Article Per Year (5 Year)
p-Index From 2020 - 2025
11.137
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 LOGIC: Jurnal Penelitian Informatika
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 : 116 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 116 Documents
Search

 4   5   6   7   8 
Sentimen Analisis Pada Media Online Mengenai Pemilihan Presiden 2019 Dengan Menggunakan Metode Naive Bayes Mehdi Mursalat Ismail; Kemas Muslim Lhaksmana
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

Baru-baru ini sedang ramai pemberitaan mengenai pemilihan presiden di media online. Dengan maraknya pemberitaan mengenai pemilihan presiden tersebut, media online digunakan sebagai penggiring opini publik yang efektif. Maka dari itu penelitian ini mengimplementasikan metode Naive Bayes Classifier pada Sentiment Analysis yang memungkinan kita untuk mengetahui kecondongan politik suatu media online. Penelitian ini akan ditujukan kepada teks yang berhubungan dengan pemilu 2019. Sebelum proses sentiment analysis, dilakukan terlebih dahulu pengambilan data berupa teks dengan metode web scraping, lalu dilakukan text preprocessing pada data teks tersebut. Output dari sentiment analysis ini berupa confusion matrix. Penelitian ini membangun sistem yang dapat mendeteksi sebuah berita memiliki sentimen positif atau negatif pada salah satu pasangan calon presiden tahun 2019 dengan akurasi sebesar 79,5% untuk berita mengenai Jokowi-Ma’ruf dan 64% untuk berita mengenai Prabowo-Sandi. Kata Kunci : sentiment analysis, naive bayes classifier, web scraping, text preprocessing, confusion matrix
Analisis Sentimen Terhadap Pemilihan Presiden Indonesia 2019 Pada Media Sosial Twitter Menggunakan Metode Naïve Bayes Lukito Agung Waskito; Kemas Muslim Lhaksmana; Danang Triantoro Murdiansyah
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

Pada tahun 2019 ini, media sosial twitter masih menjadi media sosial yang digemari oleh banyak orang, walaupun jumlah pengguna aktif yang sempat mengalami penurunan yang signifikan akibat ragamnya media sosial lainnya. Pada media sosial twitter ini kita dapat menuangkan apapun yang ada di pikiran kita dalam bentuk gambar, suara, dan tulisan. Setiap hari banyak sekali hal-hal yang bisa dibahas dan kita bisa menuangkannya pada media sosial twitter. Mulai dari musik, komedi, ataupun mengenai politik dan lain sebagainya. Dari hal-hal yang bisa dibahas tersebut kita bisa menggali informasi yang bermanfaat dalam sebuah penelitian mengenai topik tertentu. Untuk mengolah data dari opini-opini dalam media sosial twitter tersebut kita bisa mengerjakannya dengan teknik analisis sentimen atau opinion mining. Tetapi dalam melakukan analisis sentimen tersebut, kita perlu menggunakan teknik analisis yang tepat agar informasi yang nantinya kita dapatkan bisa maksimal dan dapat bermanfaat. Oleh karena itu, pada makalah tugas akhir ini dilakukan sebuah analisis sentimen terhadap berita yang ada di media sosial twitter mengenai pemilihan umum presiden dan wakil presiden menggunakan metode naïve Bayes classifier dengan mengklasifikasikan sentimen menjadi positif, dan negatif. Hasil penelitian yang telah dilakukan memperoleh tingkat akurasi sebesar 71.67%. Hal tersebut menunjukkan bahwa analisis sentimen menggunakan metode naïve Bayes memperoleh hasil yang cukup baik. Hasil analisis sentimen ini dapat digunakan untuk melihat bagaimana masyarakat Indonesia khususnya pada media sosial twitter dalam menanggapi proses rangkaian pemilihan umum presiden Indonesia 2019. Kata kunci : pilpres, twitter, media sosial, naïve Bayes, klasifikasi.
Klasifikasi Kategori Hadits Menggunakan Naive Bayes Classifier Emrald Emrald; Kemas Muslim Lhaksmana
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

Hadits merupakan salah satu panduan para umat Islam dalam melakukan aktivitas baik yang berkaitan dengan dunia maupun aktivitas yang berkaitan dengan akhirat. Sejauh ini hadits memiliki bermacam-macam kategori, dan kategori yang digunakan adalah tingkat keaslian hadits. Pada tugas akhir ini dilakukan penelitian untuk mengelompokkan pokok pembahasan dari kumpulan hadits menggunakan TF-IDF untuk menghitung bobot kata yang paling umum serta algoritma Naive Bayes untuk menghitung set dari probabilitas dengan cara perhitungan frekuensi dan kombinasi dari nilai didalam set data yang diberikan. Pengujian dilakukan sebanyak 2 kali, pengujian dengan data non pre-processing dan data setelah pre-processing. Dari hasil pengujian, nilai akurasi terbaik menggunakan data pre-processing yang memperoleh akurasi sebesar 82.27%.
Analisis Sentimen pada Twitter Tentang Calon Presiden 2019 Menggunakan Metode SVM (Support Vector Machine) Okky Zoellanda A. Tane; Kemas Muslim Lhaksmana
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

