Garuda - Garba Rujukan Digital

ANALISIS SENTIMEN TERHADAP PANGAN NASIONAL PADA MEDIA SOSIAL TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES Tomagola, Inda Sari; Id Hidiana, Asep; Nurul Sabrina, Puspita
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 5 (2023): JATI Vol. 7 No. 5
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i5.7473

Dataset di dapatkan dengan cara crawling data pada twitter setelah dataset dikumpulkan, kemudian dilakukan preprocessing untuk mengoptimalkan pengolahan data. Preprocessing terdiri dari empat tahap, yang mencakup, case folding, tokenizing, filtering dan stemming. Pembobotan kata memberikan nilai pada kata-kata yang ada di dokumen. berbeda-beda tergantung pada metode yang digunakan. Sesuai dengan algoritma yang digunakan pada penelitian ini menggunakan algoritma pembobotan kata TF-IDF dan TF-RF. Pengujiannya akan dilakukan dengan menggunakan metode klasifikasi naïve Bayes dan analisis perbandingannya dengan confussion matrix. Dengan dilakukan beberapa eksperimen 80:20 memberikan tingkat akurasi terbaik dari dua eksperimen lainnya dengan hasil akurasi TF-IDF naïve bayes 73% dan TF-RF naïve 72%. Sehingga dari kedua metode pembobotan tersebut dapat disimpulkan TF-IDF naïve bayes lebih baik hasil akurasi dibandingkan hasil TF-RF naïve bayes.

PREDIKSI CUSTOMER CHURN PADA PERUSAHAAN TELEKOMUNIKASI MENGGUNAKAN ALGORITMA C4.5 BERBASIS PARTICLE SWARM OPTIMIZATION Rizki Kurniawan, Moch.; Nurul Sabrina, Puspita; Ilyas, Ridwan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 5 (2023): JATI Vol. 7 No. 5
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i5.7476

Customer churn didefinisikan sebagai kecenderungan customer berhenti dan berpindah dari satu layanan kepada layanan lain pada periode tertentu, Karena ini merupakan masalah terpenting dalam dunia bisnis khususnya dalam industri telekomunikasi yang sangat mempengaruhi keuntungan perusahaan, dalam mendapatkan pelanggan baru biayanya jauh lebih tinggi dari pada mempertahankan pelanggan yang sudah ada. Memprediksi customer churn dapat membantu sektor CRM (Customer Relationship Management) pada perusahaan menentukan strategi mempertahankan pelanggan yang ada. Penelitian ini membahas mengenai prediksi customer churn menggunakan algoritma c4.5 berbasis particle swarm optimization yang digunakan untuk seleksi atribut dan optimasi pengukuran evaluasi confusion metrics. Skenario pembagian data latih 80% dan data uji 20%. Dari hasil penelitian optimasi particle swarm optimization mampu menyeleksi atribut pada algoritma C4.5, sehingga menghasilkan tingkat akurasi dalam prediksi customer churn yang lebih baik dibanding dengan menggunakan metode individual algoritma C4.5 terjadi peningkatan nilai akurasi sebesar 1.91% dengan nilai akurasi sebesar 91.55%, precision sebesar 85.21%, recall sebesar 85.0% dan f1-score sebesar 85.11%.

PREDIKSI JANGKA PENDEK JUMLAH PARIWISATA DENGAN METODE WEMA PADA PARAMETER MULTIVALUE FORECASTING PROVINSI JAWA TIMUR Aditya Bahrul 'Alam, Moch; Rakhmat Umbara, Fajri; Nurul Sabrina, Puspita
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 5 (2023): JATI Vol. 7 No. 5
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i5.7720

