Articles
Optimasi Rekomendasi Sustainable Development Goals (SDGs) di Indonesia menggunakan Content-Based Filtering dan Algoritma Machine Learning
Hulvi, Alfajri;
Kusrini, Kusrini
Building of Informatics, Technology and Science (BITS) Vol 6 No 2 (2024): September 2024
Publisher : Forum Kerjasama Pendidikan Tinggi
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47065/bits.v6i2.5807
Abstrak−Lahirnya program tentang Tujuan Pembangunan Berkelanjutan atau Sustainable Development Goals (SDGs) pada tahun 2015 membuat masyarakat di semua negara mulai memandang penting pembangunan berkelanjutan untuk diimplementasikan. Indonesia, sebagai bagian dari komunitas global, juga telah mengadopsi SDGs ini sebagai kerangka kerja dalam upaya mencapai Indonesia Emas 2045. Dengan visi ini, Indonesia bercita-cita menjadi negara maju yang berdaulat, adil, dan makmur tepat pada peringatan 100 tahun kemerdekaannya. Untuk mencapai tujuan secara efektif, penting untuk menerapkan sistem rekomendasi berbasis Artificial Intelligence (AI) yang mempertimbangkan tantangan sosial, ekonomi, dan lingkungan hidup yang dihadapi oleh negara Indonesia di masa mendatang. Content-Based Filtering (CBF) adalah teknik yang populer untuk membangun sistem tersebut. Penelitian ini membahas teknik untuk optimasi CBF menggunakan beberapa algoritma machine learning tradisional yaitu SVM, KNN, DT dan algoritma Deep Learning yaitu MLP. Teknik pengambilan sample dan penyetelan hiperparameter juga diperhatikan dalam penelitian ini. Algoritma Deep Learning MLP menghasilkan akurasi tertinggi yaitu 84%.
Application of the Decision Tree Method to Forest Fire Detection (Case Study: in Palembang, South Sumatra)
Mahendra, Awanda Putra;
Pradipta, Dody;
Saputro, Moh. Rizal Bayu;
Kusrini, Kusrini
Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer Vol 2 No 1: JTECS Januari 2022
Publisher : FAKULTAS TEKNIK UNIVERSITAS ISLAM KADIRI
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32503/jtecs.v2i1.2196
Kebakaran hutan dan lahan merupakan masalah pada lingkungan yang sangat merugikan bagi masyarakat. Penelitian ini bertujuan untuk mengklasifikasi prediksi kebakaran hutan dan lahan yang terjadi pada kota Palembang, Sumatera Selatan. penelitian ini menggunakan data dari BPS kota Palembang sebanyak 60 data dalam empat tahun (2015-2019). Model yang digunakan pada penelitian ini menggunakan algoritma Decision Tree C4.5 dengan variabel yang digunakan berupa bulan, kecepatan angin, curah hujan dan kelembaban udara. Penelitian ini menerapkan 5 skenario dengan kombinasi variabel dengan tingkat akurasi terbaik. Hasil penelitian yang dikeluarkan berupa klasifikasi apakah suatu hutan dan lahan terjadi kebakaran atau tidak. Nilai akurasi dari dataset tersebut dalam waktu empat tahun (2015-2019) dengan skenario pembagian dataset training 80 dan data testing 25% mendapatkan nilai akurasi sebesar 92%. Maka model algoritma Decision Tree C4.5 yang digunakan pada penelitian ini, dapat disimpulkan bahwa model algoritma Decision Tree C4.5 memiliki potensi untuk melakukan klasifikasi terhadap potensi kebakaran hutan dan lahan pada kota Palembang, Sumatera Selatan.
