cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Sunaryo Winardi
Contact Email
sunaryo.winardi@mikroskil.ac.id
Phone
+6287748447774
Journal Mail Official
jsm.fi@mikroskil.ac.id
Editorial Address
Jl. Thamrin No. 124 Medan 20212 Gedung A. Lantai 2.
Location
Kota medan,
Sumatera utara
INDONESIA
JSM (Jurnal SIFO Mikroskil)
Published by Universitas Mikroskil
ISSN : 14120100     EISSN : 26228130     DOI : https://dx.doi.org/10.55601/jsm
Core Subject : Science,
Computer Science & IT Decision Sciences, Operations Research & Management
Jurnal SIFO Mikroskil (JSM) is a journal that published by Lembaga Penelitian & Pengabdian kepada Masyarakat (LPPM) Universitas Mikroskil Medan, Indonesia. JSM published a journal twice a year, in April and October. The mission of JSM to share, develop and facilitate the output of research paper about Informatics, Information Systems and Information Technology. The scope of Journal of Information Systems Mikroskil (JSM) are: information systems, computer science, knowledge management, business & IT alignment, IT Governance, CRM, SCM, enterprise resource planning, enterprise architecture, business process management, business process reengineering, modeling and simulation, information retrieval, artificial intelligence, images processing, information security, data mining, cryptography, social network, cloud computing, data science, IoT, and others.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 225 Documents
 19   20   21   22   23 
Analisis Sentimen untuk Ulasan Produk E-Commerce Shopee Menggunakan BERT Sikana, Nadya; Winardi, Sunaryo; -, Gunawan; Situmorang, Gilbert Fernando; Lubis, Rivaldi
Jurnal Sifo Mikroskil Vol. 26 No. 2 (2025): JSM VOLUME 26 NOMOR 2 TAHUN 2025
Publisher : Fakultas Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55601/jsm.v26i2.1796

Abstract

Analisis sentimen sangat penting untuk memahami opini konsumen dan menyempurnakan strategi e-commerce. Analisis ini menghadapi tantangan seperti bahasa informal, ambiguitas semantik, dan inkonsistensi antara sentimen tekstual dan peringkat bintang, yang memengaruhi akurasi klasifikasi. Penelitian ini menerapkan model BERT (Bidirectional Encoder Representations from Transformersi) untuk mengklasifikasikan sentimen dalam ulasan pengguna Shopee. Data dikumpulkan dari penelitian sebelumnya dan menjalani praproses, termasuk tokenisasi, penghapusan stopword, dan normalisasi teks. Pendekatan analisis sentimen berbasis leksikon digunakan sebagai dasar perbandingan. Model BERT disempurnakan menggunakan optimasi hiperparameter, mencapai akurasi 83,08%, presisi 82,91%, recall 83,08%, dan F1-score 82,87%. Dibandingkan dengan studi sebelumnya yang menggunakan Naïve Bayes dengan N-Gram dan Information Gain, yang mencapai akurasi 92% tetapi presisi lebih rendah (56%), recall (65%), dan F1-score (60%), BERT mengungguli dengan metrik evaluasi yang lebih seimbang dan keandalan prediktif yang lebih besar. Hasil ini menunjukkan kemampuan BERT untuk menangkap konteks semantik dua arah, melampaui metode tradisional dalam menangani tugas analisis sentimen yang kompleks.
Analisis Time Series dan Perancangan Dashboard untuk Memprediksi Penjualan dengan Metode Prophet dan SARIMAX Khaw, Brian; Irwanto, Ricky; Yunis, Roni; Elly, Elly
Jurnal Sifo Mikroskil Vol. 26 No. 2 (2025): JSM VOLUME 26 NOMOR 2 TAHUN 2025
Publisher : Fakultas Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55601/jsm.v26i2.1797

