cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Joseph Dedy Irawan
Contact Email
joseph@lecturer.itn.ac.id
Phone
+62811367463
Journal Mail Official
joseph@lecturer.itn.ac.id
Editorial Address
Jl. Raya Karanglo Km. 2 Malang
Location
Kota malang,
Jawa timur
INDONESIA
JATI (Jurnal Mahasiswa Teknik Informatika)
Published by Institut Teknologi Nasional Malang
ISSN : -     EISSN : 2598828X     DOI : -
Core Subject : Science,
Computer Science & IT
Adalah jurnal mahasiswa yang diterbitkan oleh Teknik Informatika Institut Teknologi Nasional Malang, sebagai media publikasi hasil Skripsi Mahasiswa Teknik Informatika ke khalayak luas, diterbitkan secara berkala 6 kali setahun pada bulan Februari, April, Juni, Agustus, Oktober, Desember.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 4,631 Documents
 404   405   406   407   408 
PERBANDINGAN ALGORITMA NAÏVE BAYES DAN SVM TERHADAP ANALISIS SENTIMEN PENGGUNA APLIKASI FATSECRET PADA GOOGLE PLAY STORE Ahmad Faiq Wicaksono; Rina Candra Noor Santi
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16943

Abstract

Pertumbuhan pesat aplikasi kesehatan digital seperti FatSecret memicu lonjakan ulasan pengguna di Google Play Store yang memuat informasi strategis bagi pengembang. Namun, volume data tekstual yang besar dan tidak terstruktur menyulitkan proses ekstraksi informasi secara manual. Penelitian ini bertujuan untuk mengomparasikan kinerja algoritma Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen pengguna. Metode penelitian menggunakan pendekatan kuantitatif eksperimental yang mencakup pengumpulan 2.000 data ulasan melalui web scraping, pra-pemrosesan teks, dan ekstraksi fitur berbasis Term Frequency-Inverse Document Frequency (TF-IDF). Hasil evaluasi menunjukkan bahwa algoritma Naïve Bayes memiliki performa lebih unggul dengan akurasi mencapai 97.16%, sedangkan SVM dengan kernel linear menghasilkan akurasi sebesar 96.64%. Selisih akurasi ini mengindikasikan bahwa pendekatan probabilistik Naïve Bayes lebih efektif dalam menangani karakteristik data ulasan aplikasi FatSecret dibandingkan SVM
KLASIFIKASI TINGKAT PRODUKTIVITAS MAHASISWA TEKNIK INFORMATIKA PADA PENGEMBANGAN WEB MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM): Ilham Faishal Seto Aji; Rr. Dewi Handayani Untari Ningsih
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16945

Abstract

Pengembangan aplikasi web menuntut efisiensi tinggi, memicu perbandingan antara penggunaan PHP Native yang fleksibel dan Framework Laravel yang terstruktur.  Permasalahan utama saat ini adalah belum adanya model klasifikasi komputasional untuk memetakan dampak kedua metode tersebut terhadap produktivitas mahasiswa secara akurat. Penelitian ini bertujuan mengklasifikasi tingkat produktivitas mahasiswa Teknik Informatika UNISBANK dan membandingkan efektivitas kedua pendekatan menggunakan algoritma Support Vector Machine (SVM). Metode penelitian menggunakan pendekatan kuantitatif melalui kuesioner terhadap 43 responden. Data diproses melalui tahapan preprocessing, normalisasi, dan klasifikasi menggunakan SVM kernel Radial Basis Function (RBF), kemudian dibandingkan dengan algoritma Decision Tree dan Logistic Regression. Hasil penelitian menunjukan persepsi produktivitas pada Laravel (µ = 3.53) lebih tinggi dibandingkan PHP Native (µ = 3.27). Model SVM menghasilkan akurasi sebesar 66.67%, sedangkan Logistic Regression memberikan performa terbaik dengan akurasi 77.78%. Analisis feature importance mengungkapkan bahwa manajemen struktur file dan modul pada Laravel menjadi indikator paling berpengaruh dalam meningkatkan produktivitas mahasiswa
ANALISIS SENTIMEN MULTI-PLATFORM DIGITAL MENGGUNAKAN BERT DENGAN PENDEKATAN PENYEIMBANGAN DISTRIBUSI KELAS Arridho Ramadhan Firdaus; Fadlillah Mukti Ayudewi; Arizona Firdonsyah
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16946

