Articles
<![CDATA[Analisis Algoritma Naive Bayes Classifier untuk Klasifikasi Tweet Pelecehan Seksual dengan #MeToo ]]>
<![CDATA[Tia Adha Mariam Putri]]>;
<![CDATA[Ultach Enri]]>;
<![CDATA[Betha Nurina Sari]]>
<![CDATA[ IJCIT (Indonesian Journal on Computer and Information Technology) Vol 5, No 2 (2020): November 2020 ]]>
Publisher : <![CDATA[LPPM Universitas Bina Sarana Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (861.045 KB)
|
DOI: 10.31294/ijcit.v5i2.8636
<![CDATA[Pelecehan seksual adalah perilaku yang ditandai oleh ketika seseorang membuat komentar seksual yang tidak diinginkan dan tidak pantas atau menyentuh secara fisik di tempat kerja atau situasi profesional atau situasi sosial. Permasalahan terhadap tweets yang mengandung curhatan para korban pelecehan seksual menjadi hal penting untuk dikaji sebagai pemrosesan teks. Analisis sentimen dapat digunakan sebagai solusi untuk mengidentifikasi tweets pelecehan seksual berdasarkan jenisnya dengan metode klasifikasi menggunakan algoritma Naïve Bayes Classifier. Naïve Bayes Classifier menggunakan metode probabilitas dan statistik setiap kelas dalam pembelajaran klasifikasinya, sehingga jarak perbedaan antar kelas tidak besar. Tujuan penelitian ini yaitu untuk mengklasifikasikan data tweets berdasarkan kelas quid pro quo dan hostile work environment. Pengujian pada penelitian ini dilakukan dengan empat skenario yang berbeda menggunakan bahasa pemrograman R dan tools RStudio yang kemudian dievaluasi menggunakan confusion matrix untuk menentukan model klasifikasi terbaik. Hasil evaluasi dengan confusion matrix didapatkan bahwa model klasifikasi terbaik adalah skenario dengan pembagian data training dan data testing 80:20. Skenario ini menghasilkan nilai akurasi sebesar 88.55% dengan recall 96.50%, precision 90.78%, dan f-measure 93.55%.Sexual harassment is behavior that is characterized by when someone makes an unwanted and inappropriate sexual comment or physical advances at work or a professional or social situation. The issue of tweets containing the experience of victims of sexual harassment becomes important to be examined as text processing. Sentiment analysis can be used as a solution to identify sexual harassment tweets by type by classification method using the Naïve Bayes Classifier algorithm. Naïve Bayes Classifier uses the probability and statistical methods of each class in its classification learning, so that the difference between classes is not large. The purpose of this study is to classify tweets data based on quid pro quo and hostile work environment classes. Testing in this study was carried out with four different scenarios using the R programming language and RStudio tools which were then evaluated using a confusion matrix to determine the best classification model. The results of the evaluation with the confusion matrix found that the best classification model is a scenario with the distribution of training data and testing data 70:30. This scenario produces an accuracy value of 88.55% with a recall 96.50%, precision 90.78%, and f-measure 93.55%.]]>
<![CDATA[Sistem Pendukung Keputusan Rekomendasi Topik Skripsi Menggunakan Naïve Bayes Classifier ]]>
<![CDATA[Farid Farid]]>;
<![CDATA[Ultach Enri]]>;
<![CDATA[Yuyun Umaidah]]>
<![CDATA[ JOINTECS (Journal of Information Technology and Computer Science) Vol 6, No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Widyagama Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31328/jointecs.v6i1.2076
<![CDATA[Setiap mahasiswa dituntut untuk melakukan kewajiban, salah satunya berupa penelitian. Sebagai wujud nyata proses akhir menuju sarjana setiap mahasiswa diharuskan membuat artikel ilmiah dalam bentuk buku yang diberi nama skripsi. Selama ini proses menentukan topik skripsi mahasiswa dilakukan secara manual, baik pembimbing skripsi yang memberi masukan atau ide diperoleh dari berbagai makalah penelitian. Dan proses penentuan topik skripsi tanpa menggunakan sistem terkomputerisasi. Maka dari itu peneliti membuat penelitian ini agar dapat membantu Mahasiswa dalam menentukan topik skripsi yang sesuai dengan kompetensi Mahasiswa. Metode penelitian ini menggunakan metode pengembangan data mining dan perangkat lunak dengan menerapkan algoritma Naïve Bayes Classifier ke sistem berbasis website. Hasil dari penelitian ini adalah sistem pendukung keputusan yang dapat memberikan rekomendasi topik skripsi berdasarkan data nilai mata kuliah pilihan. Nilai accuracy model terbaik yang diimplementasikan pada sistem ini adalah sebesar 69,27%. Nilai akurasi kurang baik karena jumlah data yang tidak seimbang pada setiap kategori topik skripsi.]]>
