Article Per Year (5 Year)
p-Index From 2019 - 2024
0.817
P-Index
This Author published in this journals
All Journal Jurnal Sistem Cerdas JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) The Indonesian Journal of Computer Science Research
Hastari Utama
Universitas Amikom Yogyakarta
Automotive Engineering Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
PENDEKATAN NATURAL LANGUAGE PROCESSING PADA APLIKASI CHATBOT SEBAGAI ALAT BANTU CUSTOMER SERVICE Sri Mulyatun; Hastari Utama; Ali Mustopa
Journal of Information System Management (JOISM) Vol. 2 No. 2 (2021): Januari
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (282.989 KB) | DOI: 10.24076/joism.2021v3i1.404

Abstract

Informasi mengenai Akademik adalah bagian sangat penting dalam kehidupan sehari-hari, dimana informasi Akademik tersebut diperoleh salah satunya dengan kosultasi langsung dengan customer service. Berdasarkan wawancara yang dilakukan terhadap beberapa mahasiswa. mahasiswa memperoleh informasi Akademik dengan cara berkunjung ke kampus dan bertanya langsung terhadap customer service.Penyampaian informasi Akademik tersebut dirasa kurang karena keterbatasan oleh waktu jam buka kampus, sedangkan banyak mahasiswa sangat membutuhkan informasi Akademik dan konsultasi Akademik dengan cepet dan tidak mau terikat oleh waktu buka kampus, bahkan mahasiswa mengalami masalah Akademik disaat kampus sudah tutup, dan membutuhkan konsultasi customer service. Dengan permasalahan tersebut maka banyak mahasiswa yang salah terima dalam mencerna informasi dari akademik. Untuk menyampaikan informasi Akademik yang tidak terikat oleh waktu buka kampus, Universitas AMIKOM Yogyakarta memerlukan suatu alat media layanan informasi Akademik yang dapat merespon setiap pertanyaan mahasiswa tanpa ada keterbatasan waktu dan jumlah customer service. Pada penelitian ini solusi yang diusulkan untuk masalah tersebut salah satunya dengan cara membangun sebuah aplikasi chatbot informasi Akademik (customer service virtual) dengan pendekatan Natural Language Processing dengan menggunakan medote Fuzzy String Matching sebagai media penalarannya. Teknologi chatbot merupakan salah satu bentuk aplikasi Natural Language Processing, NLP itu sendiri merupakan salah satu bidang ilmu Kecerdasan Buatan ( Artificial Intelligence ) yang mempelajari komunikasi antara manusia dengan komputer melalui bahasa alami.
Analisis Sentimen pada Twitter menggunakan Word Embedding dengan Pendekatan Word2Vec Hastari Utama; Ahlihi Masruro
Jurnal Sistem Cerdas Vol. 5 No. 2 (2022)
Publisher : APIC

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37396/jsc.v5i2.242

Abstract

In this day and age, the use of social media is familiar to some circles. The existence of social media can be analyzed for certain interests. This analysis can also be carried out for the benefit of knowing the opinions or sentiments that contain it. Therefore, a sentiment analysis is needed to get a classification of existing opinions. The use of sentiment analysis cannot be separated from the document or text representation stage. This usually takes the form of the bag of word (BOW). However, BOW has a weakness, namely it produces a lot of features so that the classification accuracy results are less than optimal. Therefore we need the Word Embedding method to represent documents in vector form. The use of this method results in fewer features so that data training time can be shorter. Apart from that, the syntax and semantics of the words that compose the tweet are also considered. So, Word Embedding produces meaningful vectors.
ANALISIS SENTIMEN DENGAN PENDEKATAN ENSEMBLE LEARNING DAN WORD EMBEDDING PADA TWITTER Erna Daniati; Hastari Utama
Journal of Information System Management (JOISM) Vol. 4 No. 2 (2023): Januari
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/joism.2023v4i2.973

Abstract

Twitter merupakan media sosial yang sering digunakan dimana mencapai 284 juta pengguna aktif dan setiap harinya lebih dari 500 juta tweet per hari. Hari ini menjadikan peluang emas bagi perusahaan dan individu untuk meningkatkan relasi sosial, politik, dan ekonomi yang kuat demi meningkatkan reputasi. Pada kumpulan tweet tersebut memuat opini yang berasal dari berbagai pengguna. Hal ini sangat potensial bagi perusahaan untuk menggali dan mendapatkan informasi mengenai jenis tweet ini. Selanjutnya, ekstrasi data yang disusun dalam bentuk Bag Of Word ini terdapat kekurangan. Fitur yang dihasilkan cukup banyak sehingga berpengaruh dalam waktu proses untuk pelatihan data. Metode Word2Vec memiliki keunggulan dalam menangkap hubungan sintaksis dan semantik antar kata.  Pada penelitian ini berusaha untuk meningkatkan akurasi yang dicapai dengan penggunaan word embedding sebagai representasi teks dan ensemble learning dari pengklasifikasi yang digunakan. Hasil penelitian ini mampu menunjukkan tngkat akurasi yang lebih tinggi dalam penggunaan algoritma Adaboost dan Word2Vec. Kata Kunci : Ensemble Learning, Sentiment Analysis, Word Embedding, Twitter.
PENDEKATAN DEEP LEARNING MENGGUNAKAN METODE LSTM UNTUK PREDIKSI HARGA BITCOIN Hastari Utama
The Indonesian Journal of Computer Science Research Vol. 2 No. 2 (2023): July
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v2i2.77

Abstract

Bitcoin price prediction involves analyzing a variety of factors, including market sentiment, trading volume, economic news, technological developments, and other factors that affect supply and demand. Both technical and fundamental analysis methods can be used to try to predict Bitcoin price movements. In this Bitcoin price prediction using a Deep Learning approach with the chosen method is LSTM. The LSTM (Long Short-Term Memory) method is a popular type of Recurrent Neural Network (RNN) model for predicting the price of Bitcoin and other financial assets. LSTM can solve the problem of price movements that have long-term dependencies, which traditional RNN models cannot handle well. LSTMs have the ability to "remember" information from longer periods of time, thereby recognizing complex patterns and trends in historical data. In this study the prediction period used a dataset from March 1 2016 to November 24 2018. This study used an epoch parameter of 10 with a learning rate of 0.001. In addition, the batch size parameter used is 25 with layers only. The evaluation results of this study resulted in an RMSE of 77.74 and an MAE of 278.33. This shows that the RMSE value is small because the Bitcoin price range is too far.
Co-Authors Ahlihi Masruro Ali Mustopa Erna Daniati Sri Mulyatun