Article Per Year (5 Year)
p-Index From 2021 - 2026
5.477
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics Journal of Information Systems Engineering and Business Intelligence Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Sisfokom (Sistem Informasi dan Komputer) KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) JURIKOM (Jurnal Riset Komputer) YUME : Journal of Management TEKNOLOGIA TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika Building of Informatics, Technology and Science JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Data Science and Its Applications Jurnal Sistem Komputer dan Informatika (JSON) Journal of Applied Data Sciences Mosharafa: Jurnal Pendidikan Matematika Indonesian Journal of Social Science Research Open Science and Technology eProceedings of Engineering Innovative: Journal Of Social Science Research AMMA : Jurnal Pengabdian Masyarakat Jurnal INFOTEL
Adiwijaya
Universitas Telkom
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Nursing Public Health Social Sciences Other

Published : 169 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 87 Documents
Search
Journal : eProceedings of Engineering

 5   6   7   8   9 
Klasifikasi Sentimen Pada Movie Review Dengan Metode Multinomial Naïve Bayes Jenepte Wisudawati Simanullang; Adiwijaya Adiwijaya; Said Al Faraby
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

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

Abstract

Opini orang lain terhadap suatu movie review di media sangat penting dalam membuat suatu keputusan. Untuk mengetahui opini seseorang terhadap suatu movie review di media diperlukan sistem yang dapat mempermudah dalam mengetahui opini seseorang. Klasifikasi sentimen dapat membantu dalam membangun sistem untuk mengetahui opini seseorang terhadap movie review. Dataset yang digunakan dalam proses klasifikasi sentimen ini adalah Internet Movie Database (IMDb). Namun yang menjadi permasalahan dalam mengetahui polaritas suatu opini dalam proses klasifikasi sentimen pada dataset movie review adalah adannya data yang tidak terstuktur, atribut data yang begitu banyak serta adannya negasi yang menyebabkan polaritas suatu kata akan berbeda pada konteks teks yang berbeda. Degan permasalahan tersebut maka proses klasifikasi pada dataset tersebut akan di klasifikasikan ke dalam dua kelas polaritas yaitu positif dan negatif. Metode klasifikasi yang digunakan adalah dengan menggunakan metode multinomial naïve bayes. Untuk meningkatkan nilai akurasi metode multinomial naïve bayes dilakukan dengan memecahkan masalah diatas. Dalam memecahkan permasalahan tersebut yang dilakukan adalah pertama, akan dilakukan proses preprocessing untuk menangani data noisy. Kedua, dilakukan penanganan negasi, adapun lingkup permasalah negasi yang akan dilakukan adalah negasi dengan kata “not”, “n’t”, “no”. Ketiga, dilakukan penghitungan bobot setiap kata dengan menggunakan TF-IDF. Berdasarkan hasil pengujian yang telah dilakukan diperoleh nilai akurasi terbesar 85,16%. Hal tersebut dikarenakan multinomial naïve bayes dengan negation handling berdasarkan punctuation, preprocessing dan TF-IDF dapat meningkatkan nilai akurasi terhadap metode multinomial naïve bayes. Kata kunci : Multinomial Naïve Bayes, TF-IDF, Preprocessing, Negasi
Analisis Sentimen Level Kalimat Pada Ulasan Produk Menggunakan Bayesian Networks Desi Sitompul; Adiwijaya Adiwijaya; Mohamad Mubarok
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Teknologi informasi berkembang secara masif dan cepat memberikan dampak pada kehidupan manusia, pada sektor perekonomian minat masyarakat beralih dari proses jual beli konvensional ke arah yang lebih modren yaitu proses jual beli melalui media online. Perubahan tersebut tentunya tidak disia-siakan oleh produsen, terbukti dengan banyaknya muncul penyedia wadah jual beli online melalui website. Hal tersebut yang dalam sektor perokoniman disebut e-commerce. Konsumen dapat berkontribusi memberikan penilaian terhadap produk dengan cara menulisakan ulasan (review). Review produk dapat digunakan produsen untuk menilai kualitas produksi sedangkan calon konsumen dapat menggunakan review sebagai bahan keputusan pembelian suatu produk. Review yang diberikan konsumen seringkali tidak sesuai dengan kaidah-kaidah standar dan jumlahnya tidak sedikit. Calon konsumen sebagi pembaca seringkali kesulitan dalam memahami review dan tidak memiliki cukup waktu untuk menganalisis review dalam jumlah banyak. Oleh karena itu pada tugas akhir ini dibangun sistem yang mampu mengklasifikasikan