Claim Missing Document
Check
Articles

Found 24 Documents
Search

Penerapan Algoritma Gustafson-Kessel untuk Clustering Tweets Mention Akun Go-jek dan Grab Indonesia Firda Ariani Alim Putri; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 2 No 03 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1134.634 KB) | DOI: 10.26740/jinacs.v2n03.p204-212

Abstract

Kepopuleran Twitter yang tinggi bisa digunakan untuk berbagai keperluan dalam banyak aspek, seperti untuk kampanye politik, alat pembelajaran, maupun sebagai media komunikasi darurat. Selain itu, tidak sedikit perusahaan yang memanfaatkan Twitter sebagai alat adversiting, menyebarkan informasi dan promosi. Salah satunya adalah Go-Jek dan Grab Indonesia. Sebagai pelaku bisnis yang memiliki banyak pengikut (followers), dituntut untuk memahami jenis konten yang mendapat respon positif dari followers agar dapat menentukan strategi pemasaran yang tepat. Selain itu perlu memahami keluhan yang sering dibicarakan para pengikut (followers) dalam sebuah tweet, sehingga dapat memperbaiki sistem menjadi lebih baik lagi. Clustering data tweet mention akun @gojekindonesia dan @GrabID menggunakan algoritma Fuzzy Gustafson-Kessel dan indeks validitas Xie-Beni menghasilkan masing-masing 2 cluster optimum. Wordcloud cluster data tweets mention akun @gojekindonesia berisikan keluhan pengguna Go-Jek, sedangkan wordcloud cluster data tweets mention akun @GrabID berisikan ajakan belanja dan promo. Hasil pengujian metode Fuzzy Gustafson-Kessel pada data tweets @gojekindonesia menghasilkan accuracy sebesar 89%, precision sebesar 87%, recall sebesar 92%, dan F-Measure sebesar 89%. Kemudian pada data tweets @GrabID menghasilkan accuracy sebesar 73%, precision sebesar 65%, recall sebesar 76%, dan F-Measure sebesar 70%. Kata Kunci— Fuzzy Gustafson Kessel, Index Xie Beni, Clustering, Twitter, Gojek, Grab.
Penerapan NBC dan SVM Terhadap Klasifikasi Opini Sistem Pendidikan Menggunakan Data Twitter Nadya Hidayatun Najah; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 2 No 03 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (971.703 KB) | DOI: 10.26740/jinacs.v2n03.p213-219

Abstract

Penyebaran berita saat ini dapat diakses dengan mudah melalui media sosial. Twitter merupakan salah satu media sosial yang sangat populer di kalangan pengguna internet. Di sini pengguna dapat dengan bebas berkomentar dan menulis mengenai berita apapun. Salah satu berita yang banyak dibicarakan adalah mengenai sistem pendidikan yang dibuat oleh pemerintah khususnya kurikulum pendidikan. Dari media sosial tersebut, mengizinkan penggunanya untuk dapat mengetahui reaksi pengguna lain terhadap berita yang sedang dibicarakan. Untuk mengklasifikasikan bentuk sentimen yang diberikan apakah itu sentimen positif, negatif, atau netral dapat menggunakan text mining, yaitu proses menggali informasi dalam sekumpulan dokumen besar secara otomatis. Kurikulum pendidikan dipilih untuk dilakukan klasifikasi sentimen karena pembahasan kurikulum pendidikan sangat sensitif terhadap opini-opini masyarakat. Dalam mengklasifikasikannya penulis menggunakan algoritma Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM). Dari proses pengklasifikasian dengan Naïve Bayes Classifier menghasilkan accuracy 64%, precision 100%, recall 54%, dan F-Measure 70%, sedangkan dengan Support Vector Machine menghasilkan accuracy 96%, precision 96%, recall 100%, dan F-Measure 98%. Hal ini menunjukkan bahwa metode SVM mampu mengklasifikasikan data komentar lebih baik daripada menggunakan metode NBC. Kata Kunci— Naïve Bayes Classifier, Supportc Vector Machine, Klasifikasi, Twitter, Kurikulum Pendidikan
Penerapan N-Gram menggunakan Algoritma Random Forest dan Naïve Bayes Classifier pada Analisis Sentimen Kebijakan PPKM 2021 Putri Pratama Erika Indarbensyah; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1034.914 KB) | DOI: 10.26740/jinacs.v2n04.p235-244

