Garuda - Garba Rujukan Digital

Analisis Service Quality pada Aplikasi DANA berdasarkan Sudut Pandang Pelanggan di Daerah Bandung Menggunakan Metode Servqual dan Model Kano Bob Simon Silalahi; Fergie Joanda Kaunang
TeIKa Vol 12 No 02 (2022): TeIKa: Oktober 2022
Publisher : Fakultas Teknologi Informasi - Universitas Advent Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36342/teika.v12i02.2957

In the current era of technological advances, all daily activities undergo changes, which were initially manual to digital. Currently, activities are dominated by using mobile applications, for example, in payment transaction systems that are carried out digitally. DANA is one of the most widely used e-wallets by people today. The purpose of this study was to determine the level of customer satisfaction with the quality of service provided by the DANA application and the attributes that have an influence on consumers and the presence or absence of attributes that can change the level of customer satisfaction. The method used is the servqual Method and Kano Model. The Servqual method measures service quality by measuring customer expectations about service quality and their perceptions of the services they receive, then the Kano Model has or no attributes that can change the level of customer satisfaction. the higher the service quality of DANA, the higher the profit and the company lasts longer. This research was conducted in the area of West Bandung with the object of society aged 18-25 years. Based on the results of the analysis using the servqual method, each Servqual indicator has a negative GAP, which means that it is necessary to improve its services by the Fund. The responsiveness dimension has the highest average Gap value of -0.89. While the results of the management using the canoe model there are 10 attributes that affect the level of customer satisfaction. Attributes X6 and X7 are Basic Needs (must have), X8 and X9 affect customer satisfaction based on their desires (O) then the presence of attributes X2, X3, X4, X5, X10 and X11 will increase customer satisfaction, but if there is none it will not lower their satisfaction (A). The Fund should improve its services in this Attractive category because it can increase customer satisfaction significantly. Based on Servqual Method Analysis and Kano Model, Dana needs to improve indicators for customer satisfaction.

Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras Yosia Amado Suwitono; Fergie Joanda Kaunang
Jurnal Komtika (Komputasi dan Informatika) Vol 6 No 2 (2022)
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/komtika.v6i2.8054

Tumbuhan memiliki variasi dan ciri khasnya masing-masing. Ada tiga bagian utama dalam tumbuhan yaitu daun, akar dan batang. Sebagian besar tanaman memiliki daun yang sangat banyak sehingga mudah untuk didapatkan untuk membedakan tanaman satu dengan lainnya. Namun orang pada umumnya tidak dapat mengidentifikasi tanaman menggunakan daun karena terbatasnya kemampuan otak manusia. Klasifikasi adalah salah satu teknik yang dapat digunakan untuk dapat membedakan antar sebuah objek. Klasifikasi harus menggunakan metode yang tepat agar tercapai hasil akurasi yang maksimal. Dengan algoritma Convolutional Neural Network (CNN) adalah neural network yang banyak digunakan untuk mengklasifikasikan citra gambar. Didukung dengan metode Data Mining SEMMA juga memaksimalkan tahapan dalam membuat sebuah model. Dengan model yang tepat dan menggunakan mekanisme yang tepat akan memperoleh hasil yang maksimal. Dari keempat model yang dibangun menggunakan epoch dan batch size yang berbeda didapatkan hasil accuracy yang bervariasi. Dari penelitian ini menunjukkan hasil tertinggi model yang dibangun dengan mekanisme epoch sebanyak 100 dan batch size sebanyak 30 didapatkan total accuracy sebesar 98% dan loss sebanyak 0,0537. Dari analisis ke empat model yang dibangun ditarik sebuah kesimpulan bahwa epoch dan batch size mempengaruhi besar kecilnya accuracy sebuah model. Dibuktikan juga bahwa metode Data Mining SEMMA dapat mempermudah peneliti dalam proses pembuatan sebuah model yang terstruktur.

