Article Per Year (5 Year)
p-Index From 2020 - 2025
10.57
P-Index
This Author published in this journals
All Journal ComEngApp : Computer Engineering and Applications Journal Jurnal Teknologi Informasi dan Ilmu Komputer Register: Jurnal Ilmiah Teknologi Sistem Informasi Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Sisfokom (Sistem Informasi dan Komputer) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) TEKNOLOGIA Jurnal Linguistik Komputasional Building of Informatics, Technology and Science Journal of Computer System and Informatics (JoSYC) Journal of Data Science and Its Applications Charity : Jurnal Pengabdian Masyarakat KLIK: Kajian Ilmiah Informatika dan Komputer Prosiding Konferensi Nasional PKM-CSR Journal of Renewable Energy, Electrical, and Computer Engineering Jurnal Indonesia Sosial Teknologi eProceedings of Engineering Community Service Seminar and Community Engagement (COSECANT) Dike Jurnal INFOTEL CSRID
Kemas Muslim Lhaksmana
Universitas Telkom, Indonesia
Arts Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Mathematics Nursing Public Health Social Sciences Other

Published : 114 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 52 Documents
Search
Journal : eProceedings of Engineering

 2   3   4   5   6 
Prediksi Retweet Berbasis Fitur Content Similarity Dan Content Based Dengan Menggunakan Metode Support Vector Machine ( Svm ) Rafi Hafizhni Anggia; Jondri Jondri; Kemas Muslim Lhaksmana
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Teknologi informasi berkembang sangat pesat sehingga membantu kebutuhan manusia untuk mendapatkan sarana informasi dan komunikasi. Didalam media sosial seperti twitter sangat mudah sekali untuk mendapatkan informasi terkini seperti isu politik, kesehatan dan lainnya. Salah satu fitur penyebarannya yaitu retweet maka informasi akan cepat berpindah dari penguna satu ke pengguna lainnya. Penelitian ini berupaya untuk membangun sebuah sistem prediksi retweet dari isi konten pengguna dengan berbasis fitur Content Similarity dan Content Based menggunakan metode klasifikasi Support Vector Machine. Pembagian dataset menggunakan k fold cross validation dengan nilai k=10. Hasil akhir pada penelitian ini mendapatkan nilai akurasi rata rata sebesar 71.84%. Kata kunci : Twitter, Retweet, Content Similarity, Support Vector Machine
Prediksi Retweet Menggunakan Metode Bernoulli Dan Gaussian Naive Bayes Di Media Sosial Twitter Dengan Topik Vaksinasi Covid-19 Ika Puspita Dewi; Jondri Jondri; Kemas Muslim Lhaksmana
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Media sosial twitter adalah media sosial internasional yang mengizinkan pengguna untuk berbagi pesan atau biasa disebut tweet dengan maksimal 280 karakter per-tweet, dapat dilakukan secara publik maupun pribadi dengan pengguna lain. Twitter menyediakan berbagai informasi yang diperlukan mulai dari informasi kesehatan, pendidikan, olahraga, politik, makanan, dan keuangan, disediakan pula aktivitas retweet untuk menyebarkan kembali tweet orang lain sehingga penyebaran informasi menjadi lebih luas. Tujuan penelitian yaitu membangun sistem yang dapat mempredisksi penyebaran informasi di twitter menggunakan metode Bernulli dan Gaussian Naive Bayes yang menerapkan beberapa fitur seperti Network Feature, Content Similarity, dan Content Based Feature. Hasil penelitian yang didapat dengan menggunakan k-fold cross validation 10 yaitu menunjukkan Bernoulli Naïve bayes lebih unggul dibanding metode Gaussian Naïve Bayes dengan perolehan rata-rata f1-score Benoulli Naïve Bayes yaitu untuk skenario pertama sebesar 60.06% (f1-score), skenario kedua sebesar 60.08% (f1-score), dan skenario ketiga sebesar 60.09% (f1-score). Kata kunci : Penyebaran Informasi, Twitter, Content Similarity, Naïve Bayes
Implementasi Metode Tf-idf Dan K-nearest Neighbor Untuk Seleksi Pelamar Kerja Jofardho Adlinnas; Kemas Muslim Lhaksmana; Donni Richasdy
