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 114 Documents
Search

 6   7   8   9   10 
Analisis Teks Pelamar Untuk Klasifikasi Kepribadian Menggunakan Multinomial Naïve Bayes dan Decision Tree Nanda Yonda Hutama; Kemas Muslim Lhaksmana; Isman Kurniawan
JURNAL INFOTEL Vol 12 No 3 (2020): August 2020
Publisher : LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/infotel.v12i3.505

Abstract

Employees' qualities affect companies' performances and with a large number of applicants, it's difficult to find suitable applicants. To help with it, companies carry out psychological tests to know applicants' personalities, since personality's considered to have a relationship with work performances. But psychological testing requires a lot of effort, cost, and human resources. Thus with a system that can classify personalities through text can help reduce the effort needed. Similar studies carried out with the big five personalities as the theoretical basis and used one of the personality traits, namely using the k-NN method with 65% accuracy. Based on these studies, accuracy can improve by finding the best parameters using all of the big five personalities. This research is conducted based on the big five personality traits and related traits, namely consciousness and agreeableness. The data used is text data that's been labelled, pre-processed and feature selected. The clean text data is used to create a classification model using multinomial Naive Bayes and decision trees. There are 6 models built based on 3 work cultures, decision tree with an accuracy of 33%, 66%, 80%, and multinomial naïve Bayes with an accuracy of 83%, 50%, 60%, which resulted as better performance.
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
Analisis Sentimen menggunakan Recurrent Neural Network Terkait Isu Anies Baswedan Sebagai Calon Presiden 2024 Salman Farisi Setya Hadi; Jondri Jondri; 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-Sosial media twitter saat ini sudah menjadi wadah utama untuk menyalurkan berita dari suatu tempat ke tempat yang lain. Dengan adanya sosial media digital, masyarakat dapat dengan mudah mengetahui berita terkini ataupun memberi opini tentang isu yang sedang hangat. Isu yang ada bisa berasal dari beberapa bidang, seperti contoh dalam bidang politik. Salah satu isu hangat pada bidang politik adalah isu tentang Bapak Anies Baswedan sebagai calon presiden 2024. Perbincangan tersebut akan menghadirkan banyak sentimen positif maupun negatif, maka dari itu diperlukan sistem klasifikasi sentimen yang efektif. Metode yang digunakan pada penelitian ini adalah recurrent neural network yang dikombinasikan dengan word embedding word2vec. Hasil yang dihasilkan dari penelitian ini yaitu nilai akurasi sebesar 86.27%, nilai precision sebesar 88.24% dan nilai recall sebesar 84.91%.Kata kunci - sentimen, recurrent neural network, word2vec, word embedding
Analisis Sentimen Ulasan Pelanggan Tokopedia Menggunakan Metode Stacked Generalization Fathih Adawi Ahmad; Jondri Jondri; 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-E-commerce merupakan salah satu bentuk perkembangan dunia khususnya perdagangan barang dan jasa. Sistem perdagangan telah berevolusi dengan hadirnya e-commerce yang membuat penggunanya tidak terlepas dari teknologi internet. Produk yang tersedia di dalam e-commerce begitu banyak dan bervariasi macamnya. Seorang pelanggan dapat membagikan pengalamannya setelah bertransaksi, dengan menuliskan ulasan pada produk baru yang telah dibeli. Setiap ulasan menggambarkan kepuasan pelanggan dan emosi yang tertuang dalam sebuah kalimat yang belum tentu dimengerti hanya dengan membaca kata per kata saja. Faktor-faktor tersebut menjadi pembahasan dalam penelitian ini, dengan mengkategorikan analisis sentimen ulasan menjadi positif dan negatif. Pembobotan TF-IDF dalam text classification oleh metode Stacked Generalization bertujuan untuk mengetahui minat pembeli dalam membeli sebuah produk dari ulasan pembeli sebelumnya di Tokopedia. Hasil analisis pengujian menunjukkan pemodelan stacking mendapatkan macro average dengan nilai 0,67. Pengujian dilakukan pada dataset dengan 4.049 ulasan yang berisikan 3.551 sentimen positif dan 498 sentimen negatif. Kata kunci- stacked generalization, e-commerce, analisis sentimen
