cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Ari Fadli
Contact Email
mandiri.tematik@gmail.com
Phone
+6285643130146
Journal Mail Official
mandiri.tematik@gmail.com
Editorial Address
Perum GS Sumampir Jl. onyx no.11, Sumampir Purwokerto
Location
Kab. banyumas,
Jawa tengah
INDONESIA
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi
Published by PT Berkah Tematik Mandiri
ISSN : -     EISSN : 30325072     DOI : https://doi.org/10.61124/sinta.v1i3.21
Core Subject : Science, Engineering,
Computer Science & IT Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi merupakan sarana publikasi ilmiah bagi tim peneliti, akademisi, mahasiswa, guru, maupun profesional untuk mempublikasikan hasil penelitian kepada masyarakat luas. Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi terbit 4x dalam setahun pada bulan Januari, April, Juli dan Oktober. Jurnal SINTA: Sistem Informasi dan Teknologi menerima naskah publikasi hasil penelitian pada bidang sistem dan teknologi informasi, elektro, informatika, komputer, maupun teknologi komputasi lainnya.
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 72 Documents
 4   5   6   7   8 
Rule-Based Mood Classification pada Chatbot Pendamping Emosional: Evaluasi, Akurasi, Latensi, dan Bias Klasifikasi Netral Galuh Kurnia Pratama
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi Vol. 3 No. 4 (2026): SINTA: JULI (special issue Machine Learning)
Publisher : Berkah Tematik Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61124/sinta.v3i4.339

Abstract

Chatbot rule-based konvensional masih memiliki kemampuan terbatas dalam menangkap konteks emosional pengguna, khususnya pada bahasa informal dan ekspresi implisit. Penelitian ini bertujuan merancang kerangka rule-based mood logic pada chatbot GALHBOT yang mampu mendeteksi Sembilan kategori mood, menghitung intensitas ekspresi, serta menghasilkan respons berdasarkan aturan linguistik adaptif, tanpa bergantung pada model machine learning. Metode penelitian meliputi analisis kebutuhan system, perancangan logika berbasis aturan, implementasi menggunakan bahasa JavaScript berbasis lingkungan runtime Node.js, serta pengujian menggunakan dataset terkontrol yang terdiri dari 1.000 sampel dengan sembilan kategori emosi dan satu kategori netral. Hasil pengujian menunjukkan bahwa chatbot GALHBOT memiliki waktu respons rata-rata 29 ms sehingga mampu mendukung interaksi secara real-time, dengan tingkat akurasi emosi sebesar 41,0%. Analisis confusion matrix menunjukkan bahwa sistem cenderung mengklasifikasikan ekspresi yang tidak dikenali ke dalam kategori netral, terutama pada emosi dengan variasi linguistik yang tinggi. Penelitian ini menyimpulkan bahwa pendekatan rule-based dengan logika linguistik masih memiliki potensi sebagai dasar pengembangan chatbot pendamping emosional yang efisien, transparan, dan mudah diinterpretasikan, dengan peluang peningkatan melalui perluasan lexion, penyempurnaan scoring, dan pengelolaan konteks percakapan.
Analisis Sentimen Headline CNBC Indonesia Menggunakan Multinomial Logistic Regression dan TF-IDF Muhammad Yusra; Roberto Kaban
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi Vol. 3 No. 4 (2026): SINTA: JULI (special issue Machine Learning)
Publisher : Berkah Tematik Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61124/sinta.v3i4.353

Abstract

Penelitian ini mengajarkan penerapan Multinomial Logistic Regression dengan representasi fitur Term Frekuensi Inverse Document Frekuensi (TF-IDF) untuk mengklasifikasikan sentimen pada headline berita pasar keuangan Indonesia. Dataset penelitian mencakup 9.819 headline berita CNBC Indonesia yang dipublikasikan selama Januari 2024 hingga Maret 2025dan dianotasi secara manual ke dalam tiga kategori sentimen, yaitu positif (29,4%), netral (44,4%), dan negatif (26,2%). Representasi teks dibangun menggunakan TF-IDF dengan ukuran kosakata maksimal sebanyak 5.000 kata. Berdasarkan hasil evaluasi, model memperoleh akurasi sebesar 82,43%, dengan nilai macro perception 0,8200, macro recall 0,8233, dan macro F1-score 0,8200. Pengujian menggunakan skema 5-fold cross-validation menghasilkan rata-rata akurasi 82,04%, yang menunjukkan bahwa model memiliki kemampuan generalisasi yang baik. Analisis koefisien menunjukkan bahwa istilah anjlok dan ambruk berkontribusi terhadap prediksi sentimen negatif, sedangkan borong dan melesat menjadi indikator sentimen positif. Kesalahan klasifikasi terutama ditemukan pada headline yang mengandung ambiguitas konteks. Oleh karena itu, penelitian selanjutnya dapat memanfaatkan pendekatan berbasis transformator untuk meningkatkan pemahaman konteks dan akurasi klasifikasi sentimen.

Page 8 of 8 | Total Record : 72

 4   5   6   7   8 

Filter by Year

2024 2026


Reset
Filter By Issues
All Issue Vol. 3 No. 4 (2026): SINTA: JULI (special issue Machine Learning) Vol. 3 No. 3 (2026): SINTA: JULI Vol. 3 No. 2 (2026): SINTA: APRIL Vol. 3 No. 1 (2026): SINTA: JANUARI Vol. 2 No. 4 (2025): SINTA: OKTOBER Vol. 2 No. 3 (2025): SINTA: JULI Vol. 2 No. 2 (2025): SINTA - APRIL Vol. 2 No. 1 (2025): SINTA - JANUARI Vol. 1 No. 4 (2024): SINTA - OKTOBER Vol. 1 No. 3 (2024): SINTA - JULI Vol. 1 No. 2 (2024): SINTA - APRIL Vol. 1 No. 1 (2024): SINTA - JANUARI More Issue