eProceedings of Engineering Vol 7, No 3 (2020): Desember 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Indonesia merupakan salah satu negara dengan jumlah penduduk terbesar didunia dan mengalami peningkatan disetiap tahunnya, maka dari itu jumlah tenaga kerja juga terus meningkat pada setiap tahunnya dari berbagai jenis tingkatan pendidikan. Perekrutan pegawai merupakan salah satu proses penting menyaring pelamar yang berkualifikasi dan memenuhi standar organisasi/perusahaan. Proses perekrutan pelamar kerja yang dengan jumlah yang banyak menjadikan salah satu faktor bagi perusahaan membutuhkan waktu dan biaya lebih pada proses penyeleksian. Salah satu cara untuk memudahkannya proses seleksi, dengan memberi label/skor pada hasil wawancara pelamar oleh expert/ahli. Untuk menyelesaikan masalah tersebut digunakannya metode Term Frequency-Inverse Document Frequency (TF-IDF) sebagai extraksi fitur dan metode K-Nearest Neighbor (KNN) dengan cosine similarity untuk menghitung jarak tetangga terdekat, sebagai klasifikasi terhadap teks hasil wawancara pelamar. Hasil dari proses ini menunjukkan bahwa KNN merupakan pendekatan yang cukup efektif karena tingkat akurasi KNN mampu menghasilkan keakuratan ratarata mencapai 65.2%. Kata kunci: perekrutan pelamar kerja, klasifikasi teks, K Nearest-Neighbor, Cosine similarity Abstract Indonesia is one of the countries with the largest population in the world and has increased every year, therefore the number of workers also continues to increase every year from various types of education levels. Recruitment of employees is an important process of screening qualified applicants and meeting organizational / company standards. The recruitment process of job applicants with a large number makes one of the faktors for companies requiring more time and money in the selection process. One way to facilitate the selection process, by giving a label / score on the interview results of the applicant by the expert / expert. To solve this problem the term frequency-inverse document frequency (TFIDF) method is used as a feature extraction and the K-Nearest Neighbor (KNN) method K-Nearest Neighbor (KNN) method with cosine similarity to calculate the distance to the nearest neighbor, as a classification of the text of the interview applicants. The results of this process show that KNN is a quite effective approach because the accuracy of KNN is able to produce an average accuracy of 65.2%. Keywords: recruitment of job applicants, text classification, K Nearest-Neighbor, Cosine similarity
Analisis Sentimen Destinasi Wisata Kuliner Di Twitter Menggunakan Tf-idf Dan Complement Naïve Bayes Pada Dataset Tidak Seimbang Fakhrana Kurnia Sutrisno; Jondri Jondri; Kemas Muslim Lhaksmana
eProceedings of Engineering Vol 8, No 4 (2021): Agustus 2021
Publisher : eProceedings of Engineering

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

Abstract

Opini masyarakat terhadap suatu destinasi wisata kuliner sangat bermanfaat bagi pemilik maupun pengunjung tempat tersebut. Maka dari itu dilakukan analisis sentimen terhadap destinasi wisata kuliner di Kota Bandung, yaitu Cuanki Serayu dan Sate DJ. Analisis sentimen diawali dengan mengambil data dari Twitter dan dilabeli secara manual menjadi positif, netral, dan negatif. Data yang sudah dilabeli dilakukan preprocessing dan oversampling pada data yang tidak seimbang. Dataset dibagi menjadi data train dan data test dengan perbandingan 70:30. Pelatihan data dilakukan menggunakan metode Complement Naïve Bayes dengan ekstraksi fitur TF-IDF. Dari hasil pengujian diperoleh nilai f1-score terbesar sebesar 0,80 dari data yang telah dilakukan oversampling. Kata kunci: analisis sentimen, oversampling, TF-IDF, Complement Naïve Bayes, f1-score
Analisis Klasifikasi Tweet Suatu Akun Film Production Dengan Kontent-based Dan Time-based Menggunakan Metode Naive Bayes Rizki Luthfan Azhari; Jondri Jondri; Kemas Muslim Lhaksmana
eProceedings of Engineering Vol 9, No 3 (2022): Juni 2022
Publisher : eProceedings of Engineering

