Claim Missing Document
Check
Articles

Sistem Segmentasi Program Talk Show Berdasarkan Media Sosial Twitter Menggunakan Metode K-Medoids Clustering Kharisma Jevi Shafira Sepyanto; Yulison Herry Chrisnanto; Fajri Rakhmat Umbara
Prosiding SISFOTEK Vol 4 No 1 (2020): Vol 4 No 1 (2020): SISFOTEK 2020
Publisher : Ikatan Ahli Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (718.428 KB)

Abstract

Innovations on a talk show on television can be a threat. Audience will be divided into groups so that it can make a downgrade rating program. Program ratings affect companies that will use advertising services. Television companies will go bankrupt. The biggest source of income is sales of advertising services. One way to overcome them can be analyzed in public opinion. The results of the analysis can provide information about the attractiveness of the community towards the program. But the analysis process takes a long time and can be done only by a competent person so another process is needed to get the results of the analysis that is fast and can be done by anyone. In this study using K-Medoids Clustering in the process of identifying public opinion. The clustering process known as unsupervised learning will be combined with the labeling process. The previous episode's tweet data will be labeled and then used to obtain the predicted labels from other cluster members. Labels consist of three types, namely 1) theme, 2) resource persons, and 3) programs. Before going through the clustering stage, the tweet data will go through the text preprocessing stage then transformed into a numeric form based on the appearance of the word. Transformation data will be clustered by calculating proximity using Cosine Similarity. Labels from the Medoids cluster will be used on unlabeled tweet data. The cluster results were tested using the Silhouette Coefficient method to get 0.19 results. However, this method successfully predicted public opinion and achieved an accuracy of 80%. Innovations on a talk show on television can be a threat. Audience will be divided into groups so that it can make a downgrade rating program. Program ratings affect companies that will use advertising services. Television companies will go bankrupt. The biggest source of income is sales of advertising services. One way to overcome them can be analyzed in public opinion. The results of the analysis can provide information about the attractiveness of the community towards the program. But the analysis process takes a long time and can be done only by a competent person so another process is needed to get the results of the analysis that is fast and can be done by anyone. In this study using K-Medoids Clustering in the process of identifying public opinion. The clustering process known as unsupervised learning will be combined with the labeling process. The previous episode's tweet data will be labeled and then used to obtain the predicted labels from other cluster members. Labels consist of three types, namely 1) theme, 2) resource persons, and 3) programs. Before going through the clustering stage, the tweet data will go through the text preprocessing stage then transformed into a numeric form based on the appearance of the word. Transformation data will be clustered by calculating proximity using Cosine Similarity. Labels from the Medoids cluster will be used on unlabeled tweet data. The cluster results were tested using the Silhouette Coefficient method to get 0.19 results. However, this method successfully predicted public opinion and achieved an accuracy of 80%.
Klasifikasi Kerpibadian Berdasarkan Big Five Personality Menggunakan Metode Fuzzy Decision Tree Dengan Algoritma C4.5 Siti Aisah; Fajri Rakhmat Umbara; Herdi Ashaury
Jurnal Teknologi Informatika dan Komputer Vol 8, No 1 (2022): Jurnal Teknologi Informatika dan Komputer
Publisher : Universitas Mohammad Husni Thamrin

