Article Per Year (5 Year)
p-Index From 2021 - 2026
6.203
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Seminar Nasional Aplikasi Teknologi Informasi (SNATI) TELKOMNIKA (Telecommunication Computing Electronics and Control) Seminar Nasional Informatika (SEMNASIF) Journal of Information Systems Engineering and Business Intelligence Indonesia Symposium on Computing 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 Seminar Nasional Teknologi Informasi Komunikasi dan Industri Journal of Computer Science and Informatics Engineering (J-Cosine) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) EDUMATIC: Jurnal Pendidikan Informatika Building of Informatics, Technology and Science JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) Jurnal Sistem Komputer dan Informatika (JSON) Madani : Indonesian Journal of Civil Society Jurnal Teknik Informatika (JUTIF) JINAV: Journal of Information and Visualization Journal of Applied Data Sciences KLIK: Kajian Ilmiah Informatika dan Komputer Prosiding Konferensi Nasional PKM-CSR eProceedings of Engineering Telkatika: Jurnal Telekomunikasi Elektro Komputasi & Informatika
Warih Maharani
Telkom University
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Library & Information Science Mathematics Nursing Public Health Social Sciences

Published : 73 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 19 Documents
Search
Journal : eProceedings of Engineering

 1   2 
Analisis Sentimen Dan Peringkasan Opini Pada Ulasan Produk Menggunakan Algoritma Random Forest Asep Aprianto; Warih Maharani; Anisa Herdiani
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

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

Abstract

Ulasan produk merupakan salah satu kriteria yang berguna bagi calon pembeli untuk mengambil keputusan pada pembelian suatu produk. Jumlah ulasan produk yang banyak membuat isi ulasan produk tidak dapat disimpulkan dengan cepat sehingga akan menyulitkan konsumen dalam penarikan kesimpulan pembelian sebuah produk. Untuk mengatasi masalah tersebut diperlukan suatu sistem yang secara otomatis dapat mengidentifikasi fitur - fitur produk dalam ulasan produk, mengklasifikasikannya kedalam polaritas positif negatif dan pembangkitan ringkasan ulasan produk untuk dapat membantu proses pembacaan suatu ulasan produk. Terdapat dua tahapan semelum memasuki pembangkitan ringkasan, pertama adalah ekstraksi fitur produk yang dilakukan dengna menggunakan metode association mining untuk mendapatkan frequent itemset dengan dua skema pemilihan kata yaitu noun filtering dan noun phrase filtering. Tahap kedua dilakukan proses klasifikasi terhadap fitur produk terekstrak terhadap orientasi postif dan negatifnya menggunakan pendekatan supervised learning dengan algoritma random forest. Satu kalimat ulasan dapat memiliki lebih dari satu fitur produk, sehingga dilakukan pemilihan level aspek pada penentuan sentimen. Peringkasan ulasan produk pada setiap fiturnya dilakukan secara ekstraktif dengan menampilkan fitur produk dengan orientasi yang dipisahkan antar positif dan negatif. Kata kunci : ulasan produk, ekstraksi fitur produk, association mining,  klasifikasi, peringkasan opini, supervised learning.
Peringkasan Review Produk Berbasis Feature Dengan Menggunakan User Score Keri Nurhidayat; Warih Maharani; Mohamad Mubarok
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Ulasan sebuah produk dari konsumen dapat digunakan oleh perusahan untuk meningkatkan penjualan dan kualitas produknya sedangkan bagi konsumen dapat memberikan keputusan dalam pembelian. Dengan meningkatnya jumlah ulasan serta user score dari konsumen memunculkan masalah baru yaitu ketika ulasan yang diberikan oleh konsumen tidak sesuai dengan user score yang diberikan. Untuk itu dibangun sebuah sistem yang dapat melakukan peringkasan untuk memberikan nilai terhadap ulasan konsumen dengan bantuan user score dari konsumen. Tahapan pertama untuk membangun sistem ini adalah preprocessing dimana preprocessing terdiri dari 3 tahapan yaitu Stopword Removal, Lemmatization, dan POS Tagging. Tahap kedua adalah ekstrasi fitur dan opini dengan menggunakan Type Dependency Parser. Tahap ketiga adalah penentuan polaritas fitur dengan menggunakan Semantic Orientation – Pointwise Mutual Information. Tahap keempat adalah peringkasan dengan menggunakan feature scoring dan Pearson Correlation untuk mengetahui nilai dari setiap fitur yang terekstrak. Hasil proses ekstraksi dan penentuan polaritas adalah daftar fitur dan opini serta polaritas dari setiap fitur. Peringkasan dokumen dengan menggunakan feature scoring menghasilkan skor dari setiap fitur yang berhasil terekstrak pada setiap ulasan yang kemudian dilanjutkan dengan proses Pearson Correlation untuk meilhat trend antara skor dari dataset dengan skor yang dihasilkan oleh feature scoring dimana nilai korelasi tertinggi adalah pada dataset Nook Tablet 16Gb yaitu fitur ke-46 Seller dengan nilai korelasi 1.00 atau berkorelasi sangat kuat dan nilai korelasi terendah adalah pada dataset Nook Tablet 16Gb yaitu fitur ke-62 Unit dengan nilai korelasi -0.94 atau berkorelasi terbalik sangat kuat. Kata kunci: analisis sentimen, ulasan produk, feature based opinion summarization, type dependency parser, semantic orientation – pointwise mutual information, feature scoring, scoring product feature, pearson correlation.
Peringkasan Opini Untuk Review Produk Menggunakan Formulasi Integer Linear Programming Tiara Nabila; Warih Maharani; M.Syahrul Mubarok
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

