Browsing by Author "Yan Puspitarani (Pembimbing)"
Now showing 1 - 20 of 21
Results Per Page
Sort Options
- ItemANALISIS DAN PENDETEKSI CYBER BULLYING MENGGUNAKAN METODE NAÏVE BAYES PADA PLATFORM TWITTER(Program Studi S1 Informatika, 2023) Raharjo, Muhamad Agung; Yan Puspitarani (Pembimbing)Kasus cyberbullying merupakan kasus yang banyak terjadi di era digital saat ini. Berdasarkan berita yang ditulis oleh detik.com, Menteri Koordinator Bidang Pembangunan Manusia dan Kebudayaan (Menko PMK) Muhadjir Effendy menyebutkan bahwa 45% anak di Indonesia menjadi korban dari cyber bullying sepanjang tahun 2020 lalu. Korban dari aksi cyber bullying ini diantaranya anak berusia 14 hingga 24 tahun. Hal tersebut tentunya memiliki dampak yang negatif terhadap psikologis, dan sosial dari korban. Selain itu, bila hal ini terus terjadi, dan dibiarkan, maka orang yang menyaksikan dapat berasumsi bahwa tindakan cyberbullying merupakan tindakan yang biasa dan dapat diterima secara sosial. Penelitian ini, merupakan analisis cyberbullying yang terjadi pada platform twitter menggunakan metode naïve bayes, yang bertujuan untuk melakukan analisis terhadap data yang sudah diklasterisasi. Data yang diambil menggunakan metode crawling data, data yang diperoleh sebanyak 515 data yang diambil dari rentang tahun 2017 hingga 2022 yang berasal dari twitter dan disimpan kedalam dile dengan format csv. Hasil penelitian menunjukan sebanyak 431 (83.4%) data dikategorikan sebagai tweet biasa, dan sebanyak 86 (16.5%) data dikategorikan sebagai tweet bullying. Kasus cyberbullying ini bisa terjadi karena melemahnya personal control, dan social control.
- ItemANALISIS PERBANDINGAN ALGORITMA NAIVE BAYES, SVM, DAN CNN UNTUK MENGETAHUI KECENDERUNGAN MASYARAKAT TERHADAP TOKOH-TOKOH POLITIK DI INDONESIA(Program Studi S1 Informatika, 2024) Nurhayatunnufus, Laras; Yan Puspitarani (Pembimbing)Dengan meningkatnya perhatian publik terhadap isu-isu politik terkait pemilu 2024, memahami kecenderungan masyarakat terhadap tokoh-tokoh politik menjadi sangat penting. Penelitian ini menganalisis sentimen terhadap tokoh politik menggunakan data dari Twitter dan portal berita, dengan menerapkan tiga algoritma: Naive Bayes, SVM, dan CNN. Analisis ini bertujuan untuk mengevaluasi akurasi dan kinerja setiap algoritma melalui metode K-Fold CrossValidation dan Confusion Matrix. Hasil penelitian menunjukkan CNN sebagai algoritma terbaik dengan akurasi tertinggi 0.91, serta nilai precision, recall, dan f1score yang tinggi, menunjukkan kemampuan generalisasi yang baik. Naive Bayes memiliki akurasi testing 0.84 dengan rata-rata precision, recall, dan f1-score 0.87, namun menunjukkan indikasi potensi overfitting. SVM memiliki akurasi testing 0.80 dengan rata-rata precision, recall, dan f1-score 0.82, serta penurunan kinerja signifikan yang mengindikasikan overfitting yang lebih besar. Dalam analisis distribusi sentimen, Naive Bayes menunjukkan persentase sentimen positif tertinggi untuk Ganjar (43%), sentimen netral tertinggi untuk Prabowo (54%), dan sentimen negatif tertinggi untuk Anies (23%). SVM menunjukkan dominasi sentimen netral untuk semua tokoh, dengan Ganjar memiliki sentimen netral tertinggi (87%). CNN menunjukkan variasi sentimen yang lebih seimbang, dengan Ridwan Kamil memiliki sentimen positif sangat tinggi (79%) dan Puan memiliki sentimen netral signifikan (61%). Hasil ini menggarisbawahi perbedaan signifikan dalam bagaimana setiap algoritma menangani dan mengklasifikasikan sentimen, serta memberikan wawasan tentang kecenderungan masyarakat terhadap tokohtokoh politik utama dalam konteks pemilu mendatang.