sentimen dan peringkasan hasil klasifikasi sentimen. Klasifikasi ulasan produk yang dianalisis yaitu berdasarkan level kalimat. Penelitian ini dilakukan dengan menggunakan metode Bayesian Networks. Bayesian Networks adalah sebuah metode pemodelan data ke dalam model DAG (Directed Acrylic Graf), yaitu graf yang menggambarkan hubungan probabilisitik antar variabel yang saling berkaitan. Metode tersebut dipilih karena pada proses sentiment analysis, objek dan kata sifat pada kalimat saling berkaitan dan dapat mempengaruhi satu sama lain. Mutual information (MI) sebagi metode untuk menemukan term yang saling terkait dan Bag of words sebagia metode ekstraksi opini. Bayesian Network untuk klasifikasi sentimen pada kalimat menghasilkan performansi 85,6% dan klasifiki fitur aspek 88.46%. Kata kunci: Sentimen Analisis, Bayesian Networks, Text mining, level kalimat, peringkasan opini, supervised learning, mutual information
Analisis Churn Prediction Menggunakan Metode Logistic Regression Dan Smote (synthetic Minority Over-sampling Technique) Pada Perusahaan Telekomunikasi Muhammad Mujaddid; Adiwijaya Adiwijaya; Said Faraby
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Persaingan antara perusahaan telekomunikasi seluler pada masa ini adalah dengan mempertahankan pelanggan. Pelanggan menjadi salah satu faktor utama dalam kesuksesan yang dicapai dalam perusahaan telekomunikasi seluler. Pelanggan dapat memilih sesuai dengan keinginan dan kebutuhan, hal ini menjadi faktor utama pemicu terjadinya churn. Churn prediction adalah metode yang digunakan untuk memprediksi pelanggan yang kemungkinan churn dan pelanggan yang tetap bertahan pada suatu perusahaan tertentu. Churn prediction harus dilakukan untuk mengetahui kemungkinan pelanggan berpindah layanan. Dalam sebagian besar kasus data pelanggan churn memiliki jumlah lebih rendah dibanding dengan data non-churn, fakta ini memunculkan permasalahan pada saat klasifikasi yaitu imbalanced data. Dalam menangani permasalahan churn dan imbalanced data digunakan beberapa metode data mining. Permasalahan pada imbalanced data, penulis menerapkan teknik SMOTE untuk penanganan data. Kemudian untuk mengklasifikasikan kelas churn dan non-churn menggunakan metode logistic regression. Metode logistic regression merupakan model prediksi yang digunakan untuk mendapatkan kemungkinan diantara dua nilai churn. Data yang digunakan adalah data pelanggan dari WITEL PT.Telekomunikasi Regional 7. Penelitian yang dilakukan menggunakan metode logistic regression dan penanganan imbalance data dengan SMOTE memiliki hasil performansi dengan tingkat akurasi sebesar 92,4% dan f1-measure sebesar 31,27% Kata kunci: SMOTE, churn, churn prediction, imbalanced data, logistic regression, klasifikasi
Klasifikasi Multi-Label pada Topik Berita Berbahasa Indonesia menggunakan Artificial Neural Network Muhammad Fauzan; Adiwijaya Adiwijaya; Mohamad Syahrul Mubarok
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Ketidaksesuaian antara judul dan topik yang ada pada suatu berita menjadi masalah tersendiri dalam mencari berita. Hal ini penting dilakukan untuk membantu pembuat berita dalam menentukan topik yang tepat pada berita yang dibuatnya. Pada penelitian ini topik berita berbahasa Indonesia akan diklasifikasikan ke dalam suatu multi-label menggunakan Artificial Neural Network (ANN) sehingga didapatkan klasifikasi label yang tepat berdasarkan topik beritanya. Data berupa teks akan dijadikan masukan dan dilakukan ekstraksi ciri menggunakan weighting TF-IDF untuk mendapatkan data berbentuk vektor. Berdasarkan hasil penelitian didapatkan kombinasi parameter maksimum epoch, learning rate, jumlah neuron, alpha yang paling optimal yaitu 400, 0.02, 20, 0.3 dengan loss sebesar 0.0021. Kata kunci : Topik berita, klasifikasi, multi-label, ANN. Abstract The mismatch between the headline and the topic on a news becomes a separate issue in searching for news. This is important to help newsmakers in determining the right topic on the news that has been made. In this research the topic of Indonesian language news will be classified into a multi-label using Artificial Neural Network (ANN) so as to get the right label classification based on the news topic. Text data will be input and feature extraction using weighting TF-IDF to get vector-shaped data. Based on the result of the research, the maximum combination of epoch parameters, learning rate, number of neurons, alpha at the most optimum are 400, 0.02, 20, 0.3 with loss 0.0021. Keywords: news topic, classification, multi-label, ANN.
