Journal of Informatics and Computer Science (JINACS)
JINACS (Journal of Informatics and Computer Science) diterbitkan oleh Program Studi S1 Teknik Informatika Universitas Negeri Surabaya dalam empat kali setahun dengan No ISSN Online : 2686-2220 JINACS merupakan jurnal ilmiah dalam bidang Teknik Informatika dan Computer Science. Jurnal ini mencakup bidang ilmu Rekayasa Perangkat Lunak, Jaringan dan Arsitektur Komputer, Komputasi Bergerak, Sistem Temu Kembali Informasi, Kecerdasan Buatan, Pengolahan Citra Digital, Data Mining dll. JINACS terbit 4 (empat) nomor dalam setahun, yaitu bulan September, Desember, Maret dan Juni. Artikel yang telah dinyatakan diterima akan diterbitkan dalam nomor In-Press sebelum nomor regular terbit.
Articles
422 Documents
<![CDATA[Implementasi Enkripsi dan Dekripsi File Dokumen menggunakan Metode Modifikasi Algoritma Tiny Encryption Algorithm ]]>
<![CDATA[Ellsa Wahyu Candra Pujiarwoko]]>;
<![CDATA[Aditya Prapanca]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 2 No 03 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (616.006 KB)
|
DOI: 10.26740/jinacs.v2n03.p228-234
<![CDATA[Keamanan data menjadi hal yang paling dibutuhkan bagi semua pengguna komunikasi modern. Pada era digitalisasi ini terdapat banyak celah yang dapat digunakan untuk melanggar kebijakan terkait keamanan data. Untuk itu, perkembangan teknik pengamanan data juga telah dilakukan untuk mengatasi celah tersebut. Banyak penelitian telah dilakukan untuk menciptakan teknik pengamanan data untuk dapat mencegah adanya pelanggaran hak terhadap data yang dikirimkan melalui sistem komunikasi modern. Kriptografi merupakan salah satu teknik pengamanan data yang sering digunakan karena dapat diterapkan pada semua tipe data. Dalam penerapan kriptografi dibutuhkan teknik tertentu untuk melakukan rekonstruksi pada data asli. Tiny Encryption Algorithm merupakan salah satu algoritma yang digunakan dalam enkripsi data. Algortima TEA bekerja dengan konsep simetris enkripsi dengan kecepatan pemrosesan yang maksimal namun dengan konsumsi memori yang sedikit. Algoritma TEA bekerja menggunakan struktur feissel network yang membagi bit-input menjadi dua bagian sama besar dalam 64 round. Pada penelitian ini dilakukan observasi terhadap hasil modifikasi algortima TEA jumlah bit-input yang diproses dan jumlah round yang dilakukan dalam proses enkripsi dan dekripsi. Modifikasi dilakukan untuk mengetahui pengaruh jumlah bit input dan round terhadap waktu pemrosesan yang dibutuhkan dan ukuran dokumen hasil dari enkripsi maupun dekripsi. Hasilnya, modifikasi pada jumlah bit-input maupun putaran yang terjadi pada proses enkripsi maupun dekripsi dokumen berpengaruh pada hasil pemrosesan, yaitu dari sisi waktu dan ukuran dokumen hasil pemrosesan.]]>
<![CDATA[Penerapan N-Gram menggunakan Algoritma Random Forest dan Naïve Bayes Classifier pada Analisis Sentimen Kebijakan PPKM 2021 ]]>
<![CDATA[Putri Pratama Erika Indarbensyah]]>;
<![CDATA[Naim Rochmawati]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1034.914 KB)
|
DOI: 10.26740/jinacs.v2n04.p235-244
