Garuda - Garba Rujukan Digital

Implementasi Metode Collaborative Filtering pada Aplikasi Rekomendasi Hotel dan Wisma di Kota Palangka Raya Berbasis Website Kevin Obajha; Nova Noor Kamala Sari; Viktor Handrianus Pranatawijaya
KONSTELASI: Konvergensi Teknologi dan Sistem Informasi Vol. 3 No. 2 (2023): Desember 2023
Publisher : Program Studi Sistem Informasi Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/konstelasi.v3i2.7133

Abstrak. Hotel merupakan suatu lembaga yang menyediakan para tamu untuk menginap, di mana setiap orang dapat menginap, makan, minum dan menikmati fasilitas yang lainnya dengan melakukan transaksi pembayaran. Sedangkan wisma adalah bangunan untuk tempat tinggal, kantor atau kumpulan rumah, komplek perumahan, permukiman yang di peruntukkan untuk menunjang urusan atau kegiatan pada bidang tertentu. Karena semakin banyaknya pembangunan hotel dan wisma yang di bangun di kota Palangka Raya, sering kali menimbulkan permasalahan bagi para wisatawan yaitu dalam melakukan pencarian dan menentukan hotel dan wisma berdasarkan fasilitas jasa yang disediakan. Berdasarkan hal tersebut, dibuatlah suatu sistem yang dapat membantu memberikan rekomendasi hotel dan wisma kepada wisatawan. Metodologi yang digunakan dalam aplikasi Rekomendasi Hotel Dan Wisma Di Kota Palangka Raya ini adalah waterfall. Pengujian menggunakan metode blackbox. Hasil penelitian ini adalah sebuah aplikasi Rekomendasi Hotel Dan Wisma Di Kota Palangka Raya Berbasis Website memfasilitasi wisatawan atau pengunjung dalam mendapatkan informasi serta rekomendasi hotel dan wisma tanpa harus terlebih dahulu mengunjungi satu persatu website hotel dan wisma. Pengujian dilakukan menggunakan blackbox. Abstract. Hotel is an institution that provides guests to stay, where everyone can stay, eat, drink and enjoy other facilities by making payment transactions. Wisma is a building for residence, office or group of houses, housing complexes, settlements that are intended to support business or activities in certain fields. Due to the increasing number of hotel and guest house constructions being built in the city of Palangka Raya, it often creates problems for tourists, namely in searching and determining hotels and guest houses based on the service facilities provided. Based on this, a system was created that could help provide hotel and guest house recommendations to tourists. The methodology used in the Hotel and Wisma Recommendation application in the City of Palangka Raya is a waterfall. Testing using the blackbox method. The results of this study are a Website-Based Hotel and Guesthouse Recommendation Application in Palangka Raya City facilitating tourists or visitors in obtaining information and recommendations for hotels and guesthouses without having to first visit the hotel and guest house websites one by one. The tests using blackbox method.

Analisis Sentimen Berbasis Aspek pada Ulasan Aplikasi Gojek Resha Ananda Rahman; Viktor Handrianus Pranatawijaya; Nova Noor Kamala Sari
KONSTELASI: Konvergensi Teknologi dan Sistem Informasi Vol. 4 No. 1 (2024): Juni 2024
Publisher : Program Studi Sistem Informasi Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/konstelasi.v4i1.8922