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

Abstract

AbstrakPada era digital yang serba modern ini, media sosial menjadi sarana atau platform untuk menyebarkan berbagai macam informasi secara mudah. Twitter merupakan salah satunya, twitter sendiri adalah sebuahmedia sosial yang bisa menyebarkan suatu informasi melalui tweet (kata kata yang diunggah oleh pengguna). Tweet bisa mengandung berbagai macam informasi, pembahasan, video, gambar maupun tautan ke suatu website. Suatu tweet akan disebarkan dari suatu pengguna ke pengguna lainnya dengan cara me-meretweetnya. Pada penelitian ini bertujuan untuk menganalisa apakah suatu tweet akan di retweet oleh pengguna lainnya dengan menggunakan fitur kontent-based dan time-based dengan metode klasifikasi naïve bayes serta menggunakan k-fold cross validation dengan nilai k=5 untuk melakukan splitdata. Hasil performansi yang didapatkan dengan menerapkan metode tersebut berupa nilai ratarata akurasi 61,36%, rata-rata precision yang didapatkan sebesar 65,06%, rata-rata untuk recall sebesar 55,61%, lalu rata-rata untuk f1-score sebesar 50,49%.
Analisis Sentimen Menggunakan Metode Naive Bayes dan Support Vector Machine pada Ulasan Aplikasi Spotify Muhammad Rifqi Fauzi Ramdhani; Kemas Muslim Lhaksmana
eProceedings of Engineering Vol 10, No 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Pergeseran kebiasaan memutar lagu secara digital didukung oleh kemudahan akses yang tersedia di berbagai perangkat, membuat pengguna bisa mendegarkan lagu kapanpun dan dimanapun waktunya. Spotify merupakan platform nomor satu sebagai penyedia jasa musik dan audio gratis dengan hampir 422 juta pengguna aktif dan menguasai 31% pangsa pasar skala global. Dengan banyaknya unduhan yang sudah mencapai satu juta kali, Spotify mendapatkan nilai rating 4.4 dan ulasan oleh para penggunanya. Pengguna diberikan kebebasan untuk mengekspresikan hasil kepuasaan, kritik, dan saran terhadap aplikasi. Ulasan tersebut bisa digunakan sebagai umpan balik untuk perusaahan dalam meningkatkan layanan dan mengembangkan inovasi selanjutnya. Analisis sentimen diperlukan untuk mengolah ulasan menjadi informasi yang bermanfaat dengan melalui beberapa tahapan pembersihan data terlebih dulu. Pembobotan menggunakan TF-IDF dilakukan sebelum masuk kedalam proses klasifikasi menggunakan Naive Bayes dan Support Vector Machine. Nilai F1-Score terbaik didapatkan pada metode SVM kernel RBF dengan nilai C & gamma optimum menghasilkan nilai F1-Score tertinggi sebesar 81% pada dataset ulasan aplikasi Spotify di layanan GooglePlay Store.Kata kunci-naive bayes, support vector machine, spotify, analisis sentimen, ulasan
Teknik Recommender System Menu Makanan dengan Pendekatan Contextual Model dan Multi-Criteria Decision Making pada Orang Dewasa Isabella Vichita Kacaribu; Erwin Budi Setiawan; Kemas Muslim Lhaksmana
eProceedings of Engineering Vol 10, No 4 (2023): Agustus 2023
Publisher : eProceedings of Engineering

