Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Ilmiah Informatika Komputer

METODE DECISION TREE UNTUK KLASIFIKASI HASIL SELEKSI KOMPETENSI DASAR PADA CPNS 2019 DI ARSIP NASIONAL REPUBLIK INDONESIA Syah, Rama Dian
Jurnal Ilmiah Informatika Komputer Vol 25, No 2 (2020)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2020.v25i2.2750

Abstract

Pelaksanaan seleksi Calon Pegawai Negeri Sipil (CPNS) dilakukan berdasarkan peraturan Badan Kepegawaian Negara di lingkungan instansi pemerintah. Seleksi tes cpns dilakukan dengan beberapa tahapan. Seleksi Kompetensi Dasar (SKD) merupakan tahapan yang diuji berdasarkan parameter penilaian Tes Wawasan Kewarganegaraan (TWK), Tes Intelegensi Umum (TIU), dan Tes Karakter Kepribadian (TKP). Hasil dari SKD dianalisis menggunakan Data Mining. Metode Data Mining yang digunakan yaitu Decision Tree.  Berdasarkan penelitian yang dilakukan pada 344 peserta SKD di Arsip Nasional Republik Indonesia adalah nilai Accuracy = 92.23%, Classification Error = 7.77%, Kappa = 0.879, Recall = 94.84%, dan Precision = 95.79%.
ANALISIS SENTIMEN TERHADAP APLIKASI GOJEK PADA PLAY STORE MENGGUNAKAN METODE RANDOM FOREST CLASSIFIER Naura Zainaty Rania; Rama Dian Syah
Jurnal Ilmiah Informatika Komputer Vol 29, No 2 (2024)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2024.v29i2.11877

Abstract

Ulasan pengguna aplikasi memiliki peran yang sangat penting dalam menentukan kesuksesan sebuah layanan aplikasi. Analisis sentiment. Teknologi Natural Language Processing (NLP) memungkinkan pengembang untuk mengkategorikan emosi dalam ulasan secara otomatis. Penelitian ini bertujuan untuk melakukan analisis sentimen pada ulasan aplikasi Gojek yang tersedia di Google Playstore menggunakan metode Random Forest Classifier. Dataset yang digunakan sebanyak 50000 ulasan. Model yang dibangun berhasil melakukan prediksi sentiment dengan baik yang dibuktikan dengan nilai akurasi mencapai 89%. Model yang dibangun mampu mengidentifikasi sampel negatif sebanyak 3231 data diprediksi dengan benar (True Negative). Sampel negative sebanyak 298 data diprediksi dengan salah prediksi sebagai positif (False Positive). Sampel negative sebanyak 722 data diprediksi dengan salah sebagai negative (False Negative). Sampel positif sebanyak 5376 data diprediksi dengan benar (True Positive). Penelitian ini menunjukkan sentimen pengguna Gojek cenderung negative sehingga peningkatan layanan Gojek dapat ditingkatkan agar loyalitas pengguna semakin bertambah.
IMPLEMENTASI METODE BIDIRECTIONAL ENCODER REPRESENTATIONS FROM TRANSFORMERS UNTUK ANALISIS SENTIMEN TERHADAP ULASAN APLIKASI ACCESS Tri Buwono Bagus Wicaksono; Rama Dian Syah
Jurnal Ilmiah Informatika Komputer Vol 29, No 3 (2024)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2024.v29i3.12514

Abstract

Technological developments in this digital era are growing rapidly in various fields, one of which is the field of public transportation. The purpose of this study is to conduct a sentiment analysis of Access by KAI application users on the Google Play Store so that it can be used as a suggestion to improve the quality of the application. This paper uses the Bidirectional Encoding Representations from Transformers (BERT) method with the pretrained IndoBERT model to train the Indonesian dataset. This writing method uses the CRISP-DM method with 6 stages, namely Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation, and Deployment. The dataset used was 10,000 reviews and after being processed into 9260. The model that was built managed to predict sentiment quite well with a percentage of 85%. However, in neutral sentiment, the number of wrong predictions was more than the number of correct predictions, which was 22 reviews, and the number of wrong predictions, which was 150 reviews. The number of correct predictions for negative sentiment is 2,822 reviews and the number of wrong predictions is 345 reviews. The number of correct predictions for positive sentiment was 234 reviews and the number of wrong predictions was 131 reviews. The model has also been successfully deployed in the form of a website prototype and can strengthen sentiment predictions quite well.