The Indonesian Journal of Computer Science Research

Perbandingan Kinerja Algoritma SVM, LSTM, dan Fine-tuned IndoBERT dalam Analisis Sentimen Opini Masyarakat Indonesia terhadap Mobil Listrik

2026-01-08T13:20:47+07:00

Penelitian ini menyajikan analisis sentimen terhadap opini publik di Indonesia mengenai mobil listrik menggunakan pendekatan fine-tuning pada model IndoBERT untuk meningkatkan akurasi klasifikasi sentimen. Dengan semakin meningkatnya pergeseran global menuju transportasi berkelanjutan, memahami persepsi masyarakat sangat penting bagi keberhasilan adopsi mobil listrik di Indonesia. Penelitian ini menggunakan dataset berisi 1.517 komentar berbahasa Indonesia yang dikumpulkan dari platform media sosial dan dilabeli menjadi tiga kategori sentimen: positif, negatif, dan netral. Model yang digunakan adalah IndoBERT-base yang diperbaiki melalui proses fine-tuning pada dataset tersebut untuk meningkatkan performanya dalam klasifikasi sentimen. Hasil evaluasi menunjukkan bahwa IndoBERT yang telah dilakukan fine-tuning mencapai akurasi sebesar 0,91, mengungguli tiga model baseline yaitu TF-IDF dengan SVM, LSTM, serta IndoBERT tanpa fine-tuning. Uji signifikansi statistik menggunakan uji McNemar membuktikan bahwa peningkatan tersebut signifikan secara statistik (p < 0,05). Selain itu, analisis tematik kualitatif mengungkapkan bahwa sentimen negatif didominasi oleh kekhawatiran terhadap harga yang mahal infrastruktur pengisian daya yang minim serta ketidakpercayaan terhadap kebijakan pemerintah sedangkan sentimen positif cenderung berkaitan dengan manfaat lingkungan dan insentif yang adil. Penelitian ini menunjukkan bahwa pendekatan fine-tuning pada IndoBERT secara signifikan meningkatkan akurasi klasifikasi sentimen dan memberikan wawasan berharga mengenai opini publik yang mendukung pengembangan kebijakan dan strategi industri dalam mempromosikan mobilitas ramah lingkungan di Indonesia

Pembuatan Sistem Evaluasi dan Rekomendasi Perencanaan Studi Mahasiswa Berbasis Website Menggunakan Laravel

2026-01-08T13:22:37+07:00

Evaluasi dan perencanaan studi mahasiswa merupakan proses fundamental dalam memastikan keberlangsungan akademik dan kelulusan tepat waktu. Permasalahan umum dalam proses ini mencakup kebutuhan pengulangan mata kuliah dengan nilai E dan D (dengan ketentuan nilai D tidak melebihi 25% dari total SKS), perubahan kurikulum yang menyebabkan ketidaksesuaian mata kuliah, serta batas maksimal masa studi yang menyesuaikan jenjang S1. Penelitian ini mengembangkan sistem berbasis website untuk melakukan evaluasi transkrip nilai, identifikasi mata kuliah wajib diulang, pemberian rekomendasi KRS otomatis, serta prediksi kelulusan berdasarkan sisa SKS dan masa studi. Sistem dibangun menggunakan framework Laravel, database MySQL, dan antarmuka Bootstrap, serta mendukung impor data kurikulum dan transkrip nilai dari Excel. Hasil pengujian blackbox menunjukkan sistem berjalan dengan baik. Berdasarkan Forum Group Discussion sistem ini terbukti efektif meningkatkan efisiensi proses bimbingan akademik dan mengurangi potensi kesalahan manusia, sehingga layak digunakan sebagai alat bantu evaluasi akademik di perguruan tinggi

Perbandingan Kinerja Model Transformer Monolingual Dalam Analisis Sentimen Terhadap Website Coretax Pada Platform X