Abstract

Analisis sentimen merupakan bagian penting dalam Natural Language Processing (NLP) yang digunakan untuk memahami opini pengguna terhadap layanan digital melalui data teks. Meningkatnya jumlah ulasan pada berbagai platform daring menuntut metode klasifikasi sentimen yang akurat dan andal. Namun, permasalahan utama yang sering dihadapi adalah ketidakseimbangan distribusi kelas sentimen, di mana data positif mendominasi dibandingkan sentimen netral dan negatif, sehingga berpotensi menurunkan performa model. Penelitian ini bertujuan untuk mengevaluasi kinerja model BERT dalam klasifikasi sentimen ulasan multi-platform serta menganalisis pengaruh teknik augmentasi data dalam mengatasi ketidakseimbangan kelas. Metode penelitian meliputi tahap pre-processing teks, penerapan teknik augmentasi data berupa Synonym Replacement, Contextual Word Embeddings, dan Back Translation, serta pelatihan dan pengujian model BERT pada dataset Coursera, Starbucks, dan Threads. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan kombinasi teknik augmentasi data mampu meningkatkan performa model secara signifikan, dengan akurasi tertinggi mencapai 99,83% pada dataset Coursera, serta meningkatkan kemampuan generalisasi model dalam klasifikasi sentimen
ANALISIS SENTIMEN DAN SOCIAL NETWORK ANALYSIS PADA ISU MAKANAN BERGIZI GRATIS DI X/TWITTER MENGGUNAKAN INDOBERT Justin Darya Yuswira; Jusia Amanda Ginting
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16948

Abstract

Program Makanan Bergizi Gratis (MBG) jadi salah satu kebijakan yang paling ramai dibahas di media sosial, tapi volume cuitan yang besar bikin pemantauan manual jadi tidak realistis. Masalahnya, opini publik tentang MBG sering bercampur antara dukungan, kritik, dan informasi yang simpang siur, sehingga dibutuhkan cara yang lebih cepat untuk merangkum sentimen dan melihat siapa saja akun yang paling berpengaruh dalam percakapan. Penelitian ini bertujuan menganalisis persepsi publik tentang MBG dengan menggabungkan klasifikasi sentimen berbasis IndoBERT dan Social Network Analysis (SNA) pada jaringan mention. Data diambil dari percakapan publik berbahasa Indonesia di X/Twitter menggunakan kata kunci terkait MBG, lalu diproses melalui pembersihan teks, normalisasi, dan de-duplikasi. IndoBERT di-fine-tune untuk memprediksi sentimen negatif, netral, dan positif, sedangkan SNA membangun graf terarah berbobot dari relasi @mention dan menghitung metrik sentralitas (in-degree, out-degree, betweenness, closeness) yang kemudian digabungkan menjadi skor overall. Hasilnya, model sentimen memperoleh weighted F1-score 0,7413 pada data uji (N=142) dan distribusi sentimen setelah de-duplikasi menunjukkan kelas positif 41,9%, netral 30,1%, dan negatif 28,0%. Dari sisi jejaring, akun-akun seperti prabowo, dssupriyady, dan beberapa akun institusi/partai muncul sebagai aktor dengan skor pengaruh tertinggi. Temuan ini membantu melihat arah opini sekaligus pola interaksi, sehingga analisis isu MBG bisa lebih utuh.
PERANCANGAN SISTEM MANAJEMEN PRODUKSI BERBASIS WEB DENGAN METODE JOB ORDER COSTING PADA UD KARUNIA SENTOSA UTAMA Maulana Nofa Karisma; Wibowo Harry Sugiharto; Muhammad Imam Ghozali
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16953

