Articles
112 Documents
<![CDATA[Analisis Sentimen Ulasan Pengguna Aplikasi Threads pada Google Play Store Menggunakan Multinomial Naive Bayes dan Support Vector Machine ]]>
<![CDATA[Java, Muhammad Arya]]>;
<![CDATA[Mohammad Syafrullah]]>;
<![CDATA[Windarto, Windarto]]>;
<![CDATA[Painem, Painem]]>
<![CDATA[ Jurnal Ticom: Technology of Information and Communication Vol 12 No 2 (2024): Jurnal Ticom-Januari 2024 ]]>
Publisher : <![CDATA[Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70309/ticom.v12i2.112
<![CDATA[Analisis sentimen pada ulasan pengguna aplikasi menjadi topik yang menarik untuk dipelajari karena memberikan wawasan tentang bagaimana pengguna merespons dan mempersepsikan sebuah aplikasi. Penelitian ini bertujuan untuk melakukan analisis sentimen pada ulasan aplikasi Threads di Google Play Store dengan menggunakan metode Multinomial Naive Bayes dan Support Vector Machine. Latar belakang penelitian ini didasarkan pada penggunaan aplikasi jejaring sosial yang semakin populer dan banyaknya ulasan pengguna yang perlu dianalisis secara efisien. Masalah yang dihadapi adalah volume besar ulasan yang sulit untuk dianalisis secara manual. Metode yang digunakan mencakup persiapan data, penanganan ketidakseimbangan kelas dengan penerapan SMOTE, dan ekstraksi fitur dengan TF-IDF. Evaluasi model dilakukan dengan mengukur accuracy, precision, recall, dan F1-score untuk mengklasifikasikan sentimen ulasan menjadi positif atau negatif. Dari hasil pengujian menunjukkan kedua algoritma memiliki performa hampir seimbang dengan akurasi sekitar 81% model-model ini mampu mengklasifikasikan sentimen ulasan dengan baik, memiliki precision dan recall yang tinggi untuk kedua kelas. Kesimpulan penelitian ini adalah metode Machine Learning berhasil memberikan solusi efisien dan akurat untuk analisis sentimen pada ulasan aplikasi Threads di Google Play Store, namun batasan data Bahasa Indonesia menjadi perhatian untuk penelitian selanjutnya]]>
<![CDATA[Klasterisasi Status Gizi Balita Menggunakan Algoritma K-Means Melalui Pendekatan Soft System Methodology ]]>
<![CDATA[Rahmatul Husna]]>;
<![CDATA[Verry Riyanto]]>
<![CDATA[ Jurnal Ticom: Technology of Information and Communication Vol 13 No 1 (2024): Jurnal Ticom-September 2024 ]]>
Publisher : <![CDATA[Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70309/ticom.v13i1.120
<![CDATA[Peranan Lembaga Kemasyarakatan Desa/Kelurahan diperlukan untuk memantau gizi balita. Dalam hal ini adalah Posyandu Kencana yang beralamat di Jalan Mushola Al-Furqon, RT 005 RW 026, Kota Bekasi. Program gizi balita di Posyandu Kencana telah menjadi bagian penting dari upaya kesehatan masyarakat dan digunakan untuk memantau kesehatan balita. Namun, belum ada metode yang terintegrasi secara efektif untuk mengelompokkan status gizi balita. Maka dari itu, diperlukan klasterisasi serta mengidentifikasi pola status gizi balita dalam kelompok yang dihasilkan. Pengelompokkan ini menggunakan metode clustering algoritma K-Means dengan perhitungan manual dan software RapidMiner yang dikombinasi dengan pendekatan Soft System Methodology (SSM). Hasil dari penelitian ini menunjukkan bahwa kombinasi K-Means dan SSM efektif untuk mengelola data gizi balita dan merancang intervensi yang lebih tepat sasaran. Pengelompokan yang dihasilkan membagi balita menjadi lima kelompok, yaitu cluster 0 (gizi buruk) berjumlah 21 balita atau 17,949%. Cluster 1 (gizi kurang) berjumlah 10 balita atau 8,547%. Kemudian, cluster 2 (gizi baik) berjumlah 24 balita atau 20,513%. Cluster 3 (gizi lebih) berjumlah 28 balita atau 23,932%. Sedangkan, cluster 4 (obesitas) berjumlah 34 balita atau 29,060%. Mengidentifikasi pola ini penting untuk merancang program kesehatan dan fokus pada kelompok yang paling membutuhkan intervensi, seperti balita dengan status gizi buruk dan obesitas]]>