Analisis Sentimen Pengguna Instagram terhadap Kebijakan Nadiem Makarim yang Memperbolehkan Mahasiswa Lulus Tanpa Skripsi menggunakan Metode Analisis VADER dan Metode Klasifikasi Naïve Bayes Kirk Ezra Rofran; Fergie Joanda Kaunang
INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 2 (2024): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v7i2.9716

Instagram, sebagai media sosial yang populer, telah mendapat banyak perhatian dari para peneliti untuk digunakan sebagai wadah pengambilan data untuk melakukan analisis sentimen. Di dalam penelitian ini, dilakukan Analisis Sentimen terhadap pengguna Instagram terkait Kebijakan Nadiem Makarim yang memperbolehkan mahasiswa lulus tanpa skripsi. Peneliti mengumpulkan data yang berupa komentar dari unggahan pengguna Instagram yang berkaitan dengan kebijakan Nadiem Makarim. Metode analisis Valence Aware Dictionary for sEntiment Reasoning (VADER) dan metode klasifikasi Naïve Bayes digunakan untuk menganalisis data yang diambil dari unggahan pengguna Instagram. VADER digunakan untuk menilai sentimen umum dalam unggahan, sementara Naïve Bayes digunakan untuk mengklasifikasikan sentimen menjadi kategori positif, negatif, atau netral. Hasil penelitian ini memberikan wawasan mendalam tentang bagaimana pengguna Instagram merespon kebijakan Nadiem Makarim. Pada penelitian ini,algoritma klasifikasi Naïve Bayes diterapkan pada pengujian data sebanyak 508 komentar, yang merupakan 25% dari total data. Hasilnya menunjukkan bahwa penggunaan TF-IDF memberikan akurasi sebesar 71.29%. Hal ini menunjukkan bahwa TF-iDF memberikan akurasi yang tinggi dalam analisis sentimen, dengan sebagian besar masyarakat memberikan respon positif terhadap kebijakan tersebut. Saran untuk penelitian selanjutnya adalah melakukan analisis sentimen menggunakan metode klasifikasi algoritma lain seperti Support Vector Machine (SVM), Random Forest, atau Neural Network untuk mendapatkan pemahaman yang lebih komprehensif mengenai respons masyarakat terhadap kebijakan tersebut. Studi lebih lanjut juga dapat melibatkan analisis dampak jangka panjang dari kebijakan ini terhadap dunia pendidikan dan masyarakat, serta eksplorasi aspek-aspek yang belum terungkap dalam komentar publik. Adanya keragaman dalam penggunaan algoritma klasifikasi dapat memberikan wawasan yang lebih mendalam.

IMPLEMENTASI MACHINE LEARNING DALAM PENGELOMPOKAN MUSIK MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING Hakim, Bhustomy; Kaunang, Fergie Joanda; Susanto, Cornelius; Salim, Jonathan; Indradjaja, Reynaldi
IDEALIS : InDonEsiA journaL Information System Vol. 8 No. 1 (2025): Jurnal IDEALIS Januari 2025
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/idealis.v8i1.3357

Music is an inseparable part of everyone's life. Many people listen to music but with different preferences because there are so many different types of music available. Many music streaming platforms compete to make song recommendations that suit their users' preferences but it is still difficult to group the music in them. This study aims to analyze music using the K-Means Clustering algorithm, an unsupervised machine learning method, to group songs based on their features such as tempo, tone, and other elements. This research was conducted in the context of the rapidly growing digitalization of music, where music streaming platforms are increasingly popular and allow for personalization of user preferences. The K-Means algorithm is used to find patterns from various music genres, so that it can provide insight into music trends and listener preferences. This study involves several main stages, including data exploration (Exploratory Data Analysis/EDA), checking for missing values and outliers, and selecting relevant features. Furthermore, the clustering process is carried out using the K-Means algorithm with evaluation through the Elbow and Silhouette methods to determine the optimal number of clusters and assess the quality of clustering. This research is expected to contribute to the development of a better music recommendation system by increasing knowledge in the field of machine learning, especially in the application of the K-Means algorithm for music data clustering.