Abstract

UD Karunia Sentosa Utama merupakan usaha konveksi kaos kaki berdasarkan pesanan (job order). Dalam tahapan produksi nya, usaha konveksi masih mengandalkan sistem manual, untuk mencatat pesanan, menetapkan harga pokok produksi, sehingga terjadi kesalahan dalam pencatatan, keterlambatan proses, dan ketidaktepatan perhitungan biaya. Penelitian ini bertujuan merancang sistem manajemen produksi berbasis web yang terintegrasi dengan metode job order costing guna memudahkan pengendalian biaya produksi berdasarkan permintaan pelanggan. Sistem dikembangkan dengan metode Waterfall dan dirancang menggunakan UML (use case, class, activity, dan sequence diagram). Job Order Costing digunakan untuk menghitung Harga Pokok Produksi berdasarkan pesanan, mencakup biaya bahan baku, tenaga kerja langsung, dan overhead. Hasilnya, sistem ini mampu mempermudah pencatatan, mempercepat pengolahan data produksi, dan mendukung pengambilan keputusan yang lebih tepat, cepat, dan akurat
ANALISIS SENTIMEN ULASAN MASYARAKAT APLIKASI BROMPIT MENGGUNAKAN ALGORITMA NAIVE BAYES DAN SVM Egha Arya Affandi; Sumarno Sumarno; Uce Indahyanti; Yulian Findawati
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16955

Abstract

Aplikasi BromPit dikembangkan untuk memudahkan pemilik sepeda motor Honda dalam melakukan pemesanan servis, pelacakan status kendaraan, dan pencarian bengkel resmi, namun ulasan pengguna pada Google Play Store menunjukkan beragam tanggapan. Studi ini berfokus pada sentimen orang-orang tentang penggunaan aplikasi BromPit serta membandingkan efektivitas metode Naive Bayes dibandingkan dengan teknik Support Vector Machine (SVM) untuk mengkategorikan data teks. Prosedur penelitian meliputi pengumpulan data ulasan, pelabelan sentimen, preprocessing, pembagian data train dan test, pembobotan TF-IDF, implementasi Naive Bayes dan SVM, penerapan SMOTE untuk menyeimbangkan kelas minoritas, serta evaluasi akurasi. Temuan penelitian ini memperlihatkan bahwa sebagian besar masyarakat banyak merasa puas terhadap aplikasi ini, dengan ulasan positif mendominasi sebanyak 7.157 ulasan, diikuti 1.351 negatif dan 221 netral. Output pengujian model menunjukkan bahwa akurasi Naive Bayes berada di kisaran 82,63%–83,05% dan SVM 81,90%–82,51% pada berbagai pembagian data, sehingga Naive Bayes menjadi model terbaik dan lebih efektif dibanding SVM untuk menganalisis sentimen ulasan. Hasil penelitian menunjukkan bahwa sejumlah besar individu telah menyatakan kepuasan terkait aplikasi BromPit, hal ini dapat digunakan untuk memperbaiki fitur, meningkatkan layanan, dan memastikan pengalaman pelanggan lebih baik
KLASIFIKASI SENTIMEN ULASAN MINECRAFT PADA GOOGLE PLAY STORE: STUDI KOMPARATIF NAÏVE BAYES DAN RANDOM FOREST Luluk Asti Qomariah; Ade Eviyanti; Hamzah Setiawan; Novia Ariyanti
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16959

