Article Per Year (5 Year)
p-Index From 2019 - 2024
1.937
P-Index
This Author published in this journals
All Journal Majalah Ilmiah Teknologi Elektro Jurnal Sistem dan Informatika Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) Informatics for Educators and Professional : Journal of Informatics Jurnal Teknologi Informasi dan Komputer Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Teknik Informatika UNIKA Santo Thomas WIDYABHAKTI Jurnal Ilmiah Populer Mattawang: Jurnal Pengabdian Masyarakat Jurnal Teknik Informatika Unika Santo Thomas (JTIUST)
I Komang Dharmendra
Institut Teknologi Dan Bisnis STIKOM Bali
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Public Health Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search
Journal : Jurnal Teknologi Informasi dan Komputer

 1 
IMPLEMENTASI TEXT MINING UNTUK KLASIFIKASI OPINI ALUMNI PADA PERGURUAN TINGGI I Komang Dharmendra; I Gusti Ngurah Ady Kusuma; Ida Ayu Mirah Cahya Dewi; Edwar
Jurnal Teknologi Informasi dan Komputer Vol. 9 No. 3 (2023): Jurnal Teknologi Informasi dan Komputer
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian bertujuan untuk menganalisis sentimen opini alumni menggunakan metode Support Vector Machine (SVM). Analisis sentimen opini alumni merupakan faktor penting dalam evaluasi kualitas institusi pendidikan. Metode SVM digunakan untuk mengklasifikasikan opini dengan tingkat keakuratan yang tinggi, dengan menggunakan TF-IDF untuk pembobotan dan vektorisasi. Hasil penelitian menunjukkan akurasi sebesar 0.873, dengan nilai precision, recall, dan F1-Score berturut-turut sebesar 0.877, 0.803, dan 0.823. Temuan ini menunjukkan bahwa SVM dapat menjadi pilihan yang efektif dalam analisis sentimen opini alumni. Hasil penelitian memberikan wawasan penting bagi institusi pendidikan untuk memahami dan meningkatkan kepuasan alumni, serta mengidentifikasi aspek-aspek yang perlu diperbaiki. Dalam konteks pengambilan keputusan, hasil analisis sentimen opini alumni dapat memengaruhi strategi dan pengembangan program pendidikan. Penelitian selanjutnya dapat mempertimbangkan perluasan sampel dan eksplorasi teknik pemrosesan bahasa alami lainnya untuk meningkatkan performa analisis sentimen opini alumni.
TEXT MINING UNTUK MENDETEKSI EMOSI PENGGUNA TERHADAP “NUSANTARA” SEBAGAI NAMA IKN I Komang Dharmendra; Ricky Aurelius Nurtanto Diaz; Muhamad Samsudin; I Gusti Agung Ngurah Rai Semadi; I Made Agus Wirahadi Putra
Jurnal Teknologi Informasi dan Komputer Vol. 9 No. 5 (2023): Jurnal Teknologi Informasi dan Komputer
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Ibu kota negara memainkan peran penting dalam pemerintahan, baik sebagai pusat kekuasaan politik maupun perekonomian suatu negara. Indonesia, misalnya, telah memutuskan untuk memindahkan ibu kota negaranya dari Jakarta ke Kalimantan Timur dan membangun kota baru yang diberi nama Nusantara. Reaksi masyarakat terhadap pengumuman ini banyak dibahas di media sosial Twitter, yang memungkinkan pengguna untuk berbagi opini dan tanggapan mereka terhadap topik ini. Untuk menganalisis emosi pengguna Twitter terhadap pengumuman ini, digunakan metode Teks Mining untuk mengekstrak informasi dari data teks yang tidak terstruktur. Dalam penelitian terdahulu, dataset tweet dengan kategori suka, marah, sedih, senang, dan takut digunakan sebagai data latih, dan dataset tweet baru digunakan sebagai data uji berjumlah 83.590 tweet. Menggunakan model SVM dengan kernel 'linear', dapat disimpulkan bahwa pengumuman mengenai ibu kota baru Nusantara menimbulkan emosi yang beragam di kalangan masyarakat, di antaranya senang berjumlah 39.219, marah berjumlah 37.594, sedih berjumlah 5.999, suka berjumlah 397, dan takut berjumlah 381. Pada proses klasifikasi terjadi ketidakseimbangan jumlah data pada kelas emosi yang dijadikan data latih untuk membangun model yang menyebabkan overfitting atau underfitting, yang pada akhirnya mempengaruhi hasil klasifikasi pada dataset "Nusantara". Penelitian ini bisa menjadi landasan untuk penelitian berikutnya dalam menangani dataset yang tidak seimbang pada klasifikasi emosi.