<![CDATA[Pendekatan Soft System Methodology pada Klasterisasi Penerimaan Imunisasi Polio Menggunakan Algoritma K-Means ]]>
<![CDATA[Shena Arrahima Qolby]]>;
<![CDATA[Verry Riyanto]]>
<![CDATA[ Jurnal Ticom: Technology of Information and Communication Vol 13 No 1 (2024): Jurnal Ticom-September 2024 ]]>
Publisher : <![CDATA[Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70309/ticom.v13i1.122
<![CDATA[Posyandu Sri Rejeki 2 merupakan sarana kesehatan untuk bayi dan balita pada RT. 7 sampai RT. 12 di RW. 32, Bekasi. Pada penerimaan imunisasi di Posyandu Sri Rejeki 2 ada beberapa orang tua yang tidak membawa anaknya untuk melakukan kegiatan imunisasi disebabkan beberapa faktor, dikarenakan orang tua tidak tahu informasi mengenai adanya jadwal imunisasi, adanya hambatan untuk membawa anaknya ke posyandu karena kesibukan pada orang tua sehingga tidak membawanya untuk imunisasi, kurangnya edukasi atau pemahaman mengenai pentingnya imunisasi polio tambahan (PIN). Maka dari itu, diperlukan klasterisasi dan mengidentifikasi pola karakteristik penerimaan imunisasi PIN polio, sehingga memudahkan dalam membantu strategi mengatasi permasalahan mengenai imunisasi polio tambahan (PIN) di posyandu Sri Rejeki 2. Metode yang digunakan pada penelitian ini adalah metode clustering dengan menggunakan algoritma K-Means yang dikombinasikan dengan Soft System Methodology (SSM) yang efektif dalam membantu memahami dan mengatasi masalah, serta mengidentifikasi perspektif stakeholders. Hasil yang didapatkan pada setiap cluster sama dalam perhitungan manual dan tools RapidMiner, yaitu cluster 0 (tertinggi) memiliki 59 items yang beranggotakan RT 10, RT 11, RT 12, dan cluster 1 (terendah) memiliki 44 items yang beranggotakan RT 7, RT 8, RT 9.]]>
<![CDATA[Penerapan Algoritma K-means Clustering Pada Pola Kunjungan Perpustakaan menggunakan Soft system methodology ]]>
<![CDATA[Nafila, Dzhikrokhatun]]>;
<![CDATA[Verry Riyanto]]>
<![CDATA[ Jurnal Ticom: Technology of Information and Communication Vol 13 No 1 (2024): Jurnal Ticom-September 2024 ]]>
Publisher : <![CDATA[Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70309/ticom.v13i1.126
<![CDATA[Ruang Publik Terpadu Ramah Anak (RPTRA) Manunggal Juang Sukapura, yang diresmikan pada 21 April 2016, menyediakan berbagai fasilitas termasuk perpustakaan yang aktif dikunjungi oleh berbagai kelompok usia, mulai dari balita hingga lansia. Keberagaman ini menimbulkan tantangan bagi pengelola perpustakaan dalam memahami pola perilaku dan preferensi bacaan pengunjung. Penelitian ini menggunakan metode clustering K-means untuk menganalisis 119 data kunjungan dari Januari sampai April 2024, dengan pendekatan Soft system methodology (SSM) untuk memahami kompleksitas masalah pengelolaan perpustakaan. Penelitian ini bertujuan untuk mengidentifikasi pola kunjungan berdasarkan kelompok usia, menentukan kelompok pengunjung dominan, serta merancang strategi untuk meningkatkan pelayanan dan menyusun koleksi buku yang lebih sesuai dengan preferensi setiap kelompok usia. Hasil klasterisasi menunjukkan terbentuknya tiga klaster utama: C0 (70 data), C1 (32 data), dan C2 (17 data), yang masing-masing mencerminkan karakteristik kelompok usia tertentu. Klaster 0 menunjukkan proporsi pengunjung yang merata dari berbagai kelompok usia, Klaster 1 lebih didominasi oleh anak-anak dan remaja, sementara Klaster 2 memiliki jumlah pengunjung lansia yang signifikan. Hasil klasterisasi ini memberikan pemahaman yang mendalam tentang preferensi dan kebutuhan setiap kelompok usia dalam kunjungan ke perpustakaan]]>
<![CDATA[Deteksi Kesegaran Ikan Kembung dengan Metode KNN Berdasarkan Fitur GLCM dan RGB-HSV ]]>
<![CDATA[Januwa Putra Wiastopo]]>;
<![CDATA[Imelda Imelda]]>
