cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Rizki Yusliana Bakti
Contact Email
rizkiyusliana@unismuh.ac.id
Phone
+6285396530032
Journal Mail Official
ainet@unismuh.ac.id
Editorial Address
3th Floor of Menara Iqra, Universitas Muhammadiyah Makassar. Jalan Sultan Alauddin No.259 Makassar
Location
Kota makassar,
Sulawesi selatan
INDONESIA
Ainet : Jurnal Informatika
Published by Universitas Muhammadiyah Makassar
ISSN : 26861917     EISSN : 26570653     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Engineering Languange, Linguistic, Communication & Media
Ainet : Jurnal Informatika is a scientific journal in the field of Informatics which contains scientific articles on various pure and applied research as well as general reviews on the development of theories, methods and related applied sciences. Ainet is published by Department of Informatics, Faculty of Engineering, Universitas Muhammadiyah Makassar. Published 2 times a year in March and September.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 75 Documents
 4   5   6   7   8 
ANALISIS PENERAPAN ALGORITMA JACCARD SIMILARITY UNTUK REKOMENDASI BUKU BERDASARKAN KATA KUNCI DAN SINONIMNYA Haskar, Alfitra
Ainet : Jurnal Informatika Vol. 7 No. 1 (2025): Maret (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/ainet.v7i1.18721

Abstract

Peningkatan jumlah informasi digital, termasuk katalog buku di perpustakaan dan toko buku online, membuat kebutuhan akan sistem rekomendasi semakin penting. Salah satu pendekatan yang dapat digunakan dalam sistem rekomendasi adalah algoritma Jaccard Similarity, yang mengukur kesamaan antara dua himpunan data. Dalam penelitian ini, dilakukan implementasi algoritma Jaccard Similarity untuk rekomendasi buku berdasarkan kata kunci dan sinonimnya. Penggunaan sinonim bertujuan untuk meningkatkan cakupan pencarian dan mengakomodasi variasi istilah yang mungkin digunakan pengguna saat mencari buku. Penelitian ini melibatkan beberapa tahap, mulai dari ekstraksi kata kunci dan sinonim menggunakan sumber daya linguistik seperti kamus sinonim, hingga perhitungan tingkat kesamaan antar kata kunci menggunakan algoritma Jaccard Similarity. Selanjutnya, dilakukan analisis performa algoritma dalam menghasilkan rekomendasi buku yang relevan. Hasil uji coba menunjukkan bahwa penggunaan sinonim dapat meningkatkan akurasi sistem rekomendasi dibandingkan dengan pencarian kata kunci secara eksak. Algoritma ini berhasil mengidentifikasi hubungan antara buku-buku yang relevan, meskipun menggunakan kata kunci yang bervariasi. Kesimpulan dari penelitian ini adalah bahwa algoritma Jaccard Similarity yang diimplementasikan dengan tambahan pemrosesan sinonim efektif dalam meningkatkan relevansi hasil rekomendasi buku. Pengembangan lebih lanjut dapat difokuskan pada integrasi dengan sistem pemrosesan bahasa alami untuk memperkaya kemampuan sistem rekomendasi
Analisis Sentimen Text Dengan Metode CNN Study Kasus Tempat Wisata Makassar Kamal, Safutri; Rachman, Fahrim Irhamna; Wahyuni, Titin
Ainet : Jurnal Informatika Vol. 7 No. 1 (2025): Maret (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/n1gcbb74