Analisis Sentimen Pada Data Ulasan Produk Toko Online Dengan Metode Maximum Entropy Alvi Syah; Adiwijaya Adiwijaya; Said Faraby
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Seiring dengan perkembangan dunia internet berpengaruh terhadap proses transaksi jual dan beli yang dimana proses sebelumnya bersifat konvensional berubah ke tingkat modern dengan adanya internet atau bisa disebut dengan e-commerce. Perkembangan e-commerce yang sangat cepat merupakan peluang besar bagi produsen untuk memasarkan produknya dan mempromosikannya kepada konsumen. Salah satu hal yang menjadi perhatian konsumen ketika membeli produk adalah review. Konsumen yang ingin membeli suatu produk tentunya akan melihat dari review tersebut apakah baik atau buruk. Dengan banyaknya review akan menyulitkan konsumen apakah produk tersebut layak untuk dibeli atau tidak. Oleh Karena itu, pada penelitian tugas akhir ini akan membuat suatu sistem yang mampu melakukan klasifikasi review tersebut yang bersifat review positif atau review negatif. Data yang digunakan pada penelitian ini yaitu review produk Amazon yang fokus pada kategori cell phones & accessories. Klasifikasi pada penelitian tugas akhir ini yaitu menggunakan metode maximum entropy dan juga menggunakan metode TF-IDF untuk mendapatkan fitur pada produk di dalam review tersebut. Untuk evaluasi menggunakan nilai presisi, recall dan juga f-1 measure. Hasil percobaan terbaik yaitu akurasi 83% dan f-1 measure 90.074% pada iterasi ke 1000. Kata kunci: amazon, review, tf-idf, maximum entropy, cell phones & accessories.
Klasifikasi Anjuran, Larangan, Dan Informasi Pada Hadits Shahih Bukhari Menggunakan Metode Support Vector Machine Andina Kusumaningrum; Said Faraby; Adiwijaya Adiwijaya
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Pertumbuhan informasi khususnya dalam bentuk data teks pada media online yang semakin pesat mendorong berbagai penelitian terkait dengan pengolahan data teks. Salah satu penelitian yang banyak dilakukan adalah klasifikasi teks dengan memanfaatkan machine learning. Namun, penelitian klasifikasi teks masih cukup jarang diterapkan untuk mengolah data teks kitab agama seperti hadits. Saat ini selain dibukukan, kumpulan data hadits dapat dengan mudah didapatkan baik dari internet maupun disajikan didalam aplikasi namun tidak disertai dengan informasi makna dari hadits tersebut. Sehingga, untuk masyarakat awam atau bahkan umat muslim yang sedang mempelajari hadits mungkin mengalami kesulitan dalam memahami makna dari hadits-hadits tersebut mengingat jumlah data hadits yang cukup banyak. Maka, pengolahan terhadap data teks hadits ini perlu dilakukan, karena didalam hadits terdapat berbagai pedoman yang bermanfaat untuk masyarakat khususnya umat muslim dalam berperilaku sesuai dengan sunnah Nabi Muhammad Shallallahu ‘Alaihi Wasallam. Berdasarkan permasalahan tersebut, pada penelitian ini akan dilakukan analisis pada sebuah sistem klasifikasi teks secara otomatis yang dibangun terhadap salah satu kumpulan hadits terbaik yaitu Hadits Shahih Bukhari terjemahan Bahasa Indonesia ke dalam kategori Anjuran, Larangan, dan Informasi. Selain membangun classifier dengan menggunakan pendekatan machine learning yaitu metode Support Vector Machine, peneliti juga membandingkan dengan classifier yang dibangun dengan menggunakan pendekatan simple rule-based system. Hal itu dilakukan untuk membuktikan bahwa pendekatan rule-based memiliki performa yang kurang baik untuk mengklasifikasikan data teks hadits sehingga dibutuhkan pendekatan machine learning. Kata Kunci : klasifikasi teks, multiclass classification, Hadits Shahih Bukhari, Support Vector Machine.