K-Nearest Neighbor Algorithm for Classification Inaccuracy in Payment of SPP Money
Anggraeni, Meita Dwi;
Kusrini, Kusrini;
Arief, M. Rudyanto
Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer Vol 4 No 1 (2024): JTECS Januari 2024
Publisher : FAKULTAS TEKNIK UNIVERSITAS ISLAM KADIRI
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32503/jtecs.v4i1.4891
SMK Ma’arif Salam merupakan salah satu lembaga pendidikan swasta dibawah LP Maarif. SMK Ma’arif Salam dalam pembiayaan operasional sekolah sebagian besar dibebankan kepada siswa, terutama dalam pembayaran SPP. Pada umumnya pembayaran SPP diterapkan sekolah swasta dimana pembiayaan dibebankan pada setiap siswa. Karena sekolah swasta bertanggung jawab mengelola pendidikan dalam kebijakan lokal. Berbeda dengan sekolah negeri, biayanya telah ditanggung oleh pemerintah/negara. Penelitian ini menggunakan Algoritma K-Nearest Neighbor. Dengan menggunakan Algoritma K-Nearest Neighbor dengan jarak k=3 sehingga didapatkan dataset murni. Klasifikasi dilakukan dengan membagi data training dan data testing dengan perbandingan 80% : 20% maka dihasilkan data training sebanyak 406 dan data testing sebanyak 102. Pemrosesan data dilakukan dengan Algoritma K-Nearest Neighbor dalam proses validasi sehingga dapat diperoleh hasil akurasi. Perhitungan dengan menggunakan algoritma K-Nearest Neighbor memperoleh hasil akurasi sebesar 82.35%.
Analysis of Public Opinion Sentiment on Instagram regarding Covid-19 with SVM
Kurniasari, Iin;
Kusrini, Kusrini;
Fatta, Hanif Al
Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer Vol 1 No 1: JTECS Januari 2021
Publisher : FAKULTAS TEKNIK UNIVERSITAS ISLAM KADIRI
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32503/jtecs.v1i1.1416
Perkembangan teknologi dewasa ini mendorong masyarakat untuk selalu tanggap teknologi, terlebih di era pandemi covid-19 yang selalu mengedepankan social distancing. Media sosial digunakan sebagai suatu alat untuk menyampaikan opini masyarakat kepada khalayak. Dalam penelitian ini, penulis melakukan penelitian tentang opini masyaraat pada media sosial instagram dengan mengguakan Support Vector Machine. Setelah dilakukan uji akurasi dan presisi ternyata SVM belum sesuai digunakan sebagai algoritma yang dapat menangkap urutan karena susunan kata yang dibolak-balik meskipun maknanya berbeda tetap bermakna sama oleh mesin SVM, hal ini dibuktikan juga dengan jumlah akurasi yang kecil.yaitu 59%. Sehingga diperlukan langkah untuk bisa diteliti dengan algoritma lain misalnya algoritma HRRN (Highest Response Ratio Next) atau LSTM (Long Short-Term Memory) yang memperhatikan urutan dan proses dengan rasio respon paling tinggi. Jika berdasarkan pendekatan ekstraksi fitur SVM dengan pendekatan count vector, tf-idf word level, tf-idf ngram level dan tf-idf char level. Dalam skenario ini nilai akurasi tertinggi terdapat pada perhitungan dengan menggunakan ekstraksi fitur count vector dan tf-idf ngram level.
Sentiment Analysis Comments Covid-19 Variant Omicron on Social Media Instagram with Bidirectional Encoder from Transformers (BERT)
Pradipta, Dody;
Kusrini, Kusrini;
Fatta, Hanif Al
Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer Vol 3 No 1: JTECS Januari 2023
Publisher : FAKULTAS TEKNIK UNIVERSITAS ISLAM KADIRI
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32503/jtecs.v3i1.3219
Internet merupakan alat komunikasi yang banyak diminati karena pesatnya perkembangan teknologi dan informasi beberapa tahun belakangan ini. Ini adalah konteks untuk memodernisasi dan sepenuhnya mendigitalkan komunikasi. Salah satu perubahan dalam komunikasi digital adalah media sosial, platform digital yang memungkinkan orang berbicara satu sama lain, berbagi informasi, dan lainnya. Pada platform media sosial ini, yang dirancang untuk mendapatkan masukan inti dari pengguna atau konsumen secara efisien, komentar dapat digunakan untuk mengumpulkan opini dari pengguna. Instagram adalah salah satu platform media sosial paling populer saat ini, dan banyak penggunanya menggunakannya untuk menyuarakan pendapat (komentar) mereka tentang pandemi Covid-19. Menggunakan metode Bidirectional Encoder from Transformers (BERT), komentar masyarakat nantinya dapat diklasifikasikan menjadi sentimen positif, negatif, dan netral. Analisis sentimen mengungkapkan bagaimana perasaan orang tentang varian Omicron pandemi Covid-19. Prosedur scraping menghasilkan 1.052 data yang terdiri dari 663 komentar negatif, 388 komentar netral, dan 1 komentar positif. Hasil tes memiliki akurasi sebesar 0,632 (63%).
