Dewantara Journal of Technology

Analisis Sentimen Ulasan Pengguna Aplikasi Kredivo menggunakan Algoritma Naive Bayes dan Logistic Regression

Diki Dwi Anggara — 2026-08-31

Perkembangan pesat industri Financial Technology (Fintech) Buy Now Pay Later (BNPL) di Indonesia mendorong tingginya akumulasi ulasan pengguna pada aplikasi Kredivo di Google Play Store. Ulasan tersebut memuat data opini yang sangat berharga terkait tingkat kepuasan, keandalan sistem, maupun keluhan layanan, namun volumenya yang besar menyulitkan evaluasi secara manual. Penelitian ini bertujuan untuk mengidentifikasi sentimen publik serta membandingkan performa algoritma Multinomial Naive Bayes dan Logistic Regression dalam mengklasifikasikan sentimen ulasan pengguna Kredivo. Dataset sebanyak 17.212 ulasan terfilter periode Januari 2021 hingga Januari 2026 diproses melalui tahapan preprocessing (cleansing, case folding, tokenizing, normalisasi kata Indo-Normalizer, stopword removal, dan stemming sastrawi) hingga menghasilkan 10.798 data ulasan bersih. Pelabelan otomatis berbasis rating dengan verifikasi manual pada rating 3 menghasilkan distribusi sentimen yang tidak seimbang, yaitu 80,55% positif dan 19,45% negatif. Pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) menghasilkan 4.558 fitur kata. Untuk mengatasi ketidakseimbangan kelas tanpa memicu data leakage, teknik Synthetic Minority Oversampling Technique (SMOTE) diterapkan secara terisolasi pada data latih di setiap fold menggunakan 5-Fold Cross Validation. Hasil eksperimen menunjukkan Logistic Regression unggul secara konsisten dibanding Naive Bayes dengan menggapai rata-rata akurasi sebesar 90,14%; precision 91,43%; recall 90,14%; dan F1-score 90,52% pada 5-Fold Cross Validation. Pada pengujian akhir menggunakan 20% data uji murni (2.160 ulasan), Logistic Regression kembali membuktikan daya generalisasi terbaik tanpa overfitting dengan akurasi 90,42% dan F1-score 90,74%. Analisis Word Cloud mengungkapkan bahwa kepuasan pengguna didominasi oleh efisiensi pencairan dana dan kemudahan aplikasi, sedangkan keluhan terfokus pada penolakan limit transaksi mendadak serta mekanisme penagihan.

Rancang Bangun Celengan Pintar Berbasis Internet of Things (IoT) Menggunakan Sensor Warna TCS3200 dan Notifikasi Telegram

M. Mubiin Ben Prayoga — 2026-08-31

Menabung merupakan salah satu kebiasaan finansial krusial yang perlu ditanamkan sejak dini. Namun, metode menabung konvensional menggunakan celengan fisik seringkali kurang memotivasi karena keterbatasan transparansi, di mana pengguna tidak dapat mengetahui total saldo secara real-time tanpa harus membongkarnya. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan untuk merancang dan membangun sebuah prototipe celengan pintar berbasis Internet of Things (IoT) yang mampu mendeteksi nominal uang kertas Rupiah secara otomatis dan dinamis. Sistem kendali utama pada perangkat ini menggunakan mikrokontroler ESP32 yang terhubung dengan modul sensor warna TCS3200. Sensor ini bertugas memindai dan mengidentifikasi nilai RGB (Red, Green, Blue) guna menentukan warna dominan dari uang kertas yang dimasukkan. Sebagai media interaksi pengguna, layar OLED 0.96 inch diintegrasikan pada fisik celengan sebagai penampil lokal untuk informasi saldo terkini. Selain itu, sistem ini memanfaatkan bot Telegram sebagai media komunikasi nirkabel berbasis cloud untuk mengirimkan notifikasi instan ke smartphone pengguna. Dalam proses pengembangannya, metode kalibrasi batas minimum (minimum threshold) diterapkan pada algoritma pemrograman untuk meminimalisasi kesalahan baca dan meningkatkan akurasi pengenalan terhadap pecahan Rp20.000, Rp50.000, dan Rp100.000. Hasil pengujian fungsionalitas menunjukkan bahwa prototipe celengan pintar ini berhasil mengidentifikasi variasi uang kertas dengan tingkat akurasi rata-rata mencapai 90%. Kegagalan pembacaan sebesar 10% umumnya dipengaruhi oleh faktor intensitas cahaya eksternal dan kondisi fisik uang yang lusuh. Di sisi lain, integrasi bot Telegram terbukti sangat efektif dalam memberikan pembaruan informasi saldo secara langsung, serta mendukung fitur reset saldo jarak jauh secara aman. Melalui implementasi teknologi IoT ini, sistem tabungan mandiri menjadi jauh lebih transparan, interaktif, dan mampu meningkatkan motivasi menabung masyarakat di era digital.

