Article Per Year (5 Year)
p-Index From 2021 - 2026
4.299
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Journal of Information Systems Engineering and Business Intelligence Register: Jurnal Ilmiah Teknologi Sistem Informasi Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JOIN (Jurnal Online Informatika) Sinkron : Jurnal dan Penelitian Teknik Informatika JURNAL MEDIA INFORMATIKA BUDIDARMA Seminar Nasional Teknologi Informasi Komunikasi dan Industri Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Journal of Computer Science and Informatics Engineering (J-Cosine) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Building of Informatics, Technology and Science Journal of Computer System and Informatics (JoSYC) Journal of Applied Data Sciences Charity : Jurnal Pengabdian Masyarakat Indonesian Community Journal Jurnal Pengabdian Masyarakat Akademisi eProceedings of Engineering Community Service Seminar and Community Engagement (COSECANT) LOGIC: Jurnal Penelitian Informatika
Ade Romadhony
Universitas Telkom
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Mathematics Public Health Social Sciences Other

Published : 45 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search
Journal : eProceedings of Engineering

 1   2 
Perankingan Jawaban Yang Terklasifikasi Pada Komunitas Tanya-jawab Dengan Term Frequency Dan Similarity Measure Features Ali Ridho Fauzi Rahman; Moch. Arif Bijaksana; Ade Romadhony
eProceedings of Engineering Vol 4, No 1 (2017): April, 2017
Publisher : eProceedings of Engineering

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

Abstract

Banyak sekali orang bertukar informasi melewati forum online.Salah satu forum yang menyediakan lahan untuk bertukar informasi seputar Negara Qatar yaitu Qatar Living Website Forum memiliki banyak sekali orang yang bertanya maupun menjawab mengenai hal-hal yang ada di sekitar Negara Qatar,namun banyak sekali jawaban dari responden yang tidak berkaitan dengan hal yang ditanyakan.Pada tugas akhir ini dilakukan penelitian perankingan jawaban menggunakan metode Term Frequency dan Similarity Measure Features.Metode Term Frequency ini memiliki keunggulan untuk menghitung score kalimat jawaban yang akan dirangkingkan berdasarkan banyaknya jumlah term yang ada pada setiap kalimat jawabannya,sedangkan Similarity Measure Features dibagi menjadi dua fitur yaitu Semantic Similarity dan Jaccard Similarity memiliki keunggulan untuk menghitung besarnya kesimilaritasan antar kalimat berdasarkan kemiripan makna dan konten kalimat tersebut.Perankingkan jawaban dilakukan berdasarkan score Term Frequency nya dan tingkat keakurasian Similarity Measure Features nya dengan tahapan Preprocessing,Feature Calculation,dan Ranking the Result with MAP evaluation.Dari pengujian yang dilakukan,fitur yang memiliki tingkat kelayakan untuk merankingkan jawaban dengan MAP sebesar 80% adalah fitur Semantic Similarity yang merupakan salah satu fitur dari Similarity Measure Features. Kata kunci : Semantic Similarity,Jaccard Similarity,Term Frequency,Questioning Answering
Pemberian Peringkat Jawaban Pada Forum Tanya-jawab Online Menggunakan Lexical Dan Semantic Similarity Measure Feature Riska Junia Wulandari; Ade Romadhony; Moch. Arif Bijaksana