Abstract

Abstrak— Kebijakan PPKM merupakan kebijakan terbaru yang dikeluarkan oleh pemerintah pada Januari 2021 untuk menangani permasalahan pandemi Covid-19. Perancangan dan penerapan Kebijakan PPKM dilakukan dengan tujuan yang utama yaitu untuk kepentingan sektor kesehatan dan ekonomi. Adanya penerapan kebijakan ini tentu sangat berdampak kepada masyarakat. Pada era saat ini, dimana internet berkembang meningkat pesat terutama pada penggunaan media sosial tentunya kebijakan tersebut sangat memicu tanggapan para pengguna media sosial khususnya Instagram, dimana saat ini salah satu media sosial populer adalah Instagram yang digunakan oleh semua kalangan selain twitter, facebook, dan lain-lain. Tanggapan para pengguna media sosial Instagram terhadap penerapan Kebijakan PPKM 2021 dapat dikelompokkan menjadi sentimen yang berlabel positif, negatif atau netral dengan melakukan analisis sentimen yaitu menggunakan text mining. Penggunaan N-Gram diterapkan sebagai fitur ekstraksi dengan menggunakan jenis Unigram, Bigram, dan Trigram dan pada tahap klasifikasi menggunakan metode Random Forest (RF) dan Naïve Bayes Classifier (NBC). Penerapan kedua metode tersebut pada penelitian ini bertujuan untuk membandingkan hasil nilai akurasi dari penerapan N-Gram dengan menggunakan metode RF dan NBC. Proses pengklasifikasiaan menggunakan Random Forest (RF) diperoleh hasil accuracy terbaik dari penggunaan Unigram yaitu sebesar 99.5%. Sedangkan hasil precision, recall dan f1-score yang dihasilkan oleh Random Forest (RF) bernilai sama yaitu sebesar 100%. Pada proses pengklasifikasian menggunakan Naïve Bayes Classifier diperoleh hasil accuracy terbaik dari penggunaan Unigram juga yaitu sebesar 97.9% dengan nilai precision, recall dan f1-score sebesar 98%. Dari perbandingan hasil pada pengujian tersebut dapat disimpulkan bahwa penerapan ketiga N-Gram berhasil ­dalam mempengaruhi dan meningkatkan hasil akurasi dari penggunaan kedua algoritma tersebut pada penelitian ini. Kata Kunci— Kebijakan PPKM 2021, N-Gram, Random Forest, Naïve Bayes Classifier, Analisis Sentimen
Klasifikasi Berdasarkan Question dalam Stack Overflow Menggunakan Algoritma Naïve Bayes Bagus Geriansyah Putra; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (302.411 KB) | DOI: 10.26740/jinacs.v2n04.p259-267

Abstract

Abstrak—Stackoverflow merupakan sebuah website yang menyediakan banyak informasi tentang pemrograman. Pengguna dapat berinteraksi dengan pengguna lainnya dalam sebuah forum diskusi yang diajukan. Pengguna dapat mengajukan sebuah pertanyaan yang kemudian akan ditanggapi oleh pengguna lain. Ketika mengajukan sebuah pertanyaan, pengguna harus memasukkan kategori yang tepat pada pertanyaan yang diajukan agar mendapatkan respons atau jawaban yang sesuai. Berdasarkan beberapa kasus yang terjadi masih banyak pengguna website mengalami kebingungan ketika memilih kategori pertanyaan yang diajukan. Akibatnya, pertanyaan yang diajukan tidak mendapat respons yang tepat atau kurang sesuai. Sehingga, penelitian ini diajukan untuk membantu proses pengkategorian pertanyaan pada website Stackoverflow. Penelitian menggunakan Algoritma Naïve Bayes untuk memprediksi kategori pertanyaan yang diajukan. Pada penelitian ini dilakukan beberapa proses, dimulai dengan proses input dataset dilanjutkan dengan pembacaan file dataset. Kemudian dataset akan melalui preprocessing yang dilanjutkan dengan pembobotan dan proses ekstraksi fitur dengan Algoritma TF-IDF. Selanjutnya, data diproses menggunakan Algoritma Naïve Bayes yang akan menghasilkan kategori pertanyaan. Selanjutnya dilakukan proses evaluasi model untuk menentukan model terbaik yang akan digunakan untuk tampilan antarmuka aplikasi. Hasil yang didapat dari tahap evaluasi model dengan 4 kali percobaan menggunakan 10.000-40.000 data menghasilkan nilai akurasi, precision, recall, dan f1-score tertinggi sebesar 75%, 75%, 75% dan 74%. Dari hasil pengujian yang telah dilakukan Algoritma Naïve Bayes dapat digunakan sebagai klasifikasi text dan menghasilkan nilai yang cukup baik. Kata Kunci— text mining, Algoritma Naïve Bayes, stackoverflow, Algoritma TF-IDF
Opinion Mining Popularitas Tempat Wisata Menggunakan Algoritma Support Vector Machine (SVM) Dan Particle Swarm Optimization dari Instagram Esti Ika Maharani; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (537.153 KB) | DOI: 10.26740/jinacs.v2n04.p295-301