<![CDATA[Sistem Pakar Diagnosis Penyakit Karies Gigi pada Anak Usia Dini Menggunakan Metode Forward Chaining ]]>
<![CDATA[Heni Anggraeni]]>;
<![CDATA[Ultach Enri]]>;
<![CDATA[Tesa Nur Padilah]]>
<![CDATA[ Reslaj : Religion Education Social Laa Roiba Journal Vol 4 No 5 (2022): RESLAJ: Religion Education Social Laa Roiba Journal ]]>
Publisher : <![CDATA[LPPM Institut Nasional Laa Roiba Bogor ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1892.291 KB)
|
DOI: 10.47467/reslaj.v4i5.1063
<![CDATA[Dental caries is very common in Indonesian people. 56% of Indonesian people have problems with their teeth, this research started from problems that exist in the Indonesian community so that the idea emerged to create an expert system that can educate the public about dental diseases, especially dental caries. This research was conducted by building an information system regarding dental caries disease information and in it there is an expert system that can be used for consultation. The user system was built using the Forward Chaining method. The Forward Chaining method serves to look for uncertain rules based on the symptoms that arise in people who suffer from dental caries. This the results can be known whether the community suffers from dental caries disease or not. The results of the system testing carried out by the white and black box methods obtained system suitability based on the design requirements through the UML Diagram. Keywords: Forward Chaining, Dental Caries, System Expert]]>
<![CDATA[Klasifikasi Berita Clickbait Menggunakan K-Nearest Neighbor (KNN) ]]>
<![CDATA[Riska Sagita]]>;
<![CDATA[Ultach Enri]]>;
<![CDATA[Aji Primajaya]]>
<![CDATA[ JOINS (Journal of Information System) Vol 5, No 2 (2020): Edisi November 2020 ]]>
Publisher : <![CDATA[Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (2122.406 KB)
|
DOI: 10.33633/joins.v5i2.3705
<![CDATA[Clickbait menjadi salah satu cara untuk mencari uang dengan meningkatkan traffic pengunjung dan pengunjung. Praktik clickbait pada saat ini sudah merambah pada dunia jurnalistik sedangkan sistem berita media online berbeda dengan media cetak. Sama halnya dengan media online lainnya, clickbait ini memberikan pengaruh besar terhadap penyedia berita karena rasa keingintahuan dari para pembaca dan sulitnya para pembaca memilih berita clickbait atau bukan clickbait. Praktik clickbait ini sendiri sangat di andalkan oleh penyedia situs berita yang menggunakan judul-judul yang menjebak untuk menarik para pembaca. Berdasarkan masalah tersebut dilakukan penelitian untuk mengklasifikasikan berita clickbait menggunakan metode K-Nearest Neighbors (K-NN).Dari hasil penelitian yang dilakukan, diperoleh hasil terbaik pada jumlah k = 11 dengan menggunakan skenario 1 pada data pembagian dengan jumlah data sebanyak 800 data dan 200 data uji yang menghasilkan akurasi sebesar 71%, ketepatan 72%, dan ingat 71%. Hal ini menunjukkan bahwa klasifikasi berita clickbait dapat di klasifikasikan menggunakan K-Nearest Neighbor.]]>
<![CDATA[Analisis Perkembangan Bisnis Online Mahasiswa Karawang Menggunakan Metode Customer Satisfaction Index (CSI) ]]>
<![CDATA[Hannie Hannie]]>;
<![CDATA[Dini Sri Istiningdias]]>;
<![CDATA[Ultach Enri]]>
<![CDATA[ RESEARCH : Journal of Computer, Information System & Technology Management Vol 4, No 1 (2021) ]]>
Publisher : <![CDATA[UNIVERSITAS PGRI MADIUN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.25273/research.v4i1.7826
<![CDATA[Saat ini banyak mahasiswa melakukan usaha bisnis pada masa perkuliahan. Masa kuliah adalah masa yang tepat bagi mahasiswa untuk memulai usaha bisnis karena mahasiswa dapat belajar langsung menghadapi tantangan dunia kerja. Berbekal kreativitas, peluang dan keberanian dalam mengambil resiko maka mahasiswa dapat melakukan usaha bisnis online untuk memasarkan produknya lebih luas. Analisis yang dilakukan pada penelitian ini bertujuan untuk mengukur perkembangan bisnis online di kalangan mahasiswa Universitas Singaperbangsa Karawang. Atribut pelayanan jasa dapat dijadikan masukkan dalam meningkatkan bisnis online mahasiswa dengan menggunakan metode Customer Satisfaction Index (CSI). Penelitian dilakukan di Universitas Singaperbangsa Karawang. Data penelitian diperoleh dari kuesioner yang dibagikan secara online menggunakan Google Form. Metode pengambilan sample yang digunakan yaitu metode nonprobability sampling dengan jenis purposive sampling, dimana teknik penentuan sampel berdasarkan kriteria yaitu mahasiswa Universitas Singaperbangsa Karawang dan mempunyai usaha bisnis. Uji pengolahan data menggunakan Uji Validitas dan Uji Realibilitas. Perhitungan Customer Satisfaction Index menunjukkan hasil sebesar 74,49 %. Hasil tingkat kepuasan diantara 66 % - 80 % menunjukkan bahwa mahasiswa puas dengan perkembangan bisnis online.]]>