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Maraknya penggunaan internet saat ini membuat banyak forum tanya-jawab (Community Question Answering On- line) bermunculan. Bahkan forum tanya jawab yang muncul bukan hanya untuk masalah akademik, tetapi tentang kehidupan disuatu negara seperti QatarLiving Forum. Namun, tidak semua jawaban yang diberikan sesuai dengan pertanyaan yang diajukan. Membutuhkan waktu yang lama untuk menentukan jawaban yang sesuai dengan per- tanyaan yang diajukan. Untuk itu, dibutuhkan suatu sistem yang dapat memberikan peringkat pada jawaban untuk membantu merangking jawaban yang sesuai dengan pertanyaan. Adapun tahapan yang dilakukan pada penelitian ini yaitu, dimulai dari preprocessing dataset berdasarkan SemEval 2016 question answering similarity, melakukan ekstraksi fitur untuk membantu proses klasifikasi dengan menggunakan lexical similarity feature, semantic similar- ity feature, non textual feature grup dan Heuristic. Penelitian ini memfokuskan pada penggunaan lexical similarity dan semantic similarity untuk mencari kemiripan antar pertanyaan dan jawaban. Hasil ekstraksi fitur ini akan dijadikan inputan untuk classfier untuk membuat model yang akan digunakan oleh data uji. Classifier yang digu- nakan yaitu Support Vector Machine (SVM) dan logistic regression untuk mendapatkan score klasifikasi dimana score ini yang menentukan peringkat sebuah jawaban untuk setiap pertanyaan. Hasil penelitian yang diperoleh me- nunjukkan pengaruh fitur terhadap kedekatan antara pertanyaan dan jawaban. Lexical similarity feature terutama sub feature Cosine similarity dan LCS menunjukkan semakin tinggi nilai feature pada jawaban semakin jawaban tersebut mendekati pertanyaan yang diajukan. Sedangkan nilai semantic similarity menggunakan Wu Palmer Algo- rithm, persebaran nilai antar kelasnya lebih merata, sehingga cukup sulit untuk membedakan ciri setiap kelasnya. Non Textual Feature Group membantu dalam melakukan klasifikasi jawaban dan meningkatkan akurasi sebanyak 4%. Kata Kunci: Community Question Answering, Question Answering System, similarity measure, classifier, per- ingkat jawaban CQA, MAP.
Klasifikasi Jawaban Dengan Menggunakan Multiple Features Extraction Pada Community Question Answering Bhudi Jati Prio Utomo; Moch. Arif Bijaksana; Ade Romadhony
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Berkembangnya Internet semakin memudahkan pengguna dalam pencarian informasi. Community Question Answering (CQA) adalah salah satu sarana yang menyediakan fasilitas tanya jawab dengan mudah dan gratis.  Forum diskusi kebanyakan membebaskan pengguna dalam menulis pertanyaan ataupun jawabannya, maka dari itu jawaban-jawaban yang ada pasti sangat bervariasi, terdapat jawaban yang memberikan solusi dan ada juga jawaban yang tidak menjawab pertanyaan. Pada penelitian ini, yang dilakukan berkaitan dengan klasifikasi jawaban terhadap pertanyaan yang ada pada forum diskusi Qatar Living. Identifikasi dilakukan untuk menentukan jawaban mana yang termasuk dalam kelas good, bad, dan potential.  Klasifikasi jawaban diselesaikan dengan metode supervised learning.   Proses klasifikasi dilakukan pada data yang direpresentasikan oleh fitur seperti Similarity feature  (semantic similarity dan cosine similarity), topik model, Textual feature (author), dan Non textual feature (special word, heuristic/link, head word, emoticon, dan question mark).  Secara garis besar, terdapat tiga tahap pada penelitian ini yaitu, preprocessing lalu ekstraksi fitur, dan terakhir adalah proses klasifikasi jawaban. Preprocessing terdiri atas tiga tahap yaitu, tokenization, stopword removal, dan lemmatization. Perbedaan penelitian ini dengan penelitian sebelumnya yaitu JAIST adalah dari segi pemilihan fitur. JAIST menggunakan Word matching feature group, Special-component feature group, Non textual feature group, Topic model, Word vector, dan Translation based feature.  Berdasarkan hasil evaluasi dari penelitian ini, penulis mendapatkan bahwa klasifikasi yang dilakukan memiliki tingkat akurasi sebesar 72,36 % dan Macro F1 sebesar 54,10 %. Jika dibandingkan dengan hasil SemEval 2015, penelitian ini berada pada urutan ke 3 dari 12 peserta dengan nilai Macro F1 sebagai baseline score untuk pemeringkatannya. Keyword: community question answering, supervised learning, semantic similiarity, pemodelan topik, qatar living.
