Aspek Kinerja Polri Menggunakan SVM dengan Pendekatan POS Tagging Sanjaya, I Gede Ary Suta; Candiasa, I Made; Dewi, Luh Joni Erawati
SINTECH (Science and Information Technology) Journal Vol. 7 No. 2 (2024): SINTECH Journal Edition Agustus 2024
Publisher : Prahasta Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31598/sintechjournal.v7i2.1568

Abstract

Beragam opini masyarakat terkait kinerja POLRI terus bermunculan pada media sosial Twitter. Analisis sentimen dilakukan untuk mengetahui kecenderungan sentimen opini masyarakat dan aspek kinerja yang dibahas pada opini tersebut. Penelitian ini bertujuan untuk mengetahui aspek kinerja yang dibahas pada data tweet dan sentimen data tweet berdasarkan aspek kinerja POLRI. POS Tagging digunakan sebagai klasifikasi aspek kinerja POLRI yang meliputi “penanganan kejahatan”, “kecepatan respon”, “interaksi terhadap masyarakat”, dan “tidak beraspek”, serta metode Support Vector Machine (SVM) sebagai proses klasifikasi sentimen “positif”, “negatif”, dan “netral”. Proses POS Tagging dilakukan menggunakan metode Conditional Random Field (CRF), melalui teknik Bio-Tags dengan melabelkan aspek kinerja berdasarkan koleksi kata yang mencerminkan klasifikasi aspek kinerja. Pemodelan klasifikasi sentimen berdasarkan aspek kinerja POLRI dibangun dengan metode SVM. Diperoleh 1103 tweet melalui API Twitter dalam kurun waktu Januari 2023 sampai Oktober 2023 sebagai dataset awal, yang dibagi menjadi 80% data training dan 20% data testing. Hasil penelitian menunjukkan model klasifikasi sentimen berbasis aspek kinerja menggunakan SVM dengan pendekatan POS Tagging memperoleh akurasi sebesar 81%, presisi sebesar 83%, recall sebesar 81%, dan F1-score sebesar 81%.Penggunaan metode klasifikasi machine learning lainnya, kontinuitas penggunaan data awal, dan pengembangan aspek yang dianalisis dapat menjadi saran untuk pengembangan penelitian kedepannya.
Opini Publik Pasca-Pemilihan Presiden: Eksplorasi Analisis Sentimen Media Sosial X Menggunakan SVM: Indonesia Adib, khoirul; Handayani, Maya Rini; Yuniarti, Wenty Dwi; Umam, Khotibul
SINTECH (Science and Information Technology) Journal Vol. 7 No. 2 (2024): SINTECH Journal Edition Agustus 2024
Publisher : Prahasta Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31598/sintechjournal.v7i2.1581

Abstract

Pemilihan Presiden di Indonesia seringkali menjadi pemicu perubahan dramatis dalam dinamika opini publik, terutama di era digital yang dipenuhi dengan suara yang tersebar di media sosial. Penelitian ini bertujuan untuk memetakan perubahan sentimen publik pasca-pemilihan Presiden dengan menggunakan analisis media sosial, dengan fokus pada aplikasi X yang memiliki 24 juta pengguna aktif di Indonesia. Metode Support Vector Machine (SVM) digunakan untuk menganalisis dan mengklasifikasikan sentimen dengan akurat berdasarkan kata tweet yang sedang tren setelah pemilihan Presiden. Penelitian ini bertujuan untuk memberikan pemahaman yang lebih dalam tentang perubahan opini publik pasca-pemilihan presiden, dengan menggambarkan dinamika sentimen masyarakat yang tercermin dalam media sosial. Kontribusi dari penelitian ini adalah pemetaan yang akurat tentang perubahan opini publik, yang dapat memberikan wawasan yang berharga bagi pembuat kebijakan, analis politik, dan praktisi media sosial dalam merespons kebutuhan masyarakat di era digital ini. Hasil pengujian dengan menggunakan 3850 dengan karateristik dataset dengan menggunakan tiga kelas kata tweet yang sedang tren dari platform X menunjukkan tingkat akurasi tertinggi pada klasifikasi "Pemilu Damai" dengan 97.3%, "Hak Angket" dengan 96.5%, dan "Pemilu Curang" dengan 94.0%.
Deteksi Potensi Menyontek Menggunakan Feedforward Neural Network Pada Ujian Daring Hadibrata, Lymanto; Rochadiani, Theresia Herlina
SINTECH (Science and Information Technology) Journal Vol. 7 No. 2 (2024): SINTECH Journal Edition Agustus 2024
Publisher : Prahasta Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31598/sintechjournal.v7i2.1585

Abstract

Pendidikan di Indonesia merupakan salah satu faktor pendukung yang dapat menjadikan Indonesia menjadi negara maju. Akan tetapi masih banyak pelajar yang melakukan praktik menyontek sehingga menurunkan kualitas pendidikan di Indonesia. Untuk mengurangi praktik menyontek di Indonesia, penelitian ini bertujuan untuk membuat sebuah model deep learning dengan menggunakan metode feedforward neural network untuk mendeteksi potensi menyontek. Penelitian ini menggunakan 51 video dataset diperoleh dari orang-orang yang pada akhirnya diubah menjadi titik-titik koordinat menggunakan Mediapipe Face Landmark yang disimpan pada file CSV. Pada penelitian ini terdapat 7 class pada dataset yang sudah dibuat yaitu netral, hadap_atas, hadap_bawah, hadap_kiri, hadap_kanan, retina_kiri dan retina_kanan. Indikator utama yang paling menentukan untuk mendeteksi potensi tidak menyontek adalah class netral. Akan tetapi, class retina_kiri dan retina_kanan juga ikut berpartisipasi karena ada pertimbangan dari segi pembacaan soal. Indikator yang menentukan untuk mendeteksi potensi menyontek adalah class hadap_kiri, hadap_kanan, hadap_atas, dan hadap_bawah. Penelitian ini menghasilkan model yang dapat memprediksi potensi menyontek dengan akurasi sebesar 91.6% dengan menggunakan metode feedforward neural network. Dari model yang dihasilkan, dapat diimplementasikan kedalam sebuah sistem ujian daring.
Penggunaan Jaccard Similarity Coefficient dalam Optimasi Proses Rekrutmen Karyawan Berbasis Profil dan Kompetensi Siregar, Ivan Michael; Pratama, Daniel; Himawan, Cindy
SINTECH (Science and Information Technology) Journal Vol. 7 No. 2 (2024): SINTECH Journal Edition Agustus 2024
Publisher : Prahasta Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31598/sintechjournal.v7i2.1617

