Article Per Year (5 Year)
p-Index From 2021 - 2026
12.331
P-Index
This Author published in this journals
All Journal AGRIVITA, Journal of Agricultural Science Jurnal Informatika dan Teknik Elektro Terapan JurTI (JURNAL TEKNOLOGI INFORMASI) Antivirus : Jurnal Ilmiah Teknik Informatika Jurnal ICT : Information Communication & Technology JATI (Jurnal Mahasiswa Teknik Informatika) JISA (Jurnal Informatika dan Sains) JUSTIN (Jurnal Sistem dan Teknologi Informasi) Journal of Renewable Energy, Electrical, and Computer Engineering Journal of Artificial Intelligence and Engineering Applications (JAIEA) PENA ABDIMAS : Jurnal Pengabdian Masyarakat BULLET : Jurnal Multidisiplin Ilmu Jurnal Sistem Informasi dan Manajemen Jurnal Kecerdasan Buatan dan Teknologi Informasi Spektra : Jurnal Ilmu-ilmu Sosial Educommunity Jurnal Pengabdian Masyarakat As-Sulthan Journal of Education Jurnal Komtika (Komputasi dan Informatika)
Irfan Ali, Irfan
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Medicine & Pharmacology Nursing Public Health Social Sciences Other

Published : 102 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 102 Documents
Search

 1   2   3   4   5 
ANALISIS TINGKAT PENANGANAN SAMPAH DI JAWA BARAT MENGGUNAKAN REGRESI LINIER Nur Alam, Alfian; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8307

Abstract

Sampah merupakan masalah besar bagi masyarakat dan lingkungan di Jawa Barat. Volume sampah yang meningkat setiap tahunnya menyebabkan penumpukan di tempat penampungan sementara (TPS). Hal ini disebabkan oleh berbagai faktor, seperti kepadatan penduduk, karakteristik lingkungan, kondisi sosial ekonomi, norma budaya, dan sikap masyarakat Dalam penelitian ini menerapkan proses Knowledge Discovery InDatabases (KDD), data mining digunakan untuk memprediksi volume dan mengidentifikasi faktor yang paling berpengaruh pada timbunan sampah yang tidak tertangani di Jawa Barat. Hasil penelitian menunjukkan bahwa jumlah produksi sampah dan jumlah sampah terkelola dapat mempengaruhi tingkat timbunan sampah dan, jumlah timbunan sampah di Jawa Barat pada tahun 2023 sebesar 38615 ton per hari. Jumlah ini menurun sebesar 300169 ton per hari dari jumlah timbunan 5 tahun sebelumnya. Hasil penelitian ini menunjukkan bahwa diperlukan upaya yang lebih komprehensif dari berbagai pihak untuk mengatasi masalah sampah di Jawa Barat. Pemerintah daerah perlu menyusun tindakan yang tepat, baik dari segi prasarana dan sarana, maupun dari segi sumber daya manusia. Selain itu, diperlukan juga kesadaran dan partisipasi masyarakat dalam pengelolaan sampah.
KLASIFIKASI ULASAN APLIKASI LINKEDIN MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER Gitacahyani, Adisty; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8310

Abstract

LinkedIn, platform teknologi dan bisnis yang sangat penting, Fokus utamanya adalah meningkatkan konektivitas bisnis, membantu orang membentuk jaringan professional, mengajak orang untuk berbicara tentang ide bisnis, dan menyediakan tempat untuk mencari talenta baru. Tujuan penelitian ini mempelajari emosi dalam komunikasi LinkedIn dan mengetahui pengguna berinteraksi dan menanggapi dalam konteks professional, untuk memeriksa tanggapan pengguna terhadap aplikasi LinkedIn, mengkategorikan kedalam ulasan positif atau negatif, membandingkan dengan pesaing, dan memberikan saran pengembangan produk. Dan mengatasi masalah preprocessing data. Metode yang digunakan adalah naïve bayes classifier. Metode ini memodelkan probabilitas, dan efektif dalam menangani data besar seperti ulasan aplikasi. Hasil dari klasifikasi ulasan aplikasi LinkedIn menggunakan metode naïve bayes classifier dihasilkan 1065 sentimen positif dan 793 sentimen negatif pada pengguna aplikasi LinkedIn. Dengan nilai akurasi 90,31%, model secara umum memiliki kemampuan untuk mengklasifikasikan sebagian besar sampel dengan tepat. Dilihat dari nilai Precision untuk sentimen negatif adalah 88,07%, untuk sentimen positif sekitar 92,00%. Nilai Recall sebesar 89,41% untuk sentimen negatif dan sentimen positif sebesar 91,37%. Pada nilai F1-score sentimen positif (1) dan sentimen negatif “0” sebesar 88.74%. Penelitian ini menghasilkan rekomendasi penting bagi praktisi tentang cara mengoptimalkan pengguna LinkedIn. Membangun hubungan bisnis yang kuat, memahami preferensi pelanggan dan meningkatkan pengalaman pengguna.
IMPLEMENTASI ALGORITMA C4.5 DAN NAÏVE BAYES DALAM PENGAMBILAN KEPUTUSAN UNTUK PROGRAM INDONESIA PINTAR (PIP) DI SEKOLAH DASAR NEGERI 04 MAJALANGU Amalia, Ana; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8311

