Garuda - Garba Rujukan Digital

Prediksi Tweet Netizen Menggunakan Random Forest, Decision Tree, NaÃ¯ve Bayes, dan Ensemble Algorithm Harahap, Vivi Nadenia; Irmayani, Deci; Harahap, Syaiful Zuhri
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 6 No. 1 : Tahun 2021
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54367/jtiust.v6i1.1274

Gubernur DKI Jakarta saat ini, meski sudah terpilih sejak tahun 2017 selalu menarik untuk dibicarakan atau bahkan dikomentari. Komentar yang muncul berasal dari media secara langsung atau melalui media sosial. Twitter menjadi salah satu media sosial yang sering digunakan sebagai media untuk mengomentari gubernur terpilih bahkan bisa menjadi trending topic di media sosial Twitter. Netizen yang berkomentar pun beragam, ada yang selalu menge-Tweet kritik, ada yang berkomentar Positif, dan ada pula yang hanya me-retweet. Dalam penelitian ini, prediksi apakah Netizen aktif akan cenderung selalu menimbulkan komentar Positif atau Negatif akan dilakukan dalam penelitian ini. Model algoritma yang digunakan adalah Decision Tree, NaÃ¯ve Bayes, Random Forest, dan juga Ensemble. Data Twitter yang diolah harus melalui preprocessing terlebih dahulu sebelum dilanjutkan menggunakan Rapidminer. Dalam uji coba menggunakan Rapidminer dilakukan dalam empat kali uji coba dengan membagi menjadi dua bagian yaitu data testing dan data latih. Perbandingan yang dilakukan adalah 10% data pengujian: 90% data pelatihan, kemudian 20% data pengujian: 80% data pelatihan, kemudian 30% data pengujian: 70% data pelatihan, dan yang terakhir adalah 35% data pengujian: 65% data pelatihan. Rata-rata Akurasi untuk algoritma Decision Tree adalah 93,15%, sedangkan untuk algoritma NaÃ¯ve Bayes Akurasinya adalah 91,55%, kemudian untuk algoritma Random Forest adalah 93,41, dan yang terakhir adalah algoritma Ensemble dengan Akurasi sebesar 93,42%. sini. 65% data pelatihan. Rata-rata Akurasi untuk algoritma Decision Tree adalah 93,15%, sedangkan untuk algoritma NaÃ¯ve Bayes Akurasinya adalah 91,55%, kemudian untuk algoritma Random Forest adalah 93,41, dan yang terakhir adalah algoritma Ensemble dengan Akurasi sebesar 93,42%. sini. 65% data pelatihan. Rata-rata Akurasi untuk algoritma Decision Tree adalah 93,15%, sedangkan untuk algoritma NaÃ¯ve Bayes Akurasinya adalah 91,55%, kemudian untuk algoritma Random Forest adalah 93,41, dan yang terakhir adalah algoritma Ensemble dengan Akurasi sebesar 93,42%. sini.

ANALISA OPTIMASI DISTRIBUSI BARANG BANGUNAN MENGGUNAKAN METODE LEAST COST PADA UD . RAMA JAYA PERDAGANGAN Gultom, Gregorius Apri K; Sihombing, Volvo; Irmayani, Deci
MEANS (Media Informasi Analisa dan Sistem) Volume 6 Nomor 1
Publisher : LPPM UNIKA Santo Thomas Medan

Masalah transportasi adalah masalah pemrograman linier pada umumnya berhubungan dengan distribusi suatu produk dari beberapa sumber, dengan penawaran terbatas menuju beberapa tujuan dengan biaya tertentu pada biaya transportasi minimum. Tujuan dari model transportasi adalah merencanakan pengiriman suatu dari sumber tujuan sedemikian rupa untuk meminimalkan biaya transportasi. Beberapa teknik perhitungan sebagai bahan pertimbangan yang baik dalam membuat suatu kebijakan agar biaya pendistribusian minimal dapat tercapai oleh suatu usaha panglong, dalam hal ini untuk menentukan solusi awal yang layak digunakan metodeÂ Least Cost ( biaya minimum).