Abstract

Sosial media sekarang mempunyai efek besar pada pengambilan keputusan, termasuk pada industri wisata untuk mengetahui reputasi dan popularitas sebuah destinasi wisata. Pada era modern seperti sekarang penggunaan media sosial tidak sekedar media hiburan akan tetapi juga menjadi media buat mengembangkan informasi, baik informasi yang dipercaya maupun tidak. Dari media sosial tersebut, mengizinkan penggunanya untuk bisa mengetahui reaksi pengguna lain terhadap informasi yang sedang hangat dibicarakan. Analisa sentiment atau opinion mining adalah satu dari berbagai solusi untuk mengatasi masalah dalam mengelompokan opini atau review sebagai opini positif, negatif, atau netral secara otomatis. Metode yang dipakai merupakan Support Vector Machine (SVM) dan penerapan seleksi fitur Particle Swarm Optimization. Keduanya memanfaatkan library yang telah tersedia dalam python. Support Vector Machine (SVM) merupakan metode untuk menganalisa data dan mengenali pola yang mampu dipakai untuk pengklasifikasian.. Sementara particle swarm berpola optimizer jadi tidak mampu berdiri sendiri, wajib diikuti algoritma lain yang harus melakukan proses pembelajaran terlebih dahulu. Nilai akurasi yang didapatkan sebagai tolak ukur dalam mencari contoh pengujian terbaik untuk masalah klasifikasi sentimen. Hasil penelitian memperlihatkan peningkatan nilai akurasi sebanyak 0.07 untuk algoritma Support Vector Machine dari 0.90 menjadi 0.97 sesudah penerapan seleksi fitur Particle Swarm Optimization.
Implementasi Metode MOORA Untuk Penentuan Wisata Surabaya Terbaik Di Masa Pandemi COVID-19 Roy Belmiro Virgiant; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 3 No 03 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1962.95 KB) | DOI: 10.26740/jinacs.v3n03.p267-277

Abstract

COVID-19 atau Coronavirus disease 2019 penyakit menular yang mengakibatkan pandemi diseluruh dunia memberikan banyak sekali dampak pada seluruh kegiatan masyarakat. Kegiatan perekonomian dan pariwisata menjadi salah satu elemen yang terdampak oleh pandemi ini. Pariwisata merupakan elemen penting bagi perekonomian masyarakat. Sebagai usaha untuk memutus rantai penularan COVID-19 di pariwisata, pemerintah mengeluarkan aturan seperti pembatasan pengunjung hingga penerapan protokol kesehatan. Beberapa tempat wisata di Surabaya, sudah dibuka selama pandemi. Penelitian ini melakukan perhitungan untuk mendapatkan rangking wisata yang buka selama pandemi di Surabaya. Data yang diuji merupakan delapan wisata luar ruangan di Surabaya yang dikumpulkan dari sumber seperti situs pemerintah, media sosial wisata, dan survey ke lokasi. Perhitungan perangkingan menggunakan metode MOORA atau Multi Objektive Optimization On The Basis Of Ratio Analysis sebagai metode perhitungan. Perhitungan diimplementasikan menjadi aplikasi berbasis web dengan bahasa pemrogamman PHP dan framework Codeigniter. Perhitungan MOORA menggunakan sebanyak enam kriteria yang diberi bobot setiap kriterianya. Ke-enam kriteria tersebut merupakan penerapan protokol kesehatan, fasilitas, waktu buka, batas pengunjung, jarak dari pusat kota dan harga tiket masuk. Hasil perhitungan sistem menunjukkan Taman Flora menjadi wisata terbaik di Surabaya selama pandemi dengan perolehan nilai 0.176971, urutan ke-dua ditempati oleh Wisata Perahu Kalimas dengan nilai 0.167378 dan urutan ketiga Ekowisata Mangrove Wonorejo dengan nilai 0.166685. Pengujian menggunakan Confusion Matrix membandingkan hasil perhitungan manual dengan perhitungan sistem mendapat hasil akurasi sebesar 75%.
Penerapan Data Mining Untuk Clustering Menu Favorit Menggunakan Algoritma K-Means (Studi Kasus Kedai Expo) Setri Dwi Prasetiani; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 3 No 03 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (586.086 KB) | DOI: 10.26740/jinacs.v3n03.p278-286