Klasifikasi Ayat Al-Quran Terjemahan Bahasa Inggris Menggunakan Long Short Term Memory dan Bidirectional Long Short Term Memory Rafisa Arif Irfan; 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— Di dalam Al-Quran terdapat kandungan ayat yang berbeda-beda, maka sangatlah penting untuk memahami ayat Al-Quran. Al-Quran terdiri atas 30 juz, 144 surat, 6236 ayat, dan 77845 kata. Banyak ayat dan kata yang terdapat pada Al-Quran, untuk mempermudah umat muslim dalam mempelajari ayat maka perlu dilakukan pengklasifikasian terhadap ayat Al-Quran. Pada penelitian ini dilakukan klasifikasi multi label ayat Al-Quran berdasarkan topik-topik yang ada. Perancangan sistem dilakukan dengan menggunakan dua metode yaitu convolutional long short term memory (C-LSTM) dan bidirectional long short term memory (Bi-LSTM) yang mampu mengklasifikasikan ayat kedalam kelompoknya masing-masing. C-LSTM mampu mengungguli Bi-LSTM pada hampir setiap skenario. Nilai hamming loss terbaik yang diberikan C-LSTM sebesar 0.09985, dan BiLSTM 0.10122 pada skenario 90% data latih dan dropout.Kata Kunci— Klasifikasi, Multi Label, Recurrent Neural Network, Long Short Term Memory, Convolutional Neural Network, Bidirectional Long Short Term Memory, Hamming loss.
Perbandingan Metode Naïve Bayes dan KNN (K-Nearest Neighbor) dalam Klasifikasi Penyakit Diabetes Iqmal Lendra Faisal Amien; Widi Astuti; Kemas Muslim Lhaksamana
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-Diabetes merupakan salah satu penyakit yang mematikan di dunia. Faktor penyebab dari penyakit diabetes salah satunya adalah pola makan yang tidak teratur. Asupan gula yang dikonsumsi berlebihan dengan kurangnya aktivitas fisik sampai mengalami obesitas, mampu menaikan kadar gula dalam tubuh. Selain itu, faktor keturunan juga berpengaruh terhadap penyakit diabetes. Oleh karena itu, diperlukan deteksi penyakit diabetes. Naïve dan juga K-Nearest Neighbor (KNN) dapat digunakan dalam pengklasifikasian penyakit diabetes. Pada penelitian ini didapatkan nilai akurasi tertinggi dari penggunaan metode K-Nearest Neighbor dengan K=5 sebesar 90%, lalu nilai Akurasi dari metode Naïve Bayes didapatkan sebesar 80%.Kata kunci - naïve Bayes, KNN, diabetes
Klasifikasi Komentar Toxic Pada Sosial Media Menggunakan SVM, Information Gain dan TF-IDF Muhammad Ilham Maulana; Kemas Muslim Lhaksmana; Mahendra Dwifebri
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 — Sosial media merupakan suatu bentuk perantara interaksi sosial secara online. Aplikasi media sosial pun sudah dalam banyak bentuk dan di dalam sosial media ini meskipun banyak hal positif yang dapat diambil, ada beberapa juga halhal negatif contoh nya toxic comment. Toxic comment sendiri tidaklah mudah untuk dideteksi secara manual, maka penelitian berencana untuk mengklasifikasikan toxic comment tersebut menggunakan machine learning. Beberapa penelitian untuk klasifikasi toxic comment sudah dilakukan, dalam beberapa penelitian tersebut digunakan metode Support Vector Machine. Dalam penelitian ini metode yang digunakan adalah Support Vector Machine (SVM) sebagai classifier, Information Gain sebagai feature selection dan TF- IDF sebagai feature extraction. Data-data yang dikumpulkan adalah melalui cuitan twitter beberapa pengguna di media sosial tersebut. Komentarkomentar tersebut dikumpulkan menjadi satu lalu diklasifikasikan menggunakan metode-metode yang sudah disebutkan.Kata kunci— Sosial media, Klasifikasi teks, Toxic comment, SVM
Perbandingan Metode Seleksi Fitur untuk Mengoptimasi Model Support Vector Machine dalam Memprediksi Turnover Pegawai Ahmad Syafiq Abiyyu; 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-Seleksi fitur merupakan salah satu proses yang dilakukan untuk mengurangi dimensi data. Pengurangan dimensi bertujuan untuk meningkatkan performa model algoritma pembelajaran mesin. Turnover pegawai adalah suatu fenomena yang merujuk pada tingkat pegawai yang keluar dari suatu perusahaan. Penelitian mengenai implementasi algoritma pembelajaran mesin dalam memprediksi turnover pegawai sudah banyak dilakukan. Namun, performa model algoritma support vector machine (SVM) secara umum tidak menghasilkan performa yang baik. Dengan menggunakan metode seleksi fitur, hasil performa algoritma SVM diharapkan dapat menjadi lebih baik dalam memprediksi pegawai yang hendak melakukan turnover. Seleksi fitur digunakan pada dataset turnover pegawai sebelum dipelajari oleh model SVM yang dibangun. Metode seleksi fitur yang digunakan adalah filter methods, wrapper methods, dan embedded method. Penelitian ini menampilkan metode seleksi fitur mana yang paling baik dalam meningkatkan performa dari algoritma SVM. Matriks evaluasi seperti akurasi, recall, presisi, dan f1-score digunakan untuk menilai hasil akhir performan dari model SVM setelah dilakukan seleksi fitur. Hasil yang didapatkan adalah metode wrapper method meningkatkan performa dengan lebih baik dibandingkan metode lain. Nilai performa secara keseluruhan naik sebesar 4% dari performa sebelum dilakukan seleksi fitur.Kata kunci - turnover pegawai, pembelajaran mesin, support vector machine, seleksi fitur
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