Abstract:Penggunaan dompet digital yang terus meningkat menghasilkan banyak ulasan pengguna yang dapat dimanfaatkan untuk mengevaluasi kualitas layanan. Penelitian ini bertujuan meningkatkan akurasi klasifikasi sentimen pengguna…
dompet digital menggunakan metode Stacking Ensemble Machine Learning yang mengombinasikan Support Vector Machine (SVM), Multinomial Naïve Bayes (MNB), dan AdaBoost dengan Logistic Regression sebagai meta-learner. Data ulasan diproses melalui tahapan text preprocessing meliputi case folding, cleaning, tokenizing, stopword removal, stemming, dan pembobotan fitur menggunakan TF-IDF. Penyeimbangan data dilakukan dengan SMOTE, sedangkan evaluasi model menggunakan 5-Fold Cross-Validation. Hasil penelitian menunjukkan bahwa model Stacking Ensemble memperoleh akurasi rata-rata 80,55%, lebih tinggi dibandingkan algoritma dasar. Evaluasi menggunakan Confusion Matrix, Classification Report, dan ROC Curve juga menunjukkan peningkatan nilai precision, recall, F1-score, dan kemampuan diskriminasi model. Hasil ini menunjukkan bahwa pendekatan Stacking Ensemble Machine Learning efektif untuk meningkatkan akurasi klasifikasi sentimen pengguna dompet digital serta mendukung evaluasi kualitas layanan berbasis opini pengguna.
The rapid growth of digital wallet usage has generated a large volume of user reviews that can be utilized to evaluate service quality. This study aims to improve the accuracy of digital wallet user sentiment classification using a Stacking Ensemble Machine Learning approach that combines Support Vector Machine (SVM), Multinomial Naïve Bayes (MNB), and AdaBoost with Logistic Regression as the meta-learner. User reviews were processed through text preprocessing stages, including case folding, text cleaning, tokenization, stopword removal, stemming, and TF-IDF feature weighting. Synthetic Minority Over-sampling Technique (SMOTE) was employed to address class imbalance, while model performance was evaluated using 5-Fold Cross-Validation. The experimental results show that the proposed Stacking Ensemble model achieved an average accuracy of 80.55%, outperforming the individual base learners. Furthermore, evaluations based on the Confusion Matrix, Classification Report, and Receiver Operating Characteristic (ROC) Curve demonstrated improvements in precision, recall, F1-score, and the model's discriminative capability. These findings indicate that the proposed Stacking Ensemble Machine Learning approach is effective in improving the accuracy of digital wallet user sentiment classification and can serve as a reliable tool for supporting service quality evaluation based on user opinions.
Abstract:This socialization activity aimed to introduce the use of CorelDRAW as a graphic editing tool among university students. CorelDRAW was chosen because it is easy to use, flexible, and supports various design needs such as…
logo creation, posters, flyers, and visual illustrations. The activity was conducted using a descriptive qualitative approach with a participatory method, where students not only received material but also practiced directly. The program involved 12 students and took place at Universitas Pangeran Antasari. The results showed that most participants understood the material well, particularly in recognizing the interface and basic vector drawing techniques. This activity proved to be helpful in improving students' communicative visual design skills to support both academic and organizational purposes.
Abstract:This research is a quasi-experimental study conducted to improve students' mathematical problem-solving abilities, one of which is through the use of the Self-Directed Learning (SDL) instructional model. The objectives of…
f this study are to determine (a) the learning process using the Self-Directed Learning model; (b) the difference in improvement of students' mathematical problem-solving abilities between those using the Self-Directed Learning model and those receiving conventional (expository) instruction; and (c) students' attitudes toward mathematics learning using the Self-Directed Learning model. Data were collected using research instruments including tests in the form of mathematical problem-solving ability questions and non-tests such as student response questionnaires toward learning using the Self-Directed Learning model. This study was conducted at MAN 1 Gorontalo, with class X IPA-1 as the experimental class and class X IPA-2 as the control class, focusing on vector material. Based on the research results and n-gain data analysis, it was found that: (a) the description of the teacher and student learning process on quadrilateral vector material using the Self-Directed Learning model falls into the good category; (b) the improvement in mathematical problem-solving ability of students who received learning with the Self-Directed Learning model showed a moderate increase. Meanwhile, the improvement in mathematical problem-solving ability of students who received conventional learning showed a low increase. Therefore, there is a difference in the improvement of mathematical problem-solving ability between students using the Self-Directed Learning model and those using conventional learning; (c) most students who received learning using the Self-Directed Learning model responded positively to mathematics learning using this model.