Abstract

Rekrutmen karyawan yang efektif sangat penting untuk menemukan karyawan yang tepat sesuai kebutuhan perusahaan. Salah satu cara untuk mencapainya adalah dengan menggunakan algoritma yang bisa mengidentifikasi kandidat potensial berdasarkan kompetensi yang dibutuhkan. Meski ada berbagai metode untuk mengefisiensikan rekrutmen, seperti penyaringan resume dan optimasi iklan lowongan, belum banyak penelitian yang fokus pada metode berbasis kemiripan untuk mengurangi subjektivitas. Penelitian ini bertujuan mengembangkan model Machine Learning menggunakan Jaccard similarity coefficient untuk menentukan kandidat potensial berdasarkan kesamaan profil dan kompetensi dengan karyawan yang ada. Model ini terdiri dari tiga tahap: pertama, mengidentifikasi karyawan dan kandidat dengan keahlian sesuai kebutuhan; kedua, menggunakan Jaccard similarity coefficient untuk menghitung skor kemiripan profil dan mengelompokkan mereka; ketiga, menghitung skor kemiripan kompetensi dan memprediksi kandidat yang lolos. Hasil menunjukkan akurasi 75%, presisi 71%, recall 62%, dan f1 score 67%, dengan stabilitas terbaik pada dataset 509 karyawan. Akurasi 75% menunjukkan bahwa model dapat memprediksi kandidat yang tepat dengan tingkat ketepatan 75%, cukup baik untuk mengurangi subjektivitas, meningkatkan efisiensi, dan membantu perusahaan menemukan kandidat terbaik.
Business Intelligence Implementation for Groceries Commodity Price Data Analytics Hibatulwafi, Fathe; Asmiyanto, Taufik
SINTECH (Science and Information Technology) Journal Vol. 7 No. 2 (2024): SINTECH Journal Edition Agustus 2024
Publisher : Prahasta Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31598/sintechjournal.v7i2.1676

Abstract

As a startup company specializing in agricultural technology, currently PT XYZ does not have any effective and integrated tools to analyze groceries commodity for purchase and sale data-driven decision making. This research will integrating multiple data sources for accurate analysis, tailoring the business intelligence (BI) system to PT XYZ’s specific needs, and developing a robust solution that supports comprehensive decision-making. BI implementation solution will be developed using Pentaho Data Integration & Apache Superset. Applied research used as its method, that contains processes to gather user requirements to gather user needs from each information, design the solution, and dashboard development. The study focused on analyzing data from both internal sources, such as purchase and sales transactions, and external sources, including market price data, using these BI tools to provide comprehensive insights. The developed dashboard contains several sections that allow users to see price recommendation price and get the insight for the last seven days trend, monitor the market position, see team performance, and find the summary about estimated and actual margin comparison. Pentaho successfully handled ETL and data modeling, while Apache Superset enabled straightforward dashboard setup, though chart customization is limited.

Page 17 of 17 | Total Record : 166

 13   14   15   16   17 

Filter by Year

2018 2024


Reset
Filter By Issues
All Issue Vol. 7 No. 2 (2024): SINTECH Journal Edition Agustus 2024 Vol. 7 No. 1 (2024): SINTECH Journal Edition April 2024 Vol. 6 No. 3 (2023): SINTECH Journal Edition December 2023 Vol. 6 No. 2 (2023): SINTECH Journal Edition Agustus 2023 Vol. 6 No. 1 (2023): SINTECH Journal Edition April 2023 Vol. 5 No. 2 (2022): SINTECH Journal Edition Oktober 2022 Vol. 5 No. 1 (2022): SINTECH Journal Edition April 2022 Vol. 4 No. 2 (2021): SINTECH Journal Edition Oktober 2021 Vol. 4 No. 1 (2021): SINTECH Journal Edition April 2021 Vol. 3 No. 2 (2020): SINTECH Journal Edition Oktober 2020 Vol. 3 No. 1 (2020): SINTECH Journal Edition April 2020 Vol 3 No 1 (2020): SINTECH Journal Edition April 2020 Vol 2 No 2 (2019): SINTECH Journal Edition October 2019 Vol. 2 No. 2 (2019): SINTECH Journal Edition October 2019 Vol 2 No 1 (2019): SINTECH Journal Edisi April 2019 Vol. 2 No. 1 (2019): SINTECH Journal Edition April 2019 Vol 1 No 2 (2018): SINTECH Journal Edition Oktober 2018 Vol. 1 No. 2 (2018): SINTECH Journal Edition Okctober 2018 Vol. 1 No. 1 (2018): SINTECH Journal Edition April 2018 Vol 1 No 1 (2018): SINTECH Journal Edisi April 2018 More Issue