PENANGANAN KETIDAKSEIMBANGAN DATA PADA KLASIFIKASI PENGADUAN MASYARAKAT I Gusti Ngurah Ady Kusuma; I Made Pradipta; I Made Ari Santosa; I Komang Dharmendra
Jurnal Teknologi Informasi dan Komputer Vol. 9 No. 5 (2023): Jurnal Teknologi Informasi dan Komputer
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengaduan masyarakat memiliki peran penting dalam meningkatkan kualitas layanan lembaga. Namun, dalam pengolahan data pengaduan, sering terjadi ketidakseimbangan dimana jumlah pengaduan setiap kelas tidak seimbang. Penelitian ini bertujuan mengatasi ketidakseimbangan data dalam klasifikasi pengaduan dengan menggunakan data pengaduan masyarakat Kota Denpasar. Ketidakseimbangan data dapat berdampak negatif pada klasifikasi, model cenderung menjadi bias terhadap kelas mayoritas. Untuk mengatasinya dapat menggunakan model oversampling menggunakan teknik SMOTE (Synthetic Minority Over-sampling Technique) dan ADASYN (Adaptive Synthetic Sampling). SMOTE dan ADASYN digunakan untuk menghasilkan sampel sintetis dari kelas minoritas dalam dataset. Klasifikasi menggunakan NBC (Naive Bayes Classifier), SVM (Support Vector Machine), dan random forest. Untuk mengevaluasi performa model, digunakan matriks evaluasi akurasi, presisi, recall, dan F1-Score. Evaluasi membantu dalam memahami sejauh mana model-model dapat mengklasifikasikan pengaduan masyarakat dengan tepat, terutama dalam ketidakseimbangan data. Selain matriks evaluasi, juga dihitung waktu dari setiap model untuk mengetahui waktu proses yang dibutuhkan oleh model. Hasil menunjukkan penggunaan SMOTE dan ADASYN meningkatkan nilai akurasi pada algoritma SVM dan random forest. Namun, algoritma NBC, penggunaan model sampling justru menurunkan akurasi, waktu proses juga menjadi faktor penting dalam pemilihan algoritma. SVM memiliki waktu proses yang paling lama, NBC memiliki waktu proses yang paling pendek, dan random forest berada di antara keduanya.
ANALISIS SENTIMEN REVIEW APLIKASI SATU SEHAT MOBILE MENGGUNAKAN MODEL SAMPLING TOMEK LINKS Ida Ayu Mirah Cahya Dewi; I Komang Dharmendra; Ni Wayan Setiasih
Jurnal Teknologi Informasi dan Komputer Vol. 9 No. 5 (2023): Jurnal Teknologi Informasi dan Komputer
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini fokus pada analisis sentimen dalam teks, khususnya terkait opini pengguna Aplikasi Satu Sehat Mobile di Indonesia. Analisis sentimen berguna untuk memahami emosi yang terungkap dalam opini pengguna terhadap layanan. Metode kuantitatif dan kualitatif digunakan untuk menganalisis teks, dengan teknik statistik dan pendekatan interpretatif. Aplikasi Satu Sehat Mobile membantu akses kesehatan dengan informasi penyakit, klinik terdekat, dan layanan reservasi online. Kondisi data tidak seimbang dapat memengaruhi analisis sentimen, menghasilkan bias dalam model. Solusinya adalah menggunakan metode sampling seperti Tomek Links untuk seimbangkan data. Model algoritma Random Forest, Neural Network, KNN, dan SVM dibangun dan dievaluasi dengan metrik akurasi, presisi, recall, dan F1-Score untuk analisis sentimen yang lebih tepat, khususnya pada data tidak seimbang dari opini pengguna Aplikasi Satu Sehat Mobile. Dimana evaluasi performa dilakukan pada data tanpa dan dengan model sampling. Penggunaan SVM menghasilkan akurasi tertinggi tanpa sampling (80,528%), karena fokus pada margin. Namun, Random Forest memiliki Precision, Recall, dan F1-Score lebih unggul untuk kelas minoritas. Dalam skenario model sampling, semua model mengalami peningkatan akurasi, terutama SVM dengan peningkatan 0,489%. Penerapan metode sampling Tomek Links memperbaiki evaluasi matriks dan mengatasi ketidakseimbangan kelas. Model sampling juga mengurangi waktu proses dengan ukuran dataset yang lebih kecil setelah penghapusan instance. Metode ini efektif mengatasi masalah ketidakseimbangan dataset, meningkatkan kinerja model, dan mengurangi waktu proses.