Breast Cancer Detection using Decision Tree and Random Forest Kaunang, Fergie Joanda; Hakim, Bhustomy; Fraderic, Fedelis; Hartono, Sherren; Mulyanto, Andrew Kristanto
Journal of Applied Informatics and Computing Vol. 9 No. 2 (2025): April 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i2.9073

Cancer is one of the most challenging diseases to cure and is a chronic condition that contributes significantly to global mortality. With advancements in artificial intelligence (AI) technology, AI-integrated systems can provide quick and accurate diagnoses based on collected medical data. By leveraging machine learning techniques, this study aims to compare the performance of two models using the Decision Tree (DT) and Random Forest (RF) algorithms on routine blood test data. The research process involves data preprocessing techniques such as handling missing values, detecting outliers, and feature selection, followed by applying the bootstrap aggregating technique to enhance model performance. Feature selection is used to identify the most significant features in the data that contribute to cancer detection. Using the KBest feature selection technique, the study found that the features age, BMI, leptin, adiponectin, and MCP-1 had the highest correlation with the target variable. The resulting models were evaluated to compare the performance of each algorithm. The evaluation results showed that the RF algorithm outperformed DT, achieving an accuracy of 89.65% on the processed dataset using the bootstrap technique, compared to DT's accuracy of 80.17%. Additionally, the RF algorithm demonstrated superior metric values, including a precision of 91.66% and an F1-score of 87.12%. This study concludes that the RF algorithm is more effective than DT for detecting cancer in limited datasets, especially when used with the bootstrap technique. The findings are expected to support the development of decision support systems in healthcare services for more accurate early cancer detection.

KLASIFIKASI ENGINE FAILURE BERDASARKAN BUNYI MOBIL MENGGUNAKAN MFCC DAN STFT DENGAN MACHINE LEARNING Hakim, Bhustomy; Kaunang, Fergie Joanda; Thenata, Angelina Pramana; Ranny, Ranny
JOISIE (Journal Of Information Systems And Informatics Engineering) Vol 9 No 1 (2025)
Publisher : Institut Bisnis dan Teknologi Pelita Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35145/joisie.v9i1.4936

Deteksi kerusakan mobil sangat penting untuk meningkatkan keselamatan berkendara dan mengurangi biaya perbaikan. Salah satu metode yang umum digunakan oleh mekanik adalah mendiagnosis kerusakan melalui suara yang dihasilkan oleh komponen kendaraan. Namun, proses ini masih bergantung pada keahlian manual dan dapat menyebabkan kesalahan atau keterlambatan diagnosa. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model klasifikasi kerusakan mobil berbasis suara menggunakan teknik data science, terutama machine learning. Data suara dikumpulkan dari berbagai sumber dari kerjasama bengkel-bengkel di Indonesia berupa file suara mesin dengan format wav dengan label berbeda, kemudian diolah menggunakan metode Mel Frequency Cepstral Coefficients (MFCC) dan Short-Time Fourier Transformation (STFT) untuk mengekstrak fitur penting dari sinyal suara. Selanjutnya, dengan algoritma Multilayer Perceptron diimplementasikan untuk membangun model prediksi kerusakan. Penelitian ini mengevaluasi model berdasarkan nilai akurasi dari confusion matrix untuk menemukan model terbaik dalam mendeteksi jenis kerusakan berdasarkan suara. Model dengan MFCC sebagai metode ekstraksi fitur terbukti menghasilkan akurasi tertinggi sebesar 83,35% ketimbang STFT yang hanya memiliki akurasi sebesar 78,82% dengan konfigurasi fungsi aktivasi ReLU dan layer dengan 512 neuron.