Handling Imbalanced Data Pada Prediksi Churn Menggunakan Metode Smote Dan Knn Based On Kernel Oscar Ramadhan; Adiwijaya Adiwijaya; Annisa Aditsania
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Customer churn merupakan masalah umum yang ditemui diperindustrian telekomunikasi. Customer churn didefinisikan sebagai kecenderungan customer berhenti melakukan bisnis dengan suatu perusahaan. Tetapi hanya terdapat sedikit sekali churn customer yang ada. Kekurangan data yang menunjukan bahwa customer tersebut termasuk churn customer menyebabkan masalah imbalanced data. pada tugas akhir ini penulis membuat sebuah sistem yang dapat melakukan penanganan terkait imbalanced data menggunakan SMOTE (Synthetic Minority Over-sampling Technique). Classifier yang digunakan untuk menentukan suatu customer apakah termasuk churn atau tidak, menggunakan metode Improve KNN Algorithm Based on Kernel Method. Metode ini merupakan perkembangan dari metode KNN Standard. Dimana pada metode KNN Standard proses klasifikasi dilakukan dengan melihat sejumlah k tetangga terdekat, dan akan diklasifikasikan berdasarkan jumlah kelas terbanyak pada sejumlah k tetangga terdekatnya. Classifier tersebut diuji menggunakan 3 fungsi Kernel dan 40 kombinasi parameter untuk menemukan performansi tertinggi. Performansi tertinggi yang didapat dari kombinasi parameter tersebut diukur menggunakan f1-measure dan akurasi secara berurut pada data tanpa smote, smote 1:3, smote 1:2, smote 3:4, dan smote 1:1, yaitu: 0,314 & 97,58%, 0,449 & 94,55%, 0,413 & 93,70%, 0,382 & 92,74% dan 0,363 & 92,08%. Kata Kunci: Churn Prediction, Over-sampling, SMOTE (Synthetic Minority Over-sampling Technique), Improve KNN Algorithm Based on Kernel Method.
Implementasi Algoritma Binary Particle Swarm Optimization (BPSO) dan C4.5 Decision Tree untuk Deteksi Kanker Berdasarkan Klasifikasi Microarray Data Amalya Citra Pradana; Adiwijaya Adiwijaya; Annisa Aditsania
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Kanker merupakan salah satu penyakit yang mematikan di dunia. Upaya pendeteksian kanker dapat dilakukan dengan merepresentasikan kanker ke dalam microarray data dengan mengukur perubahan yang terjadi pada level ekspresi gen. Deteksi gejala kanker dapat dilakukan dengan teknik data mining, yaitu klasifikasi terhadap microarray data. Salah satu penerapan algoritma untuk klasifikasi adalah C4.5 Decision Tree dimana algoritma tersebut mudah diinterpretasi dan termasuk paling berpengaruh dalam klasifikasi namun memiliki kekurangan yaitu sensitif terhadap data noise. Microarray data memiliki jumlah feature yang sangat besar (high dimensional) dimana tidak semua feature tersebut memiliki informasi yang penting (high noise) dan jumlah sampel yang sedikit sehingga penerapan proses klasifikasi saja menjadi sulit karena dapat mempengaruhi nilai akurasi. Binary Particle Swarm Optimization (BPSO) merupakan salah satu algoritma optimasi pencarian untuk mendapatkan fitur yang optimal. Pemodelan rule pada Decision Tree menggunakan nilai diskrit sehingga data perlu didiskritkan. Diskritisasi dilakukan menggunakan K-Means. Sistem dibagi menjadi dua skema yaitu skema Information Gain (IG) – C4.5 dan skema BPSO – C4.5. Akurasi yang diperoleh berdasarkan skema IG-C4.5 dan BPSO-C4.5 berturut-turut adalah 54% dan 99%. Pengaruh seleksi fitur terhadap klasifikasi berperan penting dalam menghindari data noise untuk memodelkan rule yang akurat. Dengan penerapan BPSO sebagai seleksi fitur mampu mencari fitur yang paling signifikan. Kata kunci : microarray data, binary particle swarm optimization, C4.5 decision tree, classification, feature selection, K-Means Abstract Cancer is one of deadly disease in the world. Cancer can be detected by representing the cancer into microarray data with measuring