Twitter mempunyai banyak fitur yang bisa digunakan. Salah satu fitur tersebut adalah user bisa membagikan tweet atau berita berupa tulisan, foto, atau video. Data pada informasi yang bermanfaat salah satunya yaitu analisis sentimen. Untuk mengetahui seberapa besar tanggapan dari masyarakat terkait dengan pemilihan umum presiden Indonesia 2019, apakah lebih condong kepada sentimen positif atau sentimen negatif. Salah satu metode analisis sentimen adalah SVM (Support Vector Machine). Analisis sentimen pada media sosial twitter terhadap calon presiden pada pemilu 2019 menggunakan metode SVM dilakukan pengujian terhadap beberapa persentase data yang beragam. Dari pengujian didapatkan nilai akurasi sebesar 91.5 %. Beberapa faktor yang memengaruhi tingkat nilai akurasi tersebut adalah persentase jumlah data training dan data testing, proses pre-processing data yang dilakukan, serta persentase jumlah data positif dan data negatif. Kata kunci: twitter, SVM(support vector machine), media sosial, pemilu
Pengelompokan Pada Hadits Menggunakan Naive Bayes Classifier Sukmawan Pradika Janusange Santoso; Kemas Muslim Lhaksmana
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

Hadits merupakan landasan syariat islam dan dijadikan sumber hukum kedua setelah al-Qur’an. Hadits memiliki pokok pembahasan yang bermacam-macam pada setiap bab. Pada tugas akhir ini dilakukan penelitian tentang pengelompokan pada hadits dengan menggunakan TF-IDF untuk menghitung bobot yang diperoleh pada kata yang menjadi identitas pada setiap kategori dan naïve bayes classifier untuk memprediksi dataset serta mengevaluasi nilai akurasi. Pengujian dilakukan sebanyak dua kali pengujian dengan skenario yang berbeda. Dari dua skenario diketahui akurasi TF-IDF tanpa normalisasi sebesar 87,97% serta akurasi paling tinggi yaitu pada skenario dengan menggunakan TF-IDF yang dinormalisasi dengan akurasi sebesar 89,29%. Kata kunci : naive Bayes, klasifikasi
Analisis Sentimen Politik pada Twitter Menggunakan Metode Support Vector Machine (Studi Kasus : Pilpres 2019) Alberi Meidharma Fadli Hulu; Kemas Muslim Lhaksmana
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

Salah satu media sosial yang digemari masyarakat adalah twitter. Banyak masyarakat yang mencurahkan pendapat atau pikiran mereka melalui tweet twitter, termasuk seperti pada masa sekarang ini masyarakat beramai-ramai memberikan tanggapan atau komentar melalui twitter mengenai peristiwa politik dan pemilihan presiden, komentar tersebut tidak hanya berisi hal-hal positif, tetapi juga ditemukan komentar yang bersifat negatif. Kelebihan twitter yaitu dapat diakses oleh semua orang dan kalangan sehingga dapat digunakan untuk memperkenalkan kandidat yang didukung, bertarung opini, berdebat, hingga menciptakan berita atau opini yang bersifat bohong untuk menyerang lawan politik. Tugas akhir ini bertujuan untuk mengetahui sentimen politik pengguna Twitter terhadap pemilihan presiden menggunakan metode Support Vector Machine dengan pembobotan TF-IDF. SVM dapat digunakan untuk mengklasifikasikan sentiman data atau kalimat yang diperoleh dari status twitter. Performansi sistem diukur berdasarkan Confusion Matrix dan akurasi. Nilai akurasi tertinggi yang didapatkan pada penelitian ini sebesar 62.88 % dengan TF-IDF menggunakan bentuk gabungan kata Unigram, Bigram dan Trigram. Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space. Kata kunci : media sosial, twitter, text maining, support vector machine
Klasifikasi Ulasan Pengguna Aplikasi Mandiri Online Di Google Play Store Dengan Menggunakan Metode Information Gain Dan Naive Bayes Classifier Amalia Elma Sari; Sri Widowati; Kemas Muslim Lhaksmana
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