Abstract

Abstrak— Perkembangan bisnis tentang café di Indonesia sekarang, sedang berkembang dengan pesat. Hal ini dikarenakan lifestyle generasi millennial sekarang adalah bermain di café untuk sekedar menghabiskan waktu luang, rapat maupun kegiatan lainnya, sehingga banyak café baru yang buka. Setiap café pasti akan menyediakan menu makanan, minuman dan camilan yang kekinian dan harga terjangkau. Makanan, minuman dan camilan atau daftar menu ini bisa di cluster untuk mengetahui mana daftar menu apa saja yang menjadi menu favorit di cafe tersebut. Salah satu algoritma clustering adalah k-means. Beberapa penelitian serupa dilakukan menggunakan k-means dengan menghitung jarak menggunakan rumus euclidean distance. Penelitian ini akan meng-cluster makanan, minuman dan camilan dengan menggunakan k-means dengan menghitung jarak menggunakan manhattan distance dengan studi kasus di kedai expo. Dari hasil perhitungan clustering tersebut menghasilkan menu favorit Cluster 1, untuk nilai tertinggi pada makanan Bule Fried Rice, minuman Greentea Frappe, dan camilan Greentea Madness. Cluster 2, untuk nilai tertinggi pada makanan OOT Bolognese, minuman Ice Milo Coffee, dan camilan Pisang Ceper Cokju. Cluster 3, untuk nilai tertinggi pada makanan Indomie Blackpaper Beef, minuman Choco Nutella Shake, dan camilan Chocoreo Banana Nugget. Hasil perhitungan nilai akurasi yang didapatkan dari masing – masing kategori adalah 92% untuk kategori makanan; 84,2% untuk kategori minuman dan 85 % untuk kategori camilan.
Implementasi Algoritma Collision Detection dan A*(A Star) pada Non Player Character Game World Of New Normal Dian Novita Yohanes; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 3 No 03 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (774.698 KB) | DOI: 10.26740/jinacs.v3n03.p322-333

Abstract

Game adalah bentuk penerapan bidang multimedia yang dirancang dengan menerapkan algoritma – algoritma tertentu yang dapat membuat game menjadi semakin menarik dan menimbulkan kepuasan batin bagi penggunanya. Semakin menarik game maka akan semakin banyak pengguna yang memainkannya. Pada penelitian kali ini peneliti akan membuat sebuah game yang di beri nama World Of New Normal dimana game ini akan bercerita tentang seorang anak kecil bernama DIAN yang harus bertahan hidup di era kenormalan baru dengan menjaga pola hidup sehat agar tidak terserang virus Covid. Pada game World of New Normal akan menerapkan Algoritma A* (A star) dan juga Algoritma Collision Detection pada NPC enemy. Algoritma A*(A Star) digunakan untuk menetukan jalur terpendek yang bisa di lalui NPC menemukan target dengan menghitung harga terkecil yang harus diambil. Algoritma Collision Detection digunakan untuk mendeteksi adanya tabrakan antar objek agar dapat memproses perintah aturan game selanjutnya. Algoritma A*(A Star) dan Collision Detection akan diterapkan pada setiap NPC yang ada dari permainan level 1 hingga level 3. Selain itu dilakukan pula beta testing untuk mengetahui apakah game dapat berjalan dengan baik dan mengetahui tingkat kepuasan pengguna dalam memainkan game World Of New Normal, hasil uji kepuasan pengguna yang diperoleh dari 50 responden yang terlibat dalam pengujian game adalah cukup memuaskan dengan persentase 81%. Game is an application from multimedia which is designed by applying of some algorithms that can make the games more interesting and satisfiying for its users. The most interesting game, always played by more users. In this study, the researcher will make a game called World Of New Normal. This game will tell the story of a child named DIAN who must survive in the new normal era by maintaining a healthy lifestyle so as not to be attacked by the Covid virus. In the World of New Normal game the A*(A Star) algorithm used to determine the shortest path that can be passed by NPC to find the target by calculating the smallest price that must be taken. Collision Detection algorithm is used to detect the collisions between objects to process the next rules of the game. the A* (A star) And Collision Detection Algorithm will be applied to every NPCs from level 1 until level 3. we also do the beta testing to make sure the game will run well and determine the level of user satisfaction in playing the World Of New Normal game, the result of user satisfaction testing from 50 respondents involved are quite satisfactory with a 81% of percentage
Identifikasi Citra Daun Tanaman Herbal Menggunakan Metode Convolutional Neural Network (CNN) Rosida Pujiati; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 3 No 03 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (497.664 KB) | DOI: 10.26740/jinacs.v3n03.p351-357

