cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Arif Bijaksana Putra Negara
Contact Email
arifbpn@untan.ac.id
Phone
+62811578624
Journal Mail Official
editor_justin@informatika.untan.ac.id
Editorial Address
Sekretariat Justin Gedung Informatika Fakultas Teknik Universitas Tanjungpura Jl. Prof. Dr. Hadary Nawawi Pontianak 78124
Location
Kota pontianak,
Kalimantan barat
INDONESIA
JUSTIN (Jurnal Sistem dan Teknologi Informasi)
Published by Universitas Tanjungpura
ISSN : 24603562     EISSN : 26208989     DOI : http://dx.doi.org/10.26418/justin
Core Subject : Science,
Computer Science & IT
JUSTIN aims to publish research results and thoughts among academics, researchers, scientists, and practitioners in the field of informatics/computer science so that they are freely available to the public, and support the exchange of knowledge. The scope of JUSTIN is but is not limited to the following: theory and information science, information systems, information security, data processing and structure, programming and computing, software engineering, informatics, computer science, computer engineering, architecture and computer networks, robotics, parallel and distributed computing, operating systems, compilers and interpreters, games, numerical methods, mobile computing, natural language processing, data mining, cognitive systems, speech processing, machine learning, artificial intelligence, expert systems, geographical information systems, computational theory, and informatics applications in various fields.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 7 Documents
 1 
Search results for , issue "Vol 10, No 3 (2022)" : 7 Documents clear
Implementasi Sentimen Masyarakat berdasarkan Tweet terkait Kebijakan Kemendikbud di Masa Pandemi Covid-19 Chavin Lorento; Arif Bijaksana Putra Negara; Rudy Dwi Nyoto
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.54243

Abstract

Twitter selalu menyajikan informasi trending sehingga pengguna selalu update terkait segala sesuatu yang sedang hangat diperbincangkan (tweet), contohnya sentimen masyarakat terkait kebijakan kemendikbud di masa pandemi Covid-19. Identifikasi tweets tersebut dapat dilakukan dengan klasifikasi. Sentimen tweets diklasifikasikan ke dalam tiga kelas, yaitu negatif, netral, atau positif. Tujuan penelitian ini adalah menghasilkan model klasifikasi yang memiliki performa terbaik dalam implementasi permasalahan tersebut. Selain itu, penelitian juga melihat pengaruh tuning hyperparameter dan pendekatan multi class SVM. Metode klasifikasi yang digunakan adalah multi class SVM (Support Vector Machine) dengan pendekatan OVO (One Versus One) dan OVA (One Versus All), serta PSO (Particle Swarm Optimization) digunakan sebagai tuning hyperparameter. Pembagian dataset dilakukan menjadi data training sebanyak 5939 data dan data testing sebanyak 660 data dengan rasio 90%:10%. Evaluasi dilakukan menggunakan 10-fold CV terhadap data training dan confusion matrix terhadap data testing. Berdasarkan evaluasi terhadap empat model skenario yang dibangun berupa nilai akurasi training dan testing, model OVO tanpa PSO sebesar 76,86% dan 79,70%, model OVO dengan PSO sebesar 77,94% dan 83,03%, model OVA tanpa PSO sebesar 76,66% dan 79,70%, dan model OVA dengan PSO sebesar 78,62% dan 83,18%. Kemudian, PSO dapat meningkatkan nilai akurasi training dan testing, yaitu OVO sebesar 1,08% dan 3,33%, serta OVA sebesar 1,96% dan 3,48%. Setelah itu, OVA memiliki akurasi training dan testing lebih tinggi dibanding OVO hanya jika menggunakan PSO, yaitu 0,68% dan 0,15%. Sedangkan, OVO memiliki nilai akurasi training lebih tinggi dibanding OVA hanya jika tidak menggunakan PSO, yaitu 0,2% dan keduanya memiliki nilai akurasi testing yang sama. Setelah hasil evaluasi tersebut, model OVA dengan PSO memberikan performa terbaik dibanding model lainnya dan digunakan sebagai model prediksi machine learning aplikasi generik yang dibangun dalam penelitian ini.
Implementasi Sentiment Analysis Berdasarkan Tweets Masyarakat Terhadap Kinerja Presiden dalam Aspek Penanganan Covid-19 Florensius Angelus Dolf; Novi Safriadi; Tursina Tursina
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.54503

