My Publications

@article{Sinaga2023,

title = {Analyzing Sentiment with Self-Organizing Map and Long Short-Term Memory Algorithms},

author = {Frans Mikael Sinaga and Sio Jurnalis Pipin and Sunaryo Winardi and Karina Mannita Tarigan and Ananda Putra Brahmana},

doi = {10.30812/matrik.v23i1.3332},

issn = {2476-9843},

year  = {2023},

date = {2023-11-30},

journal = {matrik},

volume = {23},

number = {1},

pages = {131--142},

publisher = {STMIK Bumigora Mataram},

abstract = {This research delves into the impact of Chat Generative Pre-trained Transformer, one of Open Artificial Intelligence Generative Pretrained Transformer models. This model underwent extensive training on a vast corpus of internet text to gain insights into the mechanics of human language and its role in forming phrases, sentences, and paragraphs. The urgency of this inquiry arises from Chat Generative Pre-trained Transformer emergence, which has stirred significant debate and captured widespread attention in both research and educational circles. Since its debut in November 2022, Chat Generative Pre-trained Transformer has demonstrated substantial potential across numerous domains. However, concerns voiced on Twitter have centered on potential negative consequences, such as increasedforgery and misinformation. Consequently, understanding public sentiment toward Chat Generative Pre-trained Transformer technology through sentiment analysis has become crucial. The research’s primary objective is to conduct Sentiment Analysis Classification of Chat Generative Pre-trained Transformer regarding public opinions on Twitter in Indonesia. This goal involves quantifying and categorizing public sentiment from Twitter’s vast data pool into three clusters: positive, negative, or neutral. In the data clustering stage, the Self-Organizing Map technique is used. After the text data has been weighted and clustered, the next step involves using the classification technique with LongShort-Term Memory to determine the public sentiment outcomes resulting from the presence of Chat Generative Pre-trained Transformer technology. Rigorous testing has demonstrated the robust performance of the model, with optimal parameters: relu activation function, som size of 5, num epoch som and num epoch lstm both at 128, yielding an impressive 95.07% accuracy rate.},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{Pipin2023,

title = {Prediksi Saham Menggunakan Recurrent Neural Network (RNN-LSTM) dengan Optimasi Adaptive Moment Estimation},

author = {Sio Jurnalis Pipin and Ronsen Purba and Heru Kurniawan},

doi = {10.47065/josyc.v4i4.4014},

issn = {2714-8912},

year  = {2023},

date = {2023-08-25},

journal = {JoSYC},

volume = {4},

number = {4},

pages = {806--815},

publisher = {Forum Kerjasama Pendidikan Tinggi (FKPT)},

abstract = {Predicting stock price movements is a complex challenge in the financial market due to unpredictable price fluctuations and high sensitivity levels. Noise in historical stock price data and temporal dependencies between previous and current prices make recognizing price movement patterns difficult. In a dynamic market environment, the model's ability to generate accurate predictions holds significant implications for more informed investment decision-making. The Recurrent Neural Network - Long Short-Term Memory (RNN-LSTM) model holds great potential for stock price prediction. It captures temporal dependencies, identifies non-linear relationships, and deciphers complex trends in stock price data. This study employs deep learning techniques with the RNN-LSTM model optimized using Adaptive Moment Estimation (Adam) to enhance stock price prediction accuracy by leveraging historical stock price data and technical factors. Data preprocessing, including handling missing values and data normalization, aids the model in navigating the dataset's intricacies. Test results utilizing the Mean Squared Error (MSE) metric reveal the model's ability to produce predictions that closely resemble actual stock prices, with a low loss value of 0109012. The model also exhibits good predictive accuracy, as evidenced by a favorable Mean Percentage Error (MPE) score of 1.74% between predicted and actual values. These findings hold valuable implications for assisting investors and financial practitioners in managing complexity and uncertainty within the stock market},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{Felix2023b,

title = {Perancangan Ulang UI/UX Mika dengan Metode Design Thinking},

author = {Felix Felix and Sio Jurnalis Pipin and David David and Thiyara Al-Mawaddah},