Analisa Dan Penerapan Hmvc Pada Aplikasi E - Learning Haryo Nugroho; Dana Kusumo; Ade Romadhony
eProceedings of Engineering Vol 1, No 1 (2014): Desember, 2014
Publisher : eProceedings of Engineering

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

Abstract

Aplikasi e – learning PT. Javan IT Services menerapkan pola Model – View – Controller (MVC) pada rancangannya. Namun pola ini memiliki kelemahan, yaitu keterkaitan yang erat antar komponen (model, view, dan controller) pada pola tersebut. Hal ini menyebabkan pengembangan aplikasi yang menerapkan pola MVC, termasuk aplikasi e – learning PT. Javan IT Services, menjadi lebih sulit. Hierarchical – Model – View – Controller (HMVC) merupakan pola variasi dari MVC. HMVC dikembangkan untuk mengatasi kekurangan yang dimiliki oleh MVC. Cohesion dan coupling merupakan atribut aplikasi yang dapat menunjukkan kualitas aplikasi tersebut. Perawatan, pengujian, dan pengembangan aplikasi akan lebih mudah dilakukan bila aplikasi tersebut memiliki cohesion dan coupling yang baik. Pada tugas akhir ini, dua rancangan aplikasi e – learning PT. Javan IT Services dibuat. Salah satu rancangan menerapkan pola HMVC sedangkan rancangan lainnya menerapkan pola MVC. Cohesion dan coupling dari kedua rancangan kemudian dianalisa. Hasil analisa menunjukkan bahwa rancangan yang menerapkan pola HMVC memiliki cohesion dan coupling yang lebih baik dibandingkan dengan rancangan yang menerapkan pola MVC. Diharapkan melalui tugas akhir ini pengembang aplikasi web khususnya pengembang e – learning PT. Javan IT Services dapat melihat HMVC sebagai pola alternatif dalam mengembangkan aplikasinya. Kata kunci : aplikasi web, cohesion, coupling, HMVC, MVC.
Pemeringkatan Jawaban Pada Community Question Answering Dengan Tekstual Fitur Dan Pemodelan Topik Luh Putri Ayu Ningsih; Ade Romadhony; Moch. Arif Bijaksana
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Community question answering(CQA), seperti qatar living forum telah menjadi salah satu tempat bagi pengguna in- ternet untuk mendapatkan informasi. Satu pertanyaan pada CQA dapat memiliki banyak jawaban, namun pengguna harus memilih jawaban yang paling sesuai dengan pertanyaannya secara manual yang membutuhkan waktu cukup lama.Permasalahan ini dapat diatasi dengan membangun sistem pemeringkatan jawaban dari list jawaban yang telah ada dimana jawaban yang sesuai dengan pertanyaan diatas jawaban yang tidak sesuai dengan pertanyaan. Proses per- tama yang akan dilakukan dalam penelitian yaitu teks preprocessing.Setelah data teks menjadi lebih teratur dilakukan ekstraksi fitur , dimana fitur yang akan digunakan adalah tekstual fitur dan pemodelan topik .Tekstual fitur adalah mengidentifikasi ciri ciri sebuah jawaban yang Good dan bad dengan melihat elemen-elemen teksnya seperti melihat apakah sebuah jawaban mengandung tanda tanya(?), emotikon,link atau kata-kata tertentu.Pemodelan topik meru- pakan pemodelan data tekstual yang bertujuan menemukan variabel tersembunyi.  Dalam Penelitian ini akan fokus pada penggunaan pemodelan topik untuk mencari kemiripan antar pertanyaan dan jawaban. Hasil ekstraksi fitur ini akan dijadikan inputan untuk classfier untuk membuat model yang akan digunakan oleh data uji. Pada pengerjaan tu- gas akhir ini mengunakan Support Vector Machine (SVM) dan logistic regression untuk mendapatkan score klasifikasi dimana score ini yang menentukan peringkat sebuah jawaban untuk setiap pertanyaan. Berdasarkan hasil evaluasi dari penelitian yang dilakukan penulis didapatkan bahwa sistem pemeringkatan yang dibuat memiliki nilai mean avarage precision sebesar 71.9. Hasil ini didapatkan mengunakan logistic regression sebagai classifiernya. Jika dibandingkan dengan hasil peserta SemEval 2016 task 3 hasil yang didapatkan dalam penelitian ini berada di rangking 8 dari 13 peserta. Kata Kunci: community question answering,tekstual fitur, pemodelan topik,ekstraksi fitur,Peringkat