Penggunaan aplikasi mobile meningkat pesat di era digital, termasuk Gojek, aplikasi populer di Indonesia yang menyediakan layanan transportasi, pesan antar makanan, dan pembayaran digital. Ulasan pengguna di Play Store menunjukkan berbagai masalah yang memerlukan perhatian. Ulasan ini memberikan wawasan tentang pandangan pengguna, memungkinkan identifikasi masalah, dan pengembangan layanan. Dengan teknik Aspect Based Sentiment Analysis (ABSA), pandangan pengguna dapat dipahami lebih baik, membantu evaluasi dan perbaikan aplikasi Gojek untuk meningkatkan kualitas layanan dan kepuasan pengguna. Penelitian ini bertujuan menganalisis sentimen berdasarkan aspek-aspek dalam ulasan pengguna aplikasi Gojek di Play Store dalam bahasa Inggris, dengan mencari pola sentimen yang akurat dan mengidentifikasi aspek yang perlu diperbaiki. Data diambil dari ulasan pengguna aplikasi Gojek di Google Play Store. Teknik pemodelan topik Latent Dirichlet Allocation (LDA) digunakan untuk mengidentifikasi topik-topik relevan. Pelabelan sentimen dilakukan menggunakan model BERT, sementara evaluasi sentimen dan aspek dilakukan dengan model distilbert-base-uncased-finetuned-sst-2-english. Hasil menunjukkan bahwa model BERT mencapai akurasi tertinggi untuk sentimen sebesar 96.67% dan aspek Service sebesar 98.78%. Terdapat ruang untuk perbaikan terutama pada aspek user experience, service, dan payment. Faktor-faktor yang mempengaruhi akurasi termasuk distribusi sentimen, jumlah data, preprocessing, dan model yang digunakan. Mobile app usage is increasing rapidly in the digital era, including Gojek, a popular app in Indonesia that provides transportation, food delivery, and digital payment services. User reviews in the Play Store indicate various issues that require attention. These reviews provide insight into user views, enabling problem identification and service development. With the Aspect Based Sentiment Analysis (ABSA) technique, user views can be better understood, helping evaluate and improve the Gojek application to improve service quality and user satisfaction. This research aims to analyze sentiment based on aspects of user reviews of the Gojek application on the Play Store in English by finding accurate sentiment patterns and identifying aspects that need to be improved. The data was taken from user reviews of the Gojek application on the Google Play Store. Latent Dirichlet Allocation (LDA) topic modeling technique was used to identify relevant topics. Sentiment labeling was performed using the BERT model, while sentiment and aspect evaluation were performed with the distilbert-base-uncased-finetuned-sst-2-english model. The results showed that the BERT model achieves the highest accuracy for sentiment at 96.67% and Service aspects at 98.78%. There is room for improvement, especially in the user experience, service, and payment aspects. Factors affecting accuracy include sentiment distribution, amount of data, preprocessing, and the model used.

Analisis Sentimen Pengguna Media Sosial X terhadap Perubahan Harga Bitcoin: Pendekatan Machine Learning Joshua Evan Savero; Viktor Handrianus Pranatawijaya; Efrans Christian
KONSTELASI: Konvergensi Teknologi dan Sistem Informasi Vol. 4 No. 1 (2024): Juni 2024
Publisher : Program Studi Sistem Informasi Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/konstelasi.v4i1.9043

Media sosial X menjadi gudang data yang dapat dimanfaatkan untuk memperoleh wawasan mengenai sentimen publik dan potensi yang berdampak pada harga cryptocurrency. Dalam beberapa tahun terakhir, bitcoin menjadi pusat perhatian sebagai bentuk investasi yang menarik bagi para pelaku pasar. Bitcoin (BTC) sering kali ditandai dengan tingkat volatilitas yang tinggi dan harganya menunjukkan kenaikan dan penurunan yang ekstrem dalam jangka waktu yang singkat. Dengan menganalisis tweet pengguna media sosial X, penelitian ini bertujuan untuk meneliti hubungan antara sentimen yang diungkapkan oleh pengguna media sosial X dan perubahan harga bitcoin. Data set yang digunakan dalam penelitian ini yaitu dataset pelatihan model yang terdapat di laman Kaggle dan dataset pengujian yang dikumpulkan dari tweet media sosial X berdasarkan tanggal terjadinya golden cross dan death cross. Data set akan melalui teknik preprocessing data, klasifikasi sentimen positif, negatif, dan netral menggunakan VADER. Pembangunan model menggunakan algoritma naïve bayes dan support vector machine. Hasil penelitian ini memperoleh model support vector machine memiliki kinerja terbaik terhadap keakuratan model dalam klasifikasi sentimen dengan accuracy sebesar 95.92%, ketepatan model dalam memprediksi nilai positif dengan tingkat precision sebesar 95.89%, tingkat usaha dalam menemukan informasi kembali dengan tingkat recall sebesar 95.92%, dan presentasi nilai bobot dari nilai precision dengan nilai recall pada f1-score sebesar 95.89%. Akan tetapi, dalam memprediksi sentimen lima dataset pengujian yang diberikan menggunakan model yang telah dilatih ditemukan algoritma naïve bayes memiliki persentase lebih tinggi yaitu 80% dalam memperoleh hasil yang sesuai antara sentimen positif untuk kondisi golden cross dan sentimen negatif untuk kondisi death cross. Social media X is a data warehouse that can be utilized to gain insight into public sentiment and its potential impact on cryptocurrency prices. In recent years, Bitcoin has become the center of attention as an attractive form of investment for market players. Bitcoin (BTC) is often characterized by high levels of volatility and its price exhibits extreme rises and falls over short periods of time. By analyzing the tweets of social media user X, this study aims to examine the relationship between the sentiment expressed by social media user X and changes in Bitcoin prices. The dataset used in this research is the model training dataset found on the Kaggle page and the testing dataset collected from X's social media tweets based on the dates of the golden cross and death cross. The dataset will go through data preprocessing techniques, classifying positive, negative and neutral sentiment using VADER. Model construction uses the Naïve Bayes algorithm and Support Vector Machine. The results of this research show that the Support Vector Machine model has the best performance regarding model accuracy in sentiment classification with an accuracy of 95.92%, model accuracy in predicting positive values with a precision level of 95.89%, level of effort in finding information again with a recall rate of 95.92%, and presentation of the weighted value of the precision value with the recall value on the f1-score of 95.89%. However, in predicting the sentiment of the five test datasets provided using the trained model, it was found that the Naïve Bayes algorithm had a higher percentage, namely 80%, in obtaining results that matched positive sentiment for the golden cross condition and negative sentiment for the death cross condition.