Abstract

Penelitian ini bertujuan untuk mengevaluasi dan menentukan sejauh mana metode CNN (Convolutional Neural Network) dapat menghasilkan prediksi sentimen yang akurat terhadap ulasan mengenai tempat wisata Makassar. Metode analisis sentimen ini menggunakan data ulasan yang dikumpulkan dari platform Google Maps. Dalam penelitian ini, dilakukan tahap preprocessing untuk membersihkan data, seperti cleaning, transform cases, tokenizing, stopword dan stemming. Selanjutnya, dilakukan pembagian dataset menjadi data latih dan data uji dengan scenario 90 : 10, 80 : 20 dan 70 : 30 untuk melatih dan menguji model dengan tiga kategori ulasan yaitu positif, negatif dan netral. Hasil dari analisis sentimen menunjukkan bahwa metode CNN memiliki kemampuan yang baik dalam memprediksi sentimen positif, negatif, dan netral pada ulasan mengenai Tempat Wisata Makassar. Tingkat akurasi yang tinggi pada tahap pelatihan menunjukkan bahwa model mampu belajar dengan baik dari dataset yang disediakan. Meskipun tingkat akurasi pada tahap validasi sedikit lebih rendah, tetapi masih mencapai angka yang memadai, menunjukkan bahwa model memiliki kemampuan generalisasi yang cukup baik dalam mengklasifikasikan sentimen pada ulasan-ulasan tersebut. Diperoleh hasil akurasi tertinggi dengan Training Accuracy yang meningkat memperoleh nilai akurasi training 95%, serta Validation Accuracy memperoleh nilai 73%.
Penerapan Algoritma Support Vector Machine Untuk Penentuan Konsentrasi Mahasiswa Program Studi Manajemen Universitas Muhammadiyah Makassar RAMLI, ANDI RAODATUL ADAWIYAH; Fahrim Irhmna Rachman; Muhyiddin A.M Hayat
Ainet : Jurnal Informatika Vol. 7 No. 1 (2025): Maret (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/kdxvxa79

Abstract

Pemilihan konsentrasi merupakan aspek penting bagi mahasiswa program studi manajemen di Universitas Muhammadiyah Makassar, terutama bagi mahasiswa semester enam. Program studi ini menawarkan konsentrasi di bidang SDM, pemasaran, dan keuangan. Penelitian ini menggunakan data set mahasiswa angkatan 2018 hingga 2021 dan menerapkan algoritma Support Vector Machine (SVM) untuk menentukan konsentrasi yang tepat. Hasil penelitian menunjukkan bahwa model SVM mencapai akurasi sebesar 70,55% dalam menentukan konsentrasi mahasiswa. Validasi dilakukan dengan membandingkan hasil prediksi SVM dengan perhitungan manual menggunakan Microsoft Excel. Kesamaan hasil antara metode SVM dan perhitungan manual menunjukkan bahwa model ini berhasil mereplikasi keputusan manual dengan baik. Temuan ini mengindikasikan bahwa model SVM dapat menggeneralisasi pola dari data training ke data testing dengan akurasi yang memadai. Sistem ini dinilai andal dan efisien dalam proses pengambilan keputusan tanpa mengorbankan akurasi, menunjukkan bahwa metode ini dapat diandalkan secara konsisten.Kata kunci: Support Vector Machine (SVM), Konsentrasi, Mahasiswa, Klasifikasi.
Sistem Pendukung Kepuntusan Penentuan Varietas Bawang Merah Menggunakan Metode Simple Additive Weighting (SAW) di Desa Bonto Lojong Kab. Bantaeng Alfiani, Ananda; Lukman Anas; Lukman
Ainet : Jurnal Informatika Vol. 7 No. 1 (2025): Maret (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/tk2pde16

Abstract

 ANANDA ALFIANI. Decision Support System for Determining Shallot Varieties Using the Saw Method (Simple Additive Weighting) in Bonto Lojong Village, Kab. Bantaeng (Supervised by Lukman Anas, S.Kom., MT., and Lukman SKM, S.Kom., MT.,).The research carried out aimed to determine the types of shallot varieties in Bantaeng Regency, especially in Bonto Lojong Village, which was web-based. This system helps shallot farmers in selecting suitable varieties to be used as seeds using the Simple Additive Weighting (SAW) method. The research design used is Unified Modeling Language (UML) which is designed in a structured manner consisting of use case diagram model designs, activity diagrams, sequence diagrams and class diagrams. The text editor used in building this system is Sublime Text, while the programming language uses PHP, JavaScript and MySQL for database processing. In this research, data collection was obtained through observation, interviews and documentation. The method used in the research is the Simple Additive Weighting (SAW) method. Results from the application of the Decision Support System for Determining Shallot Varieties Using the Saw Method (Simple Additive Weighting) in Bonto Lojong Village, Kab. Bantaeng helps and makes it easier for farmers to determine the variety of shallots in their land by giving the highest value to the types of shallot varieties to be used as seeds for the next planting period.  Keywords: Decision support system, spk of shallot varieties, SAW method.
Pengenalan Bahasa Isyarat Menggunakan Deteksi Objek Deep Learning Virgiawan, David Arian; Fachrim Irhamna Rahman; Rizki Yusliana Bakti
Ainet : Jurnal Informatika Vol. 7 No. 1 (2025): Maret (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/qkztgb55

Abstract

Berdasarkan perkembangan teknologi, khususnya di bidang komputasi, semakin memungkinkan pengembangan sistem yang mampu mendeteksi bahasa isyarat dengan lebih efisien. Salah satu masalah utama yang dihadapi adalah bagaimana cara mendeteksi dan mengklasifikasi gerakan bahasa isyarat secara akurat menggunakan algoritma YOLOv8. Penelitian ini bertujuan untuk mengimplementasikan YOLOv8 dalam mendeteksi dan mengklasifikasi abjad pada bahasa isyarat Indonesia (SIBI). Penelitian ini dilakukan di Universitas [Nama Universitas], dengan menggunakan dataset yang dikumpulkan melalui pengambilan foto simbol tangan abjad A-Z yang kemudian diproses untuk pelabelan dan pelatihan model. Proses pelatihan model dilakukan menggunakan data yang dibagi menjadi tiga bagian: pelatihan (60%), validasi (20%), dan pengujian (20%). Pengujian model menghasilkan tingkat akurasi yang sangat tinggi sebesar 99,5%, dengan presisi 99,1%, dan recall 99,4%. Hasil ini menunjukkan bahwa sistem yang dikembangkan sangat andal dalam mendeteksi bahasa isyarat secara real-time. Penelitian ini menyarankan agar penelitian selanjutnya menambahkan variasi data isyarat dari berbagai pengguna untuk memperkaya dataset, serta mempertimbangkan penggunaan algoritma terbaru atau penggabungan beberapa algoritma untuk meningkatkan kinerja deteksi .Kata Kunci : Pengenalan Bahasa Isyarat, YOLOv8, Deep Learning, Deteksi Objek, SIBI
KLASIFIKASI SARAN DAN KRITIK PADA SIMAK UNISMUH DENGAN MENGGUNAKAN ALGORTIMA RECCURENCT NEURAL NETWORK (RNN) faisal, Ahmad; Wahyuni, Titin; Rachman, Fahrim Irhamna
Ainet : Jurnal Informatika Vol. 7 No. 1 (2025): Maret (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/8ttaxq04

Abstract

SIMAK Unismuh Makassar is an important platform used by students to submit suggestions and criticisms related to various academic aspects. In this study, researchers implemented the Recurrent Neural Network (RNN) algorithm to classify suggestions and criticisms received through SIMAK Unismuh. The purpose of this study was to determine the implementation of the RNN Algorithm in classifying suggestions and criticisms on the SIMAK Unismuh page and how successful the RNN Algorithm was in classifying suggestions and criticisms on the SIMAK Unismuh page. RNN was chosen because of its ability to process sequential text data, such as input in the form of sentences, which allows the model to capture the context of the input more effectively. The dataset used in this study consists of a number of suggestion and criticism data that have been categorized manually. The RNN model that was built was then trained and tested using the data to assess its accuracy and performance. The results showed that the model achieved the highest accuracy of 91% and the lowest accuracy of 90%. Although there were variations in model performance, these results indicate that RNN has good potential in classifying suggestion and criticism texts. The RNN model can help institutions understand and respond to user input more effectively, although it still requires further optimization to improve the consistency and accuracy of the results. The conclusion of this study shows that the RNN model is able to classify suggestions and criticisms with an adequate level of accuracy. The application of this model is expected to help the Unismuh administration in managing student input more efficiently, as well as providing more appropriate and faster responses to academic needs.Keywords: Text Classification, Recurrent Neural Network (RNN), SIMAK Unismuh, Suggestions and Criticisms, Academic Information System.
Analisis Data Kepuasan Mahasiswa Terhadap Sarana Dan Prasarana Dengan Menggunakan Algoritma Naïve Bayes Pada Universitas Muhammadiyah Makassar suriani, suriani; Muhyiddin A.M Hayat; Rizki Yusliana Bakti
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/wrccj205

Abstract

SURIANI, Salah satu institusi pendidikan tinggi yang berperan sentral dalam menyediakan pendidikan berkualitas adalah Universitas Muhammadiyah Makassar (Unismuh). Perguruan tinggi sebagai penyedia layanan harus menyediakan mutu pelayanan yang unggul kepada mahasiswa. Salah satu atribut pelayanan adalah hal yang tidak berwujud. Dalam konteks mahasiswa terhadap pelayanan fasilitas, pegawai dan kepuasan staf pengajar perlu memberikan pelayanan berkualitas tinggi kepada mahasiswa sesuai dengan kebutuhan mereka. Mahasiswa telah mengorbankan uang dan waktu untuk pendidikan, sehingga perguruan tinggi harus memberikan layanan yang sebanding dengan pengorbanan ini. Dari perhitungan yang telah dilakukan dengan metode Naïve Bayes, terdapat terdeteksi terdapat 16 mahasiswa mahasiswa yang menyatakan puas dan 427 mahasiswa yang menyatakan tidak puas, dengan perbandingan persentase 4% banding 96%. Dengan nilai presisi, recall, dan f1 score masing-masing bernilai 100%. Artinya pihak kampus perlu melakukan pengembangan dan perbaikan terhadap sarana dan prasarana yang ada pada kampus universitas Muhammadiyah makassar.
Penggunaan CNN Dalam Analisis Sentimen Pada Review Tempat Wisata Makassar Kamal, Safutri; Rachman, Fahrim Irhamna; Wahyuni, Titin
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/73mrdb71

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen pada ulasan tempat wisata di Makassar menggunakan metode Convolutional Neural Network (CNN). Makassar, sebagai salah satu destinasi wisata utama di Indonesia, menerima banyak ulasan dari pengunjung yang beragam. Setiap ulasan diproses secara tekstual melalui tahapan pembersihan data, tokenisasi, penghapusan kata-kata umum (stop words), dan stemming. Model CNN yang dibangun terdiri dari beberapa lapisan konvolusi dan pooling yang berfungsi untuk mengekstraksi fitur penting dari teks ulasan. Hasil penelitian ini memberikan wawasan yang berharga mengenai persepsi pengunjung terhadap tempat wisata di Makassar. Analisis sentimen ini dapat digunakan oleh pengelola tempat wisata dan pihak terkait untuk meningkatkan kualitas layanan dan pengalaman wisatawan.
Optimasi Ukuran Dataset untuk Analisis Sentimen Menggunakan Teknik Pembelajaran Mesin dan Pembelajaran Mendalam Halisah Duli, St Nur; Rahman, Fahrim Irhamna; Wahyuni, Titin
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/xsq0pg68

Abstract

Penelitian ini bertujuan untuk mengoptimalkan ukuran dataset yang digunakan dalam analisis sentimen melalui penerapan teknik pembelajaran mesin dan pembelajaran mendalam. Metode pembelajaran mesin yang digunakan mencakup Naive Bayes, Regresi Logistik, dan Support Vector Machine, sedangkan Convolutional Neural Network digunakan untuk metode pembelajaran mendalam. Data yang digunakan dalam penelitian ini berasal dari ulasan Google Maps mengenai beberapa tempat wisata, seperti Bugis Waterpark, Akkarena, Tanjung Bayang, Pantai Bosowa, dan Wisata Kebun. Tahap pra-pemrosesan data meliputi pembersihan data, casefolding, penghapusan stopwords, tokenisasi, dan stemming. Pengujian dilakukan dengan sembilan ukuran dataset yang berbeda (4500, 4000, 3500, 3000, 2500, 2000, 1500, 1000, dan 500) serta pembagian data latih dan data uji dengan rasio 90:10, 80:20, dan 70:30. Hasil pengujian menunjukkan bahwa Regresi Logistik dengan ukuran dataset 1000 dan Pembagian 90:10 mencapai tingkat akurasi tertinggi sebesar 85%. Studi ini menyimpulkan bahwa ukuran dataset yang optimal bervariasi tergantung pada metode yang digunakan dan menggarisbawahi pentingnya pemilihan ukuran dataset yang tepat untuk meningkatkan kinerja analisis sentimen. .
Komparasi Algoritma Svm Dan Knn Dalam Memprediksi Peminatan Akademik Mahasiswa Program Studi Man Maharani, Afifah; Fahrim Irhmna Rachman; Rizki Yusliana Bakti
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/dqm2kk92

Abstract

AbstrakPenentuan peminatan akademik mahasiswa merupakan tahapan penting dalam pendidikan tinggi karena berpengaruh terhadap keberhasilan studi dan pengembangan kompetensi. Namun, proses penentuan peminatan sering kali masih dilakukan secara subjektif dan belum sepenuhnya berbasis data akademik. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) dalam memprediksi peminatan akademik mahasiswa Program Studi Manajemen Universitas Muhammadiyah Makassar. Data penelitian bersumber dari nilai mata kuliah inti mahasiswa angkatan 2018 hingga 2021 yang telah melalui tahapan prapemrosesan dan pelabelan ke dalam tiga konsentrasi, yaitu Sumber Daya Manusia, Pemasaran, dan Keuangan. Metode penelitian dilakukan dengan membangun model klasifikasi menggunakan algoritma SVM dan KNN, kemudian dievaluasi menggunakan metrik akurasi, precision, recall, dan f1-score dengan variasi parameter serta pembagian data latih dan data uji. Hasil pengujian menunjukkan bahwa algoritma SVM dengan kernel Radial Basis Function (RBF) dan test size 0,1 menghasilkan performa terbaik dengan nilai akurasi sebesar 70,55 persen. Sementara itu, algoritma KNN dengan nilai k sebesar lima, metrik jarak Euclidean, dan test size 0,1 memperoleh akurasi sebesar 57,53 persen. Temuan ini menunjukkan bahwa SVM memiliki kemampuan klasifikasi yang lebih baik dan stabil dibandingkan KNN, sehingga lebih layak diterapkan sebagai model pendukung sistem prediksi peminatan akademik mahasiswa berbasis pembelajaran mesin.Kata kunci: Support Vector Machine, K-Nearest Neighbors, Machine Learning.Abstract Determining academic specialization for university students is a crucial stage in higher education because it directly influences study success and competency development. However, the process is often conducted subjectively and is not fully based on academic data. This study aims to compare the performance of Support Vector Machine and K-Nearest Neighbors algorithms in predicting academic specialization of Management students at Universitas Muhammadiyah Makassar. The dataset consists of core course grades from cohorts 2018 to 2021 that were preprocessed and labeled into three concentrations: Human Resource Management, Marketing, and Finance. The research method involved building classification models using SVM and KNN, which were evaluated using accuracy, precision, recall, and F1-score with various parameter settings and train–test splits. The results show that SVM with a Radial Basis Function kernel and a test size of 0.1 achieved the best performance with an accuracy of 70.55 percent. Meanwhile, KNN with k equal to five, Euclidean distance, and a test size of 0.1 obtained an accuracy of 57.53 percent. These findings indicate that SVM provides more stable and accurate classification than KNN for academic specialization prediction. Therefore, SVM is considered more suitable as a machine learning based decision support model for academic specialization purposes effectively.Keyword: Support Vector Machine, K-Nearest Neighbors, Machine Learning.

Page 7 of 8 | Total Record : 75

 4   5   6   7   8 

Filter by Year

2019 2025


Reset
Filter By Issues
All Issue Vol 7, No 1 (2025): Vol 7, No 1 (2025): Maret (2025) Vol. 7 No. 2 (2025): September (2025) Vol. 7 No. 1 (2025): Maret (2025) Vol 6, No 2 (2024): September (2024) Vol. 6 No. 2 (2024): September (2024) Vol 5, No 1 (2023): Maret (2023) Vol. 5 No. 1 (2023): Maret (2023) Vol 4, No 1 (2022): Maret (2022) Vol 3, No 2 (2021): September (2021) Vol 3, No 1 (2021): Maret (2021) Vol 2, No 2 (2020): September (2020) Vol 2, No 1 (2020): Maret (2020) Vol. 1 No. 2 (2019): September (2019) Vol 1, No 2 (2019): September (2019) Vol 1, No 1 (2019): Maret (2019) More Issue