- ItemANALISIS SENTIMEN VIDEO BERITA DI YOUTUBE BERDASARKAN KOMENTAR MENGGUNAKAN METODE NAÏVE BAYES – SUPPORT VECTOR MACHINE (NBSVM)(Program Studi S1 Informatika, 2024) Nugraha, Rifky Fitra; Yan Puspitarani (Pembimbing)YouTube adalah platform berbagi konten media yang memfasilitasi pengguna untuk menonton, menyimpan, dan menyebarkan beragam jenis video. Sejumlah tanggapan dipengaruhi oleh informasi yang disampaikan oleh penyebar konten dan mencerminkan apakah isi dari video tersebut dianggap positif atau negatif. Penerapan data mining dalam analisis sentimen menjadi pendekatan yang signifikan untuk memahami makna dari setiap komentar. Pengklasifikasian komentar sebagai positif atau negatif sangat berguna bagi pengguna YouTube. Klasifikasi ini bertujuan untuk melakukan analisis sentimen pengguna terhadap informasi dari video youtube melalui komentar dengan menggunakan metode hybrid Naïve Bayes - Support Vector Machine. Dataset yang dianalisis berasal dari kanal Youtube CNN Indonesia dengan 5 video bertema “The Politician” yang dipilih berdasarkan jumlah komentar teratas. Metode klasifikasi Multinominal Naïve Bayes digunakan untuk mencari probabilitas dari setiap kata dengan menggunakan metode likelihood ratio. Metode klasifikasi Support Vector Machine digunakan untuk memprediksi sentimen dengan meminimalkan loss function. Hasil penelitian dari 5 dataset menunjukan rata-rata nilai nilai Precision sebesar 79.8%, Recall sebesar 92.6%, F1 Score sebesar 85.2%, dan Akurasi sebesar 80.4%.
- ItemANALISIS TOPIC MODELLING TERHADAP ULASAN BERITA GAME ESPORT MENGGUNAKAN LATENT DIRICHELT ALLOCATION (LDA)(Program Studi S1 Informatika, 2023) Rayantama, Aldhitya; Yan Puspitarani (Pembimbing)Perkembangan Industri game esport sangat popular saat ini, dengan pertumbuhan yang pesat dalam beberapa tahun terakhir. Semakin banyak orang yang terlibat dalam kompetisi game esport baik sebagai pemain profesional, pelatih dan penggemar. Tidak hanya itu turnamen esport mengundang perhatian global dan menarik jutaan penonton secara daring maupun langsung di tempat acara. Proses identifikasi topik tersebut memerlukan waktu yang cukup lama karena ada banyak tren dan perkembangan dalam dunia esport sehingga para penggemar game esport ini sering kali kesulitan dalam memahami tren berita tentang industri ini. Oleh karena itu perlu adanya pemanfaatan data yang berjumlah besar. Salah satu cara yang dapat digunakan adalah melakukan topic modelling dengan metode Latent Dirichlet Allocation. Metode ini merupakan pemodelan topik yang sangat populer karena dapat melakukan analisis pada dokumen yang berukuran sangat besar dan mengungkap beberapa struktur yang ada dalam dokumen. Penelitian ini bertujuan menemukan pola topik yang bersembunyi dalam berita esport dengan menghasilkan topik yang beragam dan mengetahui pola tren dalam berita ini. Data yang akan dianalisis didapat melalui website oneesport.id dan ligagame.tv dan memiliki data sebanyak 3555 dokumen. Hasil dari penelitian ini memperoleh jumlah topik sebanyak 3 dengan coherence score sebesar 0.2579 dan nilai perplexity -1540.0886. Topik tesebut menghasilkan pembahasan mengenai tentang game update, game strategy, tim esport turnamen dan kompetisi.
- ItemAPLIKASI PERINGKASAN TEKS OTOMATIS MULTI-PLATFORM DENGAN NATURAL LANGUAGE PROCESSING BERBASIS TRANSFORMER(Program Studi S1 Informatika, 2023) Hidayat, Arif; Yan Puspitarani (Pembimbing)Di era sekarang, banyak orang lebih cenderung menggunakan media online sebagai sumber informasi utama. Namun, mencari informasi penting dari artikel panjang dengan cepat dan mudah seringkali sulit. Untuk mengatasi masalah ini, penelitian sebelumnya telah mencoba menggunakan peringkasan teks. Namun, peringkasan teks yang dibuat memiliki keterbatasan dalam fleksibilitas dan cakupan informasi. Oleh karena itu, penelitian ini bertujuan untuk membuat sebuah aplikasi peringkasan teks otomatis multi-platform yang menggunakan natural language processing berbasis transformer. Pengembangan aplikasi ini akan dilakukan dengan menggunakan kanban yang merupakan salah satu metodologi dengan pendekatan agile yang memungkinkan pengembangan sistem secara bertahap dan iteratif hingga tujuan tercapai. Hasil akhir yang dicapai pada penelitian ini adalah sebuah aplikasi peringkasan teks yang dibangun dengan konsep multi-platform yang didukung oleh flutter, sehingga dapat digunakan di berbagai perangkat seperti mobile, web dan desktop. Aplikasi peringkasan teks ini memiliki fitur untuk melakukan peringkasan teks yang berasal dari teks polos, halaman web, dokumen pdf dan docx. Proses peringkasan teks pada aplikasi ini memanfaatkan model BART yang memiliki basis arsitektur transformer yang telah dilatih sebelumnya dan disempurnakan pada dataset cnn_dailymail dari Hugging Face.