Implementasi Dan Analisis Kesamaan Semantik Pada Bahasa Indonesia Dengan Metode Berbasis Vektor Rhesa Hermawan; Ade Romadhony; 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

Kesamaan semantik adalah tugas untuk memperkirakan kekuatan hubungan semantik antara unit bahasa atau konsep, dalam hal ini kesamaan makna yang dimiliki oleh sepasang kata. Kesamaan semantik pada kata bahasa Indonesia dapat diukur dengan menggunakan basis pengetahuan seperti Kamus Besar Bahasa Indonesia. Metode berbasis vektor merupakan salah satu metode yang dapat digunakan untuk mengukur kesamaan semantik. Pada Tugas Akhir ini diimplementasikan kesamaan semantik pada pasangan kata bahasa Indonesia dengan menggunakan metode berbasis vektor, pembobotan tf-idf, dan perhitungan kesamaan kosinus, Kamus Besar Bahasa Indonesia sebagai basis pengetahuan, dan dataset yang digunakan dibuat berdasarkan referensi dari SimLex999 dan Rubensteingoodenough sebanyak 180 pasang kata, gold standard yang didapat berdasarkan hasil kuesioner terhadap 31 orang responden. Hasil penelitian yang telah dilakukan, didapatkan nilai korelasi terbaik sebesar 0.5416 dengan menambahkan definisi sinonim dalam pengujian. Parameter terbaik yang mempengaruhi nilai kesamaan semantik pada penelitian ini adalah dengan menambahkan definisi dari sinonim tanpa stopword removal. Kata Kunci: gold standard, Kamus Besar Bahasa Indonesia, kesamaan semantik, kesamaan kosinus, metode berbasis vektor, tf-idf.
Identifikasi Tweet Yang Mengandung Sarkasme Dalam Studi Kasus Pemilihan Presiden 2019 Menggunakan Metode Long Short-term Memory Nadine Azhalia Purbani; Anisa Herdiani; Ade Romadhony
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakTwitter saat ini menjadi salah satu sarana media sosial yang digunakan untuk melakukan kampanyepublik, termasuk kampanye calon presiden pada pemilu tahun ini. Tweet kampanye sering kalimengandung sarkasme, yaitu penggunaan kata-kata pedas yang bertujuan untuk menyakiti hati oranglain. Adanya sarkasme yang terkandung di dalam suatu tweet membuat kebanyakan orang gagalmemahami makna yang disampaikan. Sarkasme juga sering digunakan oleh seseorang untukmenyampaikan cemoohan atau ejekan kasar, sehingga dapat memicu pertikaian. Oleh karena itu, deteksi sarkasme perlu dilakukan agar dapat mengurangi potensi pertikaian. Deteksi sarkasme merupakansebuah tugas yang menantang, karena sarkasme sendiri cukup sulit untuk ditentukan. Pada Tugas Akhirini dilakukan deteksi sarkasme pada tweet dengan topik pemilihan presiden Indonesia 2019. Metode yangdigunakan untuk klasifikasi adalah Long Short-Term Memory (LSTM), dan fitur kata direpresentasikandalam bentuk vektor word embedding. Pada Tugas Akhir ini dilakukan pembangunan dataset denganmengambil tweet pada rentang waktu 10 hari yang terkait dengan topik pilpres 2019. Berdasarkan hasilpengujian, nilai terbaik yang didapat dari accuracy, precision, dan recall secara berurut adalah sebesar93%, 92%, dan 95%.Kata kunci : identifikasi, klasifikasi teks, twitter, sarkasme, LSTM.