the changes occured in gene expression level. Cancer detection can be done by doing classification technique for microarray data. One of most algorithm that applied for classification is Decision Tree C4.5. It is a linier method which is easy to interpret and included into the algorithm which has given impact in classification but it is sensitive to noise data. Microarray data has a large features (high dimensional) which is not all features have important information (high noise) and has a small samples and causing the application is difficult and affected the accuracy. Binary Particle Swarm Optimization (BPSO) is one of searching optimization algorithm that could find an optimal feature. Rule in Decision Tree is modelled with discrete value so the data has to be discretized. Discretization is applied using K-Means. System is divided into two schemas such as Information Gain (IG) – C4.5 and BPSO – C4.5. The accuracy based on IG – C4.5 and BPSO – C4.5 schema are 54% and 99%. Feature selection has given impact to classification for avoiding noise data to build the rule accurately. With applying BPSO as feature selection can find the features significantly. Keywords: microarray data, binary particle swarm optimization, C4.5 decision tree, classification, feature selection, K-Means
Analisis Ekstraksi Fitur Principle Component Analysis Pada Klasifikasi Microarray Data Menggunakan Classification And Regression Trees Rizky Pujianto; Adiwijaya Adiwijaya; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Di era yang sudah maju seperti saat ini pendeteksian kanker bisa dilakukan dengan beberapa cara, salah satunya dengan bioinformatika, yaitu dengan menggunakan teknologi microarray. Teknologi tersebut berupa DNA yang berbentuk microchip dengan ukuran dimensi yang sangat besar. Ukuran dimensi yang besar menyebabkan lamanya perhitungan komputasinya. Untuk mengurangi masalah komputasi maka dilakukan reduksi dimensi terlebih dahulu sebelum diklasifikasi menggunakan (Classification and Regression Trees) CART. Reduksi dimensi adalah pendekatan dengan memilih komponen, komponen ini dipilih karena tidak semua atribut pada data microarray dipilih, mengingat data pada microarray sangat banyak. Komponen yang paling memiliki ciri yang dipilih agar perhitungan bisa lebih menghasilkan hasil yang optimum. Reduksi dimensi yang digunakan pada penelitian ini adalah ekstraksi fitur dengan menggunakan algoritma principle component analysis (PCA). Ekstraksi fitur biasanya digunakan untuk data kontinu dengan cara mengekstrak atributnya sehingga tersisa atribut yang dapat mengoptimalkan hasilnya. Data kanker yang digunakan ada tiga yaitu, kanker usus besar, leukimia, dan kanker paru-paru. Akurasi yang dihasilkan dari penelitian ini rata-rata diatas 70% dengan algoritma PCA untuk reduksi dimensi dan CART sebagai klasifikasinya. Kata kunci: kanker, microarray, reduksi dimensi, CART Abstract In an advanced era such as the current detection of cancer can be done in several ways, one of which is bioinformatics by using microarray technology. The technology consists of DNA that forms microchips with very large dimensions. Large size dimensions cause computational calculations. To reduce computational problems, the reduction is done before being classified using (Tree Classification and Regression) CART. Dimension reduction by selecting components, this component is selected because not all attributes in the microarray data are selected, considering that the data on the microarray is very large. Components that have the most characteristics are chosen so that calculations can produce optimal results. Dimension reduction used in this study is feature extraction using the principal component analysis (PCA) principle. Feature extraction is usually used for continuous data by extracting attributes so that they can produce attributes. There are three cancer data used, namely, colon cancer, leukemia, and lung cancer. The accuracy generated from this study averages over 70% with the PCA algorithm for reducing dimensions and CART as its classification. Key word: cancer, microarray, dimention reduction, CART