2025-12-16T09:45:44+07:00

Implementasi sistem Coretax sebagai pembaruan administrasi perpajakan di Indonesia memicu beragam respons publik yang signifikan di media sosial, khususnya platform X. Pemantauan sentimen publik terhadap sistem ini memiliki urgensi tinggi sebagai bahan evaluasi penerimaan dan efektivitas sistem bagi pemerintah. Penelitian ini bertujuan untuk membandingkan kinerja tiga model Transformer monolingual, yaitu IndoBERT, IndoBERTweet, dan IndoRoBERTa, dalam melakukan analisis sentimen terhadap isu tersebut. Data dikumpulkan melalui mekanisme crawling pada platform X menggunakan library Tweet Harvest dengan kata kunci terkait Coretax sebanyak 8154 data, yang kemudian melalui tahapan praproses teks dan augmentasi data untuk menangani ketidakseimbangan kelas. Model kemudian di-fine-tune dan dievaluasi menggunakan metrik precision, recall, f1-score, dan akurasi. Hasil eksperimen menunjukkan bahwa IndoBERT memberikan kinerja terbaik dibandingkan model lainnya, dengan pencapaian akurasi 0.8889. Sementara itu, IndoBERTweet dan IndoRoBERTa masing-masing mencatatkan akurasi sebesar 0,8850 dan 0,8732. Temuan ini mengindikasikan bahwa model berbasis IndoBERT lebih efektif dalam menangkap konteks linguistik terkait perpajakan, sehingga direkomendasikan sebagai alat pemantauan persepsi masyarakat otomatis bagi instansi terkait

Pengembangan Prototype Sistem Deteksi Pemilik Kendaraan Roda Empat Berbasis Internet of Think

2026-01-05T11:39:09+07:00

Masalah efisiensi pada identifikasi kendaraan secara manual telah diidentifikasi sebagai kendala utama dalam sistem keamanan. Sebuah perancangan sistem deteksi pemilik kendaraan berbasis Automatic Number Plate Recognition dan Internet of Things yang mengacu pada standar International Organization for Standardization / International Electrotechnical Commission 30141 telah dikembangkan dalam penelitian ini. Fokus utama riset dilakukan terbatas pada tahap perancangan prototipe menggunakan emulator fritzing guna memvalidasi arsitektur sistem secara virtual. Hasil perancangan menunjukkan bahwa berhasil divisualisasikan dengan tingkat akurasi logika pada 5 domain pada ISO/EIC 130141 yakni device layer, gateway & network, data management, application layer dan domain business layer Disimpulkan bahwa model perancangan pada emulator fritzing ini layak dan dijadikan acuan awal dalam pengembangan sistem keamanan kendaraan sebelum dilakukan implementasi pada perangkat fisik sehingga untuk pengembangan selanjutnya disarankan menggunakan elumator lainya agar ada gambaran yang jelas penggunaan tools berbasis IoT

Klasifikasi Bakteri E. Coli Menggunakan Algoritma Decission Tree dan Random Forest

2026-01-20T09:50:59+07:00

Bakteri Escherichia coli (E. coli) merupakan mikroorganisme komensal yang umum ditemukan dalam saluran pencernaan manusia dan hewan, namun mencakup beragam strain dengan karakter berbeda, dari yang netral hingga patogen yang dapat menyebabkan penyakit serius. Akibatnya, klasifikasi yang akurat dan cepat terhadap berbagai jenis E. coli menjadi hal yang sangat penting, terutama dalam konteks diagnostik klinis, keamanan pangan, dan penelitian mikrobiologi. Penelitian ini bertujuan mengembangkan dan mengevaluasi model klasifikasi untuk membedakan strain bakteri E. coli dengan memanfaatkan dua algoritma machine learning, yaitu Decision Tree dan Random Forest. Dataset yang digunakan dalam penelitian ini bersumber dari UCI Machine Learning Repository, yang mencakup serangkaian fitur mikrobiologis. Evaluasi performa model dilakukan menggunakan beberapa metrik standar, yaitu akurasi, precision, recall, dan *F1-score* untuk memberikan analisis yang komprehensif. Hasil eksperimen menunjukkan bahwa model Random Forest secara signifikan mengungguli Decision Tree. Random Forest mencapai akurasi sebesar 88.24%, sedangkan Decision Tree mencapai 79.41%. Keunggulan Random Forest juga konsisten terlihat pada nilai precision, recall, dan *F1-score* yang lebih tinggi, menunjukkan kemampuan yang lebih baik dalam menangkap pola kompleks dalam data dan mengurangi overfitting. Dengan demikian, Random Forest terbukti lebih efektif dan andal untuk tugas klasifikasi ini. Temuan penelitian ini memberikan kontribusi potensial sebagai dasar pengembangan sistem pendukung keputusan otomatis yang dapat membantu tenaga laboratorium dalam identifikasi patogen, sehingga berdampak pada peningkatan efisiensi diagnostik di bidang biomedis