Pengembangan Model Prioritas Pemeliharaan Jalan Desa dengan Metode Surface Distress Index dan Multi-Criteria Decision Making Berbasis Geographic Information System

Ahmad Bahij Arbinsyah — 2026-08-31

Pengelolaan pemeliharaan jalan desa memerlukan sistem pendukung keputusan yang mampu mengintegrasikan kondisi fisik jalan, aspek pelayanan, dan informasi spasial secara objektif. Penelitian ini bertujuan mengembangkan model prioritas pemeliharaan jalan desa dengan mengintegrasikan Surface Distress Index (SDI), Multi-Criteria Decision Making (MCDM) melalui Analytical Hierarchy Process (AHP), dan Geographic Information System (GIS) dalam suatu Spatial Decision Support System (SDSS). Penelitian menggunakan pendekatan kuantitatif dengan studi kasus pada sepuluh ruas jalan di Desa Mertapadawetan, Kabupaten Cirebon. Framework penelitian terdiri atas empat tahapan, yaitu akuisisi data, evaluasi kondisi jalan menggunakan SDI, penentuan bobot dan prioritas menggunakan AHP, serta integrasi hasil analisis ke dalam GIS. Hasil evaluasi SDI menunjukkan nilai indeks berkisar antara 40,00 hingga 187,30 yang mengklasifikasikan kondisi jalan ke dalam kategori baik, rusak ringan, rusak sedang, dan rusak berat. Pada tahap MCDM, kriteria kondisi jalan menjadi faktor paling dominan dengan bobot 0,5587, diikuti fungsi jalan (0,2562), volume lalu lintas (0,1272), dan dampak sosial (0,0579), sehingga menghasilkan Priority Index yang mampu merepresentasikan tingkat urgensi pemeliharaan secara lebih komprehensif dibandingkan pendekatan berbasis kondisi jalan saja. Integrasi hasil SDI dan AHP ke dalam GIS menghasilkan Priority Index Layer yang memvisualisasikan distribusi spasial prioritas pemeliharaan dalam bentuk peta tematik. Model yang dikembangkan tidak hanya meningkatkan objektivitas dan konsistensi dalam penentuan prioritas, tetapi juga membentuk kerangka GIS-based Spatial Multi-Criteria Decision Support System yang dapat mendukung perencanaan pemeliharaan jalan secara efektif dan direplikasi pada wilayah lain dengan karakteristik jaringan jalan yang berbeda.

Sentiment Analysis Classification of Deepseek AI on Twitter (X) Big Data Using SOM-LSTM

Indra Irawan — 2026-10-19

Urgensi penelitian ini adalah perlunya mengidentifikasi dan mengklasifikasikan sentimen publik terhadap DeepSeek AI di Twitter (X) secara akurat dan efisien menggunakan metode SOM-LSTM untuk memahami persepsi masyarakat berbasis big data. Analisis sentimen terhadap opini publik mengenai DeepSeek AI pada media sosial Twitter (X) penting dilakukan untuk mengidentifikasi kecenderungan persepsi pengguna terhadap perkembangan teknologi kecerdasan buatan. Penelitian ini bertujuan mengklasifikasikan sentimen publik terhadap DeepSeek AI menggunakan model hibrida Self-Organizing Map–Long Short-Term Memory (SOM–LSTM). Data penelitian terdiri atas 10.000 cuitan yang dikumpulkan melalui Twitter API menggunakan kata kunci “DeepSeek AI” pada periode Januari 2024–Juli 2025. Data melalui tahap pelabelan otomatis menggunakan BERT, preprocessing, tokenisasi, dan representasi kata menggunakan GloVe berdimensi 100 sebelum diproses menggunakan SOM–LSTM. SOM digunakan untuk melakukan pengelompokan fitur secara tidak terawasi, sedangkan LSTM digunakan untuk mempelajari hubungan sekuensial dalam teks. Evaluasi dilakukan menggunakan accuracy, precision, recall, dan F1-score dengan membandingkan kinerja SOM–LSTM terhadap LSTM sebagai model baseline. Hasil penelitian menunjukkan bahwa SOM–LSTM memperoleh accuracy sebesar 0,98, precision sebesar 0,99, recall sebesar 0,98, dan F1-score sebesar 0,98, sedangkan LSTM memperoleh accuracy sebesar 0,85. Hasil tersebut menunjukkan bahwa integrasi SOM dapat meningkatkan kinerja klasifikasi dibandingkan LSTM tunggal pada dataset yang digunakan. Secara substantif, hasil analisis menunjukkan dominasi sentimen negatif terhadap DeepSeek AI. Temuan penelitian ini dapat menjadi informasi pendukung bagi peneliti, pengembang, dan pemangku kepentingan dalam memahami persepsi publik serta mengidentifikasi isu yang berkaitan dengan penggunaan dan pengembangan teknologi AI.