Klasifikasi Topik Berita Berbahasa Indonesia Menggunakan Multilayer Perceptron Grace Tika; Adiwijaya Adiwijaya; Niken Dwi Wahyu Cahyani
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Berita adalah salah satu representasi dari kehidupan nyata sosial yang selalu menggambarkan isu-isu yang masih banyak dan sering dibagikan oleh masyarakat. Setiap hari, selalu ada pembaruan berita sehingga menjadikannya berita yang baru dan membuat berita mengalir semakin banyak. Dengan adanya internet membuat berita lebih mudah dan cepat tersebar luaskan. Karena itu dibutuhkan sebuah sistem yang dapat melakukan klasifikasi terhadap berita agar berita tersebut dapat dikelompokkan berdasarkan kategori seperti Teknologi, Budaya, Pendidikan, dan lain-lain. Salah satu cara yang dapat mengatasi permasalah tersebut adalah dengan adanya sistem klasifikasi menggunakan Jaringan Syaraf Tiruan (JST). Metode jaringan syaraf tiruan ini dapat menciptakan suatu pola pengetahuan dengan kemampuan belajar (self organizing) dan secara optimasi, jaringan syaraf tiruan dapat menemukan jawaban terbaik. Sehingga metode jaringan syaraf tiruan ini menarik dan bagus untuk mengatasi permasalahan tersebut. Dari hasil terbaik penelitian yang didapat ini dinyatakan dalam F1-measure micro-average dengan nilai performansi mencapai 77,44% dimana data berita berbahasa Indonesia yang digunakan memiliki berbagai macam keragaman yang dapat mempengaruhi proses stemming. Kata kunci : Berita, text preprocessing, text classification, Multilayer Perceptron Abstract News is one of the representation of real social life that always illustrates issues that are still many and often shared by the community. Every day, there is always a news update so that it makes new news and makes the news flow more and more. With the internet, the news makes it easier and faster to spread. Because of that problem, it requires a system that can classify news so that the news can be grouped by categories such as Technology, Culture, Education, and others. One method that can overcome this problem is the existence of a classification system using Artificial Neural Networks (ANN). This artificial neural network method can create a pattern of knowledge with self-organizing and optimization, artificial neural networks can find the best answer. So this artificial neural network method is interesting and good for overcoming these problems. The results of this research are stated in F1-measure micro-average with performance values reaching 77.44% which is the data of Indonesian news has various types that can influence the stemming process. Keywords: News, text preprocessing, text classification, Multilayer Perceptron
Co-Authors A Rakha Ahmad Taufiq Abu Bakar, Muhammad Yuslan Ade Iriani Sapitri Ade Romadhony Ade Sumiahadi, Ade Adhitia Wiraguna Adhitia Wiraguna Aditya Arya Mahesa Adnan Imam Hidayat Adwin Rahmanto Afrian Hanafi Al Faraby, Said Al Mira Khonsa Izzaty Alfian Akbar Gozali Alvi Syah Amalya Citra Pradana Amir Andi Ahmad Irfa ANDI FUTRI HAFSAH MUNZIR Andina Kusumaningrum Andri Saputra Andrian Fakhri Andriyan B Suksmono Anggitha Yohana Clara Aniq Atiqi Aniq Atiqi Rohmawati Anisa Salama Annas Wahyu Ramadhan Annisa Adistania Annisa Aditsania Antika Putri Permata Wardani Aras Teguh Prakasa Ardiansyah, Yusfi Astrid Frillya Septiany Astrima Manik Aziz, Muhammad Maulidan Azmi Hafizha Rahman Zainal Arifin Bambang Riyanto T. Bayu