Abstract

Penelitian ini membahas analisis data deret waktu untuk memprediksi penjualan menggunakan metode Prophet dan SARIMAX. Metode ini dipilih karena mampu menangani pola musiman, tren, dan faktor eksternal yang penting dalam memaksimalkan akurasi prediksi penjualan. Dataset Walmart dari periode 2012-2015 digunakan sebagai data utama, sementara data eksternal diambil dari Google Trends. Penelitian ini menggunakan kerangka kerja OSEMN yang meliputi pengumpulan, pembersihan, eksplorasi, pemodelan, dan interpretasi data. Hasil evaluasi menunjukkan model SARIMAX lebih unggul pada skenario mingguan dan bulanan dengan MAPE sebesar 2,589% dan 0,930% dibandingkan model Prophet dengan MAPE sebesar 2,753% dan 1,045%. Hasil penelitian ini juga menunjukkan penambahan faktor eksogen pada kedua model ini tidak memberikan dampak yang signifikan dalam meningkatkan performa model. Hasil prediksi data penjualan divisualisasi melalui dashboard interaktif yang membantu pengguna memahami hasil prediksi secara intuitif.
Evaluasi Teknik Resampling untuk Class Balancing dalam Analisis Sentimen Kesehatan Mental Berbasis Bi-LSTM Sintiya, Cindy; Hutagaol, Grace Helena; Bate`e, David; Irviantina, Syanti
Jurnal Sifo Mikroskil Vol. 26 No. 2 (2025): JSM VOLUME 26 NOMOR 2 TAHUN 2025
Publisher : Fakultas Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55601/jsm.v26i2.1799

Abstract

Ketidakseimbangan data (imbalanced data) sering menjadi tantangan utama dalam analisis sentimen, terutama ketika model pembelajaran mesin cenderung mengabaikan kelas minoritas yang justru memuat informasi kritis. Penelitian ini mengevaluasi efektivitas teknik class balancing dengan metode resampling, yaitu Random Under-Sampling (RUS) dan Synthetic Minority Over-sampling Technique (SMOTE), dalam meningkatkan performa model LSTM (Long Short-Term Memory) untuk analisis sentimen kesehatan mental. Hasil penelitian menunjukkan bahwa metode SMOTE dapat meningkatkan F1-score pada kelas “Suicidal” dari 64,4% menjadi 72,6%, meskipun terjadi penurunan pada kelas “Depression” dari 73,4% menjadi 59,9%. Sementara itu, metode RUS cenderung menurunkan performa secara keseluruhan, dengan akurasi model turun dari 80,5% menjadi 77,8% akibat penghapusan data secara acak yang mengurangi kualitas representasi data. Penelitian ini menyimpulkan bahwa meskipun teknik resampling dapat membantu menyeimbangkan data, namun penerapannya pada data teks memerlukan kehati-hatian untuk menghindari efek negatif pada performa model.
Model Klasifikasi Kelayakan Pengajuan Kredit Bank Menggunakan Naive Bayes Andrian, Joshua Valens; Fibriani, Charitas
Jurnal Sifo Mikroskil Vol. 26 No. 2 (2025): JSM VOLUME 26 NOMOR 2 TAHUN 2025
Publisher : Fakultas Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55601/jsm.v26i2.1803

Abstract

Pemberian pinjaman oleh Lembaga keuangan membutuhkan evaluasi yang baik untuk memastikan kelayakan nasabah sebagai calon debitur demi mengurangi resiko gagal bayar. Atribut yang dipakai dalam menentukan kelayakan calon debitur, seperti daerah tempat tinggal, jenis kelamin, status perkawinan, beban tanggungan, edukasi, status pekerjaan, pendapatan, pendapatan sampingan, jumlah pinjaman, lama pinjaman, riwayat kredit. Naïve Bayes merupakan metode klasifikasi berbasis probabilistic dengan asumsi independen antara atribut. Atribut– atribut tersebut dihitung untuk mendapatkan atribut kelayakan pinjaman sebagai hasil klasifikasi yang terkait dengan seberapa akurat performa model Naïve Bayes dalam memprediksi kelayakan kredit berdasarkan data historis. Kualitas model diukur menggunakan confusion matrix, juga dibahas terkait akurasi, presisi dan recall. Rumusan masalah pada penelitian ini adalah Bagaimana cara kerja model klasifikasi untuk kredit bank menggunakan Naïve Bayes. Pengujian menunjukkan algoritma Naïve Bayes mampu melakukan klasifikasi dengan tingkat akurasi 86%, precision sebesar 88% dan recall sebesar 86% dengan hasil tersebut harapan dari penelitian ini adalah model Naïve Bayes bisa bermanfaat untuk meningkatkan efisiensi dalam proses pengajuan pinjaman pada Lembaga keuangan.
Model Ensembel untuk Deteksi Depresi di Twitter Berbahasa Indonesia Fitri, Melisa; Nurkhotimah, Jihan Susan; Ihsan, Faiz Nurfaadhil; Amaliah, Khusnatul; Rofianto, Dani
Jurnal Sifo Mikroskil Vol. 26 No. 2 (2025): JSM VOLUME 26 NOMOR 2 TAHUN 2025
Publisher : Fakultas Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55601/jsm.v26i2.1812