Abstract

Penelitian ini berfokus pada sentiment analysis berdasarkan tweets masyarakat terhadap kinerja presiden dalam aspek penanganan covid-19. Tujuan penelitian ini adalah mengetahui pengaruh dataset dan model resampling untuk membangun model sentiment analysis machine dalam menganalisa topik kinerja presiden dalam aspek penanganan covid-19 kedalam 3 kelas sentiment yaitu positif, negatif, dan netral. Terdapat dua dataset yang digunakan pada penelitian ini dataset A yang merupakan kumpulan tweets yang diambil dari Twitter sebanyak 5694 dan dataset B yang dibentuk dengan mengambil “parameter + kata independen” dari tweets sebanyak 1015. Algoritma yang digunakan dalam penelitian ini adalah algoritma Support Vector Machine (SVM) untuk membangun sebuah model machine learning dan menggunakan model resampling ROS (Random Over Sampler) dan RUS (Random Under Sampler) dalam mengatasi data yang tidak seimbang. Dari hasil pengujian pada peneltian ini dapat diketahui skenario 5 (dataset B + ROS) memiliki performa yang paling baik dengan accuracy sebesar 90,08 % dan precision 90,39 %, dari hasil pengujian juga diketahui skenario 5 merupakan model machine learning yang tidak mengalami overfitting. Penelitian ini berhasil mengimplementasikan sentiment analysis machine sehingga dapat melakukan kategorisasi teks terhadap kinerja presiden dalam aspek penanganan covid-19.Kata kunci: Sentiment Analysis, dataset, Support Vector Machine, ROS (Random Over Sampler), RUS (Random Under Sampler)
Uji Akurasi Klasifikasi Emosi Pada Lirik Lagu Bahasa Indonesia Mega Noveanto; Helen Sastypratiwi; Hafiz Muhardi
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.56804

Abstract

Dengan banyaknya lagu pada saat ini, semakin sulit untuk menentukan emosi pada lagu oleh manusia, karena permasalahan tersebut maka dibutuhkan suatu model klasifikasi menggunakan text classification. Berdasarkan permasalahan tersebut, maka pada penelitian ini akan mengimplementasikan metode Multi Class Support Vector Machine (SVM) dengan Particle Swarm Optimization (PSO) sebagai tuning hyperparameter dan membandingkan pengaruh dari 3 dataset (perbaris, perbait dan keseluruhan lagu) pada kasus pengklasifikasian emosi lirik lagu. Pada kasus ini terdapat 5 emosi dasar manusia antara lain cinta (love), senang (happy), marah (anger), takut (fear), dan sedih (sadness). Dari hasil penelitian yang dilakukan, metode multi class SVM dan tuning hyperparameter PSO serta penggunaan dataset perbaris menjadi model dengan nilai accuracy terbaik yaitu sebesar 92,13%. Penggunaan tuning hyperparameter PSO akan lebih berpengaruh jika digunakan pada dataset perbaris, dengan melihat nilai accuracy yang meningkat sebesar + 3,32%. Penelitian ini juga berhasil mengimplementasikan klasifikasi emosi, sehingga dapat mengklasifikasikan kelas emosi dari teks lirik lagu berbahasa Indonesia.
Implementasi Algoritma K-Nearest Neighbor Untuk Mengklasifikasi Masa Studi Mahasiswa Informatika Universitas Tanjungpura Steven Steven; Arif Bijaksana Putra Negara; Yulianti Yulianti
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.56724

Abstract

Setiap perguruan tinggi memiliki waktu maksimal yang diberikan kepada mahasiswa dalam menyelesaikan studinya, jika mahasiswa tersebut sudah melewati batas waktu yang telah ditentukan maka mahasiswa tersebut akan dikeluarkan dari perguruan tinggi. Dengan memanfaatkan data akademik mahasiswa yang tersimpan dalam database perguruan tinggi, maka data akademik mahasiswa dapat digunakan untuk mengklasifikasi masa studi mahasiswa. Tujuan penelitian ini adalah untuk mengklasifikasi masa studi mahasiswa serta mengetahui performa algoritma yang digunakan dalam proses klasifikasi. Algoritma yang digunakan untuk penelitian ini adalah K-Nearest Neighbor dan Naive Bayes. Pada penelitian ini juga, algoritma klasifikasi akan ditambahkan Feature Selection Information Gain untuk melihat pengaruh akurasi pada algoritma. Data akademik akan diklasifikasikan kedalam 2 kelas, yaitu kelas lulus tepat waktu dan lulus tidak tepat waktu. Hasil evaluasi menunjukkan bahwa algoritma K-Nearest Neighbor dengan menambahkan Feature Selection Information Gain memberikan hasil performa klasifikasi yang paling baik dengan nilai akurasi sebesar 70.41% dan f1-score sebesar 80.68% dengan nilai k (jarak antar data)=17 pada evaluasi nilai akademik 4 semester dan nilai akurasi sebesar 70.14% dan f1-score sebesar 80.68% dengan nilai k (jarak antar data)=21 pada evaluasi nilai akademik 7 semester. Sedangkan dengan menggunakan algoritma Naive Bayes dengan menambahkan Feature Selection Information Gain mendapatkan nilai akurasi sebesar 67.95% dan f1-score sebesar 72.85.% pada evaluasi nilai akademik 4 semester dan nilai akurasi sebesar 69.32% dan f1-score sebesar 73.47% pada evaluasi nilai akademik 7 semester. Penggunaan Feature Selection Information Gain pada algoritma K-Nearest Neighbor memberikan nilai akurasi yang lebih baik dibandingkan algoritma Naive Bayes dengan perbandingan akurasi sebesar 2.46% dan f1-score sebesar 7.83% pada evaluasi nilai akademik 4 semester dan perbandingan akurasi sebesar 0.82% dan f1-score sebesar 7.21% pada evaluasi nilai akademik 7 semester. Setelah didapatkan performa algoritma terbaik yaitu algoritma K-Nearest Neighbor dengan menambahkan Feature Selection Information Gain, maka algoritma tersebut akan digunakan untuk mengklasifikasi masa studi mahasiswa Informatika Universitas Tanjungpura dengan sistem yang dibangun pada penelitian ini.
Pemodelan Sistem Rekomendasi Serta Penentuan Jadwal Seminar dan Sidang Dengan Metode Depth First Search Muhamad Amin Rais; Helen Sastypratiwi; Haried Novriando
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.53931