- ItemIMPLEMENTASI BUSINESS INTELLIGENCE UNTUK ANALISIS SALES FORECASTING DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING (STUDI KASUS: PT. XYZ)(Program Studi S1 Informatika, 2025) Jahrudin, Didin; Yan Puspitarani (Pembimbing)Data warehouse merupakan bagian penting dari sistem informasi yang dimaksudkan untuk menyimpan, mengelola dan mengintegrasikan data dari berbagai sumber. Dewasa ini para pelaku bisnis sudah banyak yang menyadari akan pentingnya pemanfaatan data di masa lampau. Pengolahan data warehouse yang baik serta implementasi Business Intelligence yang tepat semakin dipercaya dapat membantu pemangku kepentingan untuk membuat keputusan yang tepat pula, salah satunya ialah forecasting. Kebutuhan perusahaan akan forecast penjualan yang lebih baik adalah salah satu alasan dilakukannya penelitian ini. Forecast yang dihasilkan menggunakan metode exponential smoothing adalah rata-rata bobot dari pengamatan masa lalu dengan bobot yang menurun secara eksponensial seiring bertambahnya pengamatan, dengan kata lain, semakin baru pengamatan, semakin tinggi bobot yang terkait. Metode exponential smoothing dipercaya sebagai metode yang ideal untuk peramalan jangka pendek dengan data yang tidak terlalu kompleks, maupun menangani data dengan tren dan musiman. Pertimbangan pemilihan forecast model yang tepat diyakini dapat menghasilkan komposisi quality metrics (RMSE, MAE, MASE, MAPE, dan AIC) yang paling sesuai dengan data yang tersedia. Sementara itu, Apache Nifi 1.17.0 yang digunakan sebagai tools pengolahan data warehuse kemudian diintegrasikan dengan software Tableau 2023.3 untuk kebutuhan analisis forecasting. Hasil dari analisis ini memiliki nilai MASE (Mean Absolute Scaled Error) sebesar 0.43 dan diimplementasikan dalam sebuah dashboard agar informasi yang disajikan lebih mudah dicerna sehingga dapat membantu mempercepat proses pengambilan keputusan.
- ItemIMPLEMENTASI IMPROVED STEMMING ALGORITHM UNTUK TEXT PREPROCESSING PADA PENDETEKSIAN HATE SPEECH DI MEDIA SOSIAL TWITTER(Program Studi S1 Informatika, 2023) Elanda, Hega Cendikia; Yan Puspitarani (Pembimbing)Twitter adalah media sosial yang memungkinkan penggunanya menuliskan pesan berbasis teks. Selain digunakan untuk hal-hal positif, twitter juga sering digunakan sebagai sarana untuk menyebarkan hate speech. Hate speech dapat menimbulkan dampak negatif seperti menyebabkan tekanan sosial, stres, putus asa, trauma, dan bahkan dapat berkontribusi pada tindakan bunuh diri. Oleh karena itu, diperlukan suatu sistem yang dapat mendeteksi hate speech secara otomatis. Penelitian ini bertujuan untuk mengembangkan model klasifikasi teks dengan menggunakan improved stemming algorithm pada tahap text preprocessing untuk mendeteksi hate speech di media sosial, terutama di platform Twitter. Hasil penelitian menunjukkan bahwa penggunaan improved stemming algorithm memberikan kontribusi positif terhadap akurasi klasifikasi teks dibanding skenario lainnya yaitu penggunaan algoritma porter dan juga tanpa menggunakan stemming. Model yang menerapkan improved stemming algorithm memiliki performa yang cukup baik dengan akurasi mencapai 85,03% pada pengujian yang dilakukan. Temuan ini memberikan wawasan tentang pentingnya text preprocessing dengan menggunakan metode stemming yang tepat dalam mengatasi masalah hate speech di media sosial. Hasil penelitian ini dapat menjadi landasan untuk pengembangan lebih lanjut dalam deteksi hate speech dan pengolahan teks yang lebih baik di platform media sosial.
- ItemIMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK KLASTERISASI DATA REKAM MEDIS PASIENDI RUMAH SAKIT DR. H. A. ROTINSULU BANDUNG(Program Studi S1 Informatika, 2023) Priatna, Nurshidiq Pratama; Yan Puspitarani (Pembimbing)Rekam Medis adalah berkas yang berisikan catatan dan dokumen tentang identitas pasien, pemeriksaan, pengobatan, tindakan, dan pelayanan lain yang telah diberikan kepada pasien. Seiring dengan berkembangnya teknologi pencatatan data rekam medik pasien ditransformasi ke dalam bentuk digital, sehingga menghasilkan banyak tumpukan data. Pertumbahan data yang semakin banyak akan menimbulkan pertanyaan besar, yaitu “Apa yang dapat dilakukan dari tumpukan data tersebut?” Untuk menjawab pertanyaan tersebut, dapat diterapkan sebuah teknologi basis data yang dikenal dengan data mining. Salah satu teknik data mining adalah k-means clustering, teknik bisa dimanfaatkan untuk mengetahui pola sebaran pasien yang berobat pada suatu rumah sakit. Tujuan dari penelitian ini adalah untuk mengetahui pola sebaran pasien dan apakah pasien yang berobat sesuai kekhususan rumah sakit yaitu paru. Hasil penelitian ini menghasilkan 3 klaster. Klaster pertama sebesar 37% sebanyak 12736 data yang mayoritas pasien lama BPJS dengan kasus lama, ratarata umur 45 tahun, berjenis kelamin perempuan, pendidikan terakhir SMA/SMK, dan rata-rata bekerja sebagai wiraswasta serta pulang atas ijin dokter. Klaster ke dua sebesar 53% sebanyak 18053 data yang mayoritas pasien lama BPJS dengan kasus lama, rata-rata umur 50 tahun, berjenis kelamin laki-laki, pendidikan terakhir SMA/SMK, dan rata-rata berstatus Pegawai Negeri serta pulang atas ijin dokter. Klaster terakhir dengan persentase 9% dan 3207 data yang mayoritas pasien baru dan pasien tunai dengan kasus baru, rata-rata umur 45 tahun, berjenis kelamin lakilaki, pendidikan terakhir SMP, dan rata-rata berstatus pegawai swasta serta pulang atas ijin dokter. Berdasarkan hasil ekplorasi data juga dapat diketahui bahwa pasien mayoritas yang berobat adalah pasien dengan penyakit TB paru, Bronkitis, emfisema dan penyakit paru Obstruktif kronik lainnya. Ini menunjukkan bahwa pasien yang berobat ke rumah sakit adalah pasien yang sesuai dengan kekhususan rumah sakitnya yaitu paru.
- ItemMARKET BASKET ANALYSIS MENGGUNAKAN ALGORITMA FP-GROWTH DAN APRIORI UNTUK MENGANALISIS POLA PEMBELIAN OBAT(Program Studi S1 Informatika, 2023) Subagja Martawijaya; Yan Puspitarani (Pembimbing)Rumah Sakit Umum Pusat (RSUP) Hasan Sadikin Bandung merupakan objek penelitian dalam menganalisis pola pembelian dalam industri farmasi khususnya mengenai aktivitas transaksi pola pembelian obat, dengan menggunakan pendekatan metode Analisis Keranjang Belanja (Market basket analysis). Market basket analysis merupakan jenis analisis data yang digunakan dalam mengidentifikasi pola pembelian yang relevan dari transaksi data namun dikarenakan bertambahnya jumlah transaksi dan ketersediaan produk farmasi akibatnya, analisis manual menjadi kurang efektif dan kurang dapat diandalkan sehingga diperlukan algoritma pendukung meliputi Apriori dan Fp-Growth. Apriori bekerja dengan prinsip yang berfungsi dalam mengidentifikasi item-item yang sering dibeli bersama dengan transaksi berdasarkan support dan confidence tertentu. Serta Fp-Growth menggunakan struktur pohon yang berfungsi dalam mengidentifikasi pola pembelian secara lebih efisien dan efektif. Dengan menggunakan 31.618 data transaksi obat di Rumah Sakit Umum Pusat (RSUP) Hasan Sadikin Bandung pada periode penjualan tahun 2021. Tujuan penelitian ini menganalisis perbandingan algoritma berdasarkan jumlah rules yang dihasilkan serta waktu yang dibutuhkan pada penggunaan Market basket analysis dalam mengidentifikasi transaksi pembelian obat. Pada kedua algoritma berhasil diimplementasikan serta menemukan frequent Itemset dengan iterasi hingga ke-3 dengan menggunakan nilai minimum support 0,05 dan confidence 0.2. Hasil menunjukkan bahwa Fp-Growth lebih efisien dalam menghasilkan jumlah aturan asosiasi yang lebih banyak dibandingkan dengan hasil Apriori. Algoritma FpGrowth menghasilkan 28 aturan asosiasi dan Apriori hanya menghasilkan 10 aturan asosiasi dengan lift ratio tertinggi pada kedua algoritma sama yaitu 14.393. Perlu diperhatikan bahwa Fp-Growth memiliki jumlah rules yang lebih banyak, sehingga dalam waktu eksekusi algoritma Fp-Growth sedikit lebih lambat dibandingkan dengan hasil Apriori. Fp-Growth memiliki rata-rata waktu eksekusi sekitar 0,1082 detik, sedangkan Apriori hanya 0,0260 detik. Meninjau berdasarkan jumlah rules yang dihasilkan maka algoritma Fp-Growth jauh lebih efisien dalam menghasilkan aturan asosiasi yang lebih banyak dibandingkan dengan algoritma Apriori.
- ItemPENERAPAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI PROMO PRODUK(Program Studi S1 Informatika, 2024) Ariyana, Muhammad Gilang; Yan Puspitarani (Pembimbing)Dalam era perdagangan yang semaking berkembang, perusahaan atau toko menghadapi tantangan besar dalam mengelola stok barang dan meningkatkan penjualan. Salah satu masalah utama adalah penumpukan barang di gudang yang seringkali disebabkan oleh kurangnya pemahaman tentang strategi penjualan yang efektif. Hal ini berdampak pada penurunan penjualan dan pemborosan sumber daya. Untuk mengatasi masalah ini, penelitian ini menerapkan Algoritma Apriori untuk menganalisis data transaksi dan memberikan rekomendasi promo produk yang lebih tepat sasaran. Penelitian ini membahas penerapan Algoritma Apriori untuk menentukan rekomendasi promo produk dalam pembuatan aplikasi web. Tujuannya adalah untuk menganalisis data transaksi dan memberikan rekomendasi promo produk berdasarkan hasil analisis data transaksi yang sering muncul juga digunakan untuk meningkatkan manajemen persediaan dan strategi pemasaran. Aplikasi web yang dikembangkan menggunakan Flask dan React JS memungkinkan pengguna untuk mengunggah data transaksi, menganalisisnya, dan menampilkan hasil dalam bentuk aturan asosiasi produk. Hasil penelitian menunjukkan bahwa Algoritma Apriori berhasil menemukan hasil aturan asosiasi yang dapat digunakan sebagai strategi promosi, seperti produk 'whole milk' yang sering dibeli bersama 'yogurt' dan 'rolls/buns'. Aplikasi web ini juga menunjukkan performa yang baik dalam memproses dan menampilkan hasil analisis data, menyediakan antarmuka yang mudah digunakan bagi admin. Penelitian ini membuktikan bahwa penerapan Algoritma Apriori dan pengimplementasian algoritma apriori pada aplikasi web menggunakan Flask dan React JS memberikan manfaat nyata dalam menentukan rekomendasi promo produk dan membantu toko meningkatkan strategi pemasaran serta efisiensi manajemen persediaan.
- ItemPENERAPAN BUSINESS INTELLIGENCE PADA PT SUPERNOVA PALAPA NUSANTARA(Program Studi S1 Informatika, 2025) Rustian, Anjasmara Octaris; Yan Puspitarani (Pembimbing)Pesatnya perkembangan teknologi informasi menuntut perusahaan IT seperti PT Supernova Palapa Nusantara untuk memiliki alat bantu pengambilan keputusan yang efektif agar tetap kompetitif. Penelitian ini bertujuan menerapkan Business Intelligence (BI) untuk mendukung manajemen dalam memantau aktivitas kerja karyawan guna pengambilan keputusan yang lebih baik. Perusahaan menghadapi kendala pengelolaan data aktivitas kerja yang masih manual menggunakan Microsoft Excel atau Google Sheets, tanpa visualisasi dashboard dan penyimpanan data dalam database. Dengan pendekatan Business Intelligence Roadmap dari Moss & Atre (2003) yang mencakup tahapan justification, planning, business analysis, design, construction, dan deployment, penelitian ini memanfaatkan aplikasi FIGURA untuk menghasilkan dashboard interaktif dan menyimpan data dalam database. Hasilnya, dashboard ini memudahkan manajemen memantau kinerja karyawan secara efisien, mendukung keputusan berbasis data, dan meningkatkan efektivitas operasional perusahaan.
- ItemPENGARUH PHRASE DETECTION TERHADAP ANALISIS SENTIMEN OPINI PUBLIK DAN MEDIA ONLINE TERHADAP TOKOH-TOKOH POLITIK(Program Studi S1 Informatika, 2024) Nurodin, Muhammad Irsa; Yan Puspitarani (Pembimbing)Opini publik terhadap tokoh politik dan kebijakan memiliki dampak besar pada pemilihan umum. Analisis sentimen, sebagai metode untuk memahami opini dan emosi dalam teks, memerlukan langkah Text Preprocessing untuk meningkatkan kualitas data. Namun, data teks seringkali memiliki masalah seperti kata-kata tidak relevan, tanda baca tidak konsisten, dan bahasa ambigu. Kondisi ini dapat mempengaruhi akurasi analisis sentimen, terutama dalam konteks analisis terhadap tokoh politik. Penelitian ini fokus pada pengaruh teknik preprocessing khusus, yaitu Phrase Detection dengan N-Gram, terhadap analisis sentimen terhadap tokoh politik. Hasil penelitian menunjukkan bahwa penggunaan Bigram dalam Phrase Detection memberikan hasil yang lebih signifikan dibandingkan dengan Trigram dan Unigram pada sebagian besar tokoh politik di Twitter dengan nilai akurasi tertinggi sebesar 88,23%. Analisis sentimen artikel media online juga menunjukkan variasi hasil tergantung pada jenis N-Gram. Penelitian ini memberikan kontribusi baru dalam pemahaman terhadap pengaruh teknik preprocessing khusus terhadap analisis sentimen politik, dengan fokus pada media online dan Twitter.