Abstract

Pentingnya Deteksi dini gangguan kesehatan mental khususnya depresi di era digital saat ini di mana individu lebih cenderung mengekspresikan kondisi emosionalnya melalui media sosial. Penelitian ini bertujuan untuk mengembangkan model ensembel Machine Learning dalam mendeteksi gejala depresi pada postingan media sosial berbahasa Indonesia, khususnya dari platform Twitter. Dataset yang digunakan adalah Depression and Anxiety in Twitter (ID) yang terdiri dari 6.980 teks berlabel. Proses preprocessing mencakup pembersihan data, vektorisasi dengan TF-IDF, dan pemisahan data menggunakan metode overfitting. Empat algoritma yaitu Support Vector Machine, Naïve Bayes, Random Forest, dan AdaBoost dikombinasikan menggunakan Voting Classifier dengan pendekatan soft voting. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, serta visualisasi heatmap korelasi dan learning curve. Hasil menunjukkan bahwa model Voting Classifier menghasilkan kinerja terbaik dengan F1-score makro sebesar 0,996, menunjukkan bahwa pendekatan ensembel efektif dalam meningkatkan akurasi dan stabilitas klasifikasi. Penelitian ini berkontribusi dalam pengembangan sistem deteksi dini gangguan mental berbasis teks bahasa Indonesia yang dapat digunakan oleh lembaga kesehatan, institusi pendidikan, dan organisasi sosial.

Page 23 of 23 | Total Record : 225

 19   20   21   22   23 

Filter by Year

2011 2025


Reset
Filter By Issues
All Issue Vol. 26 No. 2 (2025): JSM VOLUME 26 NOMOR 2 TAHUN 2025 Vol. 26 No. 1 (2025): JSM VOLUME 26 NOMOR 1 TAHUN 2025 Vol. 25 No. 2 (2024): JSM VOLUME 25 NOMOR 2 TAHUN 2024 Vol. 25 No. 1 (2024): JSM VOLUME 25 NOMOR 1 TAHUN 2024 Vol 24, No 2 (2023): JSM VOLUME 24 NOMOR 2 TAHUN 2023 Vol 24, No 1 (2023): JSM VOLUME 24 NOMOR 1 TAHUN 2023 Vol 23, No 2 (2022): JSM VOLUME 23 NOMOR 2 TAHUN 2022 Vol 23, No 1 (2022): JSM VOLUME 23 NOMOR 1 TAHUN 2022 Vol 22, No 2 (2021): JSM VOLUME 22 NOMOR 2 TAHUN 2021 Vol 22, No 1 (2021): JSM VOLUME 22 NOMOR 1 TAHUN 2021 Vol 21, No 2 (2020): JSM VOLUME 21 NOMOR 2 TAHUN 2020 Vol 21, No 1 (2020): JSM VOLUME 21 NOMOR 1 TAHUN 2020 Vol 20, No 2 (2019): JSM Volume 20 Nomor 2 Tahun 2019 Vol 20, No 1 (2019): JSM Volume 20 Nomor 1 Tahun 2019 Vol 19, No 2 (2018): JSM Volume 19 Nomor 2 Tahun 2018 Vol 18, No 1 (2017): JSM Volume 18 Nomor 1 Tahun 2017 Vol 17, No 2 (2016): JSM Volume 17 Nomor 2 Tahun 2016 Vol 17, No 1 (2016): JSM Volume 17 Nomor 1 Tahun 2016 Vol 16, No 2 (2015): JSM Volume 16 Nomor 2 Tahun 2015 Vol 16, No 1 (2015): JSM Volume 16 Nomor 1 Tahun 2015 Vol 15, No 2 (2014): JSM Volume 15 Nomor 2 Tahun 2014 Vol 15, No 1 (2014): JSM Volume 15 Nomor 1 Tahun 2014 Vol 14, No 2 (2013): JSM Volume 14 Nomor 2 Tahun 2013 Vol 14, No 1 (2013): JSM Volume 14 Nomor 1 Tahun 2013 Vol 13, No 2 (2012): Volume 13 Nomor 2 Tahun 2012 Vol 13, No 1 (2012): Volume 13 Nomor 1 Tahun 2012 Vol 12, No 2 (2011): Volume 12 Nomor 2 Tahun 2011 Vol 12, No 1 (2011): Volume 12 Nomor 1 Tahun 2011 More Issue