<![CDATA[Sistem Pendukung Keputusan Penentuan Dosen Pembimbing Magang Dengan Menggunakan Metode Ahp Rating Mode ]]>
<![CDATA[Bayu Laksono Wahyu Arminsyah]]>;
<![CDATA[Kamal Prihandani]]>;
<![CDATA[Ultach Enri]]>
<![CDATA[ INTECOMS: Journal of Information Technology and Computer Science Vol 4 No 2 (2021): INTECOMS: Journal of Information Technology and Computer Science ]]>
Publisher : <![CDATA[Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31539/intecoms.v4i2.2661
<![CDATA[Pada saat ini penentuan dosen pembimbing magang di FASILKOM UNSIKA masih dilaksanakan secara manual, tentu saja hal ini kurang efisien dan efektif serta mempunyai kemungkinan human error. Penentuan dosen pembimbing magang juga tidak mudah karena harus mempertimbangkan juga antara tema/topik magang mahasiswa dengan kemampuan dosen. Tujuan penelitian ini adalah untuk mengimplementasikan metode AHP rating mode untuk membantu menentukan dosen pembimbing magang. Metode penelitian yang digunakan adalah model waterfall dari SDLC, yang terdiri dari analisis kebutuhan, desain, pengkodean, pengujian dan pemeliharaan. Sistem pendukung keputusan akan dirancang berbasis web dengan menggunakan bahasa pemrograman PHP dan dengan DBMS MySQL. Berdasarkan hasil dari pengujian terhadap sistem oleh tim magang FASILKOM UNSIKA dapat disimpulkan bahwa sistem pendukung keputusan ini dibutuhkan dan membantu dalam menentukan dosen pembimbing magang di FASILKOM UNSIKA.]]>
<![CDATA[Analisis Sentimen Ulasan Aplikasi Mola Pada Google Play Store Menggunakan Algoritma Support Vector Machine ]]>
<![CDATA[Muhammad Diki Hendriyanto]]>;
<![CDATA[Azhari Ali Ridha]]>;
<![CDATA[Ultach Enri]]>
<![CDATA[ INTECOMS: Journal of Information Technology and Computer Science Vol 5 No 1 (2022): INTECOMS: Journal of Information Technology and Computer Science ]]>
Publisher : <![CDATA[Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31539/intecoms.v5i1.3708
<![CDATA[MOLA is one of the video streaming platform applications on the google play store. The mola application has been downloaded 5 million times but only has a 3.2 rating. On the Google Play Store app rating is followed by user reviews of the app. There are quite a lot of reviews that are unstructured and contain opinions from users about their satisfaction with the application so that it is often taken into consideration by potential users to choose the application used. Based on this, sentiment analysis was carried out using the Support Vector Machine algorithm to find out how the sentiments of users towards the MOLA application on the google play store were carried out. This study uses the Knowledge Discovery in Database (KDD) method. The data used is a review of the MOLA application with as many 520 data consisting of 312 positive reviews and 208 negative reviews. The best results are obtained in scenario 1 (90:10) using the RBF (Radial Basis Function) kernel which produces 92.31% accuracy, 96.3% precision, 89.66% recall, and 92.86% f1-score. Keywords: Sentiment Analysis, Support Vector Machine, MOLA]]>
<![CDATA[PENERAPAN FITUR SELEKSI FORWARD SELECTION UNTUK MENENTUKAN KEMATIAN AKIBAT GAGAL JANTUNG MENGGUNAKAN ALGORITMA C4.5 ]]>
<![CDATA[Elin Nurlia]]>;
<![CDATA[Ultach Enri]]>
<![CDATA[ JUTIM (Jurnal Teknik Informatika Musirawas) Vol 6 No 1 (2021): JUTIM (Jurnal Teknik Informatika Musirawas) JUNI ]]>
Publisher : <![CDATA[LPPM UNIVERSITAS BINA INSAN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32767/jutim.v6i1.1215