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37012/jtik.v8i1.1110

Abstract

Kepribadian merupakan sifat alami seseorang mencangkup tingkah laku, cara berbicara, bertindak dalam menghadapi sesuatu. Pada setiap orang memiliki kepribadian yang berbeda-beda dalam soal kualitas dan kuantitas. Banyak penelitian sudah dilakukan untuk klasifikasi kepribadian yang menggunakan media sosial sebagai sumber informasi. Memahami kepribadian seseorang dapat melalui tweet pada pengguna twitter dengan hasil klasifikasi gabungan antara perilaku sosial dan linguistik. Nilai akurasi penilaian kepribadian dapat ditingkatkan jika menggunakan salah satu dari pembobotan yang mempengaruhi kata-kata dari suatu tweet pengguna. Namun data yang digunakan pada penelitian ini memiliki atribut tipe diskrit dan kontinu sehingga membutuhkan metode yang dapat menangani permasalahan pada klasifikasi kepribadian. Pada penelitian ini klasifikasi kepribadian berdasarkan Big Five Personality sehingga menemukan kepribadian baru seperti Extraverted, Serious, Dependable, Lively dan Responsible. Data yang digunakan akan diektraksi menggunakan metode Fuzzy Decision Tree dengan Algoritma C4.5. Data kepribadian yang digunakan terdiri dari 8 variabel. Model Fuzzy Decision Tree diimplementasikan menggunakan pruning atau pemangkasan, sehingga ada kemungkinan aturan yang dihasilkan memiliki akurasi yang tinggi.
Analisis Sentimen pada Aplikasi PeduliLindungi dengan Menggunakan Metode Improved K-Nearest Neighbor dan Lexicon Based Nelsih Putriani; Fajri Rakhmat Umbara; Puspita Nurul Sabrina
Jurnal Teknologi Informatika dan Komputer Vol 8, No 1 (2022): Jurnal Teknologi Informatika dan Komputer
Publisher : Universitas Mohammad Husni Thamrin

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37012/jtik.v8i1.1107

Abstract

Opini atau sentiment masyarakat merupakan salah satu indikator penilaian yang ditujukan untuk menilai suatu hal seperti produk atau jasa. Sentiment tentang aplikasi PeduliLindungi yang banyak digunakan pada masa pandemik ini, perlu dianalisis untuk mengetahui bagaimana opini pengguna aplikasi. Melalui media twitter, sentiment-sentiment masyarakat mengenai aplikasi PeduliLindungi dapat digali, kemudian dideteksi apakah sentiment tersebut termasuk ke dalam sentiment positif, sentiment negative, atau sentiment netral. Salah satu teknik yang digunakan untuk menggali informasi mendeteksi opini masyarakat adalah dengan menggunakan analisis sentiment. Penelitian ini terdiri dari beberapa proses untuk melakukan analisis sentiment, yaitu mengumpulkan data, melakukan tahapan pre-processing, pembobotan kata (ekstraksi fitur), dan proses klasifikasi sentiment ke dalam tiga kelas sentiment. Ketiga kelas tersebut yaitu sentiment positif, negative, dan netral. Dengan menggunakan metode Improved K-Nearest Neighbor, penelitian ini memperoleh hasil pengujian analisis sentiment pada tweet berbahasa Indonesia dengan akurasi tertinggi pada k-values 20 sebesar 85%.
Diagnosa Gejala yang Muncul Bersamaan pada Penderita Tuberculosis Menggunakan Algoritma Apriori dengan Substitusi Metode Bayesian pada Nilai Confidence Delfany Arcadia Valeska; Fajri Rakhmat Umbara; Puspita Nurul Sabrina
Jurnal Teknologi Informatika dan Komputer Vol 8, No 1 (2022): Jurnal Teknologi Informatika dan Komputer
Publisher : Universitas Mohammad Husni Thamrin