Analisis Hasil Penerapan Metode Distributional Semantic Untuk Kesamaan Semantik Pada Bahasa Indonesia Muhammad Taufik Wahdiat; Ade Romadhony; Said Al Faraby
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakKesamaan semantik adalah metrik kesamaan antar kata, kalimat atau dokumen yang berbagi dalamelemen makna. Perhitungan terkaitan semantik memiliki peranan penting dalam data mining, pengambilaninformasi, dan bahkan natural language processing. Pada bahasa Indonesia, perhitungan kesamaansemantik mendapat peran penting karena banyak dimanfaatkan untuk aplikasi lain, seperti klasifikasi teks.Pengukuran kesamaan semantik dapat dilakukan dengan pendekatan berbasis korpus dan pendekatanberbasis kamus. Pada Tugas Akhir ini dilakukan pembangunan model kesamaan semantik berbasis korpusyang direpresentasikan dengan distributional semantic vector. Model kemudian diujikan pada beberapapasang kata dengan derajat kesamaan semantik bervariasi. Model kesamaan semantik dibangun berdasarkorpus Wikipedia Bahasa Indonesia, dengan metode word2vec. Hasil pengujian pada dataset uji yang jugadigunakan pada penelitian sebelumnya berdasar pada referensi SimLex999 dan Rubenstein-goodenoughmenunjukkan nilai korelasi yang diperoleh 0.2753. Walaupun nilai korelasi tersebut lebih kecil dibandingnilai pada penelitian sebelumnya dengan pendekatan korpus, terdapat beberapa kasus di mana modelsemantik berbasis korpus mampu menangkap korelasi semantik lebih baik.Kata kunci : kesamaan semantik, bahasa Indonesia, persamaan kosinus.AbstractSemantic similarity is similarity metric between words, sentences or documents that shares element ofmeaning. Semantic similarity measurement has important role in data mining, information retrieval andeven natural language processing. In Indonesian language, semantic similarity measurement has importantrole because it is widely used for other application, such as text classification. Semantic similarity can bedone by corpus based approach and dictionary based approach. In this thesis, the development of corpusbased semantic similarity model is represented by distributional semantic vector. The model is then testedon several pairs of words with varying degrees of semantic similarity. The semantic similarity model wasbuild based on Indonesian Wikipedia corpus, with word2vec method. The test result on test dataset whichused in previous studies based on SimLex999 dan Rubenstein-goodenough references show the correlationvalue obtained is 0.2753. Although the correlation value is smaller than value in previous study with thecorpus approach, there are numbers of cases where the corpus based semantic model is able to capture thesemantic correlation better.Keywords: semantic similarity, Indonesian language, cosinus similarity
Sistem Rekomendasi Mata Kuliah Pilihan Menggunakan Association Rule Dan Ant Colony Optimization (studi Kasus Mata Kuliah Di Jurusan Teknik Informatika Universitas Telkom) Aditia Rafif Khoerulloh; Dade Nurjanah; Ade Romadhony
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakDalam proses perkuliahan, setiap mahasiswa diwajibkan untuk menyelesaikan setiap mata kuliah dengansejumlah sks yang ditentukan oleh institusi. Ada mata kuliah yang bersifat wajib dan pilihan. Mata kuliahpilihan berdampak pada fokus bidang penelitian yang akan diambil. Pemilihan hal tersebut membantudalam pengerjaan tugas akhir yang lebih baik. Pemilihan mata kuliah yang tidak sesuai dengan riwayat nilai dan ekspektasi mahasiswa bisa menyebabkan kesulitan dalam penyelesaian tugas akhir. Padapenelitian