Abstract:Tujuan penelitian ini adalah untuk mengetahui cara menganalisis sentimen dari ulasan pengguna pada game Roblox dan untuk mengetahui hasil perbandingan performa klasifikasi dengan menggunakan metode Support Vector Machine…
Dan Naive Bayes dalam menganalisis sentimen ulasan pengguna pada game Roblox. Data yang digunakan pada penelitian ini berjumlah sebanyak 10000 record data ulasan yang di ambil pada tanggal 15 Juni 2024. Hasil yang di peroleh dalam menganalisis sentimen data ulasan pada aplikasi Roblox cenderung mendapatkan sentimen positif dengan persentase 65,06% sedangkan untuk sentimen negatif dengan persentase 34,94%. Support Vector Machine merupakan algoritma terbaik dalam menganalisis sentimen data ulasan pada aplikasi Roblox dengan tingkat akurasi yang paling tinggi pada perbandingan data 90:10 yaitu 90 %, untuk precision, recall, dan f1-score yang dihasilkan pada sentimen positif yaitu 88%, 85%, dan 86%, sedangkan pada sentimen negatif adalah 91%, 93%, dan 92%. Algoritma Naïve Bayes mendapatkan tingkat akurasi yang paling tinggi pada perbandingan data 90:10 yaitu 72,4%, untuk precision, recall, dan f1-score yang dihasilkan pada sentimen positif yaitu 88%, 34%, dan 49%, sedangkan pada sentimen negatif adalah 70%, 97%, dan 81%.
Abstract:In order to increase community participation in preventing the spread of mosquito-borne diseases, education for the community needs to be carried out through counseling. Tanggamus Regency is one of the areas in Lampung where…
here DHF occurred, where from January to June 2024 there were 227 cases. To increase public knowledge in Banjar Agung Udik Village, Pugung District, Tanggamus Regency regarding phytotelmata as a breeding ground for mosquitoes, this counseling was carried out. Counseling was carried out using the pretest, lecture and discussion methods, and practicum. The results of the counseling showed that most participants knew that DBD and malaria were transmitted by mosquitoes, but not all knew the name of the vector species. Participants knew where mosquitoes perched at home and how to avoid mosquito bites. Participants also know mosquito breeding places, but are new to phytotelmata in this counseling. The practicum carried out by participants successfully identified six plant species that were proven to be phytotelmata. Thus, it can be concluded that this counseling has succeeded in providing knowledge to the community about the potential of phytotelmata as a source of mosquito-borne diseases.
Keywords: Phytotelmata; Mosquito Borne Diseases; Mosquito Breeding Places; Mosquitoes Bite.
Dalam rangka meningkatkan peran serta masyarakat dalam mencegah penyebaran penyakit tukar nyamuk itulah pendidikan kepada masyarakat perlu perlu dilakukan melalui penyuluhan. Kabupaten Tanggamus adalah salah satu daerah di Lampung yang kejadian DBD-nya dimana sejak Januari hingga Juni 2024 ada 227 kasus. Untuk meningkatkan pengetahuan masyarakat di Desa Banjar Agung Udik, Kecamatan Pugung, Kabupaten Tanggamus terhadap fitotelmata sebagai tempat perindukan nyamuk maka penyuluhan ini dilakukan. Penyuluhan dilakukan dengan metode pretes, ceramah dan diskusi, serta praktikum. Hasil penyuluhan didapatkan bahwa sebagian besar peserta tahu bahwa DBD dan malaria ditularkan nyamuk, tetapi tidak semua tahu nama spesies namuk vektornya. Peserta tahu tempat hinggap nyamuk di rumah dan juga tahu cara menghindarkan diri dari gigitan nyamuk. Peserta juga tahu tempat-tempat berkembang biak nyamuk, tetapi baru mengenal fitotelmata dalam penyuluhan ini. Praktikum yang dilakukan peserta berhasil mengidentifikasi enam spesies tumbuhan yang terbukti menjadi fitotelmata.Dengan demikian dapat disimpulkan bahwa penyuluhan ini berhasil memberkan pengetahuan kepada masyarakat tentang potensi fitotelmata sebagai sumber penyebar penyakit tular nyamuk.