Abstract

Pertumbuhan aplikasi mobile mendorong peningkatan volume ulasan pengguna pada platform Google Play Store, khususnya untuk aplikasi game. Ulasan ini mengandung pandangan pengguna yang bermanfaat untuk memahami penilaian mereka terhadap mutu aplikasi. Riset ini fokus pada klasifikasi sentimen terhadap ulasan game Minecraft di Google Play Store dengan membandingkan performa algoritma Naïve Bayes dan Random Forest. Pengumpulan data dilakukan melalui teknik scraping yang menghasilkan 12.691 ulasan, kemudian setelah tahap preprocessing diperoleh 11.078 data valid. Klasifikasi dilakukan dengan menerapkan pembobotan Term Frequency–Inverse Document Frequency (TF-IDF) dengan tiga skenario split data: 90:10, 80:20, dan 70:30. Penilaian model menerapkan metrik accuracy, precision, recall, F1-score, serta Area Under Curve (AUC). Temuan riset memperlihatkan bahwa Naïve Bayes secara stabil menunjukkan performa superior dibanding Random Forest di semua skenario uji. Performa optimal dicapai pada split 90:10 dengan accuracy 0,9052 dan F1-score 0,8993. Temuan ini mengonfirmasi bahwa Naïve Bayes lebih optimal untuk klasifikasi sentimen ulasan game berbasis teks
ANALISA EVALUASI DAN PERANCANGAN MANAJEMEN LAYANAN TI PADA PEMERINTAH DAERAH MENGGUNAKAN FRAMEWORK ITIL V4 Damas Alfiqhyanto; Aji Supriyanto
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16956

Abstract

Transformasi digital dalam pemerintahan Indonesia meningkatkan kebutuhan akan tata kelola layanan Teknologi Informasi (TI) yang efektif, khususnya di pemerintah daerah. Namun, berbagai studi menunjukkan bahwa pengelolaan layanan TI di lingkungan Pemda masih menghadapi kendala seperti proses manual, minim pencatatan insiden dan masalah, rendahnya integrasi sistem, ketidakstabilan infrastruktur, serta keterbatasan sumber daya manusia. Kondisi ini berdampak pada rendahnya kualitas layanan publik berbasis TI. ITIL v4 sebagai framework IT Service Management (ITSM) modern menawarkan pendekatan holistik melalui Service Value System (SVS) yang berorientasi pada penciptaan nilai dan peningkatan berkelanjutan. Penelitian ini bertujuan untuk menganalisis dan mengevaluasi manajemen layanan TI pada pemerintah daerah menggunakan framework ITIL v4 melalui pendekatan kualitatif deskriptif berbasis studi pustaka. Hasil kajian menunjukkan bahwa praktik utama seperti Incident Management, Problem Management, Service Request Management, Service Desk, dan Continual Improvement memiliki peran signifikan dalam meningkatkan kualitas layanan TI pemerintahan. Keberhasilan implementasi dipengaruhi oleh kompetensi SDM, keselarasan kebijakan, dan stabilitas infrastruktur, sementara tantangan utama meliputi resistensi perubahan, keterbatasan anggaran, dan kompleksitas birokrasi
ANALISIS SENTIMEN PUBLIK TERHADAP KEBIJAKAN TAPERA DI TWITTER: PENDEKATAN MACHINE LEARNING MENGGUNAKAN LOGISTIC REGRESSION Dea Imelda Lika; Gunawan Gunawan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16962

Abstract

Kebijakan Tabungan Perumahan Rakyat (Tapera) “menimbulkan beragam respons dari masyarakat, khususnya di media sosial X, yang mencerminkan persepsi publik terhadap kebijakan tersebut. Banyaknya opini yang berkembang menyebabkan sulitnya memahami kecenderungan sentimen masyarakat secara menyeluruh apabila dilakukan secara manual. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen publik terhadap kebijakan Tapera menggunakan pendekatan machine learning. Data penelitian diperoleh melalui teknik crawling pada media sosial X dengan kata kunci terkait Tapera, kemudian dilakukan proses pembersihan dan pra-pemrosesan teks. Pelabelan sentimen dilakukan secara otomatis menggunakan model bahasa IndoBERT dengan tiga kategori sentimen, yaitu positif, netral, dan negatif. Data selanjutnya dibobotkan menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan diklasifikasikan menggunakan algoritma Logistic Regression.” Hasil penelitian menunjukkan bahwa sentimen masyarakat terhadap kebijakan Tapera didominasi oleh sentimen netral dan negatif. Evaluasi model menghasilkan nilai akurasi sebesar 71,6% dengan performa yang relatif seimbang pada setiap kelas sentimen setelah dilakukan penyeimbangan data. Hasil ini menunjukkan bahwa pendekatan yang digunakan mampu memberikan gambaran sentimen publik terhadap kebijakan Tapera secara efektif.
ANALISIS KINERJA CONVOLUTIONAL NEURAL NETWORK DALAM KLASIFIKASI MASA PAKAI SEPATU LARI BERDASARKAN POLA PENGGUNAAN Inesya Melodifa; Bambang Irawan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16966