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

Abstract

Wisata Kuliner adalah kegiatan yang popular pada saat ini. Banyak tempat makan yang menawarkan makanan-makanan dengan tampilan yang menarik, murah, atau enak. Beberapa masyarakat mendapatkan informasi mengenai wisata kuliner atau daftar makanan melalui media sosial, berita maupun melalui media cetak. Sehingga banyak dari mereka menentukan menu makanan yang mereka santap melalui media sosial. Banyak kriteria yang digunakan dalam memilih makanan, seperti ada yang melihat kandungan kalorinya, harganya, lokasinya, atau yang lainnya. Seiring berkembangnya teknologi informasi, sistem rekomendasi telah semakin dibutuhkan oleh masyarakat untuk membantu pengguna dalam mendapatkan informasi menu makanan yang relavan. Ada metode untuk merekomendasikan makanan berdasarkan contextual model dan multi-criteria decision yang dapat membantu pengguna memilih makanan yang cocok. Berdasarkan pada metode Weighted Sum Model, penelitian ini ingin membuat suatu teknik yang lebih baik dengan menggunakan terapan Contextual Model. Contextual Model membuat pengguna menjadi lebih mengerti dalam penggunaan sistem dan mudah dimengerti.Kata kunci— wisata kuliner, recommender system, contextual model, multi-criteria decision, weighted sum model.
Prediksi Employee Attrition menggunakan Algoritma Support Vector Machine (SVM) Muhammad Abdurrohman Al Fatih; Kemas Muslim Lhaksmana
eProceedings of Engineering Vol 10, No 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Employee attrition atau keluarnya karyawan dari perusahaan adalah sebuah tantangan, mengingat karyawan merupakan salah satu aset penting bagi perusahaan. Tingkat employee attrition yang tinggi menandakan bahwa seringnya para karyawan keluar dari perusahaan. Hal ini akan merugikan perusahaan dari sisi waktu, biaya, sumber daya manusia dan juga membuat citra perusahaan turun. Perlunya untuk menganalisis dan memprediksi employee attrition agar dapat dilakukan tindakan preventif dan persuasif sehingga karyawan tidak keluar dari perusahaan. Oleh karena itu, dibutuhkannya sebuah tools atau alat bantu untuk memprediksi apakah seorang karyawan akan keluar dari perusahaan. Pada penelitian ini dilakukan implementasi model machine learning untuk memprediksi employee attrition dan membandingkan performansi antara algoritma support vector machine (SVM) dengan algoritma k-Nearest Neighbors (kNN). Data set yang digunakan adalah data set IBM HR Analytics Employee Attrition & Performance. Kedua model dievaluasi dengan menggunakan metrik accuracy, F1-score, dan geometric-mean. Hasil dari penelitian ini menunjukkan bahwa model dengan algoritma SVM memiliki nilai metrik yang lebih baik daripada algoritma kNN dengan rata-rata accuracy 0.86, F1-score 0.59, dan geometric-mean 0.75. Ini menandakan bahwa model dengan algoritma SVM lebih baik dalam memprediksikan data ke dalam kelas attrition dan kelas not-attrition daripada model dengan algoritma kNN.Kata kunci - prediksi, employee attrition, karyawan, machine learning.