Implementasi Metode UEQ dan Maze Usability Testing Pada Pengalaman Pengguna Aplikasi Sleman Mart

2026-01-20T09:53:28+07:00

Penelitian ini bertujuan untuk mengevaluasi pengalaman pengguna pada platform Sleman Mart, sebuah marketplace berbasis web yang dikembangkan oleh pemerintah daerah guna mendukung digitalisasi usaha mikro, kecil, dan menengah (UMKM). Meskipun memiliki peran strategis dalam penguatan ekonomi digital lokal, tingkat pemanfaatan Sleman Mart masih tergolong rendah. Kondisi ini mengindikasikan adanya permasalahan pada aspek usability dan pengalaman pengguna yang berpotensi menghambat adopsi platform. Oleh karena itu, diperlukan evaluasi pengalaman pengguna secara komprehensif untuk mengidentifikasi permasalahan serta menyediakan dasar empiris bagi perbaikan sistem. Penelitian ini menggunakan pendekatan kuantitatif dengan mengombinasikan metode evaluasi subjektif dan objektif. Persepsi pengguna diukur menggunakan User Experience Questionnaire (UEQ), sedangkan kinerja usability dievaluasi melalui pengujian menggunakan platform Maze. Pengumpulan data melibatkan 30 responden yang memiliki pengalaman menggunakan Sleman Mart. Pengujian usability mencakup tingkat keberhasilan penyelesaian tugas, kesalahan klik, durasi penyelesaian tugas, dan jalur navigasi, sementara UEQ menilai enam dimensi pengalaman pengguna, yaitu attractiveness, perspicuity, efficiency, dependability, stimulation, dan novelty. Hasil penelitian menunjukkan nilai Maze Usability Score sebesar 46% yang tergolong rendah, menandakan alur navigasi dan interaksi yang belum efisien. Hasil benchmark UEQ juga menunjukkan sebagian besar dimensi berada pada kategori di bawah rata-rata, dengan dependability berada pada kategori buruk. Hasil menunjukkan bahwa permasalahan usability berpengaruh signifikan terhadap persepsi pengguna secara keseluruhan

Analysis Of Lstm-Adamax Performance In Bitcoin Price Prediction Using RSI & MACD Indicators

2026-01-24T20:36:25+07:00

One digital asset that is difficult to predict due to its extreme volatility is Bitcoin. Bitcoin's value has been predicted using various techniques, ranging from technical analysis to artificial intelligence-based models. Long Short-Term Memory (LSTM) is an artificial neural network architecture capable of recognizing patterns in historical data and is often used for time series data prediction. This study explores the application of an optimized LSTM model with the Adamax algorithm combined with the technical indicators RSI (Relative Strength Index) and MACD (Moving Average Convergence Divergence) to predict Bitcoin prices based on historical data. The LSTM-Adamax model demonstrated strong performance, achieving an RMSE of 435.9, MAE of 284.5, and R² of 0.99947, indicating high accuracy and robustness in capturing price patterns. A comparative evaluation between the model with and without these indicators revealed a slight performance improvement when the technical indicators were used. The model was successfully implemented as a web application using Streamlit, allowing users to upload Bitcoin price data, configure prediction parameters, and visualize the results in real-time. The application also communicates the predicted price movement direction (up or down) and its magnitude. In conclusion, the integration of LSTM-Adamax with RSI and MACD proved effective in predicting Bitcoin prices based on time-series data, providing reliable predictions and user-friendly implementation through a web interface.

Analisis Komparatif Kinerja Komputasi Brute Force pada Arsitektur GPU NVIDIA Turing, Ampere, dan Ada Lovelace