Abstract

Perkembangan metode deep learning, khususnya Convolutional Neural Network (CNN), membuka peluang penerapannya tidak hanya pada pengolahan citra, tetapi juga pada klasifikasi data kategorikal yang kompleks. Dalam konteks olahraga lari, penentuan masa pakai sepatu lari masih bersifat subjektif dan belum didukung oleh pendekatan berbasis data yang sistematis. Oleh karena itu, penelitian ini bertujuan untuk menerapkan metode CNN dalam mengklasifikasikan masa pakai sepatu lari berdasarkan variabel penggunaan seperti frekuensi pemakaian, jenis medan lari, tingkat kecepatan, jarak tempuh, dan persepsi performa sepatu. Penelitian ini menggunakan pendekatan kuantitatif dengan pengumpulan data melalui kuesioner, yang kemudian diproses melalui tahap seleksi, pembersihan data, pelatihan model CNN, serta evaluasi menggunakan confusion matrix dan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model CNN mampu mengklasifikasikan data dengan tingkat akurasi sebesar 75%, dengan performa terbaik pada kategori dengan jumlah data dominan. Temuan ini menunjukkan bahwa CNN berpotensi menjadi pendekatan yang efektif untuk mendukung pengambilan keputusan terkait masa pakai sepatu lari secara objektif dan berbasis data

Page 406 of 464 | Total Record : 4631

 404   405   406   407   408 

Filter by Year

2017 2026


Reset
Filter By Issues
All Issue Vol. 10 No. 4 (2026): JATI Vol. 10 No. 4 Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3 Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2 Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1 Vol. 9 No. 6 (2025): JATI Vol. 9 No. 6 Vol. 9 No. 5 (2025): JATI Vol. 9 No. 5 Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4 Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3 Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2 Vol. 9 No. 1 (2025): JATI Vol. 9 No. 1 Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6 Vol. 8 No. 5 (2024): JATI Vol. 8 No. 5 Vol. 8 No. 4 (2024): JATI Vol. 8 No. 4 Vol. 8 No. 3 (2024): JATI Vol. 8 No. 3 Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2 Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1 Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6 Vol. 7 No. 5 (2023): JATI Vol. 7 No. 5 Vol. 7 No. 4 (2023): JATI Vol. 7 No. 4 Vol. 7 No. 3 (2023): JATI Vol. 7 No. 3 Vol. 7 No. 2 (2023): JATI Vol. 7 No. 2 Vol. 7 No. 1 (2023): JATI Vol. 7 No. 1 Vol. 6 No. 2 (2022): JATI Vol. 6 No. 2 Vol. 6 No. 1 (2022): JATI Vol. 6 No. 1 Vol. 5 No. 2 (2021): JATI Vol. 5 No. 2 Vol. 5 No. 1 (2021): JATI Vol. 5 No. 1 Vol. 4 No. 2 (2020): JATI Vol. 4 No. 2 Vol. 4 No. 1 (2020): JATI Vol. 4 No. 1 Vol. 3 No. 2 (2019): JATI Vol. 3 No. 2 Vol. 3 No. 1 (2019): JATI Vol. 3 No. 1 Vol. 2 No. 2 (2018): JATI Vol. 2 No. 2 Vol. 2 No. 1 (2018): JATI Vol. 2 No. 1 Vol. 1 No. 2 (2017): JATI Vol. 1 No. 2 Vol. 1 No. 1 (2017): JATI Vol. 1 No. 1 More Issue