ini akan dirancang sistem rekomendasi mata kuliah pilihan menggunakan metode brute force,association rule dan metode ant colony optimization (ACO). Metode brute force digunakan untukmendapatkan rekomendasi mata kuliah pilihan berdasarkan riwayat nilai. Algoritma apriori padametode association rule digunakan untuk menemukan asosiasi setiap mata kuliah pilihan. Sedangkanalgoritma ant cylce pada metode ACO digunakan untuk mengoptimasi hasil pencarian rule sebagairekomendasi learning path pengambilan mata kuliah pilihan. Kemudian hasil dari ketiga algoritmatersebut digabungkan untuk hasil rekomendasi yang lebih baik. Hasil penelitian menunjukan bahwaalgoritma brute force dapat memberikan rekomendasi sesuai riwayat nilai. Algoritm apriori pada metodeassociation rule dapat menghasilkan rule untuk setiap kelompok keahlian dan algoritma ant cycle padaalgoritma ACO dapat memberikan rekomendasi berupa rule pemilihan mata kuliah pilihan dan learningpath mata kuliah pilihan. Hasil penggabungan tiga algoritma dapat menghasilkan rekomendasi matakuliah pilihan dengan baik.Kata kunci: course recommendation, association rule, ant colony optimization (ACO), apriori, ant cycle, brute force AbstractIn the lecture process, each student is required to complete each course with several credits determined by the institution. Some courses are mandatory and optional. Elective courses have an impact on thefocus of the research area to be taken. The selection of these things helps in the completion of the finalproject. Selection of courses that are not by the history of grades and expectations of students can causedifficulties in completing the final project. In this study, a recommendation subject system will bedesigned using the brute force method, association rule, and the ant colony optimization (ACO) method.The brute force method is used to obtain elective course recommendations based on historical grades. Apriori algorithm in the association rule method is used to find the association of each chosen subject.While the ant cycle algorithm in the ACO method is used to optimize the rule search results as arecommendation for learning path taking elective courses. Then the results of the three algorithms arecombined for better recommendation results. The results showed that the brute force algorithm canprovide recommendations according to historical values. A priori algorithm in the association rulemethod can produce rules for each group of expertise and the ant cycle algorithm in the ACO algorithmcan provide recommendations in the form of rules for selecting the subject and learning path for selectedsubjects. The results of combining the three algorithms can produce a choice of elective courses well.Keywords: course recommendation, association rule, ant colony optimization (ACO), apriori, ant cycle,brute force
Analisis Sentimen Masyarakat Terhadap Hasil Kerja Petahana Dalam Kaitan Dengan Pemilihan Presiden Tahun 2019 Pada Sosial Media Twitter Menggunakan Support Vector Machine (svm) Ridea Valentini Peristiwari Siwabessy; Anisa Herdiani; Ade Romadhony