Klasifikasi Terawasi Anomali Suara Kipas Industri Menggunakan Jaringan Saraf Tiruan dan Fitur Akustik Rekayasa Thenata, Angelina Pramana; ., Ranny; Hakim, Bhustomy; Kaunang, Fergie Joanda
Jurnal Telematika Vol. 20 No. 1 (2025)
Publisher : Yayasan Petra Harapan Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61769/telematika.v20i1.772

Penelitian ini menggunakan pendekatan supervised learning berbasis jaringan saraf untuk deteksi anomali pada sistem kipas industry. Dengan subset data FAN dari MIMII (malfunctioning industrial machine investigation and inspection) dataset dengan 530 rekaman berlabel (383 normal dan 147 abnormal), penelitian ini mengekstraksi fitur akustik yang meliputi mel-frequency cepstral coefficients (MFCC), spectral descriptor (centroid, roll off), serta temporal measures (zero-crossing rate, autocorrelation). Uji statistik univariat menunjukkan sejumlah koefisien MFCC dan fitur domain waktu berbeda signifikan antar kelas (p < 0,05). Model jaringan saraf feed-forward dengan dua lapisan tersembunyi berukuran 64 unit (aktivasi ReLU) dan regularisasi dropout dilatih menggunakan stratified cross validation dengan 5-fold sehingga menghasilkan nilai F1 rata-rata sebesar 89,9%. Penggunaan beberapa nilai ambang (τ ∈ {0,3–0,7}) menegaskan kekokohan model yang terlihat pada hasil data uji dengan nilai ambang terpilih adalah τ = 0,5 yang mencapai precision sebesar 100%, recall = 93,10%, F1 = 96,43%, dan akurasi = 98,11% (hasil identik diperoleh pada τ = 0,6–0,7; sementara τ = 0,3 memberikan recall lebih tinggi). Model juga menghasilkan nilai AUC-ROC sebesar 0,9978 yang mendekati ideal dan menunjukkan daya diskriminasi lintas-ambang yang sangat baik. Temuan ini memperlihatkan bahwa penggabungan fitur akustik yang dapat diinterpretasikan dengan pengklasifikasi saraf yang ringkas memungkinkan deteksi anomali non-invasif yang akurat untuk penerapan Industri 4.0 dengan kebutuhan perangkat keras minimal.

Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras Suwitono, Yosia Amado; Kaunang, Fergie Joanda
Jurnal Komtika (Komputasi dan Informatika) Vol 6 No 2 (2022)
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/komtika.v6i2.8054

Tumbuhan memiliki variasi dan ciri khasnya masing-masing. Ada tiga bagian utama dalam tumbuhan yaitu daun, akar dan batang. Sebagian besar tanaman memiliki daun yang sangat banyak sehingga mudah untuk didapatkan untuk membedakan tanaman satu dengan lainnya. Namun orang pada umumnya tidak dapat mengidentifikasi tanaman menggunakan daun karena terbatasnya kemampuan otak manusia. Klasifikasi adalah salah satu teknik yang dapat digunakan untuk dapat membedakan antar sebuah objek. Klasifikasi harus menggunakan metode yang tepat agar tercapai hasil akurasi yang maksimal. Dengan algoritma Convolutional Neural Network (CNN) adalah neural network yang banyak digunakan untuk mengklasifikasikan citra gambar. Didukung dengan metode Data Mining SEMMA juga memaksimalkan tahapan dalam membuat sebuah model. Dengan model yang tepat dan menggunakan mekanisme yang tepat akan memperoleh hasil yang maksimal. Dari keempat model yang dibangun menggunakan epoch dan batch size yang berbeda didapatkan hasil accuracy yang bervariasi. Dari penelitian ini menunjukkan hasil tertinggi model yang dibangun dengan mekanisme epoch sebanyak 100 dan batch size sebanyak 30 didapatkan total accuracy sebesar 98% dan loss sebanyak 0,0537. Dari analisis ke empat model yang dibangun ditarik sebuah kesimpulan bahwa epoch dan batch size mempengaruhi besar kecilnya accuracy sebuah model. Dibuktikan juga bahwa metode Data Mining SEMMA dapat mempermudah peneliti dalam proses pembuatan sebuah model yang terstruktur.

Title

Found 18 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 18 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 18 Documents
Search