Analisis Perbandingan Metode Decision Tree Dan K-Nearest Neighbor Untuk Klasifikasi Cyberbullying Pada Sosial Media Twitter
Maradona, Maradona;
Kusrini, Kusrini;
Alva Hendi Muhammad
METIK JURNAL Vol 7 No 2 (2023): METIK Jurnal
Publisher : LPPM Universitas Mulia
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47002/metik.v7i2.591
This research focuses on analyzing the impact of social media on society, particularly addressing the issue of cyberbullying on the Twitter platform. Based on statistics, the majority of internet users in Indonesia actively utilize social networks, with Twitter being the most dominant platform used for communication and interaction. Therefore, cyberbullying cases often occur on this social media platform. In this study, two classification methods, namely Decision Tree and K-Nearest Neighbor (KNN), were employed to classify cyberbullying-related messages on Twitter. The aim of this research is to compare the performance of these two methods and to identify early signs of cyberbullying as relevant digital evidence for legal proceedings. The dataset used in this study consists of 650 comment records from the period 2019 to 2021, with predefined labels. The analysis results indicate that K-Nearest Neighbor achieved the highest accuracy, reaching 75.99%, compared to Decision Tree with 65.00%. Hence, K-Nearest Neighbor is considered a more effective method for cyberbullying analysis on the Twitter platform. Additionally, the identification of early signs of cyberbullying in comment id 2 can serve as relevant digital evidence for legal purposes. This research provides better insights into the effectiveness of classification in addressing cyberbullying issues on the Twitter platform.
Comparing text classification algorithms with n-grams for mediation prediction
Lewu, Retzi Y.;
Kusrini, Kusrini;
Yaqin, Ainul
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 18, No 2 (2024): April
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22146/ijccs.93929
Tingkat keberhasilan mediasi perkara perdata di pengadilan negeri dari tahun ke tahun sangat rendah dan menyebabkan penumpukan perkara yang harus ditangani dengan persidangan. Sementara itu, pendaftaran perkara baru dengan klasifikasi perkara serupa terus bermunculan dan wajib dimediasi. Penelitian ini dilakukan dengan memanfaatkan data mediasi perkara terdahulu sebagai dataset untuk memprediksi hasil mediasi perkara baru. Ketika n-gram digunakan pada dataset yang telah di-preprocessing, hanya ditemukan nilai pada unigram (n=1). Pada penerapan model menggunakan algoritma machine learning, dihasilkan akurasi yang sama sebesar 0.6875 pada Algoritma Naïve Bayes, Logistic Regression dan Support Vector Machine (SVM), sedangkan algoritma Decision tree menghasilkan akurasi paling rendah sebesar 0,375. Rendahnya nilai dikarenakan Decision Tree lebih cenderung overfit untuk digunakan dengan teks berbahasa Indonesia. Pola kalimat formal pada dokumen mediasi berbahasa Indonesia tidak memenuhi unsur – unsur kata majemuk, imbuhan, variasi susunan kata, dan semantik leksikal. Untuk penelitian selanjutnya direkomendasikan penggunaan algoritma klasifikasi lain, pemanfaataannya pada dokumen – dokumen lain seperti putusan pengadilan, penentuan rangking mediator berdasarkan keberhasilan mediasi serta implementasi model pada aplikasi e-mediasi yang terintegrasi dengan sistem informasi manajemen perkara
Pengaruh Keseimbangan Data terhadap Akurasi Model Support Vector Machine pada Data Set Donor Darah
Widyanto, Agung;
Kusrini;
Kusnawi
Jurnal Teknologi Terpadu Vol 9 No 2 (2023): Desember, 2023
Publisher : LPPM STT Terpadu Nurul Fikri
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.54914/jtt.v9i2.771
