cover
Contact Name
Denny Irawan
Contact Email
den2mas@umg.ac.id
Phone
+6285646009977
Journal Mail Official
den2mas@umg.ac.id
Editorial Address
Jl. Sumatra N0.101 Gresik 61121
Location
Kab. gresik,
Jawa timur
INDONESIA
E-Link: Jurnal Teknik Elektro dan Informatika
ISSN : 18582109     EISSN : 26565676     DOI : 10.30587/e-link.v14i2
E-Link : Jurnal Teknik Elektro dan Informatika yang dikelola oleh Prodi Teknik Elektro Universitas Muhammadiyah Gresik, Jurnal ini sudah terbit semenjak tahun 2007, tetapi mengalami perubahan E-ISSN pada tahun 2019. E-Link berisi karya-karya Ilmiah Teknik / Rekayasa dibidang Elektro dan Informatika yang terbit 2 kali dalam 1 tahun pada bulan April dan Oktober.
Articles 153 Documents
IMPLEMENTASI BOT TELEGRAM PADA SISTEM MONITORING INSTALASI PENGOLAHAN AIR LIMBAH (IPAL) BERBASIS ARDUINO UNO: STUDI KASUS RUMAH SAKIT MUHAMMADIYAH GRESIK Firman Adi Saputro; pressa perdana surya saputra; Yoedo Ageng Suryo
E-Link: Jurnal Teknik Elektro dan Informatika Vol. 21 No. 2 (2026) : Oktober 2026
Publisher : Universitas Muhammadiyah Gresik

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30587/e-link.v21i2.12456

Abstract

Rumah sakit sebagai institusi pelayanan kesehatan memiliki tanggung jawab besar dalam pengelolaan limbah medis, baik padat maupun cair, yang berpotensi menimbulkan risiko penularan penyakit dan pencemaran lingkungan, terutama karena lokasinya yang kini banyak berada di tengah permukiman padat penduduk. Berdasarkan Peraturan Gubernur Jawa Timur Nomor 27 Tahun 2013, setiap rumah sakit diwajibkan menyediakan sarana pengelolaan limbah cair yang memenuhi baku mutu air buangan. Rumah Sakit Muhammadiyah Gresik telah memiliki Instalasi Pengelolaan Air Limbah (IPAL), namun pengukuran suhu, pH, dan debit limbah masih dilakukan secara manual sehingga kurang efisien dan berisiko bagi petugas. Penelitian ini merancang bangun sistem monitoring IPAL berbasis Arduino Uno yang mengukur pH menggunakan sensor pH-4502C, suhu menggunakan sensor DS18B20, dan debit air menggunakan sensor Flowmeter YF-S201, dengan hasil ditampilkan pada LCD 16x2 dan dikirimkan ke Bot Telegram melalui modul WiFi ESP8266. Hasil pengujian menunjukkan sensor pH memiliki rata-rata persentase error sebesar 0.53%, sensor suhu 1.79%, dan sensor flowmeter 8.87%, sedangkan pengiriman data ke Bot Telegram berhasil pada 8 dari 10 kali percobaan. Sistem ini terbukti cukup efektif membantu petugas Kesehatan Lingkungan memantau kondisi IPAL tanpa harus melakukan pengukuran manual secara langsung di lokasi.
PEMANFAATAN NATURAL LANGUAGE PROCESSING UNTUK ANALISIS SENTIMEN TERHADAP METODE PEMBELAJARAN DARING: TINJAUAN PUSTAKA Amelia Ratu Ferisa; Rahayu Putri Aulia Simatupang; Divalya Zahra; Naura Rahmi Nadira Malau; Ardia Shabrina Ramadani Lubis; Nopri Herayanti Br. Singarimbun; Elsa Sabrina
E-Link: Jurnal Teknik Elektro dan Informatika Vol. 21 No. 2 (2026) : Oktober 2026
Publisher : Universitas Muhammadiyah Gresik