Prediksi Tweet Netizen Menggunakan Random Forest, Decision Tree, NaÃ¯ve Bayes, dan Ensemble Algorithm Harahap, Vivi Nadenia; Irmayani, Deci; Harahap, Syaiful Zuhri
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 6 No. 1 : Tahun 2021
Publisher : LPPM UNIKA Santo Thomas

Gubernur DKI Jakarta saat ini, meski sudah terpilih sejak tahun 2017 selalu menarik untuk dibicarakan atau bahkan dikomentari. Komentar yang muncul berasal dari media secara langsung atau melalui media sosial. Twitter menjadi salah satu media sosial yang sering digunakan sebagai media untuk mengomentari gubernur terpilih bahkan bisa menjadi trending topic di media sosial Twitter. Netizen yang berkomentar pun beragam, ada yang selalu menge-Tweet kritik, ada yang berkomentar Positif, dan ada pula yang hanya me-retweet. Dalam penelitian ini, prediksi apakah Netizen aktif akan cenderung selalu menimbulkan komentar Positif atau Negatif akan dilakukan dalam penelitian ini. Model algoritma yang digunakan adalah Decision Tree, NaÃ¯ve Bayes, Random Forest, dan juga Ensemble. Data Twitter yang diolah harus melalui preprocessing terlebih dahulu sebelum dilanjutkan menggunakan Rapidminer. Dalam uji coba menggunakan Rapidminer dilakukan dalam empat kali uji coba dengan membagi menjadi dua bagian yaitu data testing dan data latih. Perbandingan yang dilakukan adalah 10% data pengujian: 90% data pelatihan, kemudian 20% data pengujian: 80% data pelatihan, kemudian 30% data pengujian: 70% data pelatihan, dan yang terakhir adalah 35% data pengujian: 65% data pelatihan. Rata-rata Akurasi untuk algoritma Decision Tree adalah 93,15%, sedangkan untuk algoritma NaÃ¯ve Bayes Akurasinya adalah 91,55%, kemudian untuk algoritma Random Forest adalah 93,41, dan yang terakhir adalah algoritma Ensemble dengan Akurasi sebesar 93,42%. sini. 65% data pelatihan. Rata-rata Akurasi untuk algoritma Decision Tree adalah 93,15%, sedangkan untuk algoritma NaÃ¯ve Bayes Akurasinya adalah 91,55%, kemudian untuk algoritma Random Forest adalah 93,41, dan yang terakhir adalah algoritma Ensemble dengan Akurasi sebesar 93,42%. sini. 65% data pelatihan. Rata-rata Akurasi untuk algoritma Decision Tree adalah 93,15%, sedangkan untuk algoritma NaÃ¯ve Bayes Akurasinya adalah 91,55%, kemudian untuk algoritma Random Forest adalah 93,41, dan yang terakhir adalah algoritma Ensemble dengan Akurasi sebesar 93,42%. sini.

Implementasi Metode MAUT dalam Analisis Penentuan Tenaga Pengajar Non ASN Terbaik Maulana, Imam; Irmayani, Deci; Suryadi, Sudi
Building of Informatics, Technology and Science (BITS) Vol 7 No 1 (2025): June (2025)
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i1.7460

The need for quality teaching staff is becoming increasingly important along with the development of technology and globalization, including in educational institutions such as SDN 115467 Kanopan Ulu. In addition to teaching staff from ASN, this school also relies on non-ASN staff who play a significant role in supporting the quality of education. However, the process of determining the best non-ASN teaching staff is often faced with the challenges of subjectivity and differences in assessment standards. To overcome this, this study proposes the implementation of a Decision Support System (DSS) based on the Multi Attribute Utility Theory (MAUT) method. The MAUT method allows for more objective, transparent, and fair decision-making by considering various assessment criteria, such as competence, experience, and contribution of teaching staff. In this study, non-ASN teaching staff data were analyzed using the Microsoft Excel application and DSS software during the research period in October 2024. Based on the application of this method, Tuti Alawiyah (A15) was ranked first with the highest score, namely 0.731. These results indicate that Tuti Alawiyah has the best performance according to the criteria used in the MAUT method, reflecting her superiority over other candidates. The results of the study indicate that the MAUT method is able to provide accurate and consistent evaluation results, thus supporting a more rational and in-depth decision-making process. This study not only provides theoretical contributions to the development of the DSS system, but also provides practical benefits for educational institutions to improve the motivation of non-ASN teaching staff and, overall, the quality of education. This topic is relevant to the needs of modern education in Indonesia, especially in efforts to improve the transparency and accuracy of teaching staff assessments.