In classification, unbalanced data is expected. Unbalanced data has an inequality ratio between the majority and minority classes. Models trained with unbalanced data tend to predict the minority class as the majority class. This study aims to determine the effect of data balance on the accuracy of the Support Vector Machine (SVM) classification model. The data set used is the blood donor data set downloaded from the repository belonging to the University of California, Irvine (UCI). The Waikato Environment for Knowledge Analysis (WEKA) tool was chosen to present the results of training development and model testing. The research framework scheme is used as a reference for knowledge flow. In scenario 1, data pre-processing includes handling missing values using mean-impulse and normalizing MinMax scaling. With a data set that has an inequality ratio of 1:3, the SVM classifier gets an accuracy performance of 76.7%. In scenario 2, post-pre-processing is done by balancing the data using the Synthetic Minority Oversampling Technique (SMOTE). SVM classifier gets 69.8% accuracy performance. Model performance is evaluated using confusion metrics. The gap in recall values for each class is very high in scenario 1 (2.8% and 99.8%). Things are different in scenario 2 (75.6% and 64%). The test results of 748 samples obtained an accuracy of 76.7% for the scenario-1 model and 93.2% for the scenario-2 model. This proves that the balance of data influences the accuracy of the SVM classification model.
PREDIKSI KEBAKARAN HUTAN MENGGUNAKAN ALGORITMA NAIVE BAYES DAN KNN
Ahsan, Muhammad Salimy;
Zakaria, Zakaria;
Hadi, Zulpan;
Kurni, Samuel Everth Andrias;
Kusrini
Sinkron : jurnal dan penelitian teknik informatika Vol. 6 No. 4 (2022): Article Research: Volume 6 Number 4, October 2022
Publisher : Politeknik Ganesha Medan
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33395/sinkron.v7i4.11609
Forest fires are one of the disasters that cause problems for the environment. Forest fires can cause damage and threats, not only to forest resources but also to the entire ecosystem, both fauna and plants that can damage biodiversity and the environment of an area and can endanger human life. The source of forest fires was initially thought to come from a dry and hot environment, but in some cases, forest fires are triggered by human activities in clearing land for agriculture or other purposes. One of the factors that influence the spread of forest fires is several variables combined with humidity levels, wind speed, and rainfall. In this study, researchers used machine learning algorithms KNN and Naïve Bayes to predict forest fires and compare the results of the performance levels of each method used. The results obtained indicate that the naive Bayes method has an accuracy value of 53.33% and K-NN has an accuracy value of 62.66%
Gold Price Prediction Using the ARIMA and LSTM Models
Madhika, Yudha Randa;
Kusrini, Kusrini;
Hidayat, Tonny
Sinkron : jurnal dan penelitian teknik informatika Vol. 7 No. 3 (2023): Article Research Volume 7 Issue 3, July 2023
Publisher : Politeknik Ganesha Medan
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33395/sinkron.v8i3.12461
For some investors who are interested in investing for the long term, gold is one of the promising options because the price of gold has recently continued to increase. In the current condition, gold investors generally use instinct and guesswork in investing in gold because there is a benchmark gold price based on world market prices. Many empirical studies identify factors that affect gold prices to forecast them. Factual and econometric analysis recommend different informative factors. This study investigates the influence of gold prices and five supporting variables in the form of economic indicators, namely crude oil price, federal funds effective rate, consumer price index, effective exchange rate and S&P 500 stock market index between 2002 and 2022. Models were built using ARIMA and LSTM methods, evaluated using Root Mean Square Error (RMSE) and Mean Absolute Percent Error (MAPE). With a dataset allocation of 80% for training data and 20% for testing data, the comparison of actual gold prices with the predicted values of each model shows that LSTM has the best performance compared to the ARIMA (0,1,1) model where the LSTM model has an RMSE value of 8.124 and a MAPE value of 0.023. The models also show that economic indicators affect the ounce price of gold.