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37012/jtik.v8i1.1105

Abstract

Tuberculosis merupakan salah satu penyakit infeksi yang menyerang saluran pernapasan manusia yang berasal dari bakteri mycobacterium. Berdasarkan data WHO pada tahun 2012, Tuberculosis adalah salah satu penyakit menular yang menyebabkan masalah kesehatan terbesar kedua di dunia. Agar permasalahan tersebut dapat diatasi, diperlukan metode yang dapat mendiagnosa gejala yang muncul bersamaan pada penyakit Tuberculosis. Pada penelitian ini, digunakan metode Association Rules dengan algoritma Apriori yang dimodifikasi dengan metode Bayesian untuk mendapatkan aturan asosiasi yang memenuhi nilai minimum support dan nilai minimum confidence dengan beberapa jumlah itemset dalam keseluruhan gejala tuberculosis untuk mencapai nilai persentase support dan nilai persentase confidence terbaik dalam mendiagnosa gejala yang muncul bersamaan pada penderita tuberculosis. Modifikasi algoritma apriori dilakukan dengan mensubstitusi metode bayesian pada formula confidence di apriori standar. Tujuan penggunaan algoritma Apriori pada permasalahan ini adalah untuk mengetahui gejala apa saja yang muncul bersamaan pada penderita tuberculosis. Adapun hasil dari penelitian ini adalah rule pertama pada apriori non modifikasi untuk nilai minimum support 50% menghasilkan nilai confidence sebesar 100% dan nilai confidence pada apriori yang dimodifikasi sebesar 39,6%. Sedangkan rule kedua pada apriori non modifikasi untuk nilai minimum support 50% menghasilkan nilai confidence sebesar 75% dan nilai confidence pada apriori yang dimodifikasi sebesar 90%.
Pengelompokan Status Ekonomi Keluarga Desa Tanjungsari menggunakan Metode K-Means Clustering FIQRI FAKHRUL GUNAWAN; FAJRI RAKHMAT UMBARA; FATAN KASYIDI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 2 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i2.204-217

Abstract

ABSTRAKPada tahun 2020 hingga sampai saat ini tahun 2022 telah terjadi fenomena pandemi yang menyebabkan penuruan ekonomi yang cukup signifikan sehingga perubahan ekonomi masyarakat berubah, pengelompokan data harus dilakukan dengan teknik yang baik karena akan berpengaruh terhadap hasil akhir pengelompokan. Sehingga penelitan ini dilakukan untuk menginterpretasi kelompok yang terbentuk dari implementasi k-means clustering menggunakan 3 teknik similarity yaitu Euclidean, Manhattan dan Minkowski Distances yang memiliki nilai kemurnian tinggi berdasarkan nilai dari silhouette coefficient serta nilai cluster yang ditentukan pada penelitian ini menggunakan Teknik elbow method. Penelitian ini menghasilkan 5 claster yang dihasilkan dari elbow method. Dengan menghasilkan nilai silhoutte coeficient dari euclidean 0.059, manhattan 0.0946, dan minkowski 0.059. Kata kunci: status ekonomi, data mining, K-mean Clustering, silhouette coefficient, Euclidean Distance, Manhattan Distance, Minkowski DistanceABSTRACTIn 2020 until now in 2022 there has been a pandemic phenomenon which has caused a significant economic decline so that changes in the community's economy have changed, data grouping must be done with good technique because it will affect the final result of the grouping. So this research was conducted to interpret the groups formed from the implementation of k-means clustering using 3 similarity techniques namely Euclidean, Manhattan and Minkowski Distances which have a high purity value based on the value of the silhouette coefficient and the cluster values determined in this study using the elbow method technique. This study produced 5 clusters resulting from the elbow method. By producing a silhoutte coeficient value of euclidean 0.059, manhattan 0.0946, and minkowski 0.059.Keywords: economic status, data mining, K-mean Clustering, silhouette coefficient, Euclidean Distance, Manhattan Distance, Minkowski Distance
Prediksi Awal Penyakit Stroke Berdasarkan Rekam Medis menggunakan Metode Algoritma CART(Classification and Regression Tree) AGIEL FADILLAH HERMAWAN; FAJRI RAKHMAT UMBARA; FATAN KASYIDI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 2 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i2.151-164