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30587/e-link.v21i2.12668

Abstract

Pembelajaran daring menghasilkan teks opini dalam jumlah besar, mulai dari cuitan, ulasan aplikasi, hingga umpan balik pada learning management system (LMS), sehingga analisis manual tidak lagi memadai. Artikel ini menyajikan tinjauan pustaka atas 36 studi terbitan 2021–2026 yang memanfaatkan Natural Language Processing (NLP) untuk analisis sentimen terhadap pembelajaran daring. Studi diseleksi dari 51 studi unik pada tabel ekstraksi data berdasarkan relevansi, kelengkapan metode, dan kualitas pelaporan, lalu disintesis untuk menjawab tiga pertanyaan penelitian mengenai sumber data, metode NLP, serta kecenderungan sentimen. Hasil menunjukkan bahwa 19 dari 32 studi empiris menggunakan algoritma pembelajaran mesin klasik, terutama Naive Bayes, Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN), sedangkan model deep learning dan transformer makin sering dipakai pada studi terbaru dengan akurasi tertinggi 97,12%. Tidak ada satu algoritma yang unggul secara konsisten karena kinerja sangat bergantung pada data dan skema pelabelan. Polaritas sentimen bervariasi menurut konteks: ulasan platform belajar cenderung positif, sedangkan opini tentang perkuliahan daring dan hybrid di media sosial lebih banyak negatif atau netral. Tantangan utama meliputi ketidakseimbangan kelas, sulitnya mengenali kelas netral, bahasa informal, dan ketidakseragaman pelabelan. Hasil tinjauan ini menunjukkan bahwa pemilihan metode NLP perlu disesuaikan dengan karakteristik data dan skema pelabelan yang digunakan.
GENERALISASI TEMPORAL MODEL KLASIK DAN MODEL BERBASIS TRANSFORMER UNTUK KLASIFIKASI SENTIMEN TINGKAT TARGET PADA JUDUL BERITA PERBANKAN INDONESIA Eka Ratri Noor W; Salnan Ratih Asriningtias; Dwi Utari Surya; Harnan Malik Abdullah; Rachmad Andri Atmoko; Muhammad Rifqi Ardhian; Mochamad Surya Rafliansyah; Mahendra Dwi Purwanto
E-Link: Jurnal Teknik Elektro dan Informatika Vol. 21 No. 2 (2026) : Oktober 2026
Publisher : Universitas Muhammadiyah Gresik

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30587/e-link.v21i2.12686

Abstract

Klasifikasi sentimen tingkat target (target-level sentiment classification) pada judul berita berbahasa Indonesia menghadapi tantangan berupa keterbatasan konteks, ketidakseimbangan kelas, dan perubahan narasi pemberitaan. Penelitian ini bertujuan mengevaluasi kinerja model klasik dan IndoBERT dalam mengklasifikasikan sentimen tingkat target pada judul berita mengenai BCA, BNI, BRI, Bank Mandiri, dan BSI. Dataset gold standard disusun dari 2.000 judul berita yang diterbitkan pada tahun 2023–2025 melalui anotasi manual dan adjudikasi (penyelesaian ketidaksepakatan antaranotator). Kesepakatan antaranotator (inter-annotator agreement) menghasilkan Cohen's kappa sebesar 0,884 untuk relevansi dan 0,772 untuk sentimen. Sebanyak 1.957 judul yang dinyatakan relevan diberi label negatif, netral, atau positif. Model klasik berupa logistic regression dan linear support vector machine (SVM) dengan representasi term frequency–inverse document frequency (TF-IDF) kata serta gabungan kata dan karakter. Evaluasi model klasik dilakukan melalui validasi silang 5-fold berbasis grup (group-aware cross-validation), sedangkan perbandingan dengan IndoBERT dilakukan melalui pengujian temporal menggunakan data 2023–2024 sebagai development set (pelatihan dan validasi) dan 538 judul 2025 sebagai data uji temporal terkunci (locked temporal test set). Hasil pengujian temporal menunjukkan bahwa SVM dengan fitur gabungan kata dan karakter mencapai Macro-F1 sebesar 0,8278 dan akurasi sebesar 0,9015. IndoBERT memperoleh Macro-F1 tertinggi sebesar 0,8592 dan balanced accuracy sebesar 0,8753. Sentimen negatif menjadi kelas yang paling sulit diklasifikasikan, sementara kinerja model bervariasi antarbank. Hasil tersebut menunjukkan bahwa IndoBERT lebih baik dalam mengenali ketiga kelas secara seimbang, sedangkan SVM menghasilkan akurasi keseluruhan yang lebih tinggi pada data uji. Kedua pendekatan berpotensi mendukung penyaringan judul berita dalam pemantauan media perbankan.