Julianto Bayu Munajat Bayu Munajat Bayu Rahmat Setiaji Bernadus Seno Aji Bernadus Seno Aji Bintang Peryoga Bisma Pradana Brama Hendra Mahendra Chiara Janetra Cakravania Clarisa Hasya Yutika D. R. Suryandari Dana Sulistiyo Kusumo Danang Triantoro Danang Triantoro Murdiansyah Daniel Tanta Christopher Sirait Dany Dwi Prayoga Dany Dwi Prayoga Della Alfarydy Akbar Deni Saepudin Denny Alriza Pratama Desi Sitompul Dewangga, Dhiya Ulhaq Dian Chusnul Hidayati Didi Rosiyadi Didit Adytia Dinda Karlia Destiani Dody Qori Utama Dody Qory Utama Dwi Yanita Apriliyana Dwi Yanita Apriliyana Dwifebri, Mahendra Eko Darwiyanto Eliza Jasin Elza Oktaviana Elza Oktaviana Endro Ariyanto Ergon Rizky Perdana Purba F. A. Yulianto Fachri Pane, Syafrial Fahmi Salman Nurfikri Faris Alfa Mauludy Faris Alfa Mauludy Farudi Erwanda Farudi Erwanda Fathur Rohman Fathurrohman Elkusnandi Fhira Nhita Fikri Rozan Imadudin Firda A. Ma’ruf Firdausi Nuzula Zamzami Firly Juanita Surahman Fuad Ash Shiddiq Gde Agung Brahmana Suryanegara Gheartha, I Gusti Bagus Yogiswara Ghozy Ghulamul Afif Gia Septiana Gia Septiana Gia Septiana Gilang Rachman Perdana Gilang Rachman Perdana Gilang Titah Ramadhani Grace Tika Guntoro Guntoro Guntoro Guntoro Guntoro Guntoro Hadyan Arif Hafidudin . Hafizh Fauzan Hafizh Fauzan Hendro Prasetyo Henri Tantyoko Honakan Honakan I Kadek Haddy W. I Made Riartha Prawira I.G.N.P.Vasu Geramona Ilham Kurnia Syuriadi Ilham Yunirakhman Imadudin, Fikri Rozan Imam Prayoga Indriani Indriani Irene Yulietha Irma Irma Irma Palupi Irwinda Famesa Iyon Priyono Jendral Muhamad Yusuf Zia Ul Haq Jenepte Wisudawati Simanullang K, Kasnaeny Kamal Hasan Mahmud Kemas Muslim Lhaksmana Kemas Rahmat Saleh Raharja Kemas Rahmat Saleh Wiharja Kurnia C Widiastuti Kurniawan W. Handito Laila Putri Lalu Gias Irham Lisa Marianah Lisa Marianah Luke Manuel Daely Mahendra Dwifebri P Mahendra Dwifebri Purbolaksono Mahmud Dwi Sulistiyo Melanida Tagari Melanida Tagari Michael Sianturi Milah Sarmilah Moc. Arif Bijaksana Mochamad Agusta Naofal Hakim Mochammad Naufal Rizaldi Mohamad Irwan Afandi Mohamad Mubarok Mohamad Syahrul Mubarok Mohamad Syahrul Mubarok Mohammad Syahrul Mubarok Monica Triyani Muhammad Afianto Muhammad Enzi Muzakki Muhammad Fauzan Muhammad Feridiansyah Muhammad Ghufran Muhammad Irvan Tantowi Muhammad Kenzi Muhammad Mubarok Muhammad Mujaddid Muhammad Naufal Mukhbit Amrullah Muhammad Nurjaman Muhammad Shiddiq Azis Muhammad Shiddiq Azis Muhammad Surya Asriadie Muhammad Syahrul Mubarok Muhammad Yuslan Abu Bakar Nanda Prayuga Nida Mujahidah Azzahra Nida Mujahidah Azzahra Niken Dwi Wahyu Cahyani Novelty Octaviani Faomasi Daeli Novia Russelia Wassi Nuklianggraita, Tita Nurul Nur Ghaniaviyanto Ramadhan Oscar Ramadhan Pinem, Joshua Pratama Dwi Nugraha Preddy Desmon Purbalaksono, Mahendra Dwifebri Putri, Dinda Rahma Putri, Dita Julaika Raihana Salsabila Darma Wijaya Rendi Kustiawan Reynaldi Ananda Pane Riche Julianti Wibowo Riko Bintang Purnomoputra Riska Chairunisa Rizki Syafaat Amardita Rizky Pujianto Rizma Nurviarelda Roberd Saragih Rosyadi, Ramadhana Said Faraby Satria Mandala Sekar Kinasih Semeidi Husrin Sheila Annisa Shidqi Aqil Naufal Shuni’atul Ma’wa Sigit Bagus Setiawan St.Sukmawati S. Sugeng Hadi Wirasna Suriyanti Suriyanti Syafrial Fachri Pane, Syafrial Fachri Syahrizal Rizkiana Rusamsi Syam, Mukhlisah Syifa Khairunnisa Talitha Kayla Amory Tati LR Mengko Tesha Tasmalaila Hanif Timami Hertza Putrisanni Tita Nurul Nuklianggraita Triyani, Monica Try Moloharto Untari Novia Wisesty Untari Wisesty Untari. N. Wisesty Untary Novia Wisesty Vina Mutiara Purnama Warih Maharani Widi Astuti Widi Astuti Widi Astuti Winda Christina Widyaningtyas Wisnu Adhi Pradana Yana Meinitra Wati Yoga Widi Pamungkas Yuliant Sibaroni Zahra Putri Agusta Zakia Firdha Razak Zulfikar Fauzi