Weighted Exponential Moving Average (WEMA) merupakan metode baru dengan mengkombinasikan antara WMA dan EMA yaitu memprediksi data berdasarkan waktu yang akan datang dan menghitung nilai faktor penurunan bobot data dalam orde waktu. Metode WEMA sudah digunakan pada kasus prediksi harga saham IHSG yang memberikan hasil yang cukup baik dan prediksi kedatangan turis. Bidang pariwisata dapat dipengaruhi oleh beberapa faktor yaitu jumlah wisatawan, jumlah destinasi, jumlah hunian hotel, dan jumlah pendapatan perkapita. Metode WEMA sudah pernah digunakan dalam prediksi kedatangan turis namun menggunakan atribut berbeda sehingga belum diketahui akurasinya. Metode WEMA diimplementasikan dengan tahapan pra-proses yaitu seleksi data dan transformasi untuk merubah tanda koma menjadi titik, kemudian data dibagi menjadi data latih (80%) dan data uji (20%) pada atribut data Wisman, TPK Hotel Bintang dan Non Bintang, TPTT Hotel Bintang dan Non Bintang, RLMT Hotel Bintang dan Non Bintang, MKT Hotel Bintang dan Non Bintang. Evaluasi Mean Absolute Percentage Error (MAPE) dilakukan pada data latih dan data uji untuk mengukur tingkat akurasi prediksi. Hasil eksperimen dan evaluasi menunjukkan tingkat akurasi tergantung nilai span dan banyaknya data yang digunakan sehingga nilai span 2 untuk kedua pembagian data menunjukkan hasil terbaik pada semua atribut yang dievaluasi dengan hasil MAPE di bawah 5%.

KLASTERING KOPI ARABIKA MENGGUNAKAN ALGORITMA K-MEDOIDS Santana, Sony; Krishna Putra, Eddie; Nurul Sabrina, Puspita
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.9480

Industri kopi arabika merupakan salah satu usaha yang berkembang di indonesia. Usaha ini memiliki keuntungan yang menjanjikan seperti memberikan lapangan pekerjaan yang menguntungkan bagi masyarakat. Permasalahan yang muncul industri kopi yang semakin hari kreatif dan inovatif ini akan selalu mencari dan mengutamakan kualitas kopi yang menghasilkan produk yang mampu bersaing dengan lawan. Dataset yang diambil dalam penelitian ini bersumber dari Coffee Quality Institute dan dibagi ke dalam beberapa variabel yang dibutuhkan. Data tersebut akan melakukan pre-processing data seperti Cleaning Data, Transformasi Data, Normalisasi Data. Untuk mengatasi permasalahan tersebut dilakukan klasterisasi atau pengelompokan data dengan metode k-medoids. Output yang akan keluar akan menghasilkan nilai Cluster dari data kopi tersebut yang memiliki nilai kemurnian Cluster yang tinggi. Dari hasil penenelitian ini menunjukan klaster 1 menonjol dengan nilai terbaik untuk aroma, Flavor, acidity, dan Uniformity, meliputi negara-negara tertentu seperti Guatemala, Honduras, Ethiopia, dan lainnya. Klaster 2, diwakili oleh negara-negara seperti Colombia, Brazil, dan Costa Rica, menunjukkan nilai terbaik pada atribut seperti aftertaste, body, Balance, clean cup, Sweetness, cupper point, dan total cup point. Klaster 3, yang meliputi sejumlah negara termasuk Mexico, Taiwan, dan United States (Hawaii), menunjukkan nilai terendah pada semua atribut. Jadi hasil akhir dari Cluster 2 memiliki nilai atribut rata-rata yang tinggi, sementara Cluster 1 memiliki nilai rata-rata yang sedang, dan Cluster 3 menampilkan nilai rata-rata yang rendah

PREDIKSI PENYAKIT DIABETES DENGAN METODE K-NEAREST NEIGHBOR (KNN) DAN SELEKSI FITUR INFORMATION GAIN Devian, Devian; Nurul Sabrina, Puspita; Komarudin, Agus
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11364

Diabetes mellitus, yang sering disebut diabetes, merupakan masalah kesehatan global yang signifikan dan mempengaruhi sekitar 422 juta orang di seluruh dunia. Penyakit ini lebih umum terjadi di negara-negara dengan tingkat ekonomi rendah dan menengah, menjadikannya tantangan kesehatan yang mendesak. Pencegahan dan deteksi dini diabetes sangat penting untuk mengurangi dampaknya terhadap kesehatan individu dan masyarakat. Penelitian ini mengeksplorasi penerapan metode K-Nearest Neighbors (K-NN) untuk prediksi diabetes dengan penekanan pada penggunaan Information Gain untuk seleksi fitur. Information Gain digunakan untuk mengidentifikasi dan memilih subset atribut paling informatif dari dataset kesehatan, bertujuan untuk meningkatkan akurasi model K-NN dan mengurangi dimensi data yang tidak relevan. Penelitian dilakukan dengan menguji model K-NN dalam empat skenario rasio dataset yang berbeda (90%:10%, 80%:20%, 70%:30%, 60%:40%). Hasil eksperimen menunjukkan bahwa penerapan Information Gain secara konsisten meningkatkan akurasi model K-NN dibandingkan dengan model tanpa seleksi fitur. Pada rasio 90%:10%, model K-NN tanpa Information Gain mencapai akurasi 69,11%, sementara model dengan Information Gain mencapai akurasi 70,96%, dengan Pencarian nilai K terbaik menunjukkan bahwa model K-NN dengan Information Gain mencapai akurasi tertinggi sebesar 72,93% pada nilai K = 17.