<![CDATA[ Jurnal Ticom: Technology of Information and Communication Vol 13 No 1 (2024): Jurnal Ticom-September 2024 ]]>
Publisher : <![CDATA[Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70309/ticom.v13i1.137
<![CDATA[Ikan kembung, yang memiliki nilai gizi tinggi dan permintaan konsumen yang terus meningkat, sering kali mengalami penurunan kualitas akibat proses degradasi setelah penangkapan. Penurunan ini tidak hanya mengurangi nilai gizi tetapi juga dapat membuat ikan kembung menjadi beracun jika dikonsumsi dalam keadaan busuk. Meskipun metode tradisional seperti analisa mikroskopis dan kimia dapat digunakan untuk menilai kesegaran ikan, metode ini tidak efisien karena memerlukan waktu, biaya, dan tenaga yang besar. Untuk mengatasi masalah ini, penelitian ini mengimplementasikan sistem deteksi kesegaran ikan kembung dengan metode K-Nearest Neighbors (KNN). Sistem ini menggunakan fitur warna RGB-HSV dan tekstur GLCM dari citra ikan kembung untuk membedakan antara ikan kembung segar dan busuk. Dataset yang digunakan terdiri dari 700 citra ikan kembung, yang dibagi menjadi data pelatihan dan pengujian. Tujuan dari penelitian ini adalah untuk menyediakan alat yang mudah digunakan oleh penjual dan pembeli ikan kembung dalam menentukan kesegaran ikan dengan lebih akurat dan efisien. Hasil penelitian menggunakan normalisasi dengan akurasi 96%, presisi 96% dan recall 96%, menunjukkan bahwa pendekatan berbasis KNN dengan fitur warna dan tekstur dapat secara efektif mendeteksi kesegaran ikan kembung, memberikan solusi yang lebih akurat dibandingkan metode tradisional. Pendekatan ini memberikan kontribusi signifikan dalam proses penentuan kesegaran ikan kembung, membantu mengurangi kesalahan dalam pemilihan ikan kembung oleh konsumen]]>
<![CDATA[Sistem Pendeteksi Tingkat Kepadatan Lalu Lintas Menggunakan Metode Background Subtraction dan Frame Differencing ]]>
<![CDATA[Mohamad Yanuar Wardinnansah]]>;
<![CDATA[Reva Ragam Santika]]>
<![CDATA[ Jurnal Ticom: Technology of Information and Communication Vol 13 No 1 (2024): Jurnal Ticom-September 2024 ]]>
Publisher : <![CDATA[Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70309/ticom.v13i1.138
<![CDATA[Kepadatan lalu lintas adalah salah satu penyebab utama terjadinya kemacetan. Dalam upaya untuk mengatasi permasalahan ini, teknologi dapat dimanfaatkan untuk memantau kondisi lalu lintas dengan lebih mudah dan akurat. Apabila masalah ini tidak segera diatasi, kemungkinan besar kemacetan terus terjadi dan meluas hingga ke berbagai tempat. Sehingga mengganggu aktivitas sehari-hari serta menyebabkan masalah yang lain seperti peningkatan polusi udara yang berpotensi membahayakan kesehatan masyarakat. Pada penelitian ini, dikembangkan purwarupa sistem untuk mendeteksi tingkat kepadatan lalu lintas berdasarkan persentase kapasitas jalan yang digunakan. Metode yang digunakan dalam penelitian ini adalah background subtraction dan frame differencing yang dikembangkan dengan software Visual Studio Code dan library OpenCV. Kedua metode ini diterapkan untuk menghitung persentase kapasitas jalan dengan membandingkan luas area kendaraan dengan luas area jalan. Proses pengujian dilakukan menggunakan beberapa dataset video yang merepresentasikan berbagai kondisi lalu lintas. Sistem yang dibuat mampu mendeteksi tingkat kepadatan lalu lintas dengan tingkat akurasi keseluruhan sebesar 90,32%. Akurasi terendah terdapat pada dataset video VID_20240522_Sore_2 yaitu sebesar 84,62%, sedangkan akurasi tertinggi dicapai pada dataset video VID_20240522_Sore_1 yaitu sebesar 92,05%. Hasil penelitian menunjukkan bahwa metode yang digunakan efektif dalam mendeteksi kepadatan lalu lintas. Namun, aplikasi ini memiliki keterbatasan karena belum mampu membedakan jenis kendaraan yang ada di jalan, sehingga perlu pengembangan lebih lanjut untuk meningkatkan kemampuan klasifikasi kendaraan]]>
