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 5 Documents
 1 
Search results for , issue "Vol 3 No 1 (2017): JBIDAI Juni 2017" : 5 Documents clear
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 %.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2017 2017


Reset
Filter By Issues
All Issue Vol 8 No 2 (2025): JBIDAI Desember 2025 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