Article Per Year (5 Year)
p-Index From 2020 - 2025
0.92
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Matrik Journal of Computer and Information Systems Ampera SINTA Journal (Science, Technology, and Agricultural) International Journal of Social Science, Education, Communication and Economics
Kurniawan, Fandi
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Biochemistry, Genetics & Molecular Biology Chemistry Computer Science & IT Earth & Planetary Sciences Economics, Econometrics & Finance Education Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Physics Social Sciences Veterinary

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Pendekatan Algoritma Naïve Bayes dan Support Vector Machine dalam Menganalisis Tanggapan Terhadap Penutupan Tik Tok Shop kurniawan, Fandi; Al Qorni, Qois
Jurnal Ilmiah Matrik Vol. 25 No. 3 (2023): Jurnal Ilmiah Matrik
Publisher : Direktorat Riset dan Pengabdian Pada Masyarakat (DRPM) Universitas Bina Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33557/jurnalmatrik.v25i3.2732

Abstract

The development of information technology, especially in social media such as TikTok, has had a significant impact on people's shopping behavior patterns. Sentiment analysis is aimed at understanding general views regarding the closure of the TikTok Shop, describing positive or negative opinions. The algorithms used are Naïve Bayes and Support Vector Machine (SVM) to analyze responses to the closure of the TikTok Shop. The research methodology involves the process of crawling the Twitter dataset with the keyword "Tik Tok Shop", data cleaning, sentiment labeling, model building, and performance testing. The results of the sentiment analysis are parsed and analyzed to describe the general sentiment towards the closure of the Tik Tok Shop. The conclusion results show that the Naïve Bayes algorithm achieved an accuracy level of 97.91%, with positive recall of 100%, positive precision of 96.30%, negative recall of 95.42%, and negative precision of 100%. Meanwhile the SVM algorithm achieved an accuracy of 91.29%, with a positive recall of 100%, positive precision of 86.19%, negative recall of 80.92%, and negative precision of 100%. Overall, Naïve Bayes provides the highest accuracy results of 97.91%, while SVM provides an accuracy of 91.29%.
Optimasi Algoritma Naive Bayes Untuk Menganalisis Sentimen Pada Konten Pemindahan Ibu Kota di Youtube Widia, Widia; Aqsalia, Zalfa Yunda; Sari, Septiana; Khoirunisa, Nabila Umi; Kurniawan, Fandi
Journal of Computer and Information Systems Ampera Vol. 5 No. 2 (2024): Journal of Computer and Information Systems Ampera
Publisher : APTIKOM SUMSEL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51519/journalcisa.v5i1.451

Abstract

Pemindahan ibu kota merupakan salah satu kebijakan pemerintah yang paling kontroversial dalam beberapa tahun terakhir. Kebijakan ini memunculkan bermacam sentimen dari masyarakat, baik yang mendukung maupun menentang. Analisis sentimen ialah teknik yang diperlukan dalam memahami sentimen masyarakat terhadap suatu topik. Dalam penelitian ini, analisis sentimen mengenai transfer modal memanfaatkan algoritma Naive Bayes. Komentar pada video YouTube yang membahas tentang transfer modal merupakan data yang di gunakan pada penelitian ini. Komentar-komentar tersebut dibagi  menjadi dua golongan, antara lain sentimen positif dan sentimen negatif. Hasil riset menunjukkan sentimen masyarakat terhadap transmisi ibu kota masih terpolarisasi. Mayoritas masyarakat mempunyai sentimen negatif terhadap kebijakan ini, sementara sebagian kecil mempunyai sentimen positif. Penelitian ini memberikan gambaran mengenai sentimen masyarakat terhadap transfer modal. Hasil penelitian ini dapat digunakan pemerintah untuk memahami aspirasi masyarakat dan meningkatkan komunikasi dengan masyarakat terkait kebijakan ini.
Klasifikasi Sentimen Terhadap Kebijakan PHK 55 Ribu Karyawan oleh BT Group menggunakan Algoritma Klasifikasi Naive Bayes Charisma, Muhammad Obie; Hamzah, Muhammad Farid; Erwin, Muhammad; Nurbaiti, Intan; Kurniawan, Fandi
Journal of Computer and Information Systems Ampera Vol. 5 No. 2 (2024): Journal of Computer and Information Systems Ampera
Publisher : APTIKOM SUMSEL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51519/journalcisa.v5i1.465