Abstract

Sistem Pendukung Tugas Akhir (SPOTA) merupakan sebuah sistem yang digunakan sebagai media untuk komunikasi antar mahasiswa dan dosen yang mempunyai salah satu fitur yaitu pengajuan seminar dan sidang skripsi, yang digunakan di Jurusan Informatika Universitas Tanjungpura. Melalui SPOTA, mahasiswa dapat melakukan pengajuan jadwal seminar dan sidang skripsi, mahasiswa dapat mengisikan pengajuan rentang waktu dapat dilaksanakannya seminar dan sidang skripsi. Adapun tujuan dari penelitian ini adalah melakukan pengembangan SPOTA berbasis Website dengan penambahan fitur untuk merancang dan membangun sistem untuk pencarian rekomendasi dan penentuan penjadwalan seminar dan sidang di Jurusan Informatika Universitas Tanjungpura menggunakan metode Depth First Search. Metode Depth First Search digunakan untuk membuat sebuah model penjadwalan dari kombinasi antar dosen, jadwal berhalangan dosen, jadwal mengajar dosen, jadwal seminar atau sidang skripsi yang akan dihadiri dosen dan mahasiswa yang akan melaksanakan seminar atau sidang skripsi. Dengan dikembangkannya SPOTA untuk melakukan penjadwalan seminar dan sidang, staf TU dan dosen dapat melakukan penjadwalan seminar dan sidang dan mendapatkan pemberitahuan secara realtime seperti pemberitahuan mengisi waktu berhalangan hadir, pemberitahuan sudah didapatkannya jadwal seminar dan sidang, dan pemberitahuan perubahan jadwal seminar dan sidang, sehingga dapat mempercepat proses penjadwalan seminar dan sidang. Berdasarkan hasil pengujian fungsionalitas dari sistem dengan metode pengujian Black Box yang pengujian sistemnya menggunakan test case yang dilakukan dengan cara melakukan record setiap respons dalam satu unit pengujian. Proses pengujian setiap test case dapat berjalan dengan lancar.
Sistem Informasi Pemetaan Kolam Ikan Air Tawar di Nanga Pinoh Berbasis Web Apps (Studi Kasus : Kolam Ikan Air Tawar di Nanga Pinoh) Ifan Fathoni Anshari; M. Azhar Irwansyah; Haried Novriando
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.55259

Abstract

Dalam menekuni bisnis budidaya ikan air tawar diperlukan suatu sistem yang dapat memanjemen kegiatan yang berkaitan dengan proses bisnis pembudidayaan ikan air tawar, sehingga proses bisnis pembudiyaan ikan air tawar ini bisa lebih teratur dan lebih mudah. Seperti proses pengenalan profil tempat budidaya ikan air tawar, proses penjadwalan pemberian pakan ikan air tawar, proses penjadwalan pemanenan ikan air tawar, proses pemberian pakan dan pemanenan ikan air tawar tersebut harus terjadwal atau tepat waktu. Agar ikan air tawar yang dibudiyakan hasilnya lebih optimal. Oleh karena itu dibuatlah aplikasi yang dapat membantu segala kegiatan proses pembudidayaan ikan air tawar. Dan aplikasi tersebut dapat diakses oleh pengguna aplikasi dengan tiga level pengguna yaitu admin(Dinas Perikanan), Pemilik kolam ikan air tawar dan Pelanggan melalaui suatu aplikasi berbasis web apps. Perancangan website menggunakan Data Flow Diagram (DFD) yang meliputi : desain diagram konteks, diagram overview, dan diagram rinci. Aplikasi dibangun berbasis website apps dengan menggunakan teknik pemrograman terstruktur yang dalam hal ini menggunakan bahasa pemrograman PHP pada sisi back-end sistem dan menggunakan HTML, CSS, JavaScript dan Framework Bootstrap pada sisi front-end sistem. Hasil pengujian aplikasi ini menggunakan metode Black Box untuk menguji fungsionalitas sistem  dan UAT untuk menguji kelayakan aplikasi dengan mendapatkan nilai hasil pengujian yaitu 90% yang menunjukkan bahwa Aplikasi Sistem Informasi Pemetaan Kolam Ikan Air Tawar di Nanga Pinoh Berbasis Web Apps sangat memuaskan dan sesuai harapan dari pihak Dinas Perikanan dan Pemilik Kolam ikan air tawar.
Pengaruh Stemming Terhadap Performa Klasifikasi Sentimen Masyarakat Tentang Kebijakan New Normal Rama Ulgasesa; Arif Bijaksana Putra Negara; Tursina Tursina
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 10, No 3 (2022)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v10i3.53880