Abstract

ABSTRAKSeiring perkembangan zaman bidang teknologi dapat membantu banyak hal salah satu contoh nya dapat membantu bidang kesehatan, teknologi seperti machine learning dan data mining dapat membantu dalam melakukan prediksi penyakit stroke. Oleh karena itu, penelitian kali ini akan menerapkan salah satu metode data mining klasifikasi untuk memprediksi penyakit stroke dengan tujuan dapat mengetahui model dari algoritma yang akan digunakan yaitu Algoritma Classification and Regression Tree atau CART. Metode ini melakukan perhitungan menggunakan nilai ginigain dan giniindex untuk membuat sebuah pohon keputusan. Dengan menggunakan Stroke Prediction Dataset dan dilakukan beberapa eksperimen didapatkan hasil akurasi terbesar sebesar 89,83% pada split data 80/20. Pohon keputusan dapat dipangkas untuk mengidentifikasi dan membuang cabang pohon yang tidak diperlukan, pada penelitian kali ini dilakukan pemangkasan untuk dilihat seberapa berpengaruh pemangkasan pada akurasi algoritma ini dan didapatkan hasil akurasi terbesar sebesar 74,73% maka pemangkasan dinilai kurang berpengaruh pada akurasi algoritma ini.Kata kunci: Stroke, Prediksi, Klasifikasi, Data Mining, CARTABSTRACTAlong with the times, technology can help many things, one example of which can help the health sector, technology such as machine learning and data mining can help in predicting stroke. Therefore, this study will apply one of the classification data mining methods to predict stroke with the aim of knowing the model of the algorithm to be used, namely the Classification and Regression Tree Algorithm or CART. This method performs calculations using the Ginigain and Ginindex values to create a decision tree. By using the Stroke Prediction Dataset and conducting several experiments, the highest accuracy results were 89.83% in the 80/20 data split. In this study pruning was carried out to see how much pruning had an effect on the accuracy of this algorithm and the highest accuracy result was 74.73%, so pruning was considered to have less effect on the accuracy of this algorithm.Keywords: Stroke, Prediction, Classification, Data Mining, CART
KLASIFIKASI RISIKO KEMATIAN PASIEN BERDASARKAN PENYAKIT PENYERTA DAN USIA PASIEN MENGGUNAKAN METODE C4.5 fery bayu aji; Fajri Rakhmat Umbara; Fatan Kasyidi
Jurnal Informatika dan Rekayasa Elektronik Vol. 6 No. 1 (2023): JIRE April 2023
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v6i1.699

Abstract

Tingginya angka kematian pada orang yang menderita penyakit tertentu, maka kami melakukan penelitian ini. Untuk mengetahui pasien dengan risiko kematian tinggi atau rendah. Maka dilakukannya klasifikasi risiko kematian pasien berdasarkan usia dan penyakit penyerta pasien dengan menggunakan decision tree algoritma c4.5. Algoritma C4.5 digunakan untuk menemukan pola menentukan data tersebut masuk kedalam kelas mana dengan  menggunakan data latih dan data uji digunakan untuk evaluasi. Hasil pengujian akurasi menggunakan Confusion Matrix dengan pembagian data, data latih 70% data data uji 30% mengghasilkan 72% sementara dengan pembagian data, data latih 80% data data uji 20% menghasilkan akurasi sebesar 70%. Dengan menggunakan model pembagian data, data latih 70% data data uji 30% lebih unggul dibanding data latih 80% data data uji 20%. Semantara akurasi yang dihasilkan dengan metode pemotongan pohon atau pruning dapat menurunkan akurasi dengan hasil akurasi sebesar 66%. Dan berdasarkan pohon keputusan yang dihasilkan tanpa pruning menghasilkan kedalaman pohon sebanyak 11 level.
Application of the Modified Apriori Algorithm to Determine Sales Patterns of Capacitor Products Erna Sesarliana*; Fajri Rakhmat Umbara; Fatan Kasyidi
Riwayat: Educational Journal of History and Humanities Vol 6, No 3 (2023): Social, Political, and Economic History
Publisher : Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24815/jr.v6i3.33718