<![CDATA[Topic Modeling Tugas Akhir Mahasiswa Menggunakan Metode Latent Dirichlet Allocation Dengan Gibbs Sampling ]]>
<![CDATA[Zulfikar Rosadi]]>;
<![CDATA[Achmad Solichin]]>
<![CDATA[ Jurnal Ticom: Technology of Information and Communication Vol 13 No 1 (2024): Jurnal Ticom-September 2024 ]]>
Publisher : <![CDATA[Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70309/ticom.v13i1.140
<![CDATA[Penyusunan tugas akhir adalah kewajiban bagi seluruh mahasiswa Universitas Budi Luhur di semester akhir untuk mendapatkan gelar sarjana. Salah satu langkah penting dalam persiapan ini adalah memilih topik penelitian yang tepat dan relevan. Untuk mendapatkan topik yang tepat, mahasiswa biasanya membaca laporan tugas akhir dari angkatan sebelumnya, baik di perpustakaan fisik maupun melalui situs web repositori kampus. Akan tetapi, situs ini belum memiliki fitur pengelompokan topik, sehingga mahasiswa harus membaca laporan satu per satu untuk menemukan topik yang sesuai dengan minat mereka. Penelitian ini mengusulkan penggunaan metode pemodelan topik, Latent Dirichlet Allocation (LDA) dengan Gibbs Sampling, untuk mengidentifikasi tren topik dalam laporan tugas akhir secara otomatis. LDA dengan Gibbs Sampling dipilih karena efektif dalam menemukan pola topik utama dalam teks yang tidak terstruktur. Hasil penelitian menunjukkan bahwa LDA dapat mengidentifikasi topik tersembunyi dengan nilai coherence 0,56 pada iterasi ke-6 dari 10 iterasi yang dijalankan. Topik yang ditemukan meliputi: Web Service, Internet of Things, Sistem Pakar, Sentimen Analisis, Data Mining, dan Kriptografi. Penelitian ini juga menunjukkan bahwa vektorisasi Bag of Words efektif dalam LDA, memberikan distribusi topik yang akurat dan membantu mahasiswa dalam menentukan topik penelitian yang relevan dan menarik. Dengan demikian, penggunaan LDA dapat menjadi solusi untuk mempermudah mahasiswa dalam memilih topik tugas akhir yang sesuai dengan minat dan kebutuhan akademis mereka]]>
<![CDATA[Deteksi Pelanggar Garis Marka Pada Traffic Light Dengan Metode Haar Cascade Dan Easyocr ]]>
<![CDATA[Muhammad Hafizh Husein]]>;
<![CDATA[Imelda Imelda]]>
<![CDATA[ Jurnal Ticom: Technology of Information and Communication Vol 13 No 1 (2024): Jurnal Ticom-September 2024 ]]>
Publisher : <![CDATA[Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70309/ticom.v13i1.141
<![CDATA[Kendaraan adalah fasilitas yang digunakan oleh manusia untuk melakukan perjalanan dari satu lokasi ke lokasi lain. Jumlah kendaraan di Indonesia meningkat setiap tahunnya, dengan 142 juta kendaraan pada tahun 2021 dan 148 juta pada tahun 2022. Peningkatan ini diikuti dengan tingginya tingkat pelanggaran lalu lintas. Kepolisian tidak hanya satu pihak yang bertanggung jawab atas masalah ketertiban lalu lintas di jalan, setiap orang yang menggunakan jalan raya harus mematuhi aturan berlalu lintas yang berlaku. Kurangnya kesadaran masyarakat untuk mengikuti aturan lalu lintas menyebabkan tingginya angka kecelakaan, dengan 94.617 kasus pada tahun 2022 yang mengakibatkan 26.100 korban jiwa. Jika tidak segera diatasi, masalah ini dapat terus meningkat dan menyebabkan korban yang terus berjatuhan. Dengan adanya permasalahan tersebut, penelitian ini mengusulkan solusi berupa memanfaatkan teknologi pengolahan citra berupa deteksi pelanggaran lalu lintas dengan metode haar cascade dan easyocr dengan tujuan untuk mengetahui penerapan metode haar cascade dan easyocr dalam mendeteksi kendaraan beserta plat nomor kendaraan. Kontribusi penelitian ini adalah pengembangan sistem deteksi pelanggar garis marka dengan menambahkan pendeteksian plat nomor dari kendaraan yang melakukan pelanggaran. Hasil dari penelitian ini menunjukkan bahwa metode haar cascade berhasil diterapkan dengan memperoleh rata-rata nilai akurasi 72,88%, nilai presisi 73,23%, dan nilai recall 99,59%. Namun, penerapan metode easyocr dalam penelitian ini belum optimal dalam mendeteksi plat nomor kendaraan dengan nilai akurasi 25%. Sehingga perlu pengembangan lebih lanjut untuk meningkatkan akurasi sistem dan juga meminimalkan kesalahan dalam pendeteksian]]>
