cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhammad Fadlan
Contact Email
fadlan@ppkia.ac.id
Phone
+6281216123988
Journal Mail Official
jbidai@ppkia.ac.id
Editorial Address
Kampus STMIK PPKIA Tarakanita Rahmawati, Jl. Halmahera 99 Oval Ladang IV Tarakan 77113 – Kalimantan Utara
Location
Kota tarakan,
Kalimantan utara
INDONESIA
Journal of Big Data Analytic and Artificial Intelligence
Published by Sekolah Tinggi Ilmu Manajemen Informatika dan Komputer Tarakanita Rahmawati
ISSN : 25979604     EISSN : 27223256     DOI : https://doi.org/10.71302
Core Subject : Science,
Computer Science & IT
JBIDAI adalah jurnal nasional berbahasa Indonesia versi online yang dikelola oleh Prodi Sistem Informasi STMIK PPKIA Tarakanita Rahmawati. Jurnal ini memuat hasil-hasil penelitian dengan cakupan fokus penelitian meliputi : Artificial Intelligence, Big Data, Data Mining, Information Retrieval, Knowledge Doscovering in Database dan bidang-bidang lainnya yang termasuk ke dalam rumpun ilmu tersebut.
Arjuna Subject : Ilmu Komputer (semua kategori) - Kecerdasan Buatan
Articles 41 Documents
 1   2   3   4   5 
Klasifikasi Berita Menggunakan Metode Naive Bayes pada Surat Kabar Harian Radar Tarakan Anny Susilowaty; Aida Indriani; Muhammad Hafid
Journal of Big Data Analytic and Artificial Intelligence Vol 3 No 1 (2017): JBIDAI Juni 2017
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Mengarsipkan berita secara konvensional biasanya hanya sekadar disimpan dalam file, Compact Disk (CD) dan atau media internal server perusahaan. Sebagai perusahaan yang terus berkembang dalam menyajikan berita, maka mengarsipkan sekaligus mengklasifikasikan dalam kategori tertentu mutlak diperlukan. Mengingat selain tuntutan, juga keperluan akan berita-berita yang terkategori dan tersistem secara otomatis akan memudahkan dalam pengelolaannya. Disini penulis menggunakan berita dari data arsip Redaksi Surat Kabar Harian  Radar Tarakan tahun 2015 sebanyak 100 data. Seratus data ini dapat digunakan sebagai data training dan data testing. Proses diawali dengan menghitung probabilitas tiap-tiap kategori berita, yaitu politik, ekonomi, hiburan, kriminal, dan olahraga. Setelah itu baik data training maupun data testing melewati tahapan praproses, yaitu case folding, tokenizing, stoplist dan stemming. Data testing yang telah melewati praproses kemudian dilakukan perhitungan Naïve Bayes Classifier (NBC). Hasilnya masih diuji lagi untuk mengetahui seberapa besar persentase yang dihasilkan. Penulis telah melakukan pengujian sebanyak 10 kali dengan jumlah data training 75 dan data testing 25. Pada pengujian ini diperoleh tingkat persentase akurasi tertinggi 76% atas semua kategori, baik politik, ekonomi, hiburan, kriminal dan olahraga. Sedangkan rata-rata persentase akurasi sebesar 62%. Penulis juga melakukan sejumlah pengujian lainnya, sehingga diperoleh kesimpulan bahwa berita yang dapat diklasifikasi tergantung pada pola awal dari data berita sampel yang disimpan dalam database. Sehingga semakin banyak data berita maka semakin banyak pula pola data berita yang terbentuk.
Rekayasa Aplikasi Tata Letak Barang Menggunakan Algoritma Apriori Jumisah; Evi Dianti Bintari; Dikky Praseptian M.