Optimalisasi Kinerja Tenaga Kependidikan di MTSN 1 Labuhanbatu Selatan Studi Kasus Penggunaan Algoritma Naïve Bayes Rambe, Aida Zahrah Hasanati Br; Juledi, Angga Putra; Irmayani, Deci; Harahap, Syaiful Zuhri
Journal of Computer Science and Information System(JCoInS) Vol 6, No 3: JCoInS | 2025
Publisher : Universitas Labuhanbatu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36987/jcoins.v6i3.8034

This study aims to optimize the performance of Education personnel in MTsN 1 Labuhanbatu Selatan through the application of Naive Bayes algorithm for performance classification. The performance of Education personnel, including administrative, administrative, and service staff for one school year was analyzed using data involving attributes such as attendance, punctuality, productivity, and work attitude. Naive Bayes algorithm was chosen because of its ability to classify data accurately and efficiently despite the large amount of data. The results showed that the use of this algorithm can produce a more objective, accurate, and data-based evaluation system, as well as provide clearer insights in improving work efficiency and service to teachers and students. The evaluation of the model was conducted using accuracy, precision, recall, and F1-score metrics to ensure that the classification of educational staff performance can be done appropriately. The study also provides recommendations to improve data quality and the use of additional attributes to improve model performance.

Klasifikasi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma K-Nearest Neighbor (K-NN) Pada Data Akademik Perguruan Tinggi Efendi, Davina Rizky; Irmayani, Deci; Sihombing, Volvo
Journal of Computer Science and Information System(JCoInS) Vol 6, No 3: JCoInS | 2025
Publisher : Universitas Labuhanbatu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36987/jcoins.v6i3.8041

Higher education is an important factor in scoring quality human resources, where one indicator of success is the graduation rate of students on time. This study aims to classify the graduation rate of students using the algorithm K-Nearest Neighbor (K-NN) based on academic data which includes GPA, number of credits, frequency of repetition of courses, and attendance. The results of the classification showed that 30% of students successfully graduated on time, while the rest had delays. With the k-NN approach, it is expected that this model can help universities in predicting student graduation more accurately and optimizing academic interventions to improve graduation efficiency.

Menggunakan Metode Fuzzy Service Quality untuk Mengukur Kinerja Pelayanan di Café Hitam Putih Dalimunthe, Ersandi Ahmad; Irmayani, Deci; Sari Hasibuan, Mila Nirmala
Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI) Vol. 6 No. 1 (2023): Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI)
Publisher : Utility Project Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar

Penelitian ini bertujuan untuk mengukur kinerja pelayanan di Café Hitam Putih dengan menggunakan metode Fuzzy Service Quality. Penilaian kualitas layanan menjadi kritikal dalam industri perhotelan dan restoran, termasuk kafe seperti Café Hitam Putih, karena pengalaman pelanggan yang memuaskan sangat penting untuk mempertahankan dan meningkatkan pangsa pasar. Fuzzy Service Quality adalah pendekatan yang memungkinkan pengukuran tingkat kepuasan pelanggan yang lebih nuansa dengan mempertimbangkan tingkat ketidakpastian dan subjektivitas yang terkait dengan persepsi pelanggan terhadap layanan. Penelitian ini melibatkan survei pelanggan di Café Hitam Putih, yang memungkinkan pengumpulan data mengenai berbagai aspek pelayanan, seperti kecepatan pelayanan, keramahan staf, kualitas makanan dan minuman, serta kenyamanan tempat. Data yang diperoleh kemudian dianalisis menggunakan konsep Fuzzy Service Quality untuk menghasilkan hasil yang lebih rinci dan terukur dalam bentuk fuzzy numbers yang mencerminkan tingkat kepuasan pelanggan. Hasil penelitian menunjukkan bahwa penggunaan metode Fuzzy Service Quality dapat memberikan pandangan yang lebih mendalam tentang kinerja pelayanan di Café Hitam Putih. Hal ini membantu manajemen untuk mengidentifikasi area-area yang memerlukan perbaikan dan mengambil langkah-langkah yang lebih tepat dalam meningkatkan pelayanan pelanggan. Dengan demikian, penelitian ini memberikan kontribusi signifikan dalam memahami dan meningkatkan kualitas layanan di sektor perhotelan dan restoran