Analisis Sentimen Terhadap Tweet Pelecehan Seksual Dengan Perbandingan Metode Term Weighting Menggunakan Klasifikasi SVM Terhadap Tagar Permendikbud30 Meira Reynita Putri; Kemas Muslim Lhaksmana
eProceedings of Engineering Vol 10, No 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Twitter merupakan salah satu media sosial yang dijadikan sebagai sarana dalam berpendapat dan mengeskpresikan diri, baik dalam menyalurkan pendapat ataupun aspirasi masyarakat sebagai salah satu bentuk kegiatan demokrasi. Salah satu contohnya adalah mengenai pengesahan Peraturan Menteri Pendidikan dan Kebudayaan (Permendikbud) No 30 Tahun 2021 tentang Pencegahan dan Penanganan Kekerasan Seksual (PPKS) di Perguruan Tinggi. Munculnya Tweet dengan tagar #permendikbud30 menuai pro dan kontra di kalangan pengguna media sosial Twitter. Untuk mengolah informasi Tweet tersebut, dilakukan analisis sentimen yang berfungsi untuk menentukan pendapat atau opini mengenai suatu produk atau peristiwa. Pada prosesnya, Tweet diolah menggunakan data mining yaitu klasifikasi. Dalam menentukan klasifikasi ada beberapa tahapan yang harus dilakukan yaitu dataset, pelabelan, confusion matrix, pembobotan dan hasil akurasi. Berdasarkan sistem yang dibangun akan dilihat metode pembobotan mana yang memiliki nilai akurasi tertinggi dalam analisis sentiment terhadap #permendikbud30. Berdasarkan hasil pengujian didapatkan nilai F1-Score tertinggi untuk TF-RF dengan fungsi SVM kernel rbf sebesar 51%.Kata kunci-analisis sentimen, twitter, permendikbud30, confusion matrix, dataset 
Implementasi Metode Naïve Bayes Classifier Terhadap Analisis Sentimen Tempat Wisata di Nusa Tenggara Barat Edgarsa Bramandyo Widyarto; Jondri Jondri; Kemas Muslim Lhaksmana
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak— Berwisata adalah salah satu kegiatan yang sudah menjadi sebuah kebutuhan dalam kehidupan kita. Karena dengan liburan, bisa melepas penat dari berbagai rutinitas. Sebelum menentukan tempat wisata, biasanya wisatawan mencari terlebih dahulu informasi yang dibutuhkan. Berbicara mengenai tempat wisata, di Indonesia terdapat salah satu provinsi yaitu Nusa Tenggara Barat yang terkenal akan destinasi wisatanya. Ada pantai, gunung dan juga pulau-pulau. Hadirnya media sosial, menjadikan mudah mendapatkan segala informasi dan bersifat aktual. Dengan kemudahan aksesnya, semua orang dapat berkontribusi dalam memberikan informasi, dalam hal ini adalah tempat wisata di Nusa Tenggara Barat. Wisatawan pun jika ingin mengunjungi tempat wisata, sudah memiliki gambaran mengenai tempat yang akan dikunjungi. Twitter adalah salah satu media sosial yang cukup banyak dipakai. Wisatawan yang sedang berkunjung ke tempat wisata maupun masyarakat yang berada disana dapat memberikan komentar berupa tweet. Informasi inilah yang sangat membantu untuk mengetahui kualitas tempat wisata yang akan dikunjungi. Penelitian ini dilakukan untuk mengetahui metode ekstraksi fitur TF-IDF terhadap performa algoritma Naive Bayes Classifier dalam melakukan proses klasifikasi berdasarkan tweet pengguna yang sudah pernah mengunjungi atau yang sedang berada di Nusa Tenggara Barat. Menghasilkan makro F1-score senilai 0,76 atau 76%.Kata Kunci— Wisata, Sentimen, Twitter, Naïve Bayes Classifier, Bag of word, TF-IDF