Journal of Big Data Analytic and Artificial Intelligence Vol 3 No 1 (2017): JBIDAI Juni 2017
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Toko adalah sebagai bagian dari bisnis, pemiliknya mengalami kesulitan dalam meletakkan barang berdasarkan frekuensi pembeli sehingga diperlukan sebuah sistem untuk mempermudah pemilik dalam meletakkan barang, sehingga pembeli dapat dengan mudah menemukan barang yang memiliki ketergantungan yang tinggi. Algoritma apriori adalah salah satu teknik dalam data mining yang dapat digunakan untuk menganalisis keranjang pasar yang digunakan untuk menghasilkan aturan asosiasi, dengan pola if-then yang bertujuan untuk menemukan frequent item sets pada sekumpulan data. Hasil yang didapat dari pengolahan data menggunakan algoritma apriori berupa itemset dengan nilai asoosiasi berupa nilai support dan confidence. Dengan menggunakan output dari program ini, yaitu berupa assosiasi rule maka dapat diketahui tingkat asosiasi antar item yang berguna untuk membantu pihak pengambil keputusan dalam menentukan kebijakan pemasaran. Dari hasil pengujian, dapat disimpulkan bahwa semakin kecil minimum support dan confidence yang ditentukan, semakin banyak rule yang dapat dihasilkan dan waktu yang diperlukan semakin banyak. Selain itu, semakin tinggi jumlah kombinasi yang dicari maka semakin sedikit waktu yang dibutuhkan.
Pemanfaatan Vector Space Model Untuk Peringkasan Berita Rina Anggeriani; Fitria; Muhammad Hafid
Journal of Big Data Analytic and Artificial Intelligence Vol 3 No 1 (2017): JBIDAI Juni 2017
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Automatic summarization adalah proses mengurangi dokumen teks dengan sebuah program komputer untuk membuat ringkasan yang mempertahankan bagian yang paling penting dari dokumen asli. Untuk mengatasi informasi yang berlebihan, dan jumlah data yang meningkat, sehingga perlu peringkasan otomatis. Konsep sederhana ringkasan adalah mengambil bagian penting dari keseluruhan isi dari artikel. Yang kemudian menyajikannya kembali dalam bentuk ringkasan. Langkah yang diambil pada penelitian ini nantinya berawal dari user (admin) memilih atau mencari teks dokumen yang akan diringkas dengan kata kunci pada judul berita sebagai query. Sistem melakukan penyiapan teks (text preprosessing) dokumen yang terdiri dari tahap peringkasan mulai dari pemecahan kalimat, case folding, tokenisasi, stop word removal, stemming, pembobotan tf/idf, pembobotan query dengan kalimat menggunakan vector space model yang nantinya diperoleh hasil ringkasan. Hasil ringkasan diperoleh dari nilai cosine >0 dan diurutkan dari nilai maksimal kenilai minimal. Hasil pengujian dibandingkan dengan ringkasan manual yang menghasilkan rata-rata precision 64%, recall 67%, dan f-measure 64,73%.
Analisis Sentimen Layanan Provider Telepon Seluler pada Twitter menggunakan Metode Naïve Bayesian Classification Ronny Julianto; Evi Dianti Bintari; Indrianti
Journal of Big Data Analytic and Artificial Intelligence Vol 3 No 1 (2017): JBIDAI Juni 2017
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengguna twitter saat ini banyak menulis tentang opini-opini yang mengandung sifat positif, negatif, maupun netral terhadap suatu produk ataupun layanan jasa dengan menggunakan singkatan kata dan ejaan kata yang singkat serta tidak tepat sehingga menimbulkan salah penafsiran pendapat yang akan disampaikan. Oleh sebab itu, penelitian ini mencoba menganalisis tweet pada layanan provider telepon seluler sehingga dapat mempercepat proses klasifikasi dan mendapatkan kategori sentimen yang sesuai. Analisis dilakukan dengan mengklasifikasikan tweet yang berisi sentimen masyarakat terhadap layanan provider telepon seluler tertentu. Analisis ini melewati tahap text preprocessing yang terdiri dari case folding, normalisasi fitur, convert emoticon, tokenizing, normalisasi kata, stopword removal dan stemming. Metode klasifikasi yang digunakan dalam penelitian ini adalah Naive Bayesian Classification. Naive Bayes Classification digabungkan dengan fitur untuk dapat convert emoticon, serta mengubah kata gaul menjadi kata baku dan menghitung akurasi menggunakan confusion matrix. Tahapan klasifikasi tweet berdasarkan data pelatihan yang telah diketahui kategorinya dan proses klasifikasi dokumen yang belum diketahui kategorinya. Penulis menggunakan 600 data tweet berkaitan dengan sentimen provider telepon seluler. Dari uji coba analisis sentimen serta klasifikasi yang dilakukan terhadap beberapa data tweet provider telepon seluler, akurasi yang dihasilkan mencapai 74%.