Abstract

Pendidikan di Indonesia menghadapi tantangan terkait dengan kemiskinan, di mana prestasi siswa dinilai setiap akhir semester. Program Indonesia Pintar memberikan dukungan keuangan untuk biaya sekolah dan bantuan belajar siswa. Penelitian ini bertujuan membantu SD N 04 Majalangu dalam menyeleksi penerima Program Indonesia Pintar yang lebih akurat dan evisien. Metode Naïve Bayes adalah metode klasifikasi dari machine learning yang memiliki keunggulan yaitu menggunakan sampel data pelatihan untuk mengestimasi parameter yang terlibat dalam proses klasifikasi dapat tersaji secara cepat, serta memperoleh akurasi tinggi [1]. Algoritma C4.5 adalah algoritma yang digunakan untuk membentuk pohon keputusan, yang merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal [2]. Metode Decision Tree dengan algoritma C4.5 dan Naïve Bayes digunakan untuk pemilihan yang lebih objektif. Penelitian ini memastikan bantuan tepat sasaran, mengurangi beban biaya pendidikan, dan meningkatkan motivasi belajar siswa. Data mining memastikan keputusan seleksi didasarkan pada bukti yang kuat, mengurangi potensi kesalahan. Hasil pengujian menunjukkan akurasi model algoritma C4.5 sebesar 64,42%, dan algoritma Naïve Bayes sebesar 100%. Penelitian ini memberikan wawasan tentang faktor-faktor kontribusi dalam menentukan kelayakan penerima PIP di SD N 04 Majalangu, mendukung efisiensi dan objektivitas dalam pemilihan penerima bantuan pendidikan.
PENERAPAN K-MEANS UNTUK MENGANALISIS KEPUASAN MAHASISWA TERHADAP PEMBELAJARAN DARING Sudrajat, Adi; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8337

Abstract

Presiden Jokowi menyatakan bahwa Indonesia telah keluar dari masa pandemi COVID-19 dan saat ini memasuki fase endemi. Pendidikan memegang peranan krusial dalam pembangunan masyarakat. Meskipun pembelajaran daring tetap menjadi pilihan utama pada fase endemi, khususnya di STMIK IKMI Cirebon, pengalaman mahasiswa terkait penggunaan platform daring seringkali menimbulkan perbedaan pendapat. Tujuan penelitian ini adalah untuk menyajikan informasi mengenai kepuasan mahasiswa terhadap pembelajaran daring, sebagai upaya evaluasi terhadap sistem pembelajaran tersebut. Dataset yang berhasil dikumpulkan melibatkan 150 responden dari mahasiswa Program Studi Teknik Informatika angkatan 2020 STMIK IKMI Cirebon. Metode penelitian menggunakan Algoritma K-Means klastering, dengan melakukan 5 iterasi untuk menentukan nilai K terbaik. Penentuan tersebut dilakukan dengan membandingkan nilai Davies-Bouldin Index, yang menunjukkan bahwa K2 merupakan nilai K terbaik. Dengan penerapan K-Means, ditemukan 2 klaster yang menggambarkan kepuasan mahasiswa terhadap 5 atribut, yaitu tangible, reliability, responsibility, assurance, dan empathy. Klaster 0 menunjukkan tingkat kepuasan tinggi sebesar 93%, sementara klaster 1 menunjukkan tingkat ketidakpuasan sebesar 7% pada setiap atribut yang digunakan. Penelitian ini diharapkan dapat memberikan wawasan yang lebih mendalam terkait evaluasi dan perbaikan sistem pembelajaran daring di STMIK IKMI Cirebon.
ANALISIS POLA PEMBELIAN PRODUK PADA TOKO ONLINE DAUN INDAH MENGGUNAKAN ASSOCIATION RULE DAN ALGORITMA FP-GROWTH DI PLATFORM E-COMMERCE SHOPEE Ramanto, Aditiya; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8341

