Claim Missing Document
Check
Articles

Found 3 Documents
Search

Penggunaan Supervised Learning untuk Prediksi Validitas Ulasan Negatif Aplikasi Tokopedia Berdasarkan Pengalaman Pengguna Ahli : Penggunaan Supervised Learning untuk Prediksi Validitas Ulasan Negatif Aplikasi Tokopedia Berdasarkan Pengalaman Pengguna Ahli Fiddin, Fahmi; Syahbarna, Muhammad Yusuf; Ridwan, Mohammad
Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer) Vol 23 No 2 (2024): Agustus 2024
Publisher : PRPM STMIK TRIGUNA DHARMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jis.v23i2.10030

Abstract

Memahami dan mengklasifikasikan ulasan negatif menjadi penting bagi Tokopedia untuk meningkatkan kualitas layanan dan produknya. Namun, validitas ulasan negatif menjadi tantangan utama karena adanya kemungkinan ulasan palsu atau ulasan dengan motif tidak jujur. Penelitian ini bertujuan untuk memprediksi validitas ulasan negatif menggunakan metode supervised learning dengan tiga algoritma berbeda: Naive Bayes, Decision Tree, dan Random Forest. Metodologi penelitian melibatkan pengumpulan data ulasan negatif dari Google Play Store, text pre-processing, dan pengujian model dengan teknik k-fold cross-validation dengan 10-fold. Data diambil melalui proses scraping menghasilkan 498 ulasan negatif yang kemudian diproses dan diimbangi menggunakan metode SMOTE. Evaluasi dilakukan berdasarkan akurasi, presisi, recall, dan F1 Score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa terbaik dengan akurasi 77,42% dan AUC (Area Under Curve) sebesar 0,870, dibandingkan dengan Naive Bayes dan Decision Tree yang masing-masing mencapai akurasi 69,12% dan 73,21%. Implementasi model ini meningkatkan efisiensi proses moderasi ulasan, meningkatkan kepercayaan pengguna, dan memberikan umpan balik yang lebih akurat kepada penjual. Kesimpulannya, Random Forest efektif dalam memprediksi validitas ulasan negatif, memberikan solusi untuk meningkatkan kualitas layanan Tokopedia melalui teknologi supervised learning.
Optimasi Rute Terpendek pada Objek Wisata di Kabupaten Tangerang Menggunakan Algoritma Genetika dengan Pendekatan Travelling Salesman Problem Ramadhani, Ramadhani; Ramadhanu, Ramadhanu; Fiddin, Fahmi
Sistem Pendukung Keputusan dengan Aplikasi Vol 4 No 1 (2025)
Publisher : Ali Institute or Research and Publication

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55537/spk.v4i1.1125

Abstract

Tangerang Regency has numerous tourist destinations spread across various locations. However, tourists often face difficulties in determining an efficient travel route due to traffic congestion and irregular distances between sites. This issue leads to suboptimal travel time and reduces the overall comfort of the tourism experience. This study aims to optimize tourism travel routes in Tangerang Regency using a genetic algorithm approach based on the Travelling Salesman Problem (TSP). Data were collected from 17 tourist attractions, including their geographical coordinates, and processed through several genetic algorithm stages: population initialization, selection, crossover, and mutation. The results show that the genetic algorithm successfully produced an optimal route with a total distance of 109.77 km and the best fitness value of 0.009110. Compared to the initial distance before optimization, which was 215.80 km, this result indicates a travel distance efficiency improvement of 49.15%. These findings suggest that the genetic algorithm approach provides an effective solution for tourism route planning. The results are expected to serve as a basis for developing tourism promotion strategies and improving infrastructure in Tangerang Regency.
Analisis Sentimen Ulasan Produk Sayur di Tokopedia Menggunakan Model Support Vector Machine Dengan Representasi TF-IDF Fiddin, Fahmi; Hidayat, Taufik; Djamaludin, Djamaludin
Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer) Vol 24 No 2 (2025): Agustus 2025
Publisher : PRPM STMIK TRIGUNA DHARMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jis.v24i2.11479

Abstract

Penelitian ini mengimplementasikan analisis sentimen pada ulasan produk sayuran di Tokopedia menggunakan metode TF-IDF untuk pembobotan fitur dan algoritma Support Vector Machine (SVM) untuk klasifikasi. Sebanyak 1.048 data ulasan dikumpulkan melalui proses crawling dengan Python dan Selenium. Data ulasan diproses melalui tahapan preprocessing yang mencakup cleaning, case folding, tokenizing, stopword removal, dan stemming. Pelabelan sentimen dilakukan menggunakan pendekatan lexicon-based. Model SVM dilatih dengan pembagian data 80% untuk pelatihan dan 20% untuk pengujian, menghasilkan akurasi 98%, F1-Score 98% untuk sentimen positif, dan 96% untuk sentimen negatif. Visualisasi menggunakan Word Cloud dan diagram pie menunjukkan bahwa 75,1% ulasan bersentimen positif dan 24,9% bersentimen negatif. Hasil ini menunjukkan bahwa mayoritas pelanggan memberikan tanggapan positif terhadap produk yang dibeli.