Claim Missing Document
Check
Articles

Found 36 Documents
Search

Sentiment Classification of IT Service Feedback via TF-IDF Samidi, Samidi; Fatmawati, Devy
CogITo Smart Journal Vol. 10 No. 2 (2024): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v10i2.701.403-417

Abstract

Handling user complaints and feedback is a key strategy of Pusintek, the Ministry of Finance of the Republic of Indonesia, to enhance user satisfaction. The challenge faced is the difficulty in accurately analyzing feedback due to differences in comments and categories chosen by users, which requires manual category correction. This study aims to automate feedback comment categorization using classification algorithms. Specifically, Naïve Bayes, Support Vector Machine (SVM), and K-Nearest Neighbors (K-NN) algorithms were applied to 11,108 user feedback records. The CRISP-DM framework was used, with dataset preparation involving sentiment analysis techniques (cleansing, case folding, normalization, filtering, and tokenization) and Term Frequency-Inverse Document Frequency (TF-IDF) weighting. Accuracy values for each algorithm were evaluated. Results show that the SVM algorithm performed the best, achieving an accuracy of 94.10% and consistently delivering the highest precision, recall, and f1-score across all sentiment categories. This research contributes to the development of an automatic feedback classification system that improves categorization accuracy, minimizes manual intervention, and optimizes user feedback analysis. It is expected to enrich the understanding of text classification and natural language processing techniques and open up opportunities for further research.
Eco Enzym, Limbah Buah, Tridharm Edukasi dan Sosialisasi Pengelolaan Sampah Lingkungan Eco Enzym di RW 10 Meruya Utara: Education and Socialization of Eco Enzyme Environmental Waste Management in RW 10 Meruya Utara Ratna Kusumawardani; Tutik Sri Susilowati; Samidi, Samidi; Purwanto, Purwanto; Abdullah, Indra Nugraha; Mohammad Syafrullah
KRESNA: Jurnal Riset dan Pengabdian Masyarakat Vol 2 No 2 (2022): Jurnal KRESNA November 2022
Publisher : DRPM Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/jk.v2i2.36

Abstract

Setiap manusia membutuhkan asupan gizi salah satunya dari buah-buahan. Banyaknya masyarakat yang mengkonsumsi buah-buahan maka akan menghasilkan limbah dari kulit buah tersebut. Limbah kulit buah yang dihasilkan kian lama akan menumpuk namun tidak diimbangi dengan pengetahuan dan keterampilan masyarakat dalam pengelolaan limbah tersebut menjadi salah satu penyebab peningkatan sampah lingkungan atau rumah tangga. Berdasarkan permasalahan tersebut, penulis menjalin kerjasama dengan RW 10 Meruya Utara sebagai mitra masyarakat untuk memberikan edukasi dan sosialiasasi bagaimana masyarakat mengelola sampah lingkungan atau rumah tangga menjadi eco enzym melalui bank sampah di Meruya Utara.  Eco enzym adalah cairan yang berasal dari fermentasi limbah buah atau sayuran, air cucian beras dan gula merah. Kegiatan ini merupakan wujud dari pengabdian kepada masyarakat sebagai penunjang tridharma dosen pada perguruan tinggi. Pelatihan ini bertujuan untuk memperkenalkan program pengelolaan sampah organik dengan konsep eco enzym dan menghasilkan output berupa jurnal nasional. Metode yang digunakan pada kegiatan ini adalah metode ceramah untuk menjelaskan dampak-dampak yang terjadi dari sampah tersebut, praktek secara langsung dalam pengelolaan sampah organik dengan konsep eco enzym dan tanya jawab. Berdasarkan hasil evaluasi menunjukkan bahwa materi yang dipaparkan dapat diterima dengan baik.
Penerapan Konsep Eco Enzyme dan Kerajinan Tangan dari Limbah Rumah Tangga Pada Kelurahan Pesanggrahan Kusumawardani, Ratna; Tutik Sri Susilowati; Triana Anggraini; Everhard, Jan; Samidi, Samidi; Abdullah, Indra Nugraha
KRESNA: Jurnal Riset dan Pengabdian Masyarakat Vol 4 No 1 (2024): Jurnal KRESNA Mei 2024
Publisher : DRPM Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/kresna.v4i1.105