Abstract

Artikel penelitian ini membahas analisis sentimen terkait kebijakan PHK yang dilakukan oleh BT Group terhadap 55 ribu orang karyawan sebagai dampak dari penggunaan kecerdasan buatan (AI). Metode Naive Bayes digunakan untuk melakukan klasifikasi sentimen pada komentar-komentar yang muncul pada platform YouTube terkait kebijakan tersebut. Tujuan utama dari analisis ini adalah untuk memahami respons dan sentimen yang muncul dari masyarakat terhadap kebijakan PHK yang diambil oleh BT Group. Dengan menggunakan metode Naive Bayes, artikel ini bertujuan untuk memberikan wawasan yang mendalam tentang bagaimana teknologi kecerdasan buatan dapat memengaruhi kebijakan perusahaan terkait PHK, serta respons masyarakat terhadap kebijakan tersebut berdasarkan analisis sentimen yang dilakukan. Dengan demikian, artikel ini diharapkan dapat memberikan kontribusi dalam pemahaman terhadap dampak penggunaan teknologi AI dalam konteks kebijakan perusahaan, serta respons masyarakat terhadap kebijakan tersebut berdasarkan analisis sentimen yang dilakukan.
Exploring Sentimen Analysis Using Machine Learning: A Case Study on Partai Demokrasi Indonesia Perjuangan (PDIP) in the 2024 General Election Kurniawan, Fandi; Al Qorni, Qois
International Journal of Social Science, Education, Communication and Economics (SINOMICS JOURNAL) Vol. 2 No. 4 (2023): October
Publisher : Lafadz Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54443/sj.v2i4.194

Abstract

General elections have an important role in democratic systems in all countries. In this context, sentiment analysis plays an important role in revealing the public's views on political parties. This study analyzes sentiment towards the Partai Demokrasi Indonesia Perjuangan (PDIP) in the 2024 General Election using the Naive Bayes algorithm. This method classifies social media content related to PDIP into positive (support) or negative (criticism) categories. The analysis results show 100% precision in identifying positive sentiment, but recall is only 97.11%, indicating that some positive sentiment was missed. For negative sentiment, the precision was 94.33% with a recall of 100%, indicating the ability to recognize negative sentiment but little negative prediction error. This study provides an in-depth understanding of the PDIP's perception in the 2024 General Election, supports better political decision making and provides insight to the PDIP in understanding the public's views.
Algoritma Machine Learning Naïve Bayes pada Analisis Sentimen Kesepakatan Polri dan GNPF-MUI pada Aksi Bela Islam III '212' Hananto, Angga Dri; Erfiana, Alivia Measy; Putri, Bella Lexiani Permata; Putri, Pelita Dwi; Kurniawan, Fandi
SINTA Journal (Science, Technology, and Agricultural) Vol. 4 No. 2 (2023)
Publisher : Perkumpulan Dosen Muda (PDM) Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37638/sinta.4.2.151-160

Abstract

Indonesia merupakan negara dengan masyarakat yang beragam yang terbentang dari Sabang sampai Merauke, dimana terdapat banyak suku, agama, budaya dan adat istiadat yang berbeda-beda. Dengan demikian, masyarakat Indonesia harus mempunyai sikap toleransi yang tinggi. Data mining adalah proses mencari pola atau informasi dari data terpilih dengan menggunakan teknik atau metode tertentu. Metode dalam data mining sangat bervariasi, pemilihan algoritma yang tepat sangat bergantung pada hasil dan tujuan Knowledge Discovery in Databases (KDD) secara keseluruhan. Tahapan dalam proyek ini adalah: pengambilan dataset, dataset, pra-pemrosesan, TF-IDF, algoritma, kinerja. Algoritma yang digunakan dalam analisis ini adalah: Naïve Bayes Algoritma naïve Bayes merupakan metode klasifikasi yang berakar pada teorema Bayes. Ciri utamanya adalah mempunyai asumsi yang sangat kuat terhadap kondisi yang terjadi.
Co-Authors Al Qorni, Qois Aqsalia, Zalfa Yunda Charisma, Muhammad Obie Erfiana, Alivia Measy Hamzah, Muhammad Farid Hananto, Angga Dri Khoirunisa, Nabila Umi Muhammad Erwin Nurbaiti, Intan Putri, Bella Lexiani Permata Putri, Pelita Dwi Sari, Septiana Widia, Widia