Abstract

The sales pattern becomes a benchmark for increasing product sales in a company. Sales patterns are one way that can be used to determine sales strategies by looking at how often an item is purchased simultaneously. The large number of daily transactions makes it difficult for companies to determine sales strategies. Data mining analyses extensive data to find relationships between data and can produce valuable information. Patterns of sales or consumer transactions look for relationships between one product and another in one transaction using the Association Rule method. The algorithm used is the Modified Apriori Algorithm. The data used is transaction data on capacitor products. The data used is 15513 transactions with the variables LotNo and Material Code. Processed with the Python programming language and Flask as the user interface, the minimum support used is 0.01, and the minimum confidence is 0.5, resulting in rules with the lowest reliability of 50% and the highest reliability of 100%. Based on the results of a comparison of the performance time of the Modified Apriori Algorithm and the Classic Apriori Algorithm in processing 15513 transaction data with the given conditions, namely minimum support = 0.02 and also minimum confidence = 0.5 with the time obtained by the Modified Apriori Algorithm for 5 minutes 5 seconds and the Classic Apriori Algorithm for 6 minutes 6 seconds
Application of the Modified Apriori Algorithm to Determine Sales Patterns of Capacitor Products Erna Sesarliana*; Fajri Rakhmat Umbara; Fatan Kasyidi
Riwayat: Educational Journal of History and Humanities Vol 6, No 3 (2023): Social, Political, and Economic History
Publisher : Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24815/jr.v6i3.33718

Abstract

The sales pattern becomes a benchmark for increasing product sales in a company. Sales patterns are one way that can be used to determine sales strategies by looking at how often an item is purchased simultaneously. The large number of daily transactions makes it difficult for companies to determine sales strategies. Data mining analyses extensive data to find relationships between data and can produce valuable information. Patterns of sales or consumer transactions look for relationships between one product and another in one transaction using the Association Rule method. The algorithm used is the Modified Apriori Algorithm. The data used is transaction data on capacitor products. The data used is 15513 transactions with the variables LotNo and Material Code. Processed with the Python programming language and Flask as the user interface, the minimum support used is 0.01, and the minimum confidence is 0.5, resulting in rules with the lowest reliability of 50% and the highest reliability of 100%. Based on the results of a comparison of the performance time of the Modified Apriori Algorithm and the Classic Apriori Algorithm in processing 15513 transaction data with the given conditions, namely minimum support = 0.02 and also minimum confidence = 0.5 with the time obtained by the Modified Apriori Algorithm for 5 minutes 5 seconds and the Classic Apriori Algorithm for 6 minutes 6 seconds
Penerapan Kriptografi Advanced Encryption Standard (AES) dan Steganografi Spread Spectrum Untuk Mengamankan Pesan Dalam Gambar Salsabila Fajriati Romli Salsabila; Asep Id Hadiana; Fajri Rakhmat Umbara
Journal of Informatics and Communication Technology (JICT) Vol. 5 No. 2 (2023)
Publisher : PPM Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52661/j_ict.v5i2.216