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

Abstract

Pada era digital, website untuk jual beli atau e-commerce sudah sangat marak digunakan karena lebih efisien dibandingkan berbelanja langsung di toko offline. Customer yang membeli barang di website biasanya dapat memberikan review terhadap produk yang sudah mereka beli. Opini yang diberikan akan menjadi acuan bagi customer berikutnya, tetapi opini yang terdapat pada website biasanya sangat banyak sehingga dibutuhkan peringkasan agar memudahkan customer dalam menentukan pilihan produk mereka. Pada penelitian ini akan dibahas tentang peringkasan opini atau opinion summarization. Peringkasan dilakukan dengan terlebih dahulu melakukan ekstraksi menggunakan pattern matching lalu akan diperoleh orientasi kalimat opini dengan SentiWordNet. Selain itu dibutuhkan dua nilai parameter, yaitu content score dan coherence score sehingga dapat dilakukan peringkasan pada review produk dengan menggunakan formulasi Integer Linear Programming (ILP) guna membuat ringkasan yang lebih koheren antara kalimat satu dan lainnya. Kata kunci : opinion summarization, integer linear programming (ILP), SentiWordNet
Klasifikasi Opini Pada Fitur Produk Berbasis Graph I Kadek Bayu Arys Wisnu Kencana; Warih Maharani
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Produk merupakan sesuatu yang ditawarkan oleh produsen kepada konsumen, di mana setiap produk memiliki opini yang berbeda-beda bagi setiap konsumen. Opini produk yang berbeda-beda tersebut dapat berupa opini positif maupun negatif. Untuk menganalisis opini yang berupa opini positif atau negatif secara otomatis, diperlukan adanya suatu sistem yang dapat digunakan oleh produsen maupun konsumen. Pada tugas akhir ini, dilakukan penelitian terhadap klasifikasi opini dengan menggunakan nilai kemiripan (similarity) antar kata dengan menggunakan dua pendekatan berbasis graph yaitu Word2Vec dan WordNet. Word2Vec merupakan representasi kata dalam bentuk vektor yang digunakan untuk menghasilkan word embeddings [1]. Sedangkan WordNet merupakan sebuah database kamus bahasa Inggris yang memiliki hirarki keterhubungan antar kata melalui jalur yang dimilikinya [2]. Penelitian tugas akhir ini menunjukkan bahwa hasil klasifikasi opini fitur produk menggunakan Word2Vec memiliki persentase akurasi yang lebih tinggi jika dibandingkan dengan klasifikasi opini fitur produk dengan menggunakan WordNet dengan rata-rata selisih persentase akurasi dari 6 dataset yaitu 2.07%. Hal tersebut disebabkan karena pada pendekatan Word2Vec, kosakata (vocabulary) yang dimiliki dapat dikembangkan sendiri berdasarkan data training yang digunakan. Sedangkan pada WordNet, kumpulan kata yang terdapat pada corpus merupakan data dari WordNet itu sendiri, jadi tidak dapat dikembangkan sendiri seperti pada Word2Vec. Kata kunci : sentiment analysis, word2vec, wordnet, graph-based classification, word embeddings.
Peringkasan Pada Review Produk Menggunakan Metode Crf Dan Knn Pursita Kania Praisar; Warih Maharani; Nungki Selviandro
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