AbstrakUlasan pengguna merupakan salah satu fitur yang disediakan oleh platform Google Play Store agarpengguna dapat memberikan feedback dalam bentuk rating dan ulasan untuk aplikasi yang diunduh.Fungsi ulasan disediakan untuk mengizinkan pengguna memberikan komentar dari aplikasi yang telahdigunakan, sehingga menyediakan umpan balik bagi pengembang aplikasi. Penelitian ini membangunsebuah sistem yang dapat melakukan klasifikasi ulasan pengguna di Google Play Store termasuk kedalamulasan positif atau negatif, serta mengklasifikasikan berdasarkan faktor kualitas perangkat lunak ISO/IEC25010. Topik ini diangkat untuk memudahkan para pengembang perangkat lunak tersebut untukmemperbaiki kualitas dan kepuasan dari aplikasi berdasarkan ulasan yang diberikan oleh pengguna.Naive Bayes Classifier dipilih pada penelitian ini karena dikenal sebagai metode sederhana, cepat tetapimemiliki performansi yang tinggi dalam pengklasifikasian teks, dan untuk menanggulangi tingginyadimensi data maka Naive Bayes dikombinasikan dengan metode seleksi fitur yaitu Information Gainsebagai metode seleksi dalam memilih fitur-fitur yang berpengaruh untuk setiap label kelas. Hasilpenelitian menunjukkan bahwa, akurasi dan f-measure yang didapat pada klasifikasi dengan seleksi fiturInformation Gain yaitu 91,33% dan 89,18%. Kata kunci : Ulasan Pengguna, ISO/IEC 25010, Naive Bayes Classifier, Information Gain, Klasifikasi Teks AbstractUser reviews are one of the features provided by the Google Play Store platform so users can providefeedback in the form of ratings and reviews for downloaded applications. The review function is providedto allow users to comment on applications that have been used, thus providing feedback for applicationdevelopers. This research builds a system that can classify user reviews on the Google Play Store includingpositive or negative reviews, and classifies based on ISO / IEC 25010 software quality factors. This topic israised to make it easier for software developers to improve the quality and satisfaction of the application isbased on user reviews. Naive Bayes Classifier was chosen in this study because it is known as a simple, fastmethod but has a high performance in classifying text, and to cope with high data dimensions, Naive Bayesis combined with the feature selection method, namely Information Gain as a selection method in selectinginfluential features. for each class label. The results showed that the accuracy and f-measure obtained inthe classification by the Information Gain feature selection were 91.33% and 89.18%.Keywords: User Reviews, ISO / IEC 25010, Naive Bayes Classifier, Information Gain, Text Classification
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
Co-Authors Abdurrahman, Azzam Abiyyu, Ahmad Syafiq Achmad Salim Aiman Adelia, Dila Adhyaksa Diffa Maulana Aditya Eka Wibowo Aditya Gifhari Soenarya Adiwijaya Aghi Wardani Agni Octavia Agus Kusnayat Ahmad Y, Rafly Ahmad Y Ahmad, Alif Faidhil Ahmad, Fathih Adawi Al Faraby, Said Alberi Meidharma Fadli Hulu Amalia Elma Sari Amien, Iqmal Lendra Faisal Andiani, Annisa Dwi Andini, Bilqiis Shahieza 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 Eki Rifaldi Eko Darwiyanto Ela Nadila Emrald Emrald Erwin Budi Setiawan Fakhrana Kurnia Sutrisno Farisi, Kamaludin Hanif Fatih, Muhammad Abdurrohman Al Ferdian Yulianto Fhira Nhita Guido Tamara Hadi, Salman Farisi Setya Haga Simada Ginting Haidar, Muhammad Dzakiyuddin Harahap, Rizki Nurhaliza Harmandini, Keisha Priya Haura Athaya Salka Herodion Simorangkir Hutama, Nanda Yonda Ika Puspita Dewi Intan Khairunnisa Fitriani Irgi Aditya Rachman Isman Kurniawan Jofardho Adlinnas Jondri Jondri Jordan, Brilliant Kacaribu, Isabella Vichita Kamaludin Hanif Farisi Kautsar Ramadhan Sugiharto Lukito Agung Waskito Luqman Bramantyo Rahmadi Luthfi, Muhammad Faris M. Mahfi Nurandi Karsana Mahendra Dwifebri Purbolaksono Mahendra, Muhammad Hafizh Marendra Septianta Marozi, Ericho Mehdi Mursalat Ismail Mira Rahayu Moch Arif Bijaksana Mohamad Reza Syahziar Muhammad Adzhar Amrullah Muhammad Arif Kurniawan 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 Putri, Meira Reynita Putrisia, Denada R. Fajrika hadnis Putra Rafi Hafizhni Anggia Rahadian, Muhammad Rafi Ramdhani, Muhammad Rifqi Fauzi Rastim Rastim Rayhan, Muhammad Aditya Resky Nadia Rizki Luthfan Azhari Rizky Ahmad Saputra Rizky Aria Mu’allim Rizky, Fariz Muhammad Seno Adi Putra Seto Sumargo Shabrina, Ghina Annisa 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