<![CDATA[Abstrak— Kebijakan PPKM merupakan kebijakan terbaru yang dikeluarkan oleh pemerintah pada Januari 2021 untuk menangani permasalahan pandemi Covid-19. Perancangan dan penerapan Kebijakan PPKM dilakukan dengan tujuan yang utama yaitu untuk kepentingan sektor kesehatan dan ekonomi. Adanya penerapan kebijakan ini tentu sangat berdampak kepada masyarakat. Pada era saat ini, dimana internet berkembang meningkat pesat terutama pada penggunaan media sosial tentunya kebijakan tersebut sangat memicu tanggapan para pengguna media sosial khususnya Instagram, dimana saat ini salah satu media sosial populer adalah Instagram yang digunakan oleh semua kalangan selain twitter, facebook, dan lain-lain. Tanggapan para pengguna media sosial Instagram terhadap penerapan Kebijakan PPKM 2021 dapat dikelompokkan menjadi sentimen yang berlabel positif, negatif atau netral dengan melakukan analisis sentimen yaitu menggunakan text mining. Penggunaan N-Gram diterapkan sebagai fitur ekstraksi dengan menggunakan jenis Unigram, Bigram, dan Trigram dan pada tahap klasifikasi menggunakan metode Random Forest (RF) dan Naïve Bayes Classifier (NBC). Penerapan kedua metode tersebut pada penelitian ini bertujuan untuk membandingkan hasil nilai akurasi dari penerapan N-Gram dengan menggunakan metode RF dan NBC. Proses pengklasifikasiaan menggunakan Random Forest (RF) diperoleh hasil accuracy terbaik dari penggunaan Unigram yaitu sebesar 99.5%. Sedangkan hasil precision, recall dan f1-score yang dihasilkan oleh Random Forest (RF) bernilai sama yaitu sebesar 100%. Pada proses pengklasifikasian menggunakan Naïve Bayes Classifier diperoleh hasil accuracy terbaik dari penggunaan Unigram juga yaitu sebesar 97.9% dengan nilai precision, recall dan f1-score sebesar 98%. Dari perbandingan hasil pada pengujian tersebut dapat disimpulkan bahwa penerapan ketiga N-Gram berhasil dalam mempengaruhi dan meningkatkan hasil akurasi dari penggunaan kedua algoritma tersebut pada penelitian ini. Kata Kunci— Kebijakan PPKM 2021, N-Gram, Random Forest, Naïve Bayes Classifier, Analisis Sentimen]]>
<![CDATA[Analisis Penerimaan Pengguna terhadap Layanan Mobile Ticketing dengan Pendekatan TAM dan TRA (Studi Kasus: KAI ACCESS) ]]>
<![CDATA[Yemi Fitriana]]>;
<![CDATA[Aries Dwi Indriyanti]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (336.896 KB)
|
DOI: 10.26740/jinacs.v2n04.p245-251
<![CDATA[Abstrak— KAI Access merupakan sebuah aplikasi mobile yang digunakan untuk pemesanan tiket kereta api baik jarak dekat atau jarak jauh secara online. KAI Access juga merupakan solusi pada masa covid-19 untuk meminimalisir kontak fisik antara petugas dan customer. Saat ini perusahaan berupaya untuk terus melakukan pengembangan terkait dengan fitur-fitur supaya KAI Access menjadi solusi yang efektif dan efisien untuk pemesanan tiket secara online. Penelitian ini dilakukan untuk mengetahui faktor yang memberikan pengaruh penerimaan pengguna layanan KAI Access menggunakan metode Technology Acceptance Model (TAM) dan Theory of Reasoned Action (TRA) menggunakan metode penelitian kuantitatif. Untuk mengetahui seberapa produk tersebut untuk dapat diterima oleh konsumen maka perlu dilakukan penelitian terkait dengan penerimaan teknologi. Penerimaan pengguna tersebut dapat diketahui melalui respon yang baik terhadap niat pengguna dan perilaku dalam menggunakan produk yang diketahui dari jawaban 95 responden yang merupakan pengguna KAI Access, berdomisili di Jawa Timur dan rata-rata penggunanya adalah seorang mahasiswa. Analisis data pada penelitian ini menggunakan uji outer model, uji inner model, dan uji hipotesis. Pengolahan data dilakukan dengan menggunakan program SmartPls 3.0. Penilaian mengenai indikator menggunakan skala likert yang dimulai dari angka 1 yang berarti sangat tidak setuju hingga angka 5 sangat setuju. Sehingga diperoleh hasil penelitian bahwa Perceived Ease of Use berpengaruh positif dan signifikan terhadap Perceived Usefulness, Perceived Usefulness memberikan pengaruh positif dan signifikan terhadap Attitude Toward Using, Perceived Ease of Use memberikan pengaruh positif dan signifikan terhadap Attitude Toward Using, dan Behavior Intention berpengaruh positif dan signifikan terhadap Attitude Toward Using.]]>