Abstract

Sebagian masyarakat Indonesia memanfaatkan sumber bahan obat tradisional dan obat alam secara turun-temurun. Sumber bahan obat tradisional dan obat alam tersebut didapatkan dari tanaman herbal. Tanaman herbal diketahui memiliki senyawa tertentu sehingga dapat berkhasiat bagi kesehatan. Banyak spesies tanaman herbal memiliki kemiripan yang tinggi sehingga sulit untuk membedakannya. Dengan begitu, sistem pengenalan tanaman otomatis akan bermanfaat untuk membantu masyarakat dalam mengidentifikasi tanaman herbal. Sistem identifikasi pada penelitian ini menggunakan metode Convolutional Neural Network. Metode CNN merupakan suatu metode Deep Learning yang dapat digunakan untuk mengidentifikasi serta mengklasifikasikan sebuah objek pada citra digital. Penelitian ini menggunakan 33 kelas tumbuhan herbal. Dataset yang digunakan yaitu 21.450 citra tumbuhan herbal, dimana dataset tersebut dibagi menjadi 16.500 training, 3.300 validasi, dan 1.650 testing. Pada proses training dan validasi dilakukan sebanyak 150 epoch, yang mendapatkan akurasi tertinggi sebesar 94% dengan loss terendah 0,28. Untuk nilai akurasi pada proses testing sebesar 84%, dengan mengidentifikasi 1.382 citra daun tanaman herbal secara benar dari total 1.650 citra yang ada.
Optimisasi Hyperparameter CNN Menggunakan Random Search Untuk Deteksi COVID-19 Dari Citra X-Ray Dada Malik Dwi Yoni Fordana; Naim Rochmawati
Journal of Informatics and Computer Science (JINACS) Vol 4 No 01 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n01.p10-18

Abstract

Corona Virus Desease merupakan penyakit yang memiliki resiko penularan sangat tinggi sehingga mengakibatkan pandemi di seluruh dunia. Berbagai metode pencegahan dilakukan untuk menekan bertambahnya jumlah kasus akibat virus ini. Berbagai metode digunakan untuk mencegah penyebaran virus COVID-19, salah satunya dengan melakukan deteksi awal pada orang yang terindikasi mengalami gejala-gejala terpapar virus COVID-19. Alternatif lain yang bisa dipertimbangkan untuk mendeteksi COVID-19 pada pasien, yaitu menggunakan pendekatan deep learning dengan pencitraan CT dan X-Ray. Metode deep learning yang digunakan yaitu Convolutional Neural Network. Namun permasalahan yang sering dihadapi saat menggunakan CNN adalah kurang efisiennya nilai parameter yang digunakan pada setiap filter atau layer. Sehingga hasil yang didapatkan kurang optimal baik dari nilai akurasi maupun efisiensi dari model CNN. Proses optimisasi menjadi salah satu solusi yaitu dengan menerapkan algoritma Random Search untuk mencari kombinasi dari keempat nilai hyperparameter model CNN. Keempat hyperparameter tersebut terdiri dari convolutional layer, kernel size, fully connected layer, dan learning rate. Hasil perhitungan menunjukkan bahwa setelah dilakukan optimisasi menggunakan Random Search selama kurang lebih 65 menit didapatkan 50 model terbaik dengan nilai akurasi terbesar yaitu 95.38% dan akurasi terendah yaitu 88%.