Integrasi K-Means Clustering dan Rasio Potensi Pasar untuk Prioritisasi Lokasi Toko Bahan Bangunan Berbasis Data

Afreza Wahyu Nugroho — 2026-10-19

Pemilihan lokasi toko bahan bangunan memerlukan pertimbangan terhadap karakteristik wilayah dan tingkat potensi pasar agar keputusan penentuan lokasi tidak hanya didasarkan pada satu indikator. Penelitian ini bertujuan mengelompokkan kecamatan di Kota Lubuklinggau berdasarkan karakteristik demografis dan ketersediaan toko bahan bangunan serta mengintegrasikan hasil pengelompokan dengan rasio potensi pasar untuk menentukan tingkat prioritas lokasi usaha. Penelitian menggunakan pendekatan kuantitatif berbasis data mining dengan kerangka CRISP-DM. Data penelitian mencakup delapan kecamatan di Kota Lubuklinggau, dengan sumber data jumlah penduduk, kepadatan penduduk, dan laju pertumbuhan penduduk dari BPS Kota Lubuklinggau serta data jumlah toko bahan bangunan yang diperoleh melalui Google Maps. Pengelompokan dilakukan menggunakan algoritma K-Means setelah proses normalisasi data, sedangkan potensi pasar dihitung melalui rasio jumlah penduduk terhadap jumlah toko bahan bangunan. Hasil penelitian menunjukkan bahwa data delapan kecamatan terbagi menjadi tiga cluster, yaitu Potensi Rendah, Potensi Sedang, dan Potensi Tinggi, dengan nilai Silhouette Score sebesar 0,5102. Integrasi hasil clustering dan rasio potensi pasar menghasilkan tiga kategori, yaitu Sangat Strategis, Strategis, dan Cukup Strategis. Lubuklinggau Barat I termasuk kategori Sangat Strategis karena berada pada cluster Potensi Tinggi dan memiliki rasio potensi pasar kategori Tinggi. Hasil tersebut menunjukkan bahwa integrasi clustering dan rasio potensi pasar dapat digunakan sebagai dasar penyaringan awal dalam menentukan prioritas lokasi toko bahan bangunan.

Klasifikasi Serangan Denial of Service pada Jaringan Internet of Things Menggunakan Random Forest: Studi pada Dataset Gotham 2025

Dedet Setiawan — 2026-10-19

Serangan Denial of Service (DoS) pada jaringan Internet of Things (IoT) dapat mengganggu ketersediaan layanan dan komunikasi antarperangkat, sehingga diperlukan metode klasifikasi yang mampu membedakan lalu lintas normal dan lalu lintas serangan secara akurat. Penelitian ini bertujuan mengimplementasikan algoritma Random Forest untuk mengklasifikasikan serangan DoS pada jaringan IoT menggunakan dataset Gotham 2025. Penelitian dilakukan melalui eksperimen komputasional dengan dataset yang terdiri atas 2.500.000 sampel dan lima kelas, yaitu dos-http, dos-icmp, dos-syn, dos-udp, dan Normal. Data dibagi menggunakan rasio 80:20, dengan 2.000.000 sampel untuk pelatihan dan 500.000 sampel untuk pengujian. Evaluasi model dilakukan menggunakan confusion matrix, classification report, serta kurva ROC dan nilai AUC, dengan penerapan 5-fold cross-validation. Hasil pengujian menunjukkan bahwa model memperoleh akurasi sebesar 99%, dengan nilai macro F1-score dan weighted F1-score masing-masing sebesar 0,99. Kelas dos-http, dos-icmp, dan dos-syn memperoleh precision, recall, dan F1-score sebesar 1,00, sedangkan kelas dos-udp memiliki recall 0,99 dan kelas Normal memiliki precision 0,99. Nilai AUC untuk seluruh kelas mencapai 1,00. Hasil tersebut menunjukkan bahwa Random Forest mampu mengklasifikasikan lima kelas pada dataset dengan kinerja tinggi. Namun, pengujian pada lalu lintas jaringan nyata dan dataset eksternal masih diperlukan untuk menilai kemampuan generalisasi serta kelayakan penerapannya dalam lingkungan operasional.