Desain Aplikasi Klasifikasi Kelulusan Mahasiswa Menggunakan Metode Naive Bayes dan Algoritma C4.5 Suriana; Evi Dianti Bintari
Journal of Big Data Analytic and Artificial Intelligence Vol 3 No 1 (2017): JBIDAI Juni 2017
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kelulusan merupakan permasalahan umum bagi pihak universitas dan mahasiswa, karena kedua pihak tersebut sama-sama tidak dapat memprediksi atau mengelompokkan waktu kelulusan mahasiswa. Dengan adanya masalah ini, perlu untuk menciptakan sistem yang dapat memprediksi atau mengklasifikasikan kelulusan mahasiswa. Pada penelitian ini penulis menggunakan metode Naive Bayes Classifier dan Algoritma C4.5. Penulis menggunakan bahasa pemrograman PHP (Personal Home Page) serta MySql sebagai databasenya. Penelitian ini menggunakan beberapa parameter atau kriteria, yaitu IPK (Indeks Prestasi Kumulatif), SKS (Satuan Kredit Semester), Status Sipil, Status Pekerjaan, Waktu Kuliah, dan Pernah Cuti atau Tidaknya mahasiswa. Penelitian ini menggunakan 150 data sebagai Data Latih (Data Training) dan dilakukan klasifikasi terhadap Data Uji (Data Testing). Hasil dari penelitian ini akan terbagi menjadi 3 kelas klasifikasi kelulusan, yaitu: LULUS CEPAT, TEPAT WAKTU dan TERLAMBAT. Dilakukan uji akurasi sebanyak 5 kali untuk masing-masing metode dan diperoleh rata-rata akurasi untuk metode Naïve Bayes Classifier sebesar 69.9 % dan rata-rata akurasi untuk metode Algoritma C4.5 sebesar 70.6 %.
Klasifikasi Siswa berdasarkan Nilai pada Bidang Ekstrakurikuler Menggunakan Metode K-Nearest Neighbor Ernie Kustanti; Umi Ba’diah; Sinawati; Muhammad Fadlan
Journal of Big Data Analytic and Artificial Intelligence Vol 4 No 1 (2018): JBIDAI Juni 2018
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pentingnya kegiatan ekstrakurikuler sebagai sarana pengembangan diri siswa, membuat pemilihan ekstrakurikuler tidak dapat dilakukan sembarangan. Tidak sedikit siswa yang mengalami kesulitan dalam menentukan ekstrakurikuler yang akan diikuti. Salah satu cara untuk mengatasi permasalahan ini adalah dengan menerapkan metode K-Nearest Neighbor. Prinsip kerja K-Nearest Neighbor (KNN) ini adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K-Nearest (neighbor) terdekatnya dalam data pelatihan. Menurut hasil analisa program yang telah dikembangkan menyimpulkan bahwa penerapan metode Knn (K-Nearest Neighbor) berhasil diterapkan aplikasi penentuan nilai siswa, dari pembuatan aplikasi tersebut ada beberapa kelebihan dan kekurangan yang dialami, adapun kelebihan aplikasi ini yaitu lebih memudahkan siswa dalam memilih kriteria ekstrakurikuler sesuai nilai siswa. Oleh karena itu penulis mengklasifikasikan nilai siswa yang paling banyak diminati dan yang memuaskan. Sedangkan kekurangan dari Metode KNN adalah jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut yang harus digunakan untuk mendapatkan hasil yang terbaik.