Sistem Pendukung Keputusan Pemberian Kredit pada Koperasi Simpan Pinjam Menggunakan Algoritma Simple Additive Weighting (SAW) dengan Pembobotan Entropy Afnita, Afnita; Masrizal, Masrizal; Irmayani, Deci
Building of Informatics, Technology and Science (BITS) Vol 7 No 1 (2025): June (2025)
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i1.7385

The credit granting process in savings and loan cooperatives often faces obstacles in terms of objectivity and efficiency of assessment of prospective debtors. Manual and subjective assessments have the potential to result in inaccurate decisions and increase the risk of problematic credit. This study aims to develop a Decision Support System (DSS) in credit granting by implementing the Simple Additive Weighting (SAW) algorithm combined with the Entropy weighting method. The SAW method was chosen because of its ability to calculate aggregate values against a number of criteria, while the Entropy method is used to determine the weight of the criteria objectively based on data variations. The criteria used include monthly income, credit history, number of dependents, length of membership, and history of installment ratio to income. The results of the study showed that the system was able to systematically sort 15 alternative customers. Based on the final calculation results, the customer who obtained the highest score of 0.862 and was ranked first as the best candidate for credit recipients. These results indicate that the SAW method with Entropy weighting can provide objective recommendations and help make more appropriate decisions in granting credit. The main contribution of this research is to provide a technology-based tool that can improve accuracy, transparency, and efficiency in the creditworthiness evaluation process in savings and loan cooperatives.

Analisis Faktor-Faktor yang Mempengaruhi Tingkat Kelulusan Siswa Menggunakan Algoritma KNN Sianipar, Vitasari; Irmayani, Deci; Bangun, Budianto
Building of Informatics, Technology and Science (BITS) Vol 7 No 1 (2025): June (2025)
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i1.7386

Student graduation rates are influenced by various academic and non-academic factors, making it necessary to develop analytical methods to classify students based on their likelihood of graduation. This study applies the K-Nearest Neighbors (KNN) algorithm to analyze the factors affecting student graduation at SD Negeri 112269 Padang Lais. The KNN algorithm works by calculating the Euclidean distance between the tested student data and other student data, then determining the graduation status based on the majority of the K nearest neighbors. The results indicate that using K=5 produces highly accurate classifications with an accuracy rate of 100%, where students with the smallest distance to those who have graduated are more likely to pass. The contribution of this study is to demonstrate that the KNN method can serve as a decision-support tool for predicting student graduation and provide insights into the use of classification algorithms in educational decision-making. Future research can enhance the model by incorporating more diverse variables and testing it on larger datasets to improve prediction generalization.

Penentuan Siswa Berprestasi Menggunakan Metode Analytical Hierarchy Process (AHP) dengan Pembobotan Entropy dalam Sistem Pendukung Keputusan Sudarman, Dita Auliya; Irmayani, Deci; Masrizal, Masrizal; Ritonga, Ali Akbar
Building of Informatics, Technology and Science (BITS) Vol 7 No 1 (2025): June (2025)
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i1.7393

Determining outstanding students is one of the important aspects in the world of education to provide objective awards to students who have the best academic and non-academic achievements. This study aims to develop a decision support system (DSS) in determining outstanding students using the Analytical Hierarchy Process (AHP) method with Entropy weighting. The AHP method is used to determine the weight of the criteria based on pairwise comparisons, while the Entropy method is used to balance the weight based on data distribution. The results of the calculations in the system show that the alternative with the highest value is Habibi Altaqi (A18) with a value of 89,078, followed by Alif Alhafiz Syahputra (A25) and Sintya Azahra (A03) in second and third place. Conversely, the alternative with the lowest value is Eka (A10) with a value of 73,554, ranked 25th. The results of this study indicate that the AHP and Entropy methods are able to provide objective and systematic evaluations in the selection process of outstanding students. The system developed can be used as a tool for schools in making decisions more accurately and transparently. The contribution of this research is to provide an integrated approach between AHP and Entropy in a decision support system that can be adopted by other educational institutions to improve objectivity and accountability in the assessment process of high-achieving students.

Title

Found 45 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 45 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 45 Documents
Search