Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknik Komputer AMIK BSI
Tri Rivanie
STMIK Nusa Mandiri
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Adopsi Algoritme Support Vector Machine untuk Analisis Sentimen Larangan Mudik Lebaran 2020 pada Twitter Rangga Pebrianto; Tri Rivanie; Ridan Nurfalah; Windu Gata; Muhammad Fahmi Julianto
JURNAL TEKNIK KOMPUTER Vol 6, No 2 (2020): JTK-Periode Juli 2020
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (420.166 KB) | DOI: 10.31294/jtk.v6i2.8127

Abstract

Pemerintah kembali membahas larangan mudik lebaran 2020. Larangan mudik lebaran 2020 ini kembali di bahas karena jumlah kasus corona atau covid 19 di indonesia terus bertambah. Media Sosial Twitter bekerja real-time, memungkinkan pengguna mengekspresikan opini dan perasaan mereka mengenai banyak isu atau permasalahan, Opini tersebut dapat dimanfaatkan sebagai bahan analisis sentimen untuk mengetahui penilaian pelayanan transportasi umum darat apakah positif atau negatif, serta mengetahui faktor opini apa yang sering muncul. Hasil dari analisis sentimen tersebut dapat membantu dalam penilaian dan evaluasi terhadap larangan mudik 2020 ditengah wabah covid19 diharapkan dapat menjadi bahan pertimbangan pemerintah dalam mengambil keputusan terkait larangan mudik 2020 di tengah wabah covid19 . adopsi Metode  Support Vector Machine (SVM) untuk analisis sentimen dilakukan dengan pengujian terhadap komposisi data yang bervariasi. Dari hasil pengujian untuk kasus pada penelitian ini didapatkan bahwa SVM dapat diimplementasikan dengan nilai akurasi mencapai 68,89%. Variabel yang berpengaruh terhadap akurasi adalah jumlah data, perbandingan jumlah data latih dan uji, serta perbandingan jumlah data positif dan negatif yang digunakan.
Sentimen Analisis Penerapan Social Distancing Menggunakan Feature Selection Pada Algoritma Support Vector Machine Siti Nurhasanah Nugraha; Tri Rivanie; Sri Rahayu; Windu Gata; Rangga Pebrianto
JURNAL TEKNIK KOMPUTER Vol 6, No 2 (2020): JTK-Periode Juli 2020
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (534.225 KB) | DOI: 10.31294/jtk.v6i2.8126

Abstract

“Social Distancing” atau dalam kata lain mengurangi interaksi sosial dengan orang lain sangat berpotensi dalam menyelamatkan kehidupan jutaan orang di masa pandemic COVID-19. Anjuran pemerintah kepada masyarakat untuk penerapan social distancing tak lepas dari pendapat atau opini pengguna sosial media yang salah satunya disuarakan melalui twitter. Salah satu metode atau teknik untuk mengelompokkan kategori opini atau pendapat dari pengguna sosial media adalah sentiment analyst. Penelitian ini menggunakan dataset yang di crawling dari twitter dengan kata kunci “Social Distancing”. Data hasil crawling tersebut diolah menggunakan model algoritma SVM dengan penambahan feature selection Weight by Correlation. Penelitian ini membandingkan hasil cross validation algoritma SVM tanpa feature selection dan algoritma SVM dengan feature selection. Hasil cross validation SVM tanpa feature selection menunjukkan nilai accuracy sebesar 67,00% dan nilai AUC sebesar 0,709. Sedangkan hasil cross validation algoritma SVM dengan feature selection menunjukkan nilai accuracy sebesar 70,33% dan nilai AUC sebesar 0,838. Dari kedua model tersebut diketahui bahwa penggunaan feature selection Weight by Correlation dapat meningkatkan nilai Accuracy dan nilai AUC. Sehingga dapat disimpulkan bahwa penambahan feature selection Weight by Corellation sangat baik apabila digunakan pada algoritma Support Vector Machine (SVM) karena dapat menghasilkan nilai akurasi dan nilai AUC yang lebih tinggi.
Co-Authors Muhammad Fahmi Julianto Rangga Pebrianto Ridan Nurfalah Siti Nurhasanah Nugraha Sri Rahayu Windu Gata