- ItemPENGARUH PREPROCESSING TEXT TERHADAP ANALISIS SENTIMEN OPINI PUBLIK DAN MEDIA ONLINE TERHADAP TOKOH-TOKOH POLITIK(Program Studi S1 Informatika, 2024) Sopian, Andri; Yan Puspitarani (Pembimbing)Tidak sedikit masyarakat indonesia yang mengutarakan opininya terkait penilaian dan kebijakan tokoh-tokoh politik. maka dari itu, penelitian ini akan mengklasifikasikan sentimen positif dan negatif menggunakan model algoritma Naïve Bayes dan aplikasi rapidminer. Dalam penelitian ini menggunakan metode pengembangan SEMMA. Pada pengumpulan data menggunakan teknik scraping menghasilkan data sebanyak 25.000 dengan rentang waktu dari awal tahun 2018 sampai akhir tahun 2023 lalu dilanjutkan dengan tahap proses pengolahan data sampai data siap untuk diolah oleh model Klasifikasi Naïve Bayes. Akan tetapi dalam penelitian ini model algoritma machine learning Naïve Bayes dibagi menjadi tiga model Klasifikasi yaitu model Klasifikasi yang melewati proses Stemming menggunakan algoritma Sastrawi, model Klasifikasi yang melewati proses Stemming menggunakan algoritma Nazief & Adriani, dan model Klasifikasi yang tidak melewati proses Stemming. Hasil yang didapat oleh analisis sentimen twitter menggunakan model Klasifikasi dengan proses Stemming menggunakan algoritma Sastrawi menghasilkan akurasi 82%, presisi 94%, recall 83%, dan F1-score 88%. Hasil yang didapat oleh analisis sentimen twitter dengan proses Stemming menggunakan algoritma Nazief & Adriani menghasilkan akurasi 83%, presisi 94%, recall 84%, dan F1-score 89%. Hasil yang didapat oleh analisis sentimen twitter tanpa proses Stemming menghasilkan akurasi 88%, presisi 95%, recall 90%, dan F1-score 93%. Hasil yang didapat oleh analisis sentimen media online dengan proses Stemming menggunakan algoritma Sastrawi menghasilkan akurasi 86%, presisi 88%, recall 95%, dan F1-score 91%. Hasil yang didapat oleh analisis sentimen media online dengan proses Stemming menggunakan algoritma Nazief & Adrian menghasilkan akurasi 87%, presisi 89%, recall 95%, dan F1score 92%. Hasil yang didapat oleh analisis sentimen media online tanpa proses Stemming menghasilkan akurasi 86%, presisi 87%, recall 95%, dan F1-score 91%. Berdasarkan hasil tersebut model Klasifikasi Naïve Bayes yang tidak menggunakan proses Stemming memiliki kinerja paling baik.
- ItemPENGEMBANGAN SISTEM REKOMENDASI STOK BARANG MELALUI ANALISIS POLA PEMBELIAN DENGAN ALGORITMA FP-GROWTH(Program Studi S1 Informatika, 2025) Saepudin, Ari; Yan Puspitarani (Pembimbing)
- ItemPERBANDINGAN ALGORITMA COSINE SIMILARITY DAN ALGORITMA DICE SIMILARITY PADA E-VALUATION JAWABAN ESSAI SECARA OTOMATIS(Program Studi S1 Informatika, 2023) Sihombing, Dana Sari; Yan Puspitarani (Pembimbing)Ujian essai merupakan ujian dalam bentuk pertanyaan yang bertujuan agar jawaban yang diberikan berupa uraian berdasarkan pemahaman peserta ujian itu sendiri terhadap pertanyaan yang diberikan sesuai dengan apa yang diketahuinya. Jawaban dalam bentuk uraian ini menghasilkan bentuk-bentuk kalimat yang bervariasi sehingga setiap jawaban dari setiap peserta tentu memiliki pola kalimat yang berbeda-beda satu sama lainnya. Semakin banyaknya soal-soal yang diberikan di dalam ujian essai mengakibatkan perlunya waktu yang cukup lama untuk mengoreksi jawaban-jawaban tersebut. Permasalahan dalam hal waktu ini menjadi salah satu dasar penelitian ini dilakukan. Serta bagaimana komputer dapat membantu melakukan penilaian jawaban ujian essai secara otomatis menjadi tujuan dari penelitian ini. Penelitian ini bertujuan untuk membandingkan nilai kemiripan antara dua teks, yaitu jawaban siswa sebagai jawaban yang akan dinilai dan jawaban guru sebagai kunci jawaban (key answer). Metode yang digunakan adalah Algoritma Cosine Similarity dan Dice Similarity yang mampu menilai kemiripan di antara dua teks secara leksikal dibangun dengan menggunakan metode waterfall, proses ini melibatkan beberapa tahapan yaitu; analisis, desain, implementasi, pengujian sistem sampai pada tahap pemeliharaan. Sistem akan diimplementasikan atau dikodekan dengan menggunakan bahasa pemrograman JavaScript. Dari hasil penelitian, ditemukan cara yang lebih mudah untuk melakukan penilaian jawaban soal essai secara otomatis. Dan dari perbandingan kedua metode algoritma diperoleh metode Cosine Similarity memiliki nilai rata-rata korelasi tertinggi sebesar 0,9634455 dan nilai korelasi terendah ialah Dice Similarity dengan nilai 0,9584596365. Kontribusi penelitian ini adalah penggunaan dua metode dalam satu data, sehingga nilai dalam penelitian ini menghasilkan perbandingan dan akurasi data yang lebih lengkap.