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

Abstract

Dalam perkembangan internet pada saat ini, banyak orang yang memanfaatkannya dengan membuat sebuah tampilan website online berisi informasi yang dibutuhkan oleh para konsumen. Salah satu diantaranya adalah website yang berisi tentang konten-konten belanja secara online. Selain memudahkan dalam berbelanja, pada website belanja online juga sering ditemukan fitur review product atau tanggapan dari barang yang dijual pada website belanja online tersebut. Tanggapan mengenai sebuah barang pada satu website online sering dijadikan sebagian acuan terhadap sebuah kualitas barang. Banyaknya tanggapan terhadap sebuah barang dalam satu website online, menjadikan kesulitan tersendiri untuk menyimpulkan hasil dari tanggapan barang tersebut. Maka dari itu untuk mempermudah dalam menyimpulkan hasil tanggapan dari sebuah barang, perlu dibuat sebuah sistem peringkasan untuk menganalisa hasil tanggapan dari konsumen dalam suatu website belanja online. Sistem peringkasan ini dilakukan menggunakan metode CRF (Conditional Random Fields) untuk ekstraksi aspeknya dan K-NN untuk klasifikasinya. Parameter yang dibutuhkan pada sistem ini adalah persentase data training, penggunaan lemmatization pada preprocessing, nilai standar deviasi pada ekstraksi aspek, nilai learning rate pada ekstraksi aspek, threshold pada ekstraksi opini, dan nilai k pada klasifikasi. Penelitian ini dilakukan untuk mencari nilai efektif parameter inputan. Hasil yang didapatkan dari penelitian ini adalah nilai efektif presentase data training adalah 70%, digunakannya tahap lemmatization pada preprocessing, nilai efektif standar deviasi adalah 1.75, nilai efektif learning rate adalah 0.01, nilai efektif threshold adalah 0.5 dan nilai efektif k adalah >7. Kata kunci: Summarization,CRF, K-NN
Peringkasan Sentimen Pada Ulasan Produk Elektronik Dengan Metode Conditional Random Fields Fadhil Hadi; Warih Maharani; Niken Dwi Wahyu Cahya
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Perkembangan web di seluruh dunia seperti sosial media, forum, blog telah mempermudah orang untuk mengungkapkan pendapat terhadap produk elektronik. Namun sulit untuk mendapatkan gambaran umum atau spesifik dari ulasan-ulasan tersebut karena masyarakat tidak memiliki waktu untuk membaca banyak ulasan satu per satu. Penelitian ini menghadirkan sebuah pendekatan yang meringkas sentimen dari ulasan-ulasan tersebut untuk menghasilkan ringkasan dari suatu produk. Penelitian ini menggunakan studi kasus pada produk elektronik yaitu laptop. Metode yang diterapkan menggunakan Conditional Random Fields (CRFs) untuk membuat model yang akan mendapatkan ringkasan sentimen yang ada pada ulasan tersebut. Sistem akan meringkas sentimen dari ulasan produk elektronik. Hasil pengujian menghasilkan akurasi ringkasan pada sentimen yaitu 76% menggunakan parameter gaussian prior dan maksimum iterasi pada model. Kata Kunci : Peringkasan sentimen, ulasan produk elektronik, Conditional Random Fields. Abstract The development of the web around the world such as social media, forums, blogs has made it easier for people to express their opinions on electronic products. But it is difficult to get a general picture of the reviews because the public does not have time to read many reviews one at a time. This research presents an approach that summarizes the sentiments of these reviews to produce a summary of a product. This research will use case studies on electronic products, namely laptops. The method applied uses Conditional Random Fields (CRFs) to create a model that will get a summary of the sentiments in the review. The system will summarize sentiment from electronic product reviews. The test results produce a summary accuracy on the sentiment that is 76% using the gaussian prior and maximum iteration parameters in the model. Keywords: Summarization of sentiments, reviews of electronic products, Conditional Random Fields.
Analisis Sentimen Pada Media Sosial Twitter Berbahasa Indonesia Dengan Metode Glove Dicky Wahyu Hariyanto; Warih Maharani