Abstract

Setiap tahun volume sampah di Indonesia meningkat yang disebabkan oleh beberapa faktor yakni pertumbuhan populasi yang cepat, adanya urbanisasi dan konsumsi masyarakat tinggi. Hal tersebut menyebabkan produksi sampah organik dan anorganik melonjak namun tidak diiringi dengan wawasan masyarakat dalam memilih dan mengelola sampah tersebut. Berdasarkan permasalahan yang dipaparkan, maka peneliti menjalin kerjasama dengan Kelurahan Pesanggrahan sebagai mitra masyarakat guna mengedukasi dalam memanfaatkan sampah organik dengan konsep eco enzyme dan sampah anorganik dengan konsep kerajinan bak sampah yang berasal dari limbah rumah tangga. Sampah organik yang dapat didaur ulang dari limbah rumah tangga, salah satunya dari sisa makanan atau buah-buahan sedangkan sampah anorganik yang dapat dimanfaatkan dari limbah rumah tangga, salah satunya tutup botol sehingga dalam proses penguraian tersebut memakan waktu yang lama. Metode yang diterapkan pada pelatihan ini menggunakan metode ceramah guna menjelaskan dampak dari sampah organik dan anorganik dan praktek secara langsung dalam pemanfaatan limbah rumah tangga serta tanya jawab. Berdasarkan hasil kuesioner yang telah diolah setelah selesai pelatihan, menunjukkan sebanyak 90% masyarakat memperoleh wawasan baru terkait limbah organik yang dapat dijadikan pupuk organik dan 97% masyarakat memperoleh wawasan baru bahwa limbah anorganik yang dapat dijadikan kerajinan bak sampah sehingga masyarakat menghasilkan pendapatan tambahan dari produk ekonomis tersebut.
Prediksi Alokasi Pagu Belanja Modal Terhadap Realisasi di Kementerian Pertanian Dengan Metode Neural Network dan Generalized Linear Model Saputro, Wahyu Ragil; Iqbal, Moh Himam; Samidi, Samidi
Jurnal Pendidikan dan Teknologi Indonesia Vol 4 No 12 (2024): JPTI - Desember 2024
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.530

Abstract

Belanja Modal adalah pengeluaran anggaran untuk perolehan aset tetap dan aset lainnya yang memberi manfaat lebih dari satu periode akuntansi. Belanja modal meliputi antara lain belanja modal untuk perolehan tanah, gedung dan bangunan, peralatan, aset tak berwujud. Penelitian ini bertujuan untuk memprediksi alokasi pagu belanja modal di Kementerian Pertanian dari tahun 2021 sampai dengan 2023 dengan mengimplementasikan dan membandingkan kinerja algoritma Neural Network dan Generalized Linear Model. Penelitian ini menggunakan rasio data pelatihan dan pengujian 90:10, 80:20, dan 70:30. Hasil pengujian menggunakan algoritma neural network mendapatkan nilai RMSE sebesar 47.627.183.477,290, 49.167.088.101,340, dan 33.270.553.845,293, sedangkan Generalized Linear Model mendapatkan nilai RMSE sebesar 211.888.285.568,081, 222.669.954.080,210, dan 223.385.799.402,206. Berdasarkan hasil perbandingan pada rasio ideal data uji dan latih 70:30, dapat disimpulkan bahwa model Neural Network menghasilkan RSME lebih rendah (33.270.553.845) dibanding Generalized Linear Model (223.385.799.402) menjadikannya pilihan yang lebih akurat untuk prediksi anggaran. Hasil tersebut diharapkan dapat digunakan untuk membantu prediksi penyedian alokasi pagu belanja pegawai dimasa yang akan datang.
Performance Improvement of Periodic Reports with Materialized Views on Oracle Database System Soepriadi, Raden; Dijerja, Gahara; Samidi, Samidi
Sistemasi: Jurnal Sistem Informasi Vol 14, No 2 (2025): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32520/stmsi.v14i2.4910

Abstract

Periodic reports in Management Information Systems (MIS) play a crucial role in organizational decision-making. However, rapid data growth can degrade query performance. This study aims to enhance the performance of periodic reports in the State Revenue Collection Module (SIM MPN) of the Ministry of Finance by utilizing Materialized Views (MVs) in the Oracle database system. A dataset comprising 294,503,898 rows from 2021 to 2023 was used as a sample. An analysis was conducted on eight types of periodic report queries that traditionally relied on standard views. These queries were then converted into MVs to reduce execution time. Testing was performed by comparing execution times between views and MVs across 24 queries executed in two different environments. The results showed that the average execution time using views was 2,047,417 ms, whereas with MVs, execution times were reduced to 41 ms in the first test, 17 ms in the second, and 12 ms in the third. These findings confirm that MVs significantly improve the performance of periodic reports by accelerating query execution. The practical implication of this study is the recommendation to implement MVs in systems with large data volumes to optimize report access speed. Future research can focus on optimizing MV refresh times and further analyzing factors affecting execution time under various usage scenarios.
Integrating Fibonacci Retracement To Improve Accuracy of Time Series Prediction of Gold Prices Bagus Priambodo; Ruci Meiyanti; Samidi Samidi; Gushelmi Gushelmi; Rabiah Abdul Kadir; Azlina Ahmad
Journal of Applied Engineering and Technological Science (JAETS) Vol. 6 No. 2 (2025): Journal of Applied Engineering and Technological Science (JAETS)
Publisher : Yayasan Riset dan Pengembangan Intelektual (YRPI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37385/jaets.v6i2.6073

Abstract

The prediction of gold prices is crucial for investors and policymakers due to its significant impact on global financial markets. Machine learning and deep learning have been used for predicting gold prices on time series data. This study employs MLR, SVM and CNN LSTM with Fibonacci retracement levels to forecast gold prices based on time series data. The experiment results demonstrate that combining Fibonacci retracement with model prediction significantly enhances predictive performance compared to prediction without Fibonacci. The use of Fibonacci levels has resulted in a higher R² score and lower RMSE score showing that Fibonacci levels influence the accuracy of gold price predictions and strengthen the overall reliability of gold price forecasts. The findings underscore the potential of combining machine learning models with technical analysis tools in financial forecasting. Integrating the Fibonacci retracement level offers valuable insights for market participants, enabling more informed investment decisions and effective risk management strategies.