PERBANDINGAN METODE VEKTORISASI PADA ANALISA SENTIMENT, STUDI KASUS : CYBERBULLYING PADA KOMENTAR INSTAGRAM I Putu Ramayasa; I Gusti Ayu Desi Saryanti; I Komang Dharmendra; Edwar
Jurnal Teknologi Informasi dan Komputer Vol. 9 No. 5 (2023): Jurnal Teknologi Informasi dan Komputer
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Media sosial sebagai alat komunikasi global telah membawa dampak positif namun juga muncul sisi gelapnya, seperti peningkatan kasus cyberbullying. Penelitian ini mengajukan pendekatan melalui analisis sentimen, dengan penekanan pada teknik vektorisasi. Pendekatan ini menggabungkan tiga teknik vektorisasi utama, yaitu LSTM, Word2Vec, dan TF-IDF, dengan tiga model klasifikasi utama: Random Forest, Naive Bayes, dan Gradient Boosting. Hasil penelitian menunjukkan bahwa penggunaan LSTM dalam kaitannya dengan algoritma Random Forest memunculkan akurasi tertinggi, mencapai 92.5%, dengan kemampuan mengenali pola sentimen yang kompleks. Sementara Naive Bayes memiliki akurasi yang lebih rendah, Word2Vec memberikan peningkatan signifikan dalam pengenalan pola sentimen pada algoritma ini. Penggunaan Word2Vec juga menghasilkan hasil yang konsisten pada algoritma Gradient Boosting dengan akurasi sekitar 86%, menegaskan kemampuannya dalam mengidentifikasi relasi kata dalam analisis sentimen terkait cyberbullying. Di sisi lain, teknik vektorisasi TF-IDF memberikan hasil yang mengesankan, mencapai akurasi tertinggi 96.25% pada algoritma Random Forest, dengan kemampuan mengenali kata-kata kunci yang mempengaruhi sentimen. Kesimpulannya, penelitian ini menggambarkan bahwa berbagai metode vektorisasi memiliki dampak yang signifikan dalam analisis sentimen terhadap komentar Instagram, terutama dalam konteks deteksi cyberbullying. Oleh karena itu, pemilihan metode vektorisasi yang sesuai sangat penting dalam mengembangkan algoritma analisis sentimen yang efektif.
KLASIFIKASI EMOSI PADA TWEET BERBAHASA INDONESIA MENGGUNAKAN TEKNIK SAMPLING ENN I Gede Harsemadi; I Komang Dharmendra; I Made Pasek Pradnyana Wijaya
Jurnal Teknologi Informasi dan Komputer Vol. 9 No. 5 (2023): Jurnal Teknologi Informasi dan Komputer
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Twitter menjadi fokus utama sebagai platform media sosial yang sangat populer di seluruh dunia, dengan pertumbuhan data yang terus meningkat setiap hari. Potensinya untuk aplikasi analisis sentimen dan deteksi emosi dari tweet sangat besar. Namun, tantangan muncul karena dataset tweet sering kali tidak seimbang antara kelas emosi. Oleh karena itu, penelitian ini menguji empat algoritma klasifikasi yang berbeda dengan menggunakan teknik sampling Edited Nearest Neighbours (ENN) pada dataset tweet berbahasa Indonesia yang tidak seimbang dengan lima kelas emosi. Hasil evaluasi mengungkapkan bahwa model RandomForest memiliki akurasi tertinggi sekitar 62.55%, sementara Neural Network mendominasi dalam presisi dengan nilai 67.23%. Meskipun model SVM memiliki presisi yang tinggi, recall dan F1-score yang rendah menunjukkan keterbatasan dalam mengidentifikasi kelas positif dengan benar. Oleh karena itu, penggunaan ENN untuk mengatasi ketidakseimbangan data pada dataset tweet berbahasa Indonesia memperlihatkan bahwa model RandomForest dan Neural Network adalah pilihan yang lebih baik dalam tugas klasifikasi emosi.
Co-Authors Dedy Panji Agustino EDWAR Edwar Edwar I Gede Bintang Arya Budaya I Gede Harsemadi I Gede Harsemadi I Gusti Agung Ngurah Rai Semadi I Gusti Agung Ngurah Rai Semadi I Gusti Ayu Desi Saryanti I Gusti Ngurah Ady Kusuma I Made Agus Wirahadi Putra I Made Ari Santosa I Made Pasek Pradnyana Wijaya I Made Pradipta I Made Suandana Astika Pande I Putu Ramayasa, I Putu Ida Ayu Mirah Cahya Dewi Ida Bagus Suradarma Komang Oka Saputra Luh Putu Ayu Desiani, Luh Putu Ayu Muhamad Samsudin Muhamad Samsudin Ni Luh Ari Yusasrini Ni Nyoman Utami Januhari, Ni Nyoman Ni Wayan Setiasih Nyoman Pramaita Ricky Aurelius Nutanto Diaz, Ricky Aurelius Tubagus Mahendra Kusuma Tubagus Mahendra Kusuma