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 Seiring dengan perkembangan media sosial, warganet Indonesia ramai menggunakan media sosial untuk berbagi informasi. Salah satunya menggunakan fitur cuitan pada media sosial Twitter, untuk membahas suatu topik tertentu. Bencana merupakan salah satu topik yang ramai dibahas, mulai dari kenapa terjadinya bencana dan bagaimana penanganannya oleh pihak berwenang. Analisa sentimen dapat dilakukan untuk menganalisa cuitan dengan topik bencana ini, agar dapat digunakan sebagai tolak ukur bagaimana penangan bencana dan kenapa bencana itu terjadi menurut pendapat warganet. Pada penelitian ini dibuat analisa sentimen menggunakan word embedding Global Vector (GloVe) yang bertujuan untuk meningkat performa analisa sentimen. Model Global Vector dibentuk dari korpus Wikipedia Indonesia, dengan dataset cuitan dengan topik bencana yang berjumlah 1500 data cuitan. Klasifikasi sentimen yang digunakan adalah metode deep learning model Long Short-Term Memory (LSTM). Yang mana model Global Vector diembedd ke dalam layernya. Dalam penelitian ini akan dilakukan dua scenario pengujian dengan data cuitan dengan label data sentimen seimbang dan pengujian dengan label data sentimen tidak seimbang. Dari hasil pengujian dengan data seimbang didapatkan akurasi sebesar 73% dan pada data dengan label tidak seimbang didapatkan presisi 74,5% dan recall 74,5% dengan akurasi 75%. Kata kunci : analisa sentimen, GloVe, LSTM, Twitter, word embedding Abstract Along with the development of social media, Indonesian citizens are often using social media to share information. One of them uses twitter's social media tweeting feature, to discuss a particular topic. Disasters are one of the topics that are discussed, ranging from why disasters occur and how they are handled by the authorities. Sentiment analysis can be done to analyze tweets on the topic of this disaster, so that it can be used as a benchmark for how disaster management and why disasters occur in the opinion of citizens. In this study, sentiment analysis was made using the word embedding Global Vector (GloVe) which aims to improve the performance of sentiment analysis. The Global Vector model was formed from the Corpus Wikipedia Indonesia, with a dataset of tweets with disaster topics totaling 1500 tweet data. The sentiment classification used is the deep learning method of the Long Short-Term Memory (LSTM) model. Which is where the Global Vector model is dimbedded into its layers. In this study, two test scenarios were conducted with tweet data with balanced sentiment data labels and tests with disproportionate sentiment data labels. From the test results with balanced data obtained 73% accuracy and in data with unbalanced labels obtained 74.5% precision and 74.5% recall with 75% accuracy. Keywords: GloVe, LSTM, sentiment analysis, word embedding
Analisis Ulasan Produk Pada Media Sosial (twitter) Untuk Meningkatkan Kualitas Produk Handphone Menggunakan Metode Aspect-based Dengan Pendekatan Lexicon Serventine Andhara Evhen; Warih Maharani
eProceedings of Engineering Vol 8, No 2 (2021): April 2021
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Media sosial juga sudah marak digunakan sebagai media untuk menyampaikan aspirasi atau ulasan tentang suatu produk. Kegiatan ini membuat banyak data ulasan tersebar luas di jejaring media sosial. Twitter adalah salah satu platform yang sering digunakan untuk menulis ulasan karena bersifat terbuka dan bebas untuk mengekspresikan pendapat. Data yang tersebar dapat menjadi acuan peningkatan kualitas produk dengan dibuat sebuah analisis sentimen berbasis aspek. Analisis sentimen berbasis aspek mengacu pada aspek atau fitur pada produk tersebut. Penilitian dilakukan dengan menggunakan tiga ulasan produk handphone Iphone 11 pada platform twitter dengan menggunakan analisis sentimen menggunakan klasifikasi lexicon. Hasil evaluasi terbaik didapatkan dengan skenario pertama yang menggunakan parameter full preprocessing dan kamus lexicon Liu. Kamus yang digunakan sudah di terjemahkan kedalam bahasa Indonesia. Skenario ini memiliki hasil exact match error ratio sebesar 42.11%. Kata kunci : aspect based sentimen analysis, ekstraksi aspek, lexicon Indonesia Abstract Social media has also been widely used as a medium to convey aspirations or reviews about a product. This activity makes a lot of data reviews widely spread on social media networks. Twitter