PREDIKSI PENYAKIT STROKE MENGGUNAKAN METODE K-NEAREST NEIGBORS DAN INFORMATION GAIN Nabiel Syahreza, Fabian; Nurul Sabrina, Puspita; Ramadhan, Edvin
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11427

Stroke adalah penyebab utama kecacatan global, dengan lebih dari 12 juta kasus baru setiap tahunnya menurut WHO. Kondisi ini ditandai oleh defisit neurologis yang berkembang cepat dan dapat berlangsung lama atau menyebabkan kematian. Untuk memprediksi risiko stroke secara akurat, penelitian ini mengembangkan model prediksi menggunakan metode K-Nearest Neighbors (KNN) yang digabungkan dengan Information Gain (IG). KNN, yang mengklasifikasikan data berdasarkan kesamaan fitur, dioptimalkan melalui seleksi fitur menggunakan IG untuk memilih fitur yang paling relevan. Hasil evaluasi menunjukkan bahwa model KNN yang mengintegrasikan IG mencapai akurasi tertinggi 99,85% dengan 5 fitur terpilih (hypertension, avg_glucose_level_category, heart_disease, ever_married, work_type) dan nilai k=25, dibandingkan dengan akurasi 88,46% dari model KNN tanpa IG. Akurasi tinggi ini didukung oleh precision 99,71%, recall 100%, dan F1-Score 99,86%, yang menegaskan efektivitas IG dalam meningkatkan performa model KNN. Penelitian ini menunjukkan bahwa integrasi IG secara signifikan meningkatkan akurasi prediksi risiko stroke dengan memilih fitur-fitur yang paling relevan.

Analisis Sentimen Menggunakan Metode IndoBERT Pada Ulasan Aplikasi Zoom Menggunakan Fitur Ekstrasi GloVe Andhika, Firza Rafiandi; Witanti, Wina; Nurul Sabrina, Puspita
METIK JURNAL (AKREDITASI SINTA 3) Vol. 9 No. 2 (2025): METIK Jurnal
Publisher : LPPM Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/g38fxb78

This research aims to conduct a sentiment analysis on Zoom application reviews by testing whether combining features from IndoBERT and GloVe can improve classification accuracy. The methodology begins with the collection of 5000 reviews from the Google Play Store, which then undergo a pre-processing stage. To address class imbalance, the Random Oversampling technique was applied. Features are extracted using IndoBERT for contextual meaning and GloVe for global semantic meaning, and their vectors are then combined through concatenation. The balanced dataset is divided into 80% training data and 20% testing data to train and evaluate the model. The test results show that the combined model achieved an overall accuracy of 91%, with a high precision value for the positive class (0.97) and a high recall value for the neutral class (0.95). For comparison, a model using only IndoBERT achieved 90% accuracy. Based on these results, it can be concluded that the combination of IndoBERT and GloVe is an effective and reliable approach for sentiment analysis, with its advantage lying in a richer feature representation due to the integration of global and contextual semantic information.

Desain Dashboard Command Center Kabupaten Bandung Barat Menggunakan Metode Design Thinking Khoirullah, Debri; Nurul Sabrina, Puspita; Ashaury, Herdi
METIK JURNAL (AKREDITASI SINTA 3) Vol. 9 No. 2 (2025): METIK Jurnal
Publisher : LPPM Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/9bhp6x40

The advancement of digitalization requires local governments to provide information services that are efficient, well-structured, and user-friendly. This study aims to design the dashboard interface for the West Bandung Regency Command Center using the Design Thinking method. The approach involves five stages—empathize, define, ideate, prototype, and test—to deeply understand user needs and deliver appropriate design solutions. Data collection was conducted through interviews and observations, followed by the creation of an interactive prototype using Figma. Usability evaluation was carried out using the System Usability Scale (SUS). The results show that the redesigned dashboard presents government data in a more informative, structured, and intuitive manner and achieved a high SUS score during testing, with an average score of 75.625, categorized as Good. This study contributes uniquely to the development of user-centered government information systems, particularly in the context of command center applications. A limitation of this study is the small number of respondents in the usability test, due to the fact that the primary users of the system are executive officials who typically do not interact directly with the UI/UX. Thus, representatives from Diskominfo—who understand the interface from a technical and operational perspective—were selected as respondents. Given the limited number of personnel operating the command center, the involvement of four respondents was considered sufficient and contextually appropriate.