<![CDATA[Perbandingan Performa Algoritma GA-SVM dan BOA-SVM dalam Mengklasifikasi Artikel Berita Berbahasa Indonesia ]]>
<![CDATA[Winda Ramadhanty Pratiwi]]>;
<![CDATA[Ricky Eka Putra]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (659.054 KB)
|
DOI: 10.26740/jinacs.v2n04.p252-258
<![CDATA[Abstrak— Kemajuan teknologi mendorong industri media massa untuk beralih dari media cetak ke media digital seperti situs berita online. Secara umum, situs berita online mengelompokkan artikel berita menjadi beberapa kategori untuk memudahkan pembaca dalam memilih artikel berita sesuai topik yang diminati. Hanya saja pengelompokkan artikel berita dilakukan secara manual dengan mempelajari isi atau kontennya terlebih dahulu. Apabila jumlah artikel berita yang ingin dikelompokkan sangat banyak, maka waktu yang dibutuhkan juga tidak sedikit. Hal ini menjadi dasar untuk membuat sistem klasifikasi otomatis dalam mengelompokkan artikel berita. Artikel berita dari IDNTimes menjadi sumber data di penelitian ini. Algoritma TF-IDF digunakan sebagai ekstraksi fitur, sedangkan SVM digunakan sebagai klasifikasi data. Penelitian ini akan membandingkan Genetic Algorithm (GA) dan Bayesian Optimization Algorithm (BOA) dalam mengoptimasi SVM untuk mengklasifikasi artikel berita. Berdasarkan hasil pengujian sistem, algoritma GA-SVM memiliki akurasi 93.80% dan waktu pemrosesan 969.015 detik, sedangkan BOA-SVM memiliki akurasi 94.79% dan waktu pemrosesan 829.921 detik. Kesimpulannya, algoritma BOA lebih baik daripada GA dalam mengoptimasi SVM untuk mengklasifikasi artikel berita. Kata Kunci— klasifikasi artikel berita, support vector machine, bayesian optimization, genetic algorithm.]]>
<![CDATA[Klasifikasi Berdasarkan Question dalam Stack Overflow Menggunakan Algoritma Naïve Bayes ]]>
<![CDATA[Bagus Geriansyah Putra]]>;
<![CDATA[Naim Rochmawati]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (302.411 KB)
|
DOI: 10.26740/jinacs.v2n04.p259-267
<![CDATA[Abstrak—Stackoverflow merupakan sebuah website yang menyediakan banyak informasi tentang pemrograman. Pengguna dapat berinteraksi dengan pengguna lainnya dalam sebuah forum diskusi yang diajukan. Pengguna dapat mengajukan sebuah pertanyaan yang kemudian akan ditanggapi oleh pengguna lain. Ketika mengajukan sebuah pertanyaan, pengguna harus memasukkan kategori yang tepat pada pertanyaan yang diajukan agar mendapatkan respons atau jawaban yang sesuai. Berdasarkan beberapa kasus yang terjadi masih banyak pengguna website mengalami kebingungan ketika memilih kategori pertanyaan yang diajukan. Akibatnya, pertanyaan yang diajukan tidak mendapat respons yang tepat atau kurang sesuai. Sehingga, penelitian ini diajukan untuk membantu proses pengkategorian pertanyaan pada website Stackoverflow. Penelitian menggunakan Algoritma Naïve Bayes untuk memprediksi kategori pertanyaan yang diajukan. Pada penelitian ini dilakukan beberapa proses, dimulai dengan proses input dataset dilanjutkan dengan pembacaan file dataset. Kemudian dataset akan melalui preprocessing yang dilanjutkan dengan pembobotan dan proses ekstraksi fitur dengan Algoritma TF-IDF. Selanjutnya, data diproses menggunakan Algoritma Naïve Bayes yang akan menghasilkan kategori pertanyaan. Selanjutnya dilakukan proses evaluasi model untuk menentukan model terbaik yang akan digunakan untuk tampilan antarmuka aplikasi. Hasil yang didapat dari tahap evaluasi model dengan 4 kali percobaan menggunakan 10.000-40.000 data menghasilkan nilai akurasi, precision, recall, dan f1-score tertinggi sebesar 75%, 75%, 75% dan 74%. Dari hasil pengujian yang telah dilakukan Algoritma Naïve Bayes dapat digunakan sebagai klasifikasi text dan menghasilkan nilai yang cukup baik. Kata Kunci— text mining, Algoritma Naïve Bayes, stackoverflow, Algoritma TF-IDF]]>