<![CDATA[Analisis Sentimen terhadap Ulasan Aplikasi Canva di Play Store dengan Menggunakan Pendekatan Lexicon dan Algoritma Decision Tree ]]>
<![CDATA[Wulandari Wulandari]]>;
<![CDATA[Nofiyani Nofiyani]]>;
<![CDATA[Yesi Puspita Dewi]]>
<![CDATA[ Jurnal Ticom: Technology of Information and Communication Vol 13 No 2 (2025): Jurnal Ticom-Januari 2025 ]]>
Publisher : <![CDATA[Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70309/ticom.v13i2.133
<![CDATA[Aplikasi Canva merupakan aplikasi yang digunakan untuk desain grafis seperti pembuatan presentasi online, poster, infografis, dan kebutuhan desain. Analisis sentimen aplikasi Canva dilakukan dengan mengumpulkan ulasan dari pengguna aplikasi tersebut. Ulasan pengguna yang dikumpulkan melalui teknik scraping menggunakan google colab dan dianalisis untuk mengidentifikasi sentimen positif, netral, dan negatif. Data yang diperoleh kemudian diolah pada tahapan preprocessing data, seperti cleaning, tokenisasi, normalisasi, dan pelabelan otomatis menggunakan metode lexicon Vader. Tujuan pada penelitian ini yiatu untuk menganalisis ulasan pengguna aplikasi Canva di Play Store dengan menggunakan pendekatan lexicon dan algoritma Decision Tree. Model klasifikasi Decision Tree digunakan untuk mengolah data yang telah dilabeli dengan hasil evaluasi menunjukkan akurasi sebesar 87%. Performa terbaik dicapai pada kelas "2" (positif) dengan nilai precision 90%, recall 89%, dan F1-score 89%, yang mencerminkan keseimbangan yang baik antara precision dan recall. Hasil penelitian ini membuktikan bahwa algoritma Decision Tree efektif dalam mengklasifikasikan sentimen ulasan. Dengan memanfaatkan hasil analisis ini, pengembang aplikasi Canva dapat memperoleh wawasan berharga untuk meningkatkan kualitas layanan mereka, baik dalam menghadapi kebutuhan pengguna maupun mengatasi keluhan yang muncul. Penelitian ini memberikan kontribusi nyata dalam pemanfaatan analisis sentimen untuk mendukung pengembangan produk berbasis data]]>
<![CDATA[Penerapan Database Life Cycle Dalam Merancang Basis Data Relasional Pengolahan Data Teks ]]>
<![CDATA[Nofiyani, Nofiyani]]>;
<![CDATA[Yesi Puspita Dewi]]>
<![CDATA[ Jurnal Ticom: Technology of Information and Communication Vol 13 No 2 (2025): Jurnal Ticom-Januari 2025 ]]>
Publisher : <![CDATA[Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.70309/ticom.v13i2.135
<![CDATA[Web adalah sumber utama informasi berbasis teks yang tersedia untuk kita akses, dengan beragam kejadian maupun kegiatan yang dijadikan berita atau opini sebagai sumber informasi. Pengelompokan berita mampu memberikan dukungan untuk memudahkan pengambilan informasi dari berita tersebut. Basis data relasional menjadi salah satu solusi utama untuk mengorganisasi dan mengelola data secara efektif. Salah satu metode yang dapat digunakan untuk membangun basis data relasional adalah pendekatan Database Life Cycle (DLC). Perancangan basis data relasional terdiri dari Conceptual Database Design, Logical Database Design dan Physical Database Design. Dalam penelitian ini menghasilkan 8 (delapan) tipe entitas konsepsual, menghasilkan diagram hubungan entitas dari kedelapan entitas tersebut dan menghasilkan rancangan pisikal antara lain tdata, tentry, tkategori, tpreprocessing, tslangword, tprobabilitas_kata, tprobabilitas_kategori dan tclassify]]>