doi = {10.55601/jsm.v24i1.921},

issn = {2622-8130},

year  = {2023},

date = {2023-05-24},

journal = {J. Sifo Mikrosk.},

volume = {24},

number = {1},

pages = {1--8},

publisher = {Universitas Mikroskil},

abstract = {Mika adalah portal akademik yang digunakan oleh Universitas Mikroskil untuk mengakamodasi kebutuhan-kebutuhan yang berkaitan dengan data akademik. Pengguna Mika berasal dari berbagai kelompok seperti mahasiswa, dosen, dosen penasihat akademik, BAA, Prodi, hingga pihak Wakil Rektor I. Sebagai salah satu website penting bagi warga kampus Mikroskil, Mika masih dapat dikembangkan dengan lebih baik lagi untuk menghasilkan UI/UX yang sesuai dengan kebutuhan pengguna. Pengembangan Mika sampai sekarang masih menggunakan teknik-teknik yang belum berorientasi kepada pengguna sehingga belum mencapai potensi yang maksimum. Design Thinking hadir sebagai suatu pendekatan yang mampu memberikan solusi yang lebih baik. Hal ini dikarenakan metode ini berpusat kepada pengguna sehingga kebutuhannya dapat terpenuhi meskipun pengguna sendiri bisa saja belum tahu pasti apa masalah yang dihadapinya. Masalah demikian dikenal dengan istilah ill-defined problem dan wicked problem. Design Thinking terdiri dari 7 tahapan yaitu: Understand, Observe, Define point of view, Ideate, Prototype, Test, dan Reflect. Setiap tahapan dapat dikerjakan dengan beragam tool yang ada sesuai dengan kebutuhan dan kondisi. Tool-tool tersebut juga dapat digunakan secara seri maupun paralel. Hasil penelitian ini diharapkan mampu menghasilkan sebuah rancangan UI/UX Mika yang lebih sesuai dengan kebutuhan pengguna sehingga dapat memaksimalkan potensi website tersebut.},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{Felix2023,

title = {Perancangan Basis Data Relasional untuk Bengkel Sepeda Motor Serba Djadi},

author = {Felix Felix and Sio Jurnalis Pipin},

doi = {10.47709/dst.v3i1.2265},

issn = {2777-1474},

year  = {2023},

date = {2023-04-29},

journal = {dst},

volume = {3},

number = {1},

pages = {11--16},

publisher = {Information Technology and Science (ITScience)},

abstract = {Bengkel sepeda motor adalah usaha yang melibatkan sejumlah tahapan pekerjaan diawali dengan masuknya sepeda motor yang butuh penanganan dan diakhiri dengan sepeda motor yang selesai ditangani. Dalam prosesnya akan terdapat sekumpulan data yang perlu dicatat dengan baik seperti nomor pelat kendaraan, nomor telepon pelanggan, jenis perbaikan, onderdil yang diganti, ukuran perkakas yang digunakan, biaya servis motor. Bengkel juga melibatkan beberapa peran seperti pemilik bengkel, mekanik, pelanggan, supplier onderdil. Kegiatan pengabdian diwujudkan dalam beberapa tahapan yaitu tahapan analisis SWOT (Strength, Weakness, Opportunity, dan Threat) mitra, analisis sistem berjalan bengkel, kajian ilmiah mengenai bengkel dan perancangan basis data, dan perancangan basis data untuk mitra. Kegiatan pengabdian dilakukan selama 2 semester dimulai dari Semester Genap 2021/2022 hingga Semester Ganjil 2022/2023 sesuai jadwal perkuliahan PTS (Perguruan Tinggi Swasta) di Medan. Hasil kegiatan pengabdian berupa rancangan ERD (Entity Relationship Diagram) menggunakan Microsoft Visio. Rancangan ERD menggunakan crow’s foot notation sebagai salah satu model yang populer digunakan pada masa sekarang. Rancangan ini nantinya dapat membantu pihak bengkel jika hendak diterapkan di DBMS seperti Microsoft Access. Selain itu, bisa dimanfaatkan sebagai bahan di dalam mengembangkan aplikasi di kemudian hari. Setelah kegiatan pengabdian ini dilaksanakan, dapat disimpulkan bahwa mitra mengalami peningkatan pemahaman dalam manajemen data. Selain itu, wawasan mitra mengenai teknologi informasi menjadi bertambah. Hal ini dinilai penting bagi masyarakat di dalam menghadapi persaingan bisnis dan perkembangan zaman yang semakin bergantung kepada basis data, komputer, internet, dan teknologi.},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{JurnalisPipin2022,

title = {Analisis Sentimen Kebijakan MBKM Berdasarkan Opini Masyarakat di Twitter Menggunakan LSTM},