<![CDATA[Rancang Bangun Aplikasi Template Surat Online dengan Metode Fuzzy String Matching ]]>
<![CDATA[Rio Henri Saputro]]>;
<![CDATA[Dedy Rahman Prehanto]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (734.917 KB)
|
DOI: 10.26740/jinacs.v2n04.p268-278
<![CDATA[Pembuatan surat manual sangat berpengaruh terhadap efisiensi serta keseragaman format yang digunakan, untuk beberapa unit bisa dijumpai format surat yang sangat berbeda antara unit satu dengan unit lainnya. Serta waktu yang digunakan untuk membuat surat dari satu pegawai admin sangat panjang, karena disetiap harinya pembuatan surat sangat beragam dari mahasiswa, dosen dan pegawai. Sistem Informasi saat ini sudah sangat berkembang pesat bahkan untuk pembuatan surat dapat dilakukan secara online dan dapat langsung di download untuk membantu mengatasi permasalahan waktu dan ketidak sesuaian format yang digunakan dan memudahkan pengguna untuk mendapatkan layanan administrasi pembuatan surat tanpa harus kesulitan memikirkan format yang digunakan. Tesuo merupakan aplikasi template surat online yang dapat digunakan untuk membuat surat dengan format yang seragam dan tersedia pada aplikasi tanpa harus datang ke kantor administrasi fakultas/unit terlebih dahulu, pengguna langsung dapat mendwonload dan mencetak surat dan kemudian membawanya pada kantor administrasi untuk meminta nomor dan tanda tangan. Kemudahan aplikasi ini dibantu dengan pencarian yang menggunakan metode fuzzy string matching untuk mempercepat proses pencarian, dimana pengguna dapat lebih mudah mencari surat sesuai dengan kata kunci yang dimasukkan oleh pengguna, ini lebih efisien dan cepat dibandingkan harus mencari menu surat satu persatu tanpa fitur pencarian, serta dilengkapi dengan algoritma search autocomplete suggestion untuk memudahkan pengguna mencari surat yang diinginkan dengan hanya menuliskan beberapa huruf dan algoritma akan memprediksi kata apa yang ingin dicari oleh pengguna. Kata Kunci—Template Surat, Algoritma Fuzzy String Matching.]]>
<![CDATA[Implementasi Algoritma Fisher-Yates pada Game Pembelajaran LBB YSYPRIVATE Berbasis Website ]]>
<![CDATA[Yessy Septiani Yuono]]>;
<![CDATA[Anita Qoiriah]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (2080.08 KB)
|
DOI: 10.26740/jinacs.v2n04.p279-289
<![CDATA[Abstrak - LBB YSY Private merupakan Lembaga Bimbingan Belajar (LBB) yang khusus memberikan pelajaran tentang Matematika dengan tingkatan kelas SD, SMP hingga SMA. Pada masa pandemi saat ini seluruh sekolahan menggunakan metode pembelajaran secara daring, sehingga internet sangat berperan dalam proses pembelajaran saat ini. Oleh karena itu LBB YSY Private membuat Game edukasi berbasis Website yang diimplementasikan dalam bentuk game who wants to be a millioner master. Dalam pengembangan Game Edukasi tersebut juga terdapat sistem limit timer pada setiap soal yakni setiap soal yang ada di dalam suatu sub level akan mendapatkan waktu batasan dalam mengerjakanya. Game Edukasi tersebut menggunakan metode Fisher-Yates sebagai pengacak jawaban dan soal dalam setiap sub level yang ada di dalam game tersebut, agar setiap siswa tidak bergantung pada kunci jawaban dan meminimalisir kecurangan pengerjaan soal ketika mengerjakan soal secara berkelompok pada