2026-01-28T14:26:41+07:00

Dalam investigasi forensik digital, efektivitas serangan brute force untuk pemulihan kata sandi sangat bergantung pada kapasitas komputasi perangkat keras. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja tiga generasi Graphics Processing Unit (GPU) kelas menengah NVIDIA, yaitu GeForce GTX 1660 Ti (Turing), RTX 3050 (Ampere), dan RTX 4060 (Ada Lovelace). Metode penelitian menggunakan pendekatan eksperimental kuantitatif dengan perangkat lunak Hashcat untuk mengukur hashrate, latensi, dan suhu pada tiga algoritma dengan kompleksitas berbeda: MD5, SHA-256, dan Bcrypt. Hasil pengujian menunjukkan bahwa RTX 4060 mendominasi seluruh skenario pengujian dengan peningkatan kinerja signifikan. Namun, ditemukan fenomena anomali pada komparasi generasi sebelumnya. Pada algoritma berbasis memory-bound (MD5 dan SHA-256), GTX 1660 Ti justru mengungguli RTX 3050 hingga 47% karena keunggulan lebar jalur memori 192-bit. Sebaliknya, pada algoritma compute-bound (Bcrypt), RTX 3050 berbalik unggul dua kali lipat dibandingkan GTX 1660 Ti berkat efisiensi arsitektur core yang lebih modern. Penelitian ini menyimpulkan bahwa meskipun arsitektur terbaru (RTX 4060) menawarkan performa terbaik, pemilihan perangkat keras pada anggaran terbatas harus disesuaikan dengan karakteristik target algoritma, di mana spesifikasi memory bus menjadi faktor krusial untuk algoritma ringan

Content-Based Filtering untuk Sistem Rekomendasi Produk E-Commerce

2026-01-28T14:27:41+07:00

Perkembangan pesat platform e-commerce mendorong kebutuhan akan sistem rekomendasi yang mampu membantu pengguna menemukan produk yang relevan secara efektif. Meskipun sistem rekomendasi telah banyak dikembangkan, implementasi yang teruji secara empiris pada dataset produk e-commerce Indonesia masih terbatas. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi produk e-commerce berbasis content-based filtering dengan memanfaatkan kemiripan konten antar produk. Dataset yang digunakan bersumber dari Tokopedia Products 2025 yang diperoleh melalui Kaggle, berisi informasi produk seperti nama, kategori, dan deskripsi. Representasi fitur teks dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) untuk mengekstraksi karakteristik penting dari setiap produk. Selanjutnya, tingkat kemiripan antar produk dihitung menggunakan Cosine Similarity guna menghasilkan rekomendasi produk yang paling relevan berdasarkan preferensi pengguna. Implementasi dilakukan menggunakan bahasa pemrograman Python dengan pustaka pandas, NumPy, dan scikit-learn. Hasil evaluasi menggunakan berbagai ukuran sampel query dan nilai K yang terdiri dari sample size 50 query yang paling representatif, sistem mencapai Precision@10 sebesar 88.40%, Recall@10 sebesar 46.81%, dan F1-Score@10 sebesar 50.88%, dengan nilai F1-Score optimal dicapai pada K=30 sebesar 66.79%. Hasil penelitian menunjukkan bahwa kombinasi TF-IDF dan Cosine Similarity mampu memberikan rekomendasi produk yang relevan dengan tingkat akurasi yang baik, sehingga metode ini layak diterapkan sebagai solusi sistem rekomendasi pada platform e-commerce berbasis konten

Analisis Komparatif Algoritma Random Forest dan Multiple Linear Regression untuk Prediksi Suhu Udara dengan Rekayasa Fitur Siklik

2026-01-31T11:01:17+07:00

Prediksi temperatur cuaca merupakan tantangan signifikan dalam bidang meteorologi dan pertanian presisi dikarenakan karakteristik data atmosfer yang sangat fluktuatif dan non-linear. Penelitian ini bertujuan untuk melakukan analisis komparatif kinerja algoritma Machine Learning dalam mengestimasi suhu udara harian, dengan membandingkan model Multiple Linear Regression sebagai baseline dan Random Forest Regressor sebagai model utama. Eksperimen melibatkan penerapan teknik rekayasa fitur (feature engineering) yang komprehensif, khususnya transformasi variabel arah angin menjadi komponen vektor kontinu serta ekstraksi fitur waktu menjadi komponen siklik untuk menangkap pola musiman. Berdasarkan hasil evaluasi menggunakan dataset historis cuaca, model Random Forest menunjukkan performa yang lebih superior dibandingkan Multiple Linear Regression, dengan capaian nilai Koefisien Determinasi ( ) sebesar 0.990, Mean Absolute Error (MAE) sebesar 0.74°C, dan Root Mean Squared Error (RMSE) sebesar 0.95. Hasil analisis membuktikan bahwa pendekatan ensemble learning dengan penanganan fitur siklik jauh lebih efektif dalam memetakan kompleksitas interaksi variabel cuaca dibandingkan metode linear konvensional