Abstract

Perkembangan teknologi informasi dan perangkat lunak menghadirkan tantangan baru dalam hal keamanan. Kemajuan teknologi informasi, seperti jaringan internet 5G dan potensi 6G, membuka peluang baru namun juga meningkatkan risiko serangan siber, seperti phising. Keamanan data sensitif dalam pertukaran informasi, terutama melalui email, menjadi fokus utama. Penggunaan enkripsi seperti Advanced Encryption Standard (AES) dan teknik Spread Spectrum dalam attachment email dapat meningkatkan keamanan. AES adalah algoritma enkripsi simetris yang menawarkan tingkat keamanan berdasarkan panjang kunci yang digunakan. Teknik Spread Spectrum memberikan perlindungan tambahan dengan menyebarkan energi sinyal. Spread Spectrum bekerja dengan cara menyimpan data yang perlu disembunyikan sebagai noise dalam sebuah citra. Noise tersebut ditanamkan ke dalam citra selama proses akuisisi, dan jika disimpan pada frekuensi yang rendah, perubahan tersebut tidak akan terlihat oleh mata manusia. Hasil dari proses enkripsi dan dekripsi yang dilakukan menggunakan algoritma AES dan Spread Spectrum ini tidak dapat ditembus atau dibaca oleh aplikasi pihak ketiga seperti OpenSSL/TLS. Penelitian ini menghasilkan sebuah pesan yang telah dienkripsi dan disisipkan ke dalam gambar dalam format .png. Hasil pengujian MSE dan PSNR menunjukkan bahwa perbandingan antara citra sebelum dan setelah pesan disisipkan tidak dapat terdeteksi oleh mata manusia
Co-Authors -, Agus Komarudin -, Ridwan Ilyas Adam, Marcellino Ade Kania Ningsih Aditya Bahrul 'Alam, Moch Aditya, Aldy Adzani, Nadhif Nurul Fajri AGIEL FADILLAH HERMAWAN Agri Yodi Prayoga Ahsin Fauzi Aldi Sidik Permana Anwar Fauzi, Mochammad Ardiyansyah, Muhamad Salman Ashaury, Herdi Asrul Badar, Ahmad Cepi, Gan Dava Maulana, Muhammad Delfany Arcadia Valeska Destiyanti, Fitri Dewi Kartika Sari Dewi, Wulan Dian Nursantika Drl, Indra Raja Ella Wahyu Guntari Erna Sesarliana* Fadhilahsyah Ramadhan, Muhammad Diky Faiza Renaldi Fauzan, Ariq Febriansyah Istianto, Andrian Ferdiansyah Ferdian FERDIANSYAH, ALDOVA fery bayu aji FIQRI FAKHRUL GUNAWAN Firmansyah, Rolan Fitri Nurbaya Gestavito, Rio Ginanjar Rahayu Gita Mahesa Hadiana, Asep Id Hasna, Aisyah Nur Hendro, Tacbir Herdi Ashaury Hidayat, Ferdian Afza Hidayat, Mazid Hidayatulah Himawan Hovi Sohibul Wafa Hovi Hovi, Hovi Sohibul Wafa Ilham Danoppati Junior, Rifqi Pratama Kahfi, Muhammad Dzatul Kasyidi, Fatan Kharis Pratama, Adam Kharisma Jevi Shafira Sepyanto Krisdianto Sitanggang, Sari Levi Sabili, Naufal Lio Wilianto Mazid Hidayat Melina Melina Miftahul Falah Muhamad Ramdan, Muhamad Muhammad Ramdhani, Muhammad Nelsih Putriani Novi Hermansyah Nugroho, Akbar Satrio Nurul Sabrina, Puspita Nusantara, Madya Dharma Oktariansyah, Indro Abri Permana, Acep Handika Pujo Sulardi Puspita Nurul Sabrina Puspita Nurul Sabrina Puspita Nurul Sabrina, Puspita Nurul Putra, Dion Revaldy Putri, Ika Rahmah Rachadian Novansyah Rahandanu Rachmat Reno Setiawan Rezki Yuniarti Ridwan Ilyas Salsabila Fajriati Romli Salsabila Salsabila, Salsabila Fajriati Romli Sapari, Albi Mulyadi Sepyanto, Kharisma Jevi Shafira SETIAWAN, YOSEP Shisi Prayesti Sigit Pratama Siti Aisah Sulardi, Pujo Susanti, Adisti Dwi Susilowati, Merliana Tri Syarifudin Yoga Pinasty Syarifudin Yoga Pinasty Tacbir Hendro Tacbir Hendro Pudjiantoro Tacbir Hendro Pudjiantoro Tacbir Hendro Pudjiantoro Tacbir Hendro Pudjiantoro Tacbir Hendro Pudjiantoro Tiara Rahmawati Tri Wijaya Permana Sidik Wibowo, Ditto Ridhwan Wilianto, Lio Wina Witanti Wina Witanti Yanuar, Muhammad Rizki Yazid, Rija Muhamad Yoga, Yoga Yulison Herry Chrisnanto