Machine Learning untuk Memprediksi Jumlah Penjualan, Stok dan Jumlah Tanam Hasil Pertanian Hidroponik Frira Sesilia; Viktor Handrianus Pranatawijaya; Ressa Priskila
KONSTELASI: Konvergensi Teknologi dan Sistem Informasi Vol. 4 No. 1 (2024): Juni 2024
Publisher : Program Studi Sistem Informasi Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/konstelasi.v4i1.9055

Hidroponik Tilung Farm, usaha budidaya tanaman di Palangka Raya, sering mengalami kesulitan dalam memprediksi data stok, transaksi, dan jumlah tanam yang optimal. Sebelumnya, data ini hanya digunakan untuk melihat hasil penjualan. Penelitian ini bertujuan untuk memprediksi data tersebut dengan akurat menggunakan machine learning. Metode penelitian meliputi pengumpulan data dengan studi pustaka, wawancara, dan observasi. Data stok, transaksi, dan jumlah tanam diolah dengan machine learning menggunakan algoritma regresi linear dan support vector machine. Hasil penelitian menunjukkan bahwa algoritma regresi linear menghasilkan nilai terkecil untuk MSE, MAE, dan MAPE dalam memprediksi data stok, transaksi, dan jumlah tanam. Kesimpulannya, algoritma regresi linear lebih baik dalam memprediksi data tersebut dibandingkan dengan algoritma support vector machine. Penelitian ini membantu Hidroponik Tilung Farm dalam mengelola stok, transaksi, dan jumlah tanam secara optimal, sehingga meningkatkan efisiensi dan keuntungan. Tilung Farm Hydroponics, a plant cultivation business in Palangka Raya, often experiences difficulties in predicting optimal stock data, transactions, and planting quantities. Previously, this data was only used to view sales results. This research aims to predict this data accurately using machine learning. Research methods include data collection by literature study, interviews, and observation. Stock, transaction, and number of planting data are processed using machine learning using linear regression algorithms and support vector machines. The research results show that the linear regression algorithm produces the smallest values for MSE, MAE, and MAPE in predicting stock, transaction, and number of planting data. In conclusion, the linear regression algorithm is better at predicting this data compared to the support vector machine algorithm. This research helps Tilung Farm Hydroponics in managing stock, transactions and planting quantities optimally, thereby increasing efficiency and profits.

Title

Found 4 Documents
Search

Abstract

Abstract

Abstract

Abstract

Title Search

Found 4 Documents Search

Abstract

Abstract

Abstract

Abstract

Title

Found 4 Documents
Search