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakCalon presiden dan wakil presiden pada pemilihan umum tahun 2019, terdiri dari petahana dan salah satucalon presiden yang baru. Petahana telah bekerja selama 4 tahun untuk membangun Indonesia. Dalammasa kepemimpinannya banyak program kerja yang telah dikerjakannya. Berbagai penilaian terhadaphasil kerjanya bermunculan. Ada yang pro, tetapi juga ada yang kontra dengan hasil kerja petahana.Sosial media Twitter merupakan salah satu platform yang sering digunakan untuk menyampaikanberbagai penilaian terhadap hasil kerja petahana. Informasi yang terdapat pada Twitter berupa pertanyaan,opiniataukomentar,baikyangbersifatpositifmaupunnegatif.Setiaptweetyangmenyatakanapresiasimaupunpenolakanmerupakanbentukekspresidarimasyarakatsebagairesponterhadaphasilkerjapetahana.Dalampenelitianini,dibangunsebuahsistemyangdapatmengklasifikasikantweetberdasarkansentimentmasyarakatterhadaphasilkerjasangpetahanaberdasarkantweet.UntukmengklasifikasikansentimenberdasarkanparameternyadigunakanmetodeSupportVectorMachine(SVM)sebagaiclassifiernya.Hasilyangdidapatkanbahwaskenario3(kombinasiTF-IDF+Stemming)danskenario8(kombinasiWordCount+Stemming)memilikiakurasibaikyaitu81,58%dan77,56%. Katakunci:supportvectormachine,sentimen,twitter,pilpres  AbstractPresidentialandvicepresidentialcandidatesinthe2019generalelection,consistingofincumbentandoneofthenewpresidentialcandidates.Incumbenthasworkedfor4yearstodevelopIndonesia.Inhisleadershipprogrammanyworkprogramshehasdone.Variousconsiderationsontheresultsofdiscussionsemerged.Therearepros,buttherearealsoconswiththeworkofincumbents.SocialmediaTwitterisoneofplatformthatisoftenusedtopresentvariousassessmentsofincumbent'swork.InformationsuggestedonTwitterincludesquestions,opinionsorcomments,bothpositiveandnegative.Everytweetthatexpressesappreciationisalsoaformofresponsefromthecommunityinresponsetotheincumbent'swork.Inthisstudy,asystemwasbuiltthatcouldclassifytweetsbasedoncommunitysentimenttowardstheincumbent'sworkbasedon tweets. To classify sentiments based on their parameters the Support Vector Machine (SVM)method is used as the classifier. The results obtained were scenario 3 (TF-IDF + Stemming combination)and scenario 6 (Word Count + Stemming combination) have good accuracy that is 81,58% and 77,56%.Keywords: support vector machine, sentiment, twitter, general election
Co-Authors A, Subaveerapandiyan Aditia Rafif Khoerulloh Adiwijaya Affan Fattahila, Ananda Agung Toto Wibowo Al Aufar, Arya Prima Al Faraby, Said Alfian Akbar Gozali Ali Ridho Fauzi Rahman Ananda Wulandari Anditya Arifianto Anisa Herdiani Anisah Firli Ardiansyah, Yusfi Arya Prima Al Aufar Bambang Pudjoatmodjo Bambang Pudjotatmodjo Barawi, Mohamad Hardyman Bedy Purnama Bhudi Jati Prio Utomo Bimmo Satryo Wicaksono Brady Rikumahu Dadan Rahadian Dade Nurjanah Dana Kusumo Dana S Kusumo Dana S Kusumo Dodi Wisaksono Sudiharto Donni Richasdy Ema Rachmawati Ema Rachmawati Fat'hah Noor Prawira Fat’hah Noor Prawira Fat’hah Noor Prawira Fazainsyah Azka Wicaksono Fazmah Arif Yulianto Frima, Mariana Gheartha, I Gusti Bagus Yogiswara H Hasmawati Hamdy Nur Saidy Haryo Adi Nugroho Haryo Adi Nugroho Haryo Nugroho Hasmawat, Hasmawat Hasmawati Hasmawati Hasmawati Hasmawati Hasmawati Herman, Fizio Ramadhan Imelda Atastina Januarahman, Faishal Kemas Rahmat S.W Kemas Rahmat Saleh Wiharja Lintani Afina Hajar Raudhoti Luh Putri Ayu Ningsih Mahmud Dwi Sulistiyo Moch Arif Bijaksana Muhammad Arzaki Muhammad Aziz Pratama Muhammad Farrel Muhammad Iqbal Muhammad Iqbal Muhammad Taufik Wahdiat Muhammad Zaky Aonillah Nadine Azhalia Purbani Ningsih, Shabrina Retno Nugraha, Azhar Baihaqi Nur, Farhan Ahmadi Javier othman, mohd kamal Pramana, Rifki Adi Prawita, Fat’hah Noor Putu Harry Gunawan Ramanti Dharayani Rhesa Hermawan Ridea Valentini Peristiwari Siwabessy Rimba Whidiana Ciptasari Riska Junia Wulandari Rita Rismala Said Faraby Selly Meliana Setiawan, Muhammad Rizki Ramadhan Siti Saadah Tresna Ariesta, Bayu Untari Novia Wisesty Wijaya, Kurniadi Ahmad