Abstract

Pada era digital, toko online menjadi salah satu pilihan bagi konsumen untuk berbelanja produk dengan mudah. Toko Daun Indah adalah salah satu toko online yang menjual berbagai macam produk kecantikan. Namun, Toko Online Daun Indah belum memanfaatkan data transaksi yang tersimpan di Shopee. Akibatnya, Toko Daun Indah belum memiliki informasi mengenai produk apa yang sering dibeli bersama, produk apa yang paling diminati. Oleh karena itu, penelitian bertujuan menganalisis pola pembelian produk menggunakan metode data mining, yaitu association rule dan algoritma FP-Growth. Association rule merupakan metode yang dapat menemukan hubungan antara item-item sering dibeli bersama oleh konsumen dan Algoritma FP-Growth dapat mengekstrak frequent itemset dari data transaksi dengan efisien dan cepat. Hasil penelitian ini adalah Implora Liptint & Cheek, Mascara Evany Esenses / Evany Esenses Mascara Original -8ml, Dan Implora Urban Lip Cream Matte Dengan Nilai Confidence: 0.667. Fres & Natural Parfum Semprot -100ml Dan Fresh & Natural Hijab -100ml Dengan Nilai Confidence: 0.857. 1 Renteng 12pcs 9ml Garnier Sakura White Hyaluron Glow Foam, 1 Renteng Isi 12pcs 7ml Garnier Bright Complete Vitamin C Serum Cream Uv Dengan Nilai Confidence: 1.000. Sehingga dapat memberikan informasi yang berguna bagi Toko Online Daun Indah untuk menentukan rekomendasi produk yang sesuai kebutuhan konsumen.
KOMPARASI EFEKTIFITAS ALGORITMA C4.5 DAN NAÏVE BAYES UNTUK MENENTUKAN KELAYAKAN PENERIMA MANFAAT PROGRAM KELUARGA HARAPAN: STUDI KASUS : KECAMATAN CICALENGKA KABUPATEN BANDUNG Abdul Rohim, Adi Nur; Purnamasari, Ade Irma; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8345

Abstract

Program keluarga harapan PKH adalah sebuah program bantuan sosial yang disalurkan oleh pemerintah Indonesia melalui kementrian sosial. Bantuan yang diberikan merupakan bantuan keuangan kepada rumah tangga sangat miskin yang telah memenuhi kriteria tertentu. Namun program pemberdayaan pemerintah ini, seringkali timbul masalah dimana bantuan PKH tidak tepat sasaran. Oleh karena itu, penelitian ini bertujuan untuk menganalisis program keluarga harapan agar penerima bantuan benar benar layak menerima bantuan. Digunakan komparasi metode klasifikasi data mining untuk mengetahui algoritma mana yang baik untuk mengkalasifikasi kelayakan bantuan, dengan menggunakan dua algoritma, algoritma C4.5 dan Naïve Bayes. Algoritma C4.5 adalah adalah salah satu algoritma decision tree yang digunakan untuk melakukan klasifikasi atau segmentasi yang bersifat prediktif. Kelebihan algoritma C4.5 yaitu menghasilkan model pohon keputusan yang mudah diinterpretasikan, memiliki tingkat akurasi yang tinggi, efisien dalam menangani atribut bertipe diskrit dan numerik. Algoritma Naïve Bayes adalah algoritma yang menggunakan cabang matematika dikenal dengan teori probabilitas untuk mencari peluang terbesar dari kemungkinan klasifikasi, dengan cara melihat frekuensi tiap klasifikasi pada data training. Naive Bayes adalah tehnik yang diterapkan untuk menentuan kelas dari tiap masalah, yang sudah dibagi berdasarkan tiap-tiap masalah. Perhitungan numerik berdasarkan pada pendekatan grup. Proses pengujian dimulai dengan persiapan data awal. Selanjutnya, sampel data dianalisis menggunakan metode CRISP-DM, diuji dengan algoritma seperti C4.5 dan Naïve Bayes untuk memperoleh validasi yang akurat, setelah itu, data sampel data kembali diuji dengan validasi untuk mendapatkan Confusion matriks dan nilai ROC untuk C4.5 dan Naïve Bayes dengan tujuan mencapai akurasi maksimum. Hasil evaluasi perbandingan dan validasi menunjukkan bahwa algoritma Naive Bayes memiliki nilai akurasi sebesar 99,87% dan AUC sebesar 1,000, yang merupakan yang tertinggi di antara metode lainnya. Sementara itu, Algoritma C4.5 memiliki akurasi sebesar 99,61% dan AUC sebesar 0,743. Dari hasil algoritma Naive Bayes dalam data mining ini, tingkat AUC mengindikasikan klasifikasi yang sangat baik (Excellent classification). Sebaliknya, Algoritma C4.5 memiliki tingkat AUC yang diagnostik sebagai Fair (Adil). Dengan demikian, dapat disimpulkan bahwa algoritma Naive Bayes merupakan metode yang cukup baik dalam memprediksi kelayakan warga untuk menerima bantuan dari Program Keluarga Harapan (PKH).
PENERAPAN ALGORITMA C4.5 UNTUK PREDIKSI STOK BAHAN MINUMAN DI CAFE SEMANIS Nur Aziziah, Aldila; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8347