Kata kunci: Fitotelmata; Penyakit Tular Nyamuk; Tempat Perindukan Nymauk; Gigitan Nyamuk.
Abstract:Program Pengabdian pada Masyarakat (PPM) yang dilaksanakan bertujuan untuk menerapkan multimedia sebagai media pembelajaran. Media pembelajaran yang dibuat adalah film animasi 2D Vector dengan latar cerita bencana alam di…
i Indonesia (tsunami, gunung merapi, dan longsor) dengan nilai-nilai islami di dalamnya. Pemutaran film animasi ini membuat anak-anak menjadi lebih mudah untuk memahami musibah dalam bentuk bencana alam seperti apa dan sikap bagaimana yang perlu diambil sebagai seorang muslim. Anak-anak pun termotivasi senantiasa mengingat doa yang sudah diajarkan di Tempat Pembelajaran Quran (TPQ). Doa-doa tersebut dapat mereka panjatkan ketika terkena musibah, Film animasi ini dibuat dengan tujuan agar anak-anak lebih mudah untuk ditanamkan sikap religius yang perlu diambil ketika mengalami musibah. Sehingga, anak-anak tidak berlarut-larut dalam kesedihan, tidak trauma berkepanjangan, dan dapat bangkit kembali untuk menata masa depan. Film animasi ini juga dapat digunakan oleh guru maupun orang tua untuk memberikan pelajaran untuk membangun sikap religius anak agar anak mampu mengatasi musibah. Peserta sosialisasi terdiri dari anak-anak usia 5 sampai 12 tahun atau dinamakan kelas cabe rawit dengan jumlah siswa sekitar 12 orang per kelas serta 2 guru untuk tiap kelas. Kegiatan sosialisasi diadakan di TPQ Nurul Huda Dumai. Setelah kegiatan diharapkan anak-anak dapat melihat unsur edukasi pembelajaran nilai islami yang ditanamkan pada media film animasi 2D vector yang diperlihatkan.
Kata kunci: animasi 2D vector, film, motion graphic
Abstract:Abstract: The rapid growth of e-commerce mobile applications has generated large volumes of user reviews, making manual sentiment analysis increasingly impractical. This study aims to compare the effectiveness of three machine…
achine learning algorithms Support Vector Machine (SVM), Random Forest, and Naive Bayes for automated sentiment classification of Indonesian-language mobile application reviews. A dataset of 3,000 user reviews from the RupaRupa application on the Google Play Store was collected and preprocessed through normalization, tokenization, stopword removal, and stemming. TF-IDF vectorization was applied for feature extraction, while the Synthetic Minority Over-sampling Technique (SMOTE) was used to address class imbalance across three sentiment categories: positive, negative, and neutral. The results show that SVM achieved the highest accuracy of 90.02%, while Random Forest obtained the best F1-score of 88.08% when sufficient training data were available. Naive Bayes demonstrated relatively stable performance across varying training data sizes. Furthermore, TF-IDF keyword analysis revealed that negative reviews were primarily associated with delivery issues, technical problems, and pricing concerns. These findings demonstrate the effectiveness of machine learning approaches for sentiment classification and provide practical insights for improving mobile application services.
Keywords: sentiment analysis; machine learning; SMOTE; TF-IDF; text classification
Abstrak: Pertumbuhan pesat aplikasi mobile e-commerce telah menghasilkan volume ulasan pengguna yang sangat besar, sehingga analisis sentimen secara manual menjadi semakin tidak praktis. Penelitian ini bertujuan untuk membandingkan efektivitas tiga algoritma machine learning Support Vector Machine (SVM), Random Forest, dan Naive Bayes dalam melakukan klasifikasi sentimen otomatis terhadap ulasan aplikasi mobile berbahasa Indonesia. Dataset yang digunakan terdiri dari 3.000 ulasan pengguna aplikasi RupaRupa yang dikumpulkan dari Google Play Store. Data kemudian diproses melalui tahapan preprocessing yang meliputi normalisasi, tokenisasi, penghapusan stopword, dan stemming. Ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), sedangkan ketidakseimbangan kelas ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE) pada tiga kategori sentimen, yaitu positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa SVM mencapai tingkat akurasi tertinggi sebesar 90,02%, sementara Random Forest memperoleh nilai F1-score terbaik sebesar 88,08% ketika tersedia data pelatihan yang memadai. Naive Bayes menunjukkan performa yang relatif stabil pada berbagai ukuran data pelatihan. Selain itu, analisis kata kunci berbasis TF-IDF mengungkapkan bahwa ulasan negatif terutama berkaitan dengan masalah pengiriman, kendala teknis aplikasi, dan isu harga. Temuan ini menunjukkan bahwa pendekatan machine learning efektif untuk klasifikasi sentimen serta memberikan wawasan yang bermanfaat dalam meningkatkan kualitas layanan aplikasi mobile.