- ItemPERBANDINGAN METODE K-MEANS, DBSCAN, DAN AGGLOMERATIVE CLUSTERING TERHADAP KLASTERISASI OPINI DAN MEDIA ONLINE TERHADAP TOKOH TOKOH PUBLIK(Program Studi S1 Informatika, 2023) Choeruddin, Muchlish; Yan Puspitarani (Pembimbing)Opini publik dan media online selalu menjadi topik yang menarik perhatian, terutama ketika terkait dengan tokoh-tokoh publik yang menjadi sorotan. Namun banyaknya data yang harus diolah, menjadi masalah untuk efektifitas dalam memahami pola-pola yang terbentuk dalam klasterisasi opini. Analisis data pada volume yang tinggi menjadi sangat sulit dan memakan waktu yang lama. Selain itu, data yang tidak diolah secara optimal akan menghasilkan informasi yang tidak relevan atau kurang signifikan dan sulit untuk dikelompokkan ke dalam kelompok yang saling terkait. Dengan menerapkan teknik teks klasterisasi pada opini-opini publik dapat membantu dalam mengelompokkan opini-opini tersebut menjadi kelompokkelompok yang saling berhubungan dan memudahkan dalam menganalisis data. Selain itu, dapat dilakukan optimasi pada proses klasterisasi dengan memilih metode klasterisasi yang tepat dan mengatur parameter yang digunakan agar proses klasterisasi dapat berjalan lebih efisien dan menghasilkan klasterisasi yang optimal. Penelitian ini akan membutuhkan data dari opini publik dan media online yang akan diambil dari berita digital yang tersebar di internet, beserta komentar warganet yang akan dianggap sebagai opini masyarakat. Kemudian akan dilakukan tahap text-preprocessing pada data tersebut. Sehingga akhirnya bisa dilakukan klasterisasi. Dan akan dievaluasi untuk menunjukan ke-optimalan klister yang didapat. Hasil dari klasterisasi akan berupa perbandingan hasil evaluasi antara algoritma klasterisasi K-Means, Agglomerative Clustering, dan DBSCAN disusun dari yang kurang sampai dan paling optimal. Oleh karena itu dalam penelitian ini akan dilakukan proses klasterisasi untuk mengelompokkan opini-opini publik ke dalam suatu klaster dan juga memperbandingkan metode-metode klasterisasi untuk menguji tingkat akurasi dan menghasilkan klaster-klaster opini yang optimal.
- ItemPERBANDINGAN PERFORMA ALGORITMA ARTIFICIAL NEURAL NETWORK (ANN) DAN LONG-SHORT TERM MEMORY (LSTM) DALAM PREDIKSI CURAH HUJAN(Program Studi S1 Informatika, 2024) Sudrajat, Wendi Rizaldi; Yan Puspitarani (Pembimbing)Penelitian ini bertujuan untuk membandingkan performa algoritma Artificial Neural Network (ANN) dan Long-Short Term Memory (LSTM) dalam prediksi curah hujan. Data curah hujan digunakan sebagai variabel input untuk melatih kedua model dalam memprediksi curah hujan. Metode yang digunakan dalam penelitian ini meliputi pengumpulan data curah hujan dari Stasion Geofisika Bandung dalam rentan waktu 2012 – 2022, pemrosesan data, training model ANN menggunakan algoritma Backpropagation, training model LSTM, testing model ANN, testing model LSTM, dan evaluasi kedua model menggunakan Root Mean Squared Error (RMSE). Pembagian komposisi data training dan testing adalah 50:50, 60:40, 70:30, 80:20, dan 90:10. Hasil penilitian menunjukan bahwa model ANN Backpropagation memiliki performa yang lebih baik dalam memprediksi curah hujan dibandingkan dengan model LSTM, hal ini ditunjukan pada nilai RMSE dari model ANN Backpropagation lebih rendah pada komposisi data 50:50, 60:40, dan 80:20.
- ItemSEGMENTASI DATA AWAN SATELIT HIMAWARI 8 DENGAN ALGORITMA EXPECTATION MAXIMIZATION (EM) MENGGUNAKAN GAUSSIAN MIXTURE MODELS (GMM)(Program Studi S1 Informatika, 2024) Zaeni, Ahmad; Yan Puspitarani (Pembimbing)Penelitian ini bertujuan untuk mengembangkan metode segmentasi data awan pada data satelit Himawari 8 menggunakan Algoritma Expectation Maximization (EM) dengan Gaussian Mixture Models (GMM). Melalui studi literatur, data dari satelit Himawari 8 diperoleh dari situs JAXA Himawari Monitor, dan dilakukan praproses data untuk memastikan kualitas data yang baik. Parameter yang optimal untuk implementasi algoritma EM-GMM diidentifikasi melalui beberapa eksperimen. Hasil segmentasi dievaluasi dengan menggunakan silhouette score, AIC score, dan BIC score. Analisis hasil segmentasi memberikan pemahaman tentang distribusi awan, potensial untuk meningkatkan pemantauan cuaca dan prediksi kondisi cuaca. Penelitian ini memiliki implikasi praktis dalam pengembangan metode analisis data awan pada satelit Himawari-8. Pada peneilitan ini hasil clustering dengan visualiasi terbaik didapatkan pada kombinasi parameter 8 dan parameter 9 yang didukung dengan skor silhouette di atas 0.5 saat n cluster sama dengan 3. Jumlah n cluster pada parameter 8 dan 9 sama dengan 3 juga merupakan rekomendasi dari elbow method. Selain itu, parameter 8 dan 9 memiliki penalti AIC dan BIC pada n cluster sama dengan 5 dan 7. Namun saat n cluster sama dengan 3, skor AIC dan BIC pada kombinasi parameter 8 dan 9 lebih baik dari kombinasi parameter yang lain dengan skor sebesar 21.500. Jika n cluster semakin banyak juga dapat mengindikasikan model yang kompleks dan belum tentu menangani overfitting.