Analisis Perubahan Vegetasi dan Lahan Terbangun Kota Manado Tahun 2017–2025 Menggunakan Citra Landsat

Sweetny Patria Kuhu — 2026-10-19

Dinamika kawasan perkotaan dapat ditinjau melalui perubahan komposisi tutupan lahan, terutama pada keberadaan vegetasi dan perkembangan lahan terbangun. Penelitian ini mengkaji perubahan kedua kelas tersebut di Kota Manado antara tahun 2017 dan 2025 dengan memanfaatkan data penginderaan jauh Landsat. Citra Landsat 8 OLI tahun 2017 dan Landsat 9 OLI-2 tahun 2025 diolah melalui tahapan prapemrosesan dan ekstraksi informasi spektral. Identifikasi karakteristik tutupan lahan dilakukan dengan mengintegrasikan band spektral dan empat indeks, yaitu NDVI, NDBI, MNDWI, dan BSI, ke dalam model klasifikasi Random Forest. Evaluasi model dilakukan menggunakan data pengujian dengan proporsi pembagian sampel 70:30. Hasil menunjukkan bahwa klasifikasi menghasilkan Overall Accuracy sebesar 94,25% pada 2017 dan 98,85% pada 2025. Perbandingan hasil klasifikasi memperlihatkan luas vegetasi bertambah dari 9.646,65 ha menjadi 9.764,10 ha, atau mengalami peningkatan 117,45 ha. Pada periode yang sama, luas lahan terbangun berubah dari 4.438,53 ha menjadi 4.126,14 ha, atau mengalami penurunan 312,39 ha. Temuan ini memperlihatkan adanya perubahan komposisi tutupan lahan Kota Manado selama periode pengamatan. Hasil penelitian dapat menjadi informasi spasial dalam pemantauan perubahan vegetasi dan kawasan terbangun serta mendukung penyediaan data untuk evaluasi perkembangan wilayah perkotaan.

Sintesis Komposit Ampas Teh/TiO2 melalui Metode Solid-State Dispersion dan Aplikasinya dalam Penurunan Kosentrasi Metilen Biru

Yuliana Juice Maharani — 2026-10-19

Peningkatan limbah zat warna dari industri tekstil menjadi salah satu permasalahan lingkungan yang perlu ditangani secara efektif dan ramah lingkungan. Salah satu upaya yang dapat dilakukan adalah pemanfaatan limbah biomaterial sebagai adsorben yang dikombinasikan dengan material fotokatalis. Penelitian ini bertujuan untuk mensintesis dan mengkaji kinerja komposit Ampas Teh/TiO₂ dalam proses penurunan konsentrasi Metilen Biru melalui mekanisme adsorpsi dan fotodegradasi. Komposit disintesis menggunakan metode Solid-State Dispersion (SSD) dengan variasi perbandingan massa Ampas Teh dan TiO₂. Karakterisasi material dilakukan menggunakan Fourier Transform Infrared (FTIR) dan UV–Visible Spectroscopy. Hasil FTIR menunjukkan keberadaan gugus fungsi organik dari ampas teh dan pita Ti–O–Ti dari TiO₂. Uji fotodegradasi Metilen Biru menunjukkan bahwa komposit Ampas Teh/TiO₂ mampu menurunkan absorbansi zat warna secara lebih stabil dibandingkan sampel tunggal, dengan komposisi 8:2 memberikan kinerja terbaik. Hasil penelitian ini menunjukkan bahwa komposit Ampas Teh/TiO₂ berpotensi digunakan sebagai material alternatif dalam pengolahan limbah zat warna.