Abstract

Dalam era populernya minuman kopi, coffee shop menjadi bisnis yang diminati, termasuk Cafe Semanis yang berhasil menarik banyak pelanggan. Namun, kendala dalam manajemen stok bahan masih menggunakan media kertas yang menyebabkan penumpukan berkas dan penumpukan berkasnya tidak dijadikan analisa prediksi untuk mempersiapkan stok dimasa yang akan datang, hal tersebut dapat mengancam tingkat keberhasilan penjualan. Penelitian ini bertujuan memprediksi stok bahan yang perlu ditambahkan untuk meningkatkan penjualan dengan menggunakan data mining dan Algoritma C4.5 melalui Rapidminer. Dalam penelitian ini, Cafe Semanis yang belum memiliki sistem pendukung keputusan diharapkan dapat merancang strategi bisnis yang lebih efektif. Hasil penelitian menunjukkan tingkat akurasi Algoritma C4.5 mencapai 97.60%, memberikan bukti bahwa algoritma ini dapat digunakan untuk prediksi stok bahan minuman. Implikasi dari penelitian ini memberikan panduan bagi pemilik cafe dalam meningkatkan efisiensi manajemen stok, mendukung keputusan strategis, dan pada gilirannya, meningkatkan tingkat keberhasilan penjualan produk minuman.
IMPLEMENTASI ALGORITMA K-MEANS PADA KASUS KEKERASAN DALAM RUMAH TANGGA DI JAWA BARAT Annurfariz, Aditya; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8348

Abstract

Penelitian ini membahas kasus Kekerasan Dalam Rumah Tangga (KDRT) di Provinsi Jawa Barat dengan menggunakan algoritma K-Means dalam konteks Knowledge Discovery in Database (KDD). Data korban KDRT dari tahun 2018 hingga 2022 menunjukkan peningkatan setiap tahunnya, dan penelitian ini bertujuan untuk mengelompokkan kasus tersebut berdasarkan karakteristik serupa dengan harapan dapat membantu pemerintah Jawa Barat dalam menekan angka kasus KDRT. Hasil penelitian menunjukkan bahwa K-Means dengan dua kluster (K=2) memberikan hasil terbaik berdasarkan evaluasi menggunakan Davies Bouldin Index. Cluster 0 mencakup wilayah dengan jumlah kasus KDRT rendah, sedangkan Cluster 1 mencakup wilayah dengan jumlah kasus KDRT tinggi. Kabupaten/kota di setiap cluster diidentifikasi, memberikan informasi yang berguna untuk perencanaan dan penanganan kasus KDRT. Kesimpulan dari penelitian ini adalah bahwa penerapan algoritma K-Means dapat membantu mengelompokkan kasus KDRT di Jawa Barat berdasarkan karakteristiknya. Namun, diperlukan langkah-langkah pencegahan dan penanganan yang lebih intensif, termasuk program edukasi masyarakat, penguatan sistem dukungan korban, pelatihan bagi penegak hukum, dan kolaborasi dengan lembaga kesehatan. Selain itu, pengembangan rencana pencegahan yang spesifik dapat menjadi langkah strategis untuk mengurangi angka kasus KDRT di masa mendatang.
PREDIKSI JUMLAH NARAPIDANA MENGGUNAKAN ALGORITMA REGRESI LINIER: DI WILAYAH CIREBON Indriyan Dwi Kesuma, Adri; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8364

Abstract

Penelitian ini bertujuan untuk memprediksi jumlah narapidana di Cirebon, Jawa Barat, dengan menggunakan regresi linier sebagai metode untuk mengatasi tren peningkatan kejahatan dan kekhawatiran terhadap peningkatan jumlah narapidana di wilayah tersebut. Dataset yang diperoleh dari opendata.cirebonkota.go.id yaitu jumlah narapidana berdasarkan putusan pengadilan menurut jenis tindak pidana di LP Kelas 1 Cirebon digunakan untuk menganalisis data pada bulan Desember 2020 hingga Agustus 2023. Fokus penelitian adalah memperkirakan jumlah narapidana di Cirebon bulan berikutnya yaitu September, Oktober, November, dan Desember tahun 2023. Regresi linier digunakan sebagai metode prediksi utama karena penggunaannya yang umum dalam peramalan. Keakuratan prediksi dinilai menggunakan pengukuran Root Mean Squared Error (RMSE) dan Relative Error. Hasilnya, perkiraan jumlah narapidana di Cirebon pada bulan September, Oktober, November, dan Desember 2023 masing-masing berjumlah 894, 897, 896, dan 891 orang. Evaluasi keakuratan prediksi menunjukkan nilai RMSE bulan September, Oktober, November, dan Desember masing-masing sebesar 8,60, 8,65, 8,16, dan 8,14. Nilai Relative Error pada bulan yang sama masing-masing sebesar 44,16%, 54,20%, 38,14%, dan 45,26%. Berdasarkan nilai RMSE, prediksi tersebut tergolong relatif akurat. Namun, pertimbangan lebih lanjut diperlukan untuk nilai Relative Error karena persentasenya yang besar.
ANALISIS SENTIMEN TANGGAPAN MASYARAKAT DI MEDIA SOSIAL TWITTER MENGENAI PENUTUPAN FITUR TIKTOK SHOP MENGGUNAKAN ALGORITMA KLASIFIKASI NAÏVE BAYES Putra Pratama, Aeri; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8367

Abstract

Perkembangan teknologi yang pesat memberikan kemudahan dalam kehidupan manusia, termasuk akses hiburan, informasi, serta layanan jasa dan toko online. Platform media sosial TikTok menjadi salah satu hasil dari perkembangan teknologi informasi dan komunikasi, yang menghadirkan dimensi Social-Commerce melalui fitur TikTok Shop. Namun saat ini pemerintah indonesia mengambil keputusan untuk menutup dan meregulasi fitur TikTok Shop. Hal ini menjadi tren topik yang memicu perdebatan di media sosial twitter. Sehingga banyak pengguna twitter yang pro dan kontra mengenai keputusan yang diambil oleh pemerintah indonesia. Tujuan penelitian ini untuk mengetahui sentimen masyarakat mengenai fenomena penutupan fitur tiktok shop berdasarkan kategori Positif dan Negatif. Pada penelitian ini menggunakan Algoritma Klasifikasi Naive Bayes dengan menggunakan software tools Rapidminer dan memanfaatkan Metode Knowledge Discovery in Databases (KDD). Penelitian ini memperoleh data 1504 data tweet kemudian melakukan Data Selection menjadi 858 data tweet. Hasil analisis sentimen dari 1504 tweet menunjukkan bahwa 395 diantaranya bersentimen positif dan 460 bersentimen negatif terhadap keputusan pemerintah dalam menutup dan meregulasi fitur tiktok shop. Melalui penerapan data mining dengan menggunakan Algoritma Naive Bayes dan operator Cross validation menghasilkan nilai recall 55.00%, nilai precision 71.27% dan nilai Accuracy 64.41%. Kesimpulan penelitian ini menegaskan bahwa penerapa Klasifikasi Naive Bayes pada tweet dengan topik Penutupan dan regulasi fitur tiktok shop di platform media sosial twitter menampilkan nilai peformance dan kinerja yang cukup baik dalam menganalisis sentimen terhadap data twitter. Kontribusi dari penelitian ini dapat membantu mengevaluasi keefektivitasan kebijakan pemerintah dalam pengambilan keputusan yang lebih baik terhadap fitur TikTok Shop.
Co-Authors Abdul Rohim, Adi Nur Abdul Rosid, Rizal Adella, Luthfiyyah Iffah Adi Supriyatna Adinata, Adinata Ahmad Faqih Ahmad Jaelani Akbar, Miftahul Al-Maulid, Hisyam Aldiyansyah, Aldiyansyah Alfin Maulana Alfudola, Mahfudz Alkatiri, Nazwa Alvianatinova, Via Amalia, Rosnita Amer, Abdu Shobarudin Ana Amalia, Ana Andriyanti, Rina Annurfariz, Aditya Apriliana Janatu Marwa Aqlani, Zaheer Ahmed Arofah, Mila Asep Yoyo Wardaya Auliya, Suci Az-Zahra, Asih Azrul, Ahmad Azzam, Ahmad Brohi, Sheeraz Aleem Dahri, Shahzad Hussain Dahri, Zakir Hussain Dahri, Zamin Hussain Dendy Indriya Efendi Destiawati, Deby Dewanty Rafu, Maria Dienwati Nuris, Nisa Dikananda, Arif Rinaldi Dikananda, Fatihanursari Efendi , Dendy Indriya Effendy, Dendy Indria ETI KURNIAWATI Faisal Adam, Faisal Faqih, Habib Fasa, Saefullah Fatmawati, Aisyah FAUZAN, AKMAL Fitria, Lailatul Gifthera Dwilestari Gitacahyani, Adisty Gunia, Euis H Hadiyanto Hayati, Umi Hendiana, Hendiana Hermawan, Ramdan Hidayah, Freni Mega Hidayattullah, Rizky Huda, Irhamul Hurifiani, Alfia Ikbal, Ali Ilham, Mokhamad Indah Indah Indriya Efendi, Dendy Indriyan Dwi Kesuma, Adri Irma Purnama sari, Ade Irma Purnamasari , Ade Irma Purnamasari, Ade Julkarnaen, Agus Juwita, Ita Karbala, Syahid Kaslani Khalda Rifdan, Ghina Lana Sularto Lestari, Gifthera Dwi Listianto, Ahmad Bilal Lisyana, Zita Lukman Rohmat, Cep Mahdalena, Putri Ayu Mangrio, Abdul Ghafoor Mangrio, Munir Ahmed Mariyani, Dinda Martanto . Marthanu, Indra Wiguna Marwah, Sopa Maulana, Ali Mayang Fadilah, Dewi Muharam, Arbi Adi Muharram, Akbar Muhimmatul ulya, Syilwa Nawang Wulan, Hidayah Nining Rahaningsih Nugraha, Rifqi Nugroho, Rizwar Adi Nur Alam, Alfian Nur Aziziah, Aldila Nurdiawan, Rudi Nurhidayat, Muhammad Nursaniah, Rini Nursatika Kusuma, Ines Odi Nurdiawan Pajri, Riki Prahara, Sukma Prihartono, Willy Purnamasari, Ade Irma Putra Pratama, Aeri Putriana, Eka R, Nining Raafi, Muhammad Rahmi Safitri, Rahmi Ramanto, Aditiya Ramdani, Rizki Rayhan, Tubagus Muhammad Rifa'i, Akhmad Rifqi Khairul Anam Rikiyashi, Afkan Rismala, Rismala Rizki Rinaldi, Ade Rizky Wulandhari, Putri Rodhiyana, Mu'allimah Rohman, Dede Rohmat, Cep Lukman Rosyd, Abdul Roziqin, Ahmad Khoirur Rudi Kurniawan Sadiyah, Ainur Rohimatus Salamah, Soviatus Saleem, Salman Saputra, Muhammad Sariah Sariah Setianingsih, Indri Setiawan, Riyan Shaikh, Irfan Ahmed Sholihin Fauzan, Aldi Sofialaela, Annisa Solihudin, Dodi Sri Widyastuti Suarna, Nana Sudrajat, Adi Suryana, Aldi Susana, Heliayanti Susana, Heliyanti Syahrul, Adis Tohidi, Edi Vina, Vina Wahyudin, Edi Windy Mardiyyah, Nita Wirdiyan, Farhan Azfa Wisnu Saputra, Adrian wiwied pratiwi, wiwied Yuslia Devitri Zahrudin Zhahiran Herlambang, Prilanisa