Co-Authors Abdurrahman, Azzam Achmad Salim Aiman Adelia, Dila Adhyaksa Diffa Maulana Aditya Eka Wibowo Aditya Gifhari Soenarya Adiwijaya Aghi Wardani Agni Octavia Agus Kusnayat Ahmad Syafiq Abiyyu Ahmad, Alif Faidhil Al Faraby, Said Alberi Meidharma Fadli Hulu Amalia Elma Sari Andiani, Annisa Dwi Angraini, Nadya Arda Anisa Herdiani Annisa Miranda Arini Rohmawati Athallah, Muhammad Rafi Aura Sukma Andini Bayu Muhammad Iqbal Bonar Panjaitan Brata Mas Pintoko Chandra Jaya Riadi Chlaudiah Julinar Soplero Lelywiary Choirulfikri, Muhammad Rizqi Damayanti, Lisyana Dana Sulitstyo Kusumo Danang Triantoro Murdiansyah David Winalda Delva, Dwina Sarah Deni Saepudin Denny Darlis Dewantara, Muhammad Pascal Dida Diah Damayanti Didit Adytia dina juni restina Dino Caesaron Donni Richasdy Donny Rhomanzah Dzidny, Dimitri Irfan Edgarsa Bramandyo Widyarto Eki Rifaldi Eko Darwiyanto Ela Nadila Emrald Emrald Erwin Budi Setiawan Fakhrana Kurnia Sutrisno Farisi, Kamaludin Hanif Fathih Adawi Ahmad Ferdian Yulianto Fhira Nhita Ghina Annisa Shabrina Guido Tamara Haga Simada Ginting Harmandini, Keisha Priya Haura Athaya Salka Herodion Simorangkir Hutama, Nanda Yonda Ika Puspita Dewi Intan Khairunnisa Fitriani Iqmal Lendra Faisal Amien Irgi Aditya Rachman Isabella Vichita Kacaribu Isman Kurniawan Jofardho Adlinnas Jondri Jondri Jordan, Brilliant Kamaludin Hanif Farisi Kautsar Ramadhan Sugiharto Lukito Agung Waskito Luqman Bramantyo Rahmadi Luthfi, Muhammad Faris M. Mahfi Nurandi Karsana Mahendra Dwifebri Mahendra Dwifebri Purbolaksono Mahendra, Muhammad Hafizh Marendra Septianta Marozi, Ericho Mehdi Mursalat Ismail Meira Reynita Putri Mira Rahayu Moch Arif Bijaksana Mohamad Reza Syahziar Muhammad Abdurrohman Al Fatih Muhammad Adzhar Amrullah Muhammad Arif Kurniawan Muhammad Ilham Maulana Muhammad Rifqi Fauzi Ramdhani Muhammad Yuslan Abu Bakar Muhammad Zaid Dzulfikar muhammad zaky ramadhan Muhammad Zidny Naf'an Murman Dwi Praseti Musyafa’noer Sandi Pratama Nanda Yonda Hutama Naufal Furqan Hardifa Naufal Hilmiaji Naufal Rasyad Nibras Syihabil Haq Octaryo Sakti Yudha Prakasa Okky Zoellanda A. Tane Pamungkas, Danit Hafiz Praja, Yudhistira Imam Purwita, Naila Iffah Putri, Arla Sifhana Putrisia, Denada R. Fajrika hadnis Putra Rafi Hafizhni Anggia Rafisa Arif Irfan Rahadian, Muhammad Rafi Rastim Rastim Rayhan, Muhammad Aditya Resky Nadia Rizki Luthfan Azhari Rizki Nurhaliza Harahap Rizky Ahmad Saputra Rizky, Fariz Muhammad Salman Farisi Setya Hadi Seno Adi Putra Seto Sumargo Siddiq, Ikhsan Maulana Sindi Fatika Sari Sri Utami Sri Widowati Sukmawan Pradika Janusange Santoso Suwaldi Mardana Syadzily , Muhammad Hasan Tri Widarmanti Try Moloharto Try Moloharto Vitalis Emanuel Setiawan Wardhani, Fitri Herinda Widi Astuti Widi Astuti Youga Pratama Yuliant Sibaroni Yusuf Nugroho Doyo Yekti Zaena, Siffa Zaenal Abidin ZK Abdurahman Baizal Zulkarnaen, Imran