Kata Kunci: analisis sentimen; pembelajaran mesin; SMOTE; TF-IDF; klasifikasi teks.
Abstract:Abstract: Automated batik motif classification is challenged by high inter-class similarity and texture complexity. This study proposes a hybrid model integrating MobileNetV2 as a feature extractor and Support Vector Machine…
hine (SVM) as the classifier to optimize accuracy and efficiency. Utilizing a Kaggle dataset of 8,640 images across 20 batik categories, the data was partitioned into 420 training images per class (Dayak: 360) and 15 testing images per class. The results demonstrate superior performance with 96.00% accuracy, exceeding the 90% target. The system showed high computational efficiency with a total execution time of 359.92 seconds and feature extraction taking only 22.63 seconds. This hybrid approach provides an ideal performance balance for resource-constrained mobile applications.
Keywords: batik classification; MobileNetV2; support vector machine; hybrid model; computational efficiency
Abstrak: Klasifikasi motif batik secara otomatis menghadapi tantangan kemiripan visual antar-kelas yang tinggi. Penelitian ini bertujuan mengoptimalkan akurasi dan efisiensi pengenalan batik menggunakan model hibrida MobileNetV2 sebagai pengekstraksi fitur dan Support Vector Machine (SVM) sebagai klasifikator. Menggunakan dataset Kaggle berisi 8.640 citra dari 20 kategori batik, data dibagi menjadi 420 citra latih per kelas (kecuali Batik Dayak 360) dan 15 citra uji per kelas. Hasil eksperimen menunjukkan performa impresif dengan akurasi 96,00%, melampaui target awal 90%. Sistem ini sangat efisien dengan total waktu eksekusi 359,92 detik, di mana ekstraksi fitur hanya membutuhkan 22,63 detik. Kombinasi MobileNetV2 dan SVM memberikan keseimbangan performa ideal untuk implementasi pada perangkat bergerak dengan sumber daya terbatas.
Kata kunci: klasifikasi batik; MobileNetV2; Support Vector Machine; Hybrid Model; efisiensi komputasi
Abstract:Abstract: Stunting is a chronic nutritional condition in toddlers characterized by a Height-for-Age (HFA) measurement below the standard growth threshold, necessitating early detection to prevent long-term consequences.…
This study aims to classify toddler stunting status by comparing three machine learning methods: Random Forest (RF), K-Nearest Neighbor (KNN), and Support Vector Machine (SVM). The dataset comprises 345 toddler records from Puskesmas Indramayu (2025), including weight, height, and nutritional status based on WFA, HFA, and WFH indicators. Preprocessing steps include data cleaning, StandardScaler normalization, One-Hot Encoding for categorical features, and splitting the training and testing data with a ratio of 80:20. The comparison results are that KNN achieved the best performance with an accuracy of 71.01%, a precision of 0.69, a recall of 0.69, and an F1 score of 0.67, while RF and SVM both had an accuracy of 69.57% with F1 scores of 0.67 and 0.68, respectively. Thus, KNN demonstrated superior effectiveness in classifying the stunting status of toddlers compared to RF and SVM on this dataset.