Penerapan Cosine Similarity dan K-Nearest Neighbor (K-NN) pada Klasifikasi dan Pencarian Buku Rut Samuel; Ripa Natan; Fitria; Ummi Syafiqoh
Journal of Big Data Analytic and Artificial Intelligence Vol 4 No 1 (2018): JBIDAI Juni 2018
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk membuat sebuah aplikasi Penerapan Cosine Similarity dan K-Nearest Neighbor (KNN) pada Klasifikasi dan Pencarian Buku. Dalam pencarian buku, user masih kesulitan dalam mencari buku referensi yang diinginkan. Metode Cosine Similarity adalah mengukur kemiripan antara dua dokumen atau teks. Pada Cosine Similarity dokumen atau teks dianggap sebagai vector. Pada penelitian ini, Cosine Similarity digunakan untuk menghitung jumlah kata istilah yang muncul pada halaman-halaman yang diacu pada daftar indeks. Semakin banyak jumlah kata istilah yang muncul pada suatu halaman semakin tinggi nilai Cosine Similarity yang diperoleh. Metode K-Nearest Neighbor (KNN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari contoh query yang baru diklasifikan berdasarkan mayoritas dari kategori pada KNN. Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan atribut dan training sample.Pada sistem ini menggunakan 100 data buku beserta sinopsis buku, yang masing-masing buku telah dibagi menurut klasifikasi buku dan diberikan bobot  Hasil klasifikasi dan pencarian buku dipengaruhi oleh query yang dimasukkan. Hasil klasifikasi dan pencarian buku membutuhkan waktu yang lama karena adanya proses preprocessing. Nilai akurasi pada pencarian dengan Cosine Similarity menghasilkan nilai rata-rata untuk precision 0.75 %, recall 0.6 % dan f-measure 0.66 %  dengan menggunakan 3 sinopsis buku untuk menghitung nilai precision, recall dan f-measure. Untuk klasifikasi dengan K-Nearest Neighbor menghasilkan nilai rata-rata 70 % dengan menggunakan 10 data pembanding.
Implementasi Metode K-Nearest Neighbor (KNN) dalam Pengelompokan Status Ekonomi Warga Riski Fadilla Karunia Dewi; Obert; Roman Gusmana
Journal of Big Data Analytic and Artificial Intelligence Vol 4 No 1 (2018): JBIDAI Juni 2018
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengelompokan data berdasarkan keputusan yang telah ditetapkan sangat penting karena akan sangat berpengaruh terhadap hasil akhir dari pengelompokan yang di lakukan. Contoh kasus salah satunya adalah Semakin meningkatnya jumlah masyarakat di dalam suatu wilayah akan disertai dengan perubahan jumlah penduduk maupun status ekonominya. Semakin banyaknya data yang akan di kelompokkan maka akan membutuhkan waktu yang lebih banyak, untuk mempermudah dan mempercepat proses tersebut maka diperlukan suatu metode yang mampu mengolah data banyak dengan hasil yang akurat salah satu caranya adalah dengan data mining. Data mining merupakan mengelompokkan data yang terdiri dari berbagai macam metode pengelompokkan dengan harapan dapat mempermudah proses pengolahan data hingga pengelompokkan data. Salah satu metode dari data mining yaitu K-Nearest Neighbor atau biasa di sebut algoritma KNN. Pada penelitian ini penulis membuat aplikasi pengelompokan status ekonomi warga dengan mengimplementasikan metode KNN di dalamnya. Aplikasi yang di buat ini dapat melakukan input data, panggil data dan perbandingan data hingga memperoleh hasil berupa keterangan status ekonomi warga.