Abstract

Banyaknya pengguna twitter dapat dimanfaatkan untuk mengetahui sentimen masyarakat tentang kebijakan dan penanganan yang dilakukan oleh pemerintah terhadap Covid-19, salah satunya kebijakan mengenai adaptasi kebiasaan baru atau new normal. Untuk melakukan hal itu, bisa digunakan salah satu fungsi dari text mining, yaitu klasifikasi text. Sebelum model klasifikasi text dibuat, text akan melalui tahapan preprocessing. Setiap tahapan memiliki pengaruh terhadap hasil evaluasi klasifikasi text yang akan dilakukan. Tujuan dari penelitian ini adalah mengetahui perbandingan performa klasifikasi menggunakan proses stemming dan tanpa stemming pada dataset melalui tahapan preprocessing dan algoritma klasifikasi yang performanya paling baik jika pada preprocessing dilakukan stemming. Metode klasifikasi menggunakan metode Naive Bayes dan Logistic Regression. Hasil percobaan menunjukan pengaruh model klasifikasi Naive Bayes dan Logistic Regression terhadap penggunaan tahapan stemming pada preprocessing dengan akurasi sebesar 74,11% dan 73,57%, sedangkan tanpa melakukan stemming mendapatkan akurasi masing -masing sebesar 78,47% dan 76,29% . Dari hasil pengujian model, dapat dilihat bahwa tanpa tahapan stemming pada preprocessing memiliki tingkat akurasi yang lebih unggul pada masing-masing model sebesar 4,36% dan 2,72% dibandingkan dengan penerapan tahapan stemming pada preprocessing. Hasil tersebut menunjukan bahwa penggunaan tahapan stemming dapat menurunkan akurasi klasifikasi. Algoritma klasifikasi yang tidak banyak pengaruhnya jika pada preprocessing dilakukan stemming adalah Logistic Regression karena tingkat penurunan akurasi lebih tipis dari algoritma Naïve Bayes.

Page 1 of 1 | Total Record : 7

 1 

Filter by Year

2022 2022


Reset
Filter By Issues
All Issue Vol 13, No 4 (2025) Vol 13, No 3 (2025) Vol 13, No 2 (2025) Vol 13, No 1 (2025) Vol 12, No 4 (2024) Vol 12, No 3 (2024) Vol 12, No 2 (2024) Vol 12, No 1 (2024) Vol 11, No 4 (2023) Vol 11, No 3 (2023) Vol 11, No 2 (2023) Vol 11, No 1 (2023) Vol 10, No 4 (2022) Vol 10, No 3 (2022) Vol 10, No 2 (2022) Vol 10, No 1 (2022) Vol 9, No 4 (2021) Vol 9, No 3 (2021) Vol 9, No 2 (2021) Vol 9, No 1 (2021) Vol 8, No 4 (2020) Vol 8, No 3 (2020) Vol 8, No 2 (2020) Vol 8, No 1 (2020) Vol 7, No 4 (2019) Vol 7, No 3 (2019) Vol 7, No 2 (2019) Vol 7, No 1 (2019) Vol 6, No 4 (2018) Vol 6, No 3 (2018) Vol 6, No 2 (2018) Vol 6, No 1 (2018) Vol 5, No 4 (2017) Vol 5, No 3 (2017) Vol 5, No 2 (2017) Vol 5, No 1 (2017) Vol 4, No 3 (2016) Vol 4, No 2 (2016) Vol 4, No 1 (2016) Vol 3, No 3 (2015) Vol 3, No 2 (2015) Vol 3, No 1 (2015) Vol 2, No 3 (2014) Vol 2, No 2 (2014) Vol 2, No 1 (2014) Vol 1, No 3 (2013) Vol 1, No 2 (2013) Vol 1, No 1 (2013) More Issue