Keywords: KNN; Random Forest; SVM; Stunting; toddlers
Abstract: Stunting adalah kondisi gizi kronis pada balita yang ditandai dengan pengukuran Tinggi Badan menurut Usia (HFA) di bawah ambang batas pertumbuhan standar, sehingga memerlukan deteksi dini untuk mencegah konsekuensi jangka panjang. Penelitian ini bertujuan untuk mengklasfikasikan status stunting pada balita dengan membandingkan tiga metode pembelajaran mesin: Random Forest (RF), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Kumpulan data terdiri dari 345 catatan balita dari puskesmas indramayu (2025), termaksut brat badan, tinggi badan, dan status gizi berdasarkan indicator WFA, HFA, dan WFH. Langkah-langkah prapemrosesan meliputi pembersian data, normalisasi Stand-ardScaler, One-Hot Encoding untuk fitur kategirikal, serta pembagian data pelatihan dan pengujian dengan rasio 80:20. Hasil perbadingan adalah KNN mencapai kinerja terbaik dengan akurasi 71,01%, presisi 0,69, recall 0,69, dan skor F1 sebesar 0,67, RF dan SVM keduanya memiliki akurasi 69,57% dengan skor F1 masing-masing sebesar 0,67 dan 0,68. Dengan demikian, KNN menunjukkan keefektifan yang lebih unggul dalam mengklasifikasikan status stunting balita dibandingkan dengan RF dan SVM pada da-taset ini.
Kata kunci: KNN; random forest; SVM; Stunting; Balita
Abstract:Abstract: The policy to increase the Rural and Urban Land and Building Tax (PBB-P2) in Indonesia often elicits mixed reactions from the public. Some support it because they believe it can strengthen regional fiscal capacity,…
ity, while others reject it because they are concerned that it will increase the economic burden on the community. Understanding public sentiment towards this policy is important for evaluating the effectiveness of the policy and formulating appropriate communication strategies. This study aims to analyze public sentiment towards the PBB-P2 increase policy using data uploaded on Platform X (Twitter). The data were collected through crawling with the keyword “building tax,” then processed through several preprocessing stages before classifying tweets into positive and negative sentiments. Two models were used: Support Vector Machine (SVM) and Bidirectional Long Short-Term Memory (BiLSTM). Results show that SVM outperformed BiLSTM, achieving training accuracy of 99.4% and testing accuracy of 85.9%, with accuracy 0.8595, precision 0.8536, recall 0.8595, and F1-score 0.8449. Meanwhile, BiLSTM achieved training accuracy of 86.9% and testing accuracy of 82.9%, with accuracy 0.8294, precision 0.8150, recall 0.8294, and F1-score 0.8080. These findings suggest SVM is more effective in classifying public sentiment and can support better evaluation of regional tax policies.
Keywords: sentiment analysis; PBB-P2; BiLSTM; SVM; X platform
Abstrak: Kebijakan kenaikan tarif Pajak Bumi dan Bangunan Perdesaan dan Perkotaan (PBB-P2) di In-donesia sering memunculkan beragam reaksi dari masyarakat. Sebagian mendukung karena dianggap dapat memperkuat kapasitas fiskal daerah, sementara lainnya menolak karena kha-watir menambah beban ekonomi masyarakat. Pemahaman terhadap sentimen publik atas ke-bijakan tersebut penting untuk mengevaluasi efektivitas kebijakan dan merumuskan strategi komunikasi yang tepat. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap kebijakan kenaikan PBB-P2 menggunakan data unggahan di Platform X (Twitter). Data dik-umpulkan melalui proses crawling dengan kata kunci “pajak bangunan” kemudian diproses melalui beberapa tahap preprocessing sebelum diklasifikasikan menjadi sentimen positif dan negatif. Dua model digunakan dalam penelitian ini, yaitu Support Vector Machine (SVM) dan Bidirectional Long Short-Term Memory (BiLSTM). Hasil penelitian menunjukkan bahwa SVM memiliki kinerja lebih baik dibandingkan BiLSTM, dengan akurasi pelatihan 99,4% dan akurasi pengujian 85,9%. Nilai akurasi 0,8595, precision 0,8536, recall 0,8595, dan F1-score 0,8449. Sementara itu, BiLSTM memperoleh akurasi pelatihan 86,9% dan akurasi pengujian 82,9%, dengan akurasi 0,8294, precision 0,8150; recall 0,8294; dan F1-score 0,8080. Temuan ini menunjukkan bahwa SVM lebih efektif dalam mengklasifikasikan sentimen publik serta dapat mendukung evaluasi kebijakan pajak daerah dengan lebih baik.
Kata kunci: analisis sentimen; PBB-P2; BiLSTM; SVM; platform X