Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal KAKIFIKOM : Kumpulan Artikel Karya Ilmiah Fakultas Ilmu Komputer
Ginting, Anirma
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Efektivitas Metode Gap Statistic dan X-Means dalam Menentukan Jumlah Cluster Optimal pada K-Means Clustering Ginting, Anirma; Harianja, Andy Paul; Sipayung, Sardo Pardingotan
KAKIFIKOM : Kumpulan Artikel Karya Ilmiah Fakultas Ilmu Komputer Volume 6, Nomor 2, Edisi Oktober 2024
Publisher : UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54367/kakifikom.v6i2.4407

Abstract

Penentuan jumlah cluster optimal merupakan langkah penting dalam analisis data menggunakan algoritma K-Means Clustering. Dua metode yang umum digunakan untuk tujuan ini adalah Gap Statistic dan X-Means. Penelitian ini bertujuan untuk mengeval_uasi efektivitas kedua metode dalam menentukan jumlah cluster optimal, serta menganalisis kinerja K-Means berdasarkan hasil tersebut. Studi ini menggunakan dataset Iris dan Wine untuk menguji akurasi serta efisiensi waktu kedua metode. Pada dataset Iris, Gap Statistic mengidentifikasi jumlah cluster optimal sebesar 3, sesuai dengan label asli, dengan nilai Silhouette Score 0,67 dan Davies-Bouldin Index 0,38. Sebaliknya, X-Means menghasilkan 4 cluster dengan Silhouette Score 0,64 dan Davies-Bouldin Index 0,42. Pada dataset Wine, Gap Statistic menentukan 3 cluster dengan Silhouette Score 0,56 dan Davies-Bouldin Index 0,45, sementara X-Means menghasilkan 5 cluster dengan Silhouette Score 0,52 dan Davies-Bouldin Index 0,51. Selain itu, waktu komputasi menunjukkan bahwa Gap Statistic membutuhkan waktu lebih lama dibandingkan X-Means karena proses simulasi data acak untuk setiap nilai K. Hasil penelitian menunjukkan bahwa Gap Statistic lebih akurat dalam menentukan jumlah cluster optimal yang sesuai dengan label asli, namun membutuhkan waktu komputasi yang lebih lama. Di sisi lain, X-Means lebih efisien secara waktu, meskipun memiliki kinerja clustering yang sedikit lebih rendah pada beberapa metrik eval_uasi. Studi ini memberikan wawasan bagi praktisi dalam memilih metode yang sesuai untuk kebutuhan spesifik dalam aplikasi clustering.
Analisis Sentimen Masyarakat Twitter terhadap Emas Digital Menggunakan Algoritma Naïve Bayes Ginting, Anirma; Purba, Desinta; Sinaga, Lotar Mateus; Sagala, Masdiana
KAKIFIKOM : Kumpulan Artikel Karya Ilmiah Fakultas Ilmu Komputer Volume 7 Nomor 1, Edisi April 2025
Publisher : UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54367/kakifikom.v7i1.4909

Abstract

Emas digital semakin populer sebagai instrumen investasi di era digital. Persepsi masyarakat terhadap emas digital tercermin melalui opini yang tersebar di berbagai platform media sosial. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap emas digital dengan menggunakan algoritma Naïve Bayes. Data dikumpulkan dari Twitter selama periode tiga bulan, kemudian dilakukan proses pra-pemrosesan teks. Model Naïve Bayes digunakan untuk mengklasifikasikan opini menjadi sentimen positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa mayoritas sentimen bersifat positif, mencerminkan kepercayaan dan minat masyarakat terhadap investasi emas digital. Temuan ini dapat menjadi referensi bagi pelaku industri dan pengambil kebijakan dalam pengembangan produk emas digital.
Co-Authors Desinta Purba Harianja, Andy Paul Sagala, Masdiana sinaga, lotar mateus Sipayung, Sardo Pardingotan