Prediksi Kelancaran Nasabah Terhadap Pembayaran Angsuran Pinjaman Dengan Menggunakan Metode Algoritma Klasifikasi C4.5 Gikaldi Arbiyan Septuri; Nurul Sabrina, Puspita; Ashaury, Herdi
JURNAL TEKNIK INFORMATIKA UNIS Vol. 12 No. 2 (2024): Jutis (Jurnal Teknik Informatika)
Publisher : Universitas Islam Syekh Yusuf

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33592/jutis.v12i2.5116

Pinjaman adalah salah satu kegiatan terpenting lembaga keuangan. Masalah yang umum terjadi di lembaga keuangan adalah banyak nasabah yang kesulitan membayar cicilan, sehingga perusahaan berpotensi mengalami kerugian. Masalah ini diselesaikan dengan teknik data mining., yaitu menggunakan algoritma C4.5 untuk memprediksi kelancaran nasabah pembayaran terhadap angsuran. Tetapi, Data yang tidak seimbang merupakan tantangan bagi kinerja algoritma C4.5. Keadaan dimana model hanya mampu memprediksi kelas mayoritas. Akibatnya model C4.5 cenderung mengenali data minoritas sebagai data mayoritas. Masalah ini akan diselesaikan dengan metode penyeimbangan data Random Oversampling. Hasil dari penelitian ini mengungkapkan bahwa dengan hanya metode algoritma C4.5 menunjukkan akurasi sebesar 0.88 namun hanya memprediksi kelas mayoritas, Sedangkan penerapan Random Oversampling terbukti algoritma C4.5 berhasil mengenali distribusi kedua kelas dengan akurasi sebesar 0.79 dalam memprediksi kelancaran nasabah dalam membayar angsuran.

Rekomendasi Pemilihan Sepeda Motor Menggunakan Metode Content Based Filtering Dan Item Based Colaborative Filtering Raihan Martin Permana; Id Hadiana, Asep; Nurul Sabrina, Puspita
JURNAL TEKNIK INFORMATIKA UNIS Vol. 12 No. 2 (2024): Jutis (Jurnal Teknik Informatika)
Publisher : Universitas Islam Syekh Yusuf

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33592/jutis.v12i2.5149

Sepeda motor menjadi andalan moda transportasi yang paling dibutuhkan orang tua dan remaja saat ini. Pemilihan sepeda motor sebagai alat transportasi yang paling diminati saat ini didasari oleh keunggulan sepeda motor itu sendiri dalam hal perawatan, bahan bakar, waktu tempuh yang lebih cepat, dan kemampuan mengatasi kemacetan yang terjadi di jalan kota. peneliti melakukan penggabungan dari kedua metode yang pertama yaitu content-based filtering dimana metode ini berdasarkan preferensi pengguna berdasarkan interaksi dengan data atau informasi selanjutnya akan dicocokkan dengan serangkaian karakteristik atribut dari barang yang akan direkomendasikan. Barang dengan tingkat kecocokan tertinggi akan menjadi rekomendasi untuk pengguna untuk metode yang kedua yaitu item based collaborative filtering metode ini menghitung kemiripan item yang disuaki oleh pengguna dengan menggunakan cosine similarity kemudian item yang memiliki nilai kesamaannya disimpan dan digunakan sebagai nilai untuk menghasilkan suatu rekomendasi. evaluasi pada penelitian ini menggunakan precesion, recall dan f1-score yang berguna untuk mengukur kinerja dari sistem rekomendasi. Hasil dari evaluasi memberikan hasil precesion 54.5 %, recall 97.0% dan f1-score 69.6% Dengan hasil ini untuk sistem rekomendasi sepeda motor dengan menggunakan metode content based filtering dan item based collaborative filtering memiliki hasil baik berdasarkan hasil evaluasi dan dapat diimplementasikan kedalam sistem rekomendasi yang dapat membantu pengguna dalam mencari sepeda motor yang sesuai dengan kriteria dan kebutuhan pengguna

Title

Found 10 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 10 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 10 Documents
Search