satu ruang dan waktu yang sama. Proses yang dilakukan dalam Algoritma Fisher-Yates adalah dengan cara mengacak nilai integer antara min dan max dan setiap bilangkan yang diacak akan dibulatkan ke bawah dan dikali dengan nilai min dan max yang ada pada sistem tersebut. Apabila siswa merasa kesulitan dalam menjawab soal, maka siswa bisa menggunakan beberapa bantuan yang telah disediakan oleh sistem, yaitu Bantuan Telpon Temn, Kesempatan Salah, Next Soal, 50:50 dan Bantuan Satu Soal 2 Jawaban. Setelah dilakukan perancangan dan pembuatan pada aplikasi. Maka aplikasi akan di uji coba dan di dapat kesimpulan bahwa Soal dan pilihan ganda ditampilkan secara acak dalam game tersebut dan Soal yang diacak hanya akan muncul satu kali saja (tidak berulang). Kata Kunci : Lembaga Bimbingan Belajar, Fisher-Yates, Website, Game Edukasi, Limit Timer, YSY Private]]>
<![CDATA[Pengukuran Probabilitas Berita Hoax Berdasarkan Judul Clickbait Menggunakan Metode Adaptive Neuro Fuzzy Inference System Berbasis Web ]]>
<![CDATA[Muhammad Aris Ashari]]>;
<![CDATA[Ricky Eka Putra]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (351.481 KB)
|
DOI: 10.26740/jinacs.v2n04.p290-294
<![CDATA[Penggunaan platform digital membawa pengaruh terhadap minat konsumsi berita di masyarakat karena memiliki nilai lebih dari sisi visual dan realtime. Bentuk berita berupa baris-baris tulisan telah banyak berubah menjadi bentuk gambar-gambar informatif yang memuat isi berita secara keseluruhan dan perubahan informasi yang dapat dilaporkan secara langsung tanpa memiliki jadwal terbit tertentu. Dari banyaknya pengaruh positif, terdapat sebuah cela dari penggunaan platform digital sebagai media penyebaran berita, yaitu kebebasan membuat dan menyebarkan informasi di dunia maya. Semua orang dapat menulis artikel atau berita kemudian mengunggah dan membagikannya untuk mendapat keuntungan pribadi dari jumlah klik maupun kunjungan pada hasil unggahannya. Praktik clickbait santer digunakan untuk mendapatkan perhatian pembaca melalui pemilihan kata-kata yang bersifat provokatif, ambigu dan tidak jarang mengandung unsur hoaks. Banyak ditemukan kasus isi muatan berita yang berbeda atau bahkan tidak berhubungan sama sekali dengan judul yang dibuat. Hal ini jelas sangat meresahkan pembaca karena dapat menimbulkan kesalahpahaman antara judul dengan berita yang dibaca. Penelitian ini merupakan suatu bentuk upaya untuk mengurangi tersebarnya berita-berita bohong dan meminimalisir kesalahpahaman pembaca terhadap isi muatan berita. Sistem yang dibuat pada penelitian ini akan mampu mendeteksi probabilitas hoaks yang terkandung pada berita-berita yang diunggah pada platform digital melalui analisis linguistik judul berita. Dengan kemampuan individual learning, algoritma ANFIS akan melakukan proses learning tiap kali terdapat data inputan baru. Kemampuan ini membuat algoritma ANFIS dapat mendeteksi probabilitas hoaks dengan baik. Algoritma ANFIS mencapai tingkat akurasi tertinggi pada data testing sebesar 90% menggunakan threshold 60. Sedangkan akurasi tertinggi pada data training mencapai 75% menggunakan threshold 40 dan 50.]]>
<![CDATA[Opinion Mining Popularitas Tempat Wisata Menggunakan Algoritma Support Vector Machine (SVM) Dan Particle Swarm Optimization dari Instagram ]]>
<![CDATA[Esti Ika Maharani]]>;
<![CDATA[Naim Rochmawati]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (537.153 KB)
|
DOI: 10.26740/jinacs.v2n04.p295-301