Implementasi Clustering dengan Metode Minimum Spanning Tree untuk Pengelompokan Siswa berdasarkan Nilai Hasil Studi Siti Hardianti; Sinawati; Dikky Praseptian M.
Journal of Big Data Analytic and Artificial Intelligence Vol 4 No 1 (2018): JBIDAI Juni 2018
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pendidikan memegang peranan penting dalam kemajuan suatu bangsa pendidikan merupakan sebuah proses yang berkesinambungan yang dilakukan secara terencana dan terukur dengan tujuan agar manusia dapat mencapai kehidupan yang lebih baik dari waktu ke waktu. Masalah yang dihadapi dalam SMA Muhammadiyah Tarakan adalah guru yang sulit untuk mengetahui kemampuan siswa karena tidak ada sistem siswa kategorisasi untuk menghitung nilai hasil studi Metode yang digunakan dalam penelitian ini adalah minimum spanning tree dengan menghitung jarak antara baris dan kolom, kemudian baris dan kolom di hitung dan dibagi sehingga hasil yang di dapatkan berupa nilai terkecil. Manfaat untuk SMA Muhammadiyah Tarakan adalah guru mampu mengidentifikasi siswa memiliki kesempatan yang sangat memuaskan, memuaskan , kurang memuaskan dan tidak memuaskan. Penelitian ini dirancang menggunakan euclidean distance yang merupakan jarak antara baris dan kolom dalam pengelompokkan nilai hasil studi. Aplikasi ini dirancang untuk membantu guru dalam melakukan proses pengelompokkan nilai siswa.
Aplikasi Mesin Pencarian Alat Elektronik Berbasis Web Menggunakan Metode Vector Space Model Putri Tarakanita Wijaya Ningtyas; Dikky Praseptian M.
Journal of Big Data Analytic and Artificial Intelligence Vol 4 No 1 (2018): JBIDAI Juni 2018
Publisher : STMIK PPKIA Tarakanita Rahmawati

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk membuat sistem pencarian alat elektronik Menggunakan Metode Vector Space Model pada PT. Eka Daya Tarakan. Proses pencarian Alat Elektronik masih dilakukan dengan cara mencatat ke dalam sistem komputerisasi yang ada pada PT. Eka Daya Tarakan. Metode Vector Space Model yang dibahas menggunakan konsep ruang vektor. Masukan dari pengguna dan kumpulan dokumen diterjemahkan menjadi vektor-vektor. Kemudian vektor-vektor tersebut dikenakan operasi perkalian titik dan hasilnya menjadi acuan dalam menentukan relevansi masukan pengguna (query) terhadap kumpulan dokumen. Vector Space Model solusi atas permasalahan yang dihadapi jika menggunakan algoritma TF/IDF. Karena pada algoritma TF/IDF terdapat kemungkinan antar dokumen memiliki bobot yang sama, sehingga ambigu untuk diurutkan. Pada sistem ini menggunakan adalah satu kriteria yaitu kata kunci untuk metode Vector Space Model yang telah diberikan bobot penilaian kesamaan. Nilai yang paling banyak adalah hasil yang muncul di barisan paling atas. Hasil penelitian yang dilakukan membuktikan bahwa metode sukses diterapkan kedalam sistem pencarian alat elektronik pada PT. Eka Daya Tarakan.

Page 1 of 5 | Total Record : 41

 1   2   3   4   5 

Filter by Year

2017 2025


Reset
Filter By Issues
All Issue Vol 8 No 1 (2025): JBIDAI Juni 2025 Vol 7 No 2 (2024): JBIDAI Desember 2024 Vol 7 No 1 (2024): JBIDAI Juni 2024 Vol 6 No 2 (2023): JBIDAI Desember 2023 Vol 6 No 1 (2023): JBIDAI Juni 2023 Vol 5 No 1 (2019): JBIDAI Juni 2019 Vol 4 No 1 (2018): JBIDAI Juni 2018 Vol 3 No 1 (2017): JBIDAI Juni 2017