author = {Sio Jurnalis Pipin and Heru Kurniawan},

doi = {10.55601/jsm.v23i2.900},

issn = {2622-8130},

year  = {2022},

date = {2022-10-27},

journal = {J. Sifo Mikrosk.},

volume = {23},

number = {2},

pages = {197--208},

publisher = {Universitas Mikroskil},

abstract = {Merdeka Belajar Kampus Merdeka (MBKM) merupakan kebijakan dari Kemendikbud RI yang berperan penting dalam pembelajaran yang otonom dan fleksibel pada kegiatan belajar mahasiswa diluar program studi. Namun, MBKM memiliki pro dan kontra sehingga perlu dilakukan analisis dan evaluasi kebijakannya untuk meningkatkan kinerja melalui umpan balik dari masyarakat. Penelitian ini akan melakukan sentimen analisis pada kebijakan MBKM pada tweet pengguna Twitter dari tahun 2020 - 2022 dengan kata kunci "MBKM", "MSIB" dan "merdeka belajar".Long-Short Term Memory (LSTM) digunakan untuk menganalisa sentimen multiclass pada tweet Bahasa Indonesia ke dalam 6 (enam) kelas emosi. Pengumpulan dan persiapan dataset dimulai dengan seleksi fitur, menghilangkan duplikasi dan seleksi tweet, kemudian dilakukan pre-processing yaitu case folding, tokenizing, pembersihan karakter, normalisasi hingga stemming untuk digunakan dalam pembobotan TF-IDF yang diperlukan dalam pembuatan model LSTM.Hasil penelitian ini menghasilkan model LSTM yang telah dilatih dari dataset 658 tweet dengan nilai akurasi terbaik di 80,42%. Analisis sentimen program MBKM dari tweet pengguna didominasi oleh perasaan "bingung" yaitu 39,51%, kemudian disusul oleh perasaan "senang" yaitu 16,26%, perasaan "sedih" yaitu 15,80%, perasaan "marah" yaitu 13,98%, perasaan "takut" yaitu 7,29%, dan perasaan "terkejut" yaitu 7,14%. Sehingga penting pengkajian untuk meningkatkan program MBKM agar memiliki prosedur dan pelaksanaan yang jelas sehingga mahasiswa nyaman dan memiliki sentimen positif terhadap program MBKM.},

keywords = {},

pubstate = {published},

tppubtype = {article}

}

@article{ViYantiSiahaan2022,

title = {Evaluasi Usability pada Aplikasi PeduliLindungi Menggunakan Metode Usability Testing},

author = {Octa Vi Yanti Siahaan and Fadia C. Damanik and Christofer Jaya Zebua and Florida N.S. Damanik and Sio Jurnalis Pipin},

doi = {10.55601/jsm.v23i2.901},

issn = {2622-8130},

year  = {2022},

date = {2022-10-27},

journal = {J. Sifo Mikrosk.},

volume = {23},

number = {2},

pages = {209--224},

publisher = {Universitas Mikroskil},

abstract = {PeduliLindungi adalah aplikasi oleh Kementerian Komunikasi dan Informatika (Kominfo) yang digunakan untuk melakukan pelacakan dan menghambat penyebaran Coronavirus Disease (Covid-19) yang terjadi di Indonesia. Berdasarkan beberapa penelitian yang dilakukan oleh penelitian sebelumnya, kepercayaan masyarakat masih minim menerima dan menggunakan PeduliLindungi. Dapat dilihat dari persentase rating buruk sebesar 23% dari total ulasan yang ada pada Google Play dan aplikasi ini masih memiliki beberapa kekurangan yang mempengaruhi tingkat kepuasan penggunanya.Perlu dilakukan evaluasi tingkat usability dengan metode usability testing untuk mengukur aspek Effectiveness, Efficiency, Memorability, Error, dan Satisfaction. Kegiatan pengumpulan data dilakukan dengan menyebarkan kuesioner System Usability Scale kepada 97 responden dan task menggunakan Microsoft Form kepada 20 responden dari mahasiswa/i pada lingkungan Universitas Mikroskil. Pengujian task dilakukan selama 2 sesi.Berdasarkan pengukuran aspek usability didapatkan hasil Effectiveness baik dengan persentase 91,2% dan 93,4% pada sesi I dan sesi II, Efficiency didapatkan peningkatan waktu efisien pada sesi I 0,09 goals/sec dan pada sesi II  sebesar 0,11 goals/sec, Memorability menunjukan hasil yang baik dimana setiap pengerjaan task mengalami penurunan waktu, Error rate tergolong rendah dengan persentase sebesar 8% pada sesi I dan 5% pada sesi II, dan Satisfaction dengan skor 57 mendapat peringkat D yaitu acceptable dan diterima secara marginal. Kemudian terdapat rekomendasi tampilan pada fitur berdasarkan feedback responden yaitu pada fitur pengecekan sertifikat, check-in, dan dark mode.},

keywords = {},

pubstate = {published},

tppubtype = {article}

}