<![CDATA[Sosial media sekarang mempunyai efek besar pada pengambilan keputusan, termasuk pada industri wisata untuk mengetahui reputasi dan popularitas sebuah destinasi wisata. Pada era modern seperti sekarang penggunaan media sosial tidak sekedar media hiburan akan tetapi juga menjadi media buat mengembangkan informasi, baik informasi yang dipercaya maupun tidak. Dari media sosial tersebut, mengizinkan penggunanya untuk bisa mengetahui reaksi pengguna lain terhadap informasi yang sedang hangat dibicarakan. Analisa sentiment atau opinion mining adalah satu dari berbagai solusi untuk mengatasi masalah dalam mengelompokan opini atau review sebagai opini positif, negatif, atau netral secara otomatis. Metode yang dipakai merupakan Support Vector Machine (SVM) dan penerapan seleksi fitur Particle Swarm Optimization. Keduanya memanfaatkan library yang telah tersedia dalam python. Support Vector Machine (SVM) merupakan metode untuk menganalisa data dan mengenali pola yang mampu dipakai untuk pengklasifikasian.. Sementara particle swarm berpola optimizer jadi tidak mampu berdiri sendiri, wajib diikuti algoritma lain yang harus melakukan proses pembelajaran terlebih dahulu. Nilai akurasi yang didapatkan sebagai tolak ukur dalam mencari contoh pengujian terbaik untuk masalah klasifikasi sentimen. Hasil penelitian memperlihatkan peningkatan nilai akurasi sebanyak 0.07 untuk algoritma Support Vector Machine dari 0.90 menjadi 0.97 sesudah penerapan seleksi fitur Particle Swarm Optimization.]]>
<![CDATA[Analisis Opini Vaksin COVID-19 menggunakan SVM Berbasis PSO pada Data Twitter ]]>
<![CDATA[Amrina Rosyada]]>;
<![CDATA[Yuni Yamasari]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (762.435 KB)
|
DOI: 10.26740/jinacs.v2n04.p301-312
<![CDATA[Infeksi yang disebabkan Sars-Cov-2 mengakibatkan pandemi penyakit pernafasan di seluruh dunia dan belum ada pengobatan yang pasti hingga saat ini. Pemberian vaksin adalah salah satu intervensi untuk mencegah penyakit ini. Di Indonesia, pemerintah mewajibkan untuk melakukan vaksinasi. Pemberian vaksin ini mendapatkan banyak tanggapan dari berbagai kalangan masyarakat. Efektivitas dan efek samping pasca pemberian vaksin serta status penggunaan darurat pada vaksin menjadi salah satu yang menjadi pro-kontra di masyarakat. Hal-hal tersebut yang melandasi penelitian ini sangat perlu untuk dilakukan. Penelitian akan memfokuskan pada analisis sentimen tentang vaksin COVID-19 dengan algoritma SVM. Namun, algoritma ini mempunyai kelemahan dalam pemilihan fitur parameter yang menyebabkan penurunan kinerja dari model yang dibangun. Penerapan fitur Particle Swarm Optimization (PSO) dapat ditambahkan untuk melakukan optimasi dengan pemilihan dan penyetingan fitur parameter. Berkaitan dengan dataset, penelitian ini membagi kedalam 2 sentimen yaitu positif dan negatif. Data yang digunakan berasal dari media sosial twitter dengan pencarian tweet yang mengandung kata vaksin COVID-19 sebanyak 646 tweet yang telah dipilih dengan opini positif sebanyak 57,93% dan negative sebanyak 42,07%. Pengujian dilakukan dengan 2 cara yaitu dengan split dan cross-validation. Pada pengujian cross-validation, penelitian ini menghasilkan akurasi yang tinggi pada K=15. Berturut-turut level akurasi dari SVM dan SVM-PSO adalah sebesar 76,52% dan 80,63%. Hasil akurasi tertinggi pada teknik split dicapai dengan rasio 1:9. Level akurasi pada SVM dan SVM-PSO, berturut-turut, adalah sebesar 83.30% dan 84.80%. Hal ini mengindikasikan bahwa penerapan PSO pada SVM mampu menaikkan level akurasi sebesar 4,11% dan 1,5% dengan pengujian cross-validation dan split, secara berturut-turut. Kata Kunci— Text Mining, Vaksin COVID-19, Twitter, Support Vector Machine, Particle Swarm Optimization.]]>