- ItemSISTEM REKOMENDASI FILM MENGGUNAKAN METODE COLLABORATIVE FILTERING DAN CONTENT BASED FILTERING BERBASIS WEB(Program Studi S1 Informatika, 2023) Saputra, Rasyid Arazak; Yan Puspitarani (Pembimbing)Sistem rekomendasi film menjadi salah satu teknologi yang cukup krusial dalam platform streaming film seperti Netflix, Vidio, dan Amazon Prime untuk memberikan rekomendasi film kepada penggunanya. Metode Collaborative Filtering dan Content Based Filtering adalah dua pendekatan yang bisa digunakan untuk menghasilkan rekomendasi film. Pada penelitian ini bertujuan mengembangkan sebuah sistem rekomendasi film berbasis web menggunakan kedua metode tersebut dan mengetahui keakuratannya. Metode Collaborative Filtering digunakan untuk merekomendasikan film berdasarkan perilaku pengguna, seperti rating film yang diberikan oleh pengguna sebelumnya. Sedangkan Metode Content Based Filtering merekomendasikan berdasarkan informasi konten film seperti genre film itu sendiri. Evaluasi kinerja sistem dilakukan dengan menggunakan metrik Mean Absolute Error (MAE), yang membandingkan nilai riil dengan nilai prediksi. Penelitian ini menggunakan teknologi web sebagai platform pengembangan sistem rekomendasi film. Sistem dikembangkan dengan menggunakan bahasa pemrograman PHP dengan framework Laravel. Data film menggunakan dataset dari MovieLens. Hasil penelitian menggunakan satu dataset uji masing-masing pada kedua metode, berhasil menghasilkan rekomendasi dengan skor MAE yang bervariasi berdasarkan jumlah hasil rekomendasi yang ditampilkan. Dalam pengujian menggunakan dataset uji, sistem rekomendasi film yang berhasil menghasilkan skor MAE yang lebih rendah membuktikan hasil rekomendasi memiliki tingkat akurasi yang lebih akurat.
- ItemTWITTER TREND EMOTION ANALYSIS MENGGUNAKAN NAMED ENTITY RECOGNITION(Program Studi S1 Informatika, 2024) Aziz, Dimas Anwar; Yan Puspitarani (Pembimbing)Laporan Tugas Akhir ini membahas pengembangan metode analisis emosi terhadap tren Twitter menggunakan Named Entity Recognition (NER). Media sosial, khususnya Twitter, telah menjadi platform penting untuk berbagi berita, pandangan, dan perasaan dalam berbagai konteks. Analisis emosi terhadap tren Twitter dapat memberikan wawasan berharga tentang bagaimana masyarakat merespon peristiwa, topik, atau entitas tertentu. Metode yang digunakan dalam penelitian ini berfokus pada pengenalan entitas berbasis teks (NER) untuk mengidentifikasi nama-nama entitas, seperti orang, tempat, dan lokasi, dalam tweet yang berkontribusi pada tren tertentu. Selanjutnya menerapkan teknik pemrosesan bahasa alami (NLP) untuk mengklasifikasikan sentimen atau emosi yang terkait dengan setiap entitas yang diidentifikasi. Ini memungkinkan untuk melacak bagaimana entitas tertentu, seperti selebriti, merek, atau tempat, dikaitkan dengan perasaan positif, negatif, atau netral dalam percakapan Twitter. Penelitian ini bertujuan untuk menyajikan hasil analisis emosi terhadap tren Twitter yang berfokus pada entitas tertentu, serta mengidentifikasi tren emosi yang mungkin berkaitan dengan berita atau peristiwa tertentu. Selain itu juga mengevaluasi kinerja metode NER dan NLP yang digunakan dalam penelitian ini untuk memahami hambatan dan potensi perbaikan. Hasil penelitian ini dapat bermanfaat dalam berbagai konteks, termasuk pemantauan reputasi merek, analisis respon publik terhadap peristiwa penting, dan pemahaman lebih mendalam tentang bagaimana perasaan masyarakat tercermin dalam media sosial. Kesimpulannya, analisis emosