cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Walhidayat
Contact Email
walhidayat@unilak.ac.id
Phone
+628117532015
Journal Mail Official
jurnal.zonasi@unilak.ac.id
Editorial Address
Km. 8, Jl. Yos Sudarso, Rumbai - Pekanbaru, Riau
Location
Kota pekanbaru,
Riau
INDONESIA
Zonasi: Jurnal Sistem Informasi
Published by Universitas Lancang Kuning
ISSN : 26567407     EISSN : 26567393     DOI : https://doi.org/10.31849/zn
Core Subject : Humanities, Science, Education, Social,
Humanities Computer Science & IT Decision Sciences, Operations Research & Management Environmental Science Languange, Linguistic, Communication & Media
ZONAsi merupakan media publikasi riset ilmiah, untuk kategori keilmuan informatika, lebih spesifik dalam bidang keilmuan human computer interaction / affection. jurnal ini berbasis online jurnal sistem, yang berafiliasi dengan beberapa jurnal dalam naungan institusi Universitas Lancang Kuning.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 286 Documents
 19   20   21   22   23 
ANALISIS SENTIMEN CYBERBULLYING PADA KOMENTAR INSTAGRAM MENGGUNAKAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) Saputra, Tegar Adi; Devega, Mariza
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.23122

Abstract

Instagram merupakan media sosial yang paling populer pada zaman sekarang. Pengguna yang dimulai dari anak-anak, remaja hingga orang dewasa turut mendongkrak popularitas Instagram. Namun, media sosial ini tidak lepas dari bahaya cyberbullying yang sering dilakukan oleh pengguna khususnya pada kolom komentar. Cyberbullying merupakan intimidasi yang dilakukan seseorang pada orang lain yang dilakukan melalui chatroom, media sosial, e-mail, website dalam bentuk seperti pelecehan verbal, penghinaan, pencemaran nama baik, ancaman. Bahaya cyberbullying tentunya meresahkan banyak orang dikarenakan dampak yang ditimbulkan, maka dari itu dapat dilakukan suatu analisis sentimen pada kolom komentar Instagram yang berupaya untuk mengetahui sentimen dari setiap komentar. Untuk mengetahui setiap sentimen pada komentar digunakan fitur Term Frequency-Inverse Document Frequency (TF-IDF) dan metode klasifikasi Support Vector Machine (SVM). Dalam pengambilan data dilakukan dengan cara crawling data pada tolls https://console.apify.com/ dan menarik data komentar pada sebuah postingan instagram sebanyak 1000 data komentar. Dari data tersebut akan di lakukan pemrosesan dengan perbandingan data latih dan data uji diantaranya:90%:10% dengan akurasi 96%, 80% : 20% dengan akurasi 96%, dan 70% : 30% dengan akurasi 95%.
CRAFTING AN INTERACTIVE VIDEO GAME COURT SYSTEM FOR MORAL DEVELOPMENT AND LEGAL INSIGHT Wibowo, Tony; Adnas, Diny Anggriani; Mulyanto, Mulyanto; Marvel, Alberta Adeline
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24145

Abstract

This paper explores the use of the Game Development Life Cycle (GDLC) in creating a hybrid game that integrates visual novel storytelling with match-three puzzle mechanics. The visual novel emphasizes player decision-making and narrative immersion, while the puzzle element adds strategic challenges that propel the story. GDLC's structured phases facilitated efficient teamwork, resource management, and iterative testing throughout development. The findings highlight GDLC's effectiveness in merging diverse game genres, creating an engaging experience for varied audiences. Given the declining popularity of standalone puzzle games, this approach demonstrates how puzzle mechanics can enhance broader gameplay structures, enriching narrative flow and player engagement. The study also examines the challenges of combining visual novels and puzzles, alongside cultural considerations for addressing societal issues in Indonesia. This research underscores GDLC's potential for cross-genre innovation and invites future exploration into player-driven narratives and dynamic content in game design.
PENERAPAN METODE ANALYTICAL HIERARCHY PROCESS DALAM MENENTUKAN SANTRI TERBAIK Septiani, Lisa; Apsiswanto, Untoro
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24210

Abstract

Pondok pesantren di Indonesia berperan penting dalam membentuk generasi muda yang berakhlak mulia dan bepengetahuan luas. di Pondok Pesantren Roudlotut Tholibin Metro setiap tahunnya melakukan pemilihan santri terbaik sebagai bentuk apresiasi terhadap santri berprestasi. Namun, proses penilaian yang manual dan kurang terstruktur sering kali menghasilkan keputusan yang subjektif dan tidak adil. Penelitian ini bertujuan untuk mengembangkan sistem pendukung Keputusan (SPK) menggunakan metode Analytical Hierarchy Process (AHP) dalam meningkatkan objektivitas, transparansi serta akurasi dalam penilaian. kriteria yang digunakan meliputi akhlak/kepribadian, ketekunan beribadah, kemampuan menghafal, nilai rata-rata diniyah dan absensi diniyah. Proses perhitungan dilakukan menggunakan macro VBA untuk meningkatkan efisiensi dan meminimalisir kesalahan manusia. Hasil penelitian menunjukan bahwa metode AHP efektif dalam memberikan bobot yang terukur untuk setiap kriteria dengan Consistency Ratio sebesar 0,0202 yang menunjukan Tingkat konsistensi yang valid. Berdasarkan hasil perhitungan, Arief aljanandi terpilih sebagai santri terbaik dengan skor tertinggi 35,8558.
PERANCANGAN E-COMMERCE UMKM DI DESA KILANGAN KECAMATAN MUARA BULIAN KABUPATEN BATANGHARI Yani, Tri; Mutamassikin, Mutamassikin; Yusuf, M.
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24418

Abstract

Desa Kilangan merupakan desa yang terletak di Kecamatan Muara Bulian Kabupaten Batanghari. Desa tersebut memiliki berbagai produk UMKM yang bergerak dibidang makanan dan juga kerajinan. UMKM di Desa Kilangan ingin bisnisnya dapat berkembang dalam menggunakan salah satu strategi bisnis yang berorientasi pada pelanggan. Seiring berkembangnya UMKM, permintaan konsumen akan barangpun semakin meningkat saat ini. Proses bisnis yang berjalan di perusahaan saat ini adalah pemasaran hanya menggunakan media sosial berupa instagram dan whatsapp sehingga pemasaran produk kurang efektif. Pelaku usaha UMKM mengumpulkan data laporan penjualan, dengan mencatat transaksi penjualan secara manual sehingga sering terjadi pencatatan ulang. Dari permasalah tersebut, penelitian ini dilakukan dengan tujuan untuk menghasilkan sistem informasi E-Commerce Penjualan UMKM Berbasis Web. Metodologi penelitian yang digunakan ialah metode observasi, wawancara dan studi pustaka. Sedangkan metode pengembangan sistem menggunakan metode RAD (Rapid Application Development) serta Unified Modeling Language (UML) sebagai penggambaran sistem dan menggunakan framework PHP yakni CideIgniter sebagai bahasa pemograman dan MySQL sebagai database. Hasil penelitian ini menghasilkan sistem informasi E-Commerce berbasis web yang dapat digunakan pihak Desa Kilangan untuk mempermudah customer dalam melihat informasi produk yang dibutuhkan, serta pemrosesan data tersimpan secara terpusat dan terintegrasi ke dalam database dan dapat memasarkan dan mempromosikan produk secara online.
PERBANDINGAN METODE K-NEAREST NEIGHBOR DAN MODIFIED K-NEAREST NEIGHBOR UNTUK KLASIFIKASI KELUARGA BERESIKO STUNTING Pratama, Dandi Irwayunda; Insani, Fitri; Yanto, Febi; Afrianty, Iis
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24698

Abstract

Stunting disebabkan oleh kekurangan gizi kronis, yang menghambat pertumbuhan terhambat pada anak dan dapat memengaruhi kesehatan jangka panjang. Penelitian ini bertujuan untuk mengklasifikasikan keluarga beresiko stunting menggunakan metode K-Nearest Neighbor (K-NN) dan Modified K-Nearest Neigbor (MK-NN). Perbandingan keduanya dilakukan dengan tujuan memberikan gambaran lebih jelas mengenai metode mana yang lebih cocok dalam membantu dalam memilih algoritma yang memberikan hasil yang optimal. Data yang digunakan terdiri dari 23607 data keluarga dan 20 parameter, diperoleh dari Balai Penyuluhan KB (Kampung Berencana) di Kecamatan Tuah Madani. Hasil menunjukkan bahwa MK-NN memberikan performa lebih konsisten pada berbagai nilai k dengan akurasi mencapai 99.28% terutama pada rasio 80:20 dan 70:30. Sebaliknya, K-NN mencapai akurasi maksimum 99.36% tetapi mengalami fluktuasi pada nilai k tertentu. MK-NN juga unggul dalam metrik precisision, recall dan f1-score menunjukkan mampu menghadapi data yang kompleks. Dapat disimpulkan bahwa MK-NN lebih efektif dan stabil dibandingkan K-NN. Penelitian ini menyarankan penggunaan data ekonomi seperti pendapatan dan pekerjaan orang tua pada studi mendatang untuk memberikan hasil klasifikasi yang lebih menyeluruh dan akjrat dalam mendukung kebijakan stunting.
PENERAPAN TEKNIK SMOTE PADA KLASIFIKASI PENYAKIT STROKE DENGAN ALGORITMA SUPPORT VECTOR MACHINE Pasiolo, Lugas; Afrianty, Iis; Budianita, Elvia; Abdillah, Rahmad
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24731

Abstract

Stroke adalah kondisi darurat medis yang dapat menyebabkan kerusakan otak atau kematian. Deteksi dini dan klasifikasi risiko stroke sangat penting untuk pencegahan dan penanganannya. Penelitian ini menggunakan dataset sebanyak 5110 data untuk meningkatkan akurasi klasifikasi stroke dengan algoritma Support Vector Machine (SVM) pada data tidak seimbang. Teknik Synthetic Minority Over-sampling Technique (SMOTE) diterapkan untuk menyeimbangkan data stroke dan non-stroke, yang dapat meningkatkan performa model. SVM diuji dengan berbagai kernel, yaitu Linear, RBF, Polynomial, dan Sigmoid, serta variasi parameter pada masing-masing kernel untuk mencari konfigurasi optimal. Hasil pengujian menunjukkan penerapan SMOTE meningkatkan akurasi, presisi, dan recall, dengan kernel RBF mencapai akurasi tertinggi 92% pada parameter Cost 100 dan Gamma 1. Temuan ini menunjukkan bahwa penggunaan SMOTE dan optimasi parameter SVM dapat menghasilkan model klasifikasi yang lebih efektif dalam mendeteksi risiko stroke pada data tidak seimbang.
EKSPLORASI FITUR FASTTEXT, TF-IDF DAN INDOBERT PADA METODE K-NEAREST NEIGHBOR UNTUK KLASIFIKASI SENTIMEN Putri, Atika; Agustian, Surya; Jasril, Jasril; Afrianty, Iis
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24779

Abstract

Sentiment classification is essential for analyzing public opinion, particularly on social media issues. One of the main challenges in sentiment classification is the limited amount of training data, which often affects the model's ability to make accurate predictions. This study examines Kaesang Pengarep's appointment as PSI chairman using feature extraction methods such as FastText, TF-IDF, and IndoBERT, alongside the K-Nearest Neighbor (KNN) algorithm. Optimization steps include adding external data, refining text preprocessing, applying data scaling, and tuning parameters. The baseline model achieved 44% accuracy and 39% F1-score using FastText. After optimization and switching to IndoBERT, the optimal model achieved 57% accuracy and 49% F1-score, showing a 10% improvement. These findings demonstrate that optimizations, such as advanced feature extraction and parameter tuning, significantly impact sentiment classification. Future research could focus on advanced optimization techniques to address data limitations and enhance sentiment analysis performance. Keywords: Sentiment Classification, Model Optimisation, K-Nearest Neighbor, FastText, TF-IDF, IndoBERT.
IMPLEMENTASI BI-DIRECTIONAL LONG SHORT TERM MEMORY TERHADAP KLASIFIKASI SENTIMEN DI TWITTER PADA DATASET TERBATAS Putri Zahwa; Agustian, Surya; Novriyanto, Novriyanto; Yanto, Febi
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24799

Abstract

Perkembangan teknologi informasi telah mengubah cara Masyarakat mengekspresikan pendapat, terutama melalui media sosial seperti Twitter. Di bidang politik, media sosial kerap dijadikan parameter untuk mengukur popularitas tokoh politik sampai kepada sentimen masyarakat. Penelitian ini menggunakan metode deep learning yaitu Bi-Directional Long Short Term Memory (Bi-LSTM) untuk mengukur sentimen publik terhadap tokoh politik Kaesang Pangarep di Twitter. Dataset yang dikumpulkan 1.524 tweet dari 25 September hingga 3 Oktober 2023 dibagi menjadi 924 tweet untuk pengujian dan 600 tweet untuk pelatihan. Proses preprocessing meliputi cleaning dan konversi emoji. Model Bi-LSTM dilatih menggunakan fitur yang diekstraksi melalui Word2Vec. Penambahan data training dengan dataset eksternal dari data sentimen program vaksinasi Covid-19 dan Open Topic, dapat meningkatkan performa model dengan nilai F1-Score tertinggi 67.77% pada data validasi, dan 52.70% pada data testing. Hasil ini meningkat secara signifikan dibandingkan dengan metode baseline Bi-LSTM tanpa optimasi. Penelitian ini menunjukkan bahwa Bi-LSTM sangat efektif dalam klasifikasi sentimen, dan hasil akhir sangat dipengaruhi oleh kuantitas dan kualitas data latih yang digunakan.
PENERAPAN METODE LOGISTIC REGRESSION UNTUK KLASIFIKASI SENTIMEN PADA DATASET TWITTER TERBATAS Putri, Adilah Atikah; Agustian, Surya; Abdillah, Rahmad; Pizaini, Pizaini
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24804

Abstract

Kecepatan dan akurasi menjadi semakin penting dalam analisis sentimen publik, terutama di media sosial seperti Twitter, yang sering digunakan untuk menyampaikan opini terkait berbagai isu terkini. Penelitian ini mengaplikasikan metode Logistic Regression untuk klasifikasi sentimen pada dataset terbatas yang terdiri dari 300 sampel, yang dikategorikan menjadi sentimen positif, negatif, dan netral. Studi kasus mengeksplorasi respons masyarakat terhadap pengangkatan Kaesang Pangarep sebagai Ketua Umum Partai Solidaritas Indonesia (PSI) di Twitter. Data eksternal dari vaksinasi COVID-19 dan topik umum (open topic) digunakan dalam penelitian ini untuk meningkatkan proses klasifikasi. Metode TF-IDF digunakan untuk meningkatkan representasi teks. Grid Search digunakan untuk mengoptimalkan hyperparameter model. Evaluasi dilakukan menggunakan metrik F1-score untuk mengukur precision dan recall. Hasil baseline menunjukkan F1-score sebesar 40,83%, sementara berdasarkan hasil eksperimen yang dilakukan optimasi menghasilkan peningkatan hingga 52,68% dengan akurasi 61,76% pada eksperimen terbaik (C7). Penelitian ini menunjukkan bahwa metode Logistic Regression yang dioptimalkan dapat melakukan klasifikasi dengan dataset terbatas, yang relevan untuk analisis sentimen.
KLASIFIKASI SENTIMEN MENGGUNAKAN BIDIRECTIONAL LSTM DAN INDOBERT DENGAN DATASET TERBATAS Illahi, Ridho; Agustian, Surya; Jasril, Jasril; Yanto, Febi
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.25091

Abstract

Untuk mendapatkan informasi melalui media sosial mengenai popularitas termasuk juga sentimen masyarakat terhadap para tokoh politik, masalah waktu menjadi krusial. Oleh karena itu, menganalisis hal tersebut menggunakan komputer menjadi pilihan. Namun menyediakan data yang berlabel cukup untuk pembelajaran mesin dalam kasus analisis sentimen dan tingkat kepopuleran dari media sosial, akan menyebabkan waktu yang dibutuhkan menjadi lebih lama. Penelitian ini mengembangkan model Bi-LSTM (Bidirectional Long Short-Term Memory) yang dipadukan dengan IndoBERT sebagai fitur representasi teks, untuk menganalisis sentimen dengan data training yang terbatas. Isu utama mengenai pengangkatan Kaesang sebagai ketua umum Partai Solidaritas Indonesia (PSI), hanya menyediakan 300 – 600 tweet berlabel positif, negatif dan netral untuk training. Data tweet setelah melalui tahap preprocessing dan vektorisasi BERT, dilatih pada metode klasifikasi Bi-LSTM. Langkah-langkah optimasi dilakukan sampai kepada hyperparameter tuning untuk menemukan model terbaik. Meski jumlah data train terbatas, model yang diusulkan berhasil mencapai F1-score sebesar 71% pada data validasi, dan 59% pada pengujian data test. Hasil penelitian mendemonstrasikan keefektifan metode Bi-LSTM dan fitur IndoBERT dalam mengukur opini masyarakat di media sosial. Framework metode klasifikasi yang diusulkan sangat potensial sebagai alat untuk menganalisis respons masyarakat terhadap isu politik terkini.

Page 21 of 29 | Total Record : 286

 19   20   21   22   23 

Filter by Year

2019 2025


Reset
Filter By Issues
All Issue Vol. 7 No. 3 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode September 2025 Vol. 7 No. 2 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Mei 2025 Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025 Vol. 6 No. 3 (2024): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode September 2024 Vol. 6 No. 2 (2024): Publikasi Artikel ZONAsi: Periode Mei 2024 Vol. 6 No. 1 (2024): Publikasi Artikel ZONAsi Periode Januari 2024 Vol. 5 No. 3 (2023): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode September 2023 Vol. 5 No. 1 (2023): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2023 Vol. 5 No. 2 (2023): Publication Periodic ZONAsi: Jurnal Sistem Informasi. Vol. 4 No. 1 (2022): Publikasi Artikel ZONAsi: Jurnal Sistem Informasi Periode Maret 2022 Vol. 4 No. 2 (2022): Sistem Informasi dan Implementasi Teknologi Untuk Kebermanfaatan Sosial 2022: Edisi Khusus: Teknologi Informasi bagi kebermanfaatan dunia pendidikan Vol. 3 No. 2 (2021): Publikasi Artikel ZONAsi : Jurnal Sistem Informasi, September 2021 Vol. 3 No. 1 (2021): Publikasi Artikel ZONAsi : Jurnal Sistem Informasi, Maret 2021 Vol. 2 No. 1 (2020): Publikasi Artikel Jurnal ZONAsi untuk periode ke - 3, Maret 2020 Vol. 2 No. 2 (2020): Publikasi Artikel ZONAsi : Jurnal Sistem Informasi, September 2020 Vol. 1 No. 2 (2019): Publikasi Artikel ZONAsi : Jurnal Sistem Informasi, September 2019 Vol 1 No 2 (2019): Publikasi Artikel ZONAsi : Jurnal Sistem Informasi, September 2019 Vol. 1 No. 1 (2019): Publikasi Artikel ZONAsi : Jurnal Sistem Informasi, Maret 2019 Vol 1 No 1 (2019): ZONAsi: Jurnal Sistem Informasi More Issue