Claim Missing Document
Check
Articles

Found 3 Documents
Search

Ekstraksi Fitur Produktivitas Dinamis berdasarkan Topik Artikel Ilmiah untuk Klasterisasi Peneliti Addien Haniefardy; Diana Purwitasari; Chastine Fatichah
Techno.Com Vol 20, No 2 (2021): Mei 2021
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v20i2.4512

Abstract

Pengelompokkan peneliti seringkali menggunakan informasi tekstual yang terdapat pada artikel ilmiah peneliti, contohnya judul, abstrak, dan kata kunci sehingga menghasilkan kelompok peneliti dengan kemiripan informasi tekstual pada artikel ilmiah mereka. Pengelompokkan peneliti juga seringkali menggunakan jumlah publikasi dan sitasi sehingga menghasilkan kelompok peneliti yang memiliki jumlah publikasi dan sitasi yang cenderung sama. Berdasarkaan kedua metode di atas, penelitian ini mencoba untuk menganalisis penggunaan topik artikel ilmiah pada proses ekstraksi fitur produktivitas. Fitur ini merupakan fitur yang didapatkan melalui penghitungan kinerja peneliti berdasarkan jumlah publikasi dan sitasi. Hasil ekstraksi fitur akan digunakan untuk klasterisasi peneliti menggunakan metode K-Means++. Sebelum data peneliti diklasterisasi, terlebih dahulu data peneliti dianalisis untuk menghilangkan kemungkinan adanya outlier. Evaluasi hasil klaster dilakukan dengan mempertimbangkan nilai Sum Squared Error dan Silhouette. Hasilnya, klaster optimal didapatkan dengan nilai K sama dengan 8 dan nilai silhouette sama dengan 0.15396. Kemudian, hasil klaster dianalisis untuk dapat memberikan label terhadap masing-masing klaster dengan mempertimbangkan topik artikel ilmiah, jumlah publikasi dan jumlah sitasi.
Tinjauan Literatur Sistematis: Pengaruh Penggunaan Framework Khusus Dalam Proses Pengembangan Web Dan Pembuatan Web Addien Haniefardy; Muhsin Bayu Aji Fadhillah; Siti Rochimah
Matrix : Jurnal Manajemen Teknologi dan Informatika Vol 9 No 2 (2019): MATRIX - Jurnal Manajemen Teknologi dan Informatika
Publisher : Unit Publikasi Ilmiah, P3M Politeknik Negeri Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (397.842 KB) | DOI: 10.31940/matrix.v9i2.1161

Abstract

Framework merupakan sebuah kerangka kerja yang dibuat untuk memudahkan kinerja dalam pembangunan sebuah web. Dengan framework, sistem web yang dibangun akan menjadi lebih tersusun dan terstruktur rapi. Sekarang ini banyak framework yang dikembangkan dalam membangun sebuah web. Paper ini menyediakan sebuah tinjauan literatur sistematis dari berbagai penelitian yang telah membahas tentang pengaruh framework khusus dalam pengembangan dan pembuatan web. Penelitian ini menggunakan 2 (dua) digital library, yaitu Science Direct dan IEEE Xplore serta melakukan penyaringan untuk mendapatkan publikasi artikel ilmiah mulai 2010 sampai 2018 yang membahas tentang pengaruh penggunaan framework khusus terhadap pengembangan dan pembuatan web. Artikel ilmiah yang terpilih kemudian dianalisis sesuai dengan research question yang dibuat. Hasilnya, penelitian ini menggolongkan beberapa artikel berdasar area pengembangan dan peningkatan yang dihasilkan, dimana kebanyakan artikel berfokus pada pemberian rekomendasi dalam pengembangan web dengan pemilihan framework dan framework yang dipakai untuk proses testing.
Sentiment Analysis of User Reviews for the LinkedIn Application Using Support Vector Machine and Naïve Bayes Algorithm Ulinnuha, Nurissaidah; Pertiwi, Aisyah; Basuki, Athiyah Fitriyani; Kristanti, Beni Tiyas; Haniefardy, Addien; Burhanudin, Muhamad Aris; Satria, Vinza Hedi
IJCONSIST JOURNALS Vol 7 No 1 (2025): September
Publisher : International Journal of Computer, Network Security and Information System

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/ijconsist.v7i1.159

Abstract

Social Networking Sites (SNS) have become integral communication platforms for knowledge sharing and professional connections. LinkedIn, a leading professional network, is widely utilized in today's digital era, primarily by professionals and the business community. This research focuses on analyzing user sentiment on LinkedIn through the application of the Support Vector Machine (SVM) and Naive Bayes methods. Understanding user opinions and satisfaction is important, and sentiment analysis serves as a key tool for this purpose. This study is a comparative analysis of Support Vector Machine (SVM) and Naïve Bayes algorithm for classifying user reviews of the LinkedIn application. Drawing on data from Google Play reviews, this research explores a range of user sentiment towards the LinkedIn platform, including positive, negative and neutral reviews. The application of SVM and Naive Bayes algorithms successfully classifies reviews into relevant sentiment categories. Analyzing 2000 review datasets with an 80% training and 20% testing data split, Support Vector Machines demonstrate an 80% accuracy rate, while Naïve Bayes achieves a 70% accuracy rate. The Support Vector Machines (SVM) algorithm has better accuracy than the Naïve Bayes algorithm based on the test scenarios that have been carried out.