is one of the platforms that is often used to write reviews because it is open and free to express opinions. The scattered data can be used as a reference for improving product quality by making an aspect-based sentiment analysis. Aspect-based sentiment analysis refers to an aspect or feature of the product. The research was conducted using data on iPhone 11 mobile product reviews on the Twitter platform using sentiment analysis using the Lexicon classification. The best evaluation results are obtained with the first scenario using full preprocessing parameters and the Liu’s Lexicon dictionary. The dictionary used has been translated into Indonesian. This scenario has an exact match error ratio of 42.11%. Keywords: aspect based sentiment analysis, aspect extraction, Indonesian lexicon
Analisis Berbasis Emosional pada Depresi di Media Sosial Menggunakan Pendekatan Convolutional Neural Network Aisyiyah, Syarifatul; Maharani, Warih
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-Depresi merupakan gangguan jiwa pada seseorang. Diperkirakan sekitar 300 juta orang menderita depresi di seluruh dunia. Dikarenakan tidak adanya penanganan medis pada tahap awal. Dengan menggunakan media sosial seperti twitter menjadi tempat untuk mengemukakan perasaan atau kondisi emosional yang dialami melalui postingan. Dari postingan atau data tweet tersebut maka dapat ditemukan petunjuk bahwa pengguna mengalami depresi atau tidak. Pada penelitian ini digunakan algoritma Convolutional Neural Network (CNN) untuk membuat suatu model untuk mengklasifikasi teks yang mampu melakukan prediksi untuk mendeteksi suatu postingan pada twitter memiliki bentuk emosional yang dapat diprediksi apakah seseorang tersebut menandakan terjadinya depresi atau tidak. Data yang dikumpulkan bersumber dari hasil pengisian kuesioener oleh responden, dan data tweet didapatkan dari akun pengguna twitter yang sudah disetujui. Pengembangan sistem ini sudah dilakukan hingga tahap pengujian, model yang dihasilkan untuk memprediksi emosional mendapatkan akurasi sebesar 82% dan untuk memprediksi depresi mendapatkan akurasi 91% yang diuji dengan 4892 tweet dari 161 user dan digambarkan dengan confusion matrix sebagai alat ukur performansi.Kata kunci-depresi, emosional, postingan, Convolutional Neural Network (CNN)
Co-Authors Adhie Rachmatulloh Sugiono Adinda Putri Rosyadi Adiwijaya Agung Toto Wibowo Aisyiyah, Syarifatul Ajeung Angsaweni Aji Gunadi, Gagah Al Giffari, Muhammad Zacky Aldy Renaldi Alfian Akbar Gozali Algi Erwangga Putra Alif Rahmat Julianda Andre Agasi Simanungkalit Angelina Prima Kurniati Anisa Herdiani annisa Imadi Puti Arianti Primadhani Tirtopangarsa Arie Ardiyanti Suryani Artanto Ageng Kurniawan Asep Aprianto Aziz Alfauzi Aziz Azka Zainur Azifa Bondan Ari Bowo Daud, Hanita Dicky Wahyu Hariyanto Diska Yunita Dita Martha Pratiwi Elroi Yoshua Ersy Ervina Evizal Abdul Kadir Fadhel, Muhammad Fadhil Hadi Fairuz Ahmad Hirzani Fathin, Felicia Talitha Fika Apriliani Fikri Ilham Guntur Prabawa Kusuma Hafshah Haudli Windjatika Hilda Fahlena Holle, Alfransis Perugia Bennybeng I Kadek Bayu Arys Wisnu Kencana I Nyoman Cahyadi Wiratama Ilham Rizki Hidayat Imelda Atastina Intan Nurma Yunita Intan Ramadhani Joshua Tanuraharja Keri Nurhidayat Kurniawan Adina Kusuma Latifa, Agisni Zahra M.Syahrul Mubarok Marcello Rasel Hidayatullah Moch Arif Bijaksana Mohamad Mubarok Mohamad Syahrul Mubarok Muh. Akib A. Yani Muhammad Fadhil Mubaraq Muhammad Husein Adnan Muhammad, Noryanti Niken Dwi Wahyu Cahya Nugraha, Endri Rizki Nugroho, Bayu Seno Nungki Selviandro Nur Ghaniaviyanto Ramadhan Nyoman Rizkha Emillia Pratama, Rio Ferdinand Putra Prati Hutari Gani Prati Hutari Gani Prisla Novia Anggreyani Pursita Kania Praisar Purwanto, Zadosaadi Brahmantio Putri Ester Sumolang Putri Samapa Hutapea Rachdian Habi Yahya Raihan Nugraha Setiawan Rasyad, Gerald Shabran Ria Aniansari Rianda Khusuma Rifki Wijaya Ryan Armiditya Pratama Salsabila Anza Salasa Sendika Panji Anom Serventine Andhara Evhen Setiawan, Abiyyu Daffa Haidar Suyanto Suyanto Tiara Nabila Tri Ayu Syifa'ur Rohmah Trysha Cintantya Dewi Tsaqif, Muhammad Abiyyu Veronikha Effendy Wijaya, Yaffazka Afazillah Yantrisnandra Akbar Maulino Yanuar Ega Ariska Yanuar Firdaus AW Yusup, Axel Haikal