<![CDATA[Cardiovascular Disease atau penyakit kardiovaskular merupakan penyakit yang disebabkan oleh gangguan fungsi jantung dan pembuluh darah. Beberapa kasus penyakit kardiovaskular ini yaitu coronary heart disease, hypertension, brain stroke, heart failure, dan penyakit lainnya. Heart failure atau gagal jantung merupakan penyakit yang disebabkan karena kegagalan jantung dalam memompa darah, dan menjadi penyakit yang menyebabkan kematian yang tinggi. Metode klasifikasi dengan algoritma C4.5 dapat dipakai untuk menentukan kematian akibat penyakit ini. Pada penelitian ini dilakukan komparasi algoritma C4.5 dan algoritma C4.5 berbasis forward selection sebagai seleksi fitur untuk meningkatkan akurasi dalam memprediksi kematian akibat gagal jantung. Pemodelan dengan algoritma C4.5 menghasilkan akurasi sebesar 77,89% dan nilai AUC 0,750 sehingga termasuk kategori fair classification, sedangkan dengan forward selection yang memperoleh hasil akurasi sebesar 84,29% dan nilai AUC 0,785 yang termasuk kategori fair classification. Hasil pengujian yang telah dilakukan penerapan forward selection pada algoritma C4.5 terbukti meningkatkan akurasi sebesar 6,4% dan nilai AUC 0,035.]]>
<![CDATA[Penerapan Algoritma Support Vector Machine (SVM) dengan TF-IDF N-Gram untuk Text Classification ]]>
<![CDATA[Nur Arifin]]>;
<![CDATA[Ultach Enri]]>;
<![CDATA[Nina Sulistiyowati]]>
<![CDATA[ STRING (Satuan Tulisan Riset dan Inovasi Teknologi) Vol 6, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Indraprasta PGRI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1003.319 KB)
|
DOI: 10.30998/string.v6i2.10133
<![CDATA[Syntax Journal of Informatics is an information system that contains a collection of scientific articles managed by the Informatics Study Program of Singaperbangsa Karawang University. Currently, Syntax Journal of Informatics does not have a feature for categorizing scientific articles based on their focus and scope. The research is conducted to classify scientific articles into categories according to focus and scope contained on Syntax Journal of Informatics’ page automatically by utilizing the text mining process. Text mining is a process that aims to get important information from the text. The method used in the research is Knowledge Discovery in Database (KDD) with stages of data selection, preprocessing, transformation, modeling and evaluation. This study will compare the classifications based on the title of the article. The algorithm used is the Support Vector Machine (SVM) using four SVM kernels, including the linear kernel, polynomial kernel, sigmoid kernel and RBF kernel. Data are divided into four scenarios by using traintestsplit, namely 60:40, 70:30, 80:30 and 90:10. The results of the study after testing the model are measured by of Accuracy, Precision, Recall and F-measure. The best results are accuracy of 70%, precision of 75%, recall of 69% and f-measure of 71% in the 90:10 comparison scenario and linear kernel.]]>
<![CDATA[Diagnosa Tingkat Depresi Mahasiswa Selama Masa Pandemi Covid-19 Menggunakan Algoritma Random Forest ]]>
<![CDATA[Dewi Septiani]]>;
<![CDATA[Ultach Enri]]>;
<![CDATA[Nina Sulistiyowati]]>
<![CDATA[ STRING (Satuan Tulisan Riset dan Inovasi Teknologi) Vol 6, No 2 (2021) ]]>
Publisher : <![CDATA[Universitas Indraprasta PGRI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (541.785 KB)
|
DOI: 10.30998/string.v6i2.10361
<![CDATA[Covid-19 virus has become a pandemic across the world, including Indonesia. Based on the data from the Covid-19 Handling Officer Unit, the number of Covid-19 sufferers in Indonesia until February 15, 2021 reaches 1.2 million people. The number of daily cases that continues to grow has forced the government to enforce policies to work, study, and worship from home to minimize the Covid-19 transmission. The policy and many Covid-19 sufferers Indonesia affect the mental health of people, including students of Singaperbangsa Karawang University. Therefore, this research aims to diagnose the initial level of depression in students of Singaperbangsa Karawang University during Covid-19 pandemic by using data mining with Random Forest algorithm. The method used in this research is KDD (Knowledge Discovery in Database) with data used come from PHQ-9 questionnaire given to 392 respondents according to calculation of Slovin formula. Evaluation model used is 10-fold cross validation, with accuracy, sensitivity and specificity parameters. The results of the research show the depression level prediction model using Random Forest algorithm has an accuracy of 85.94%. From 392 students, 1.02% of students are normal, 47.96% have mild depressive symptoms, 36.73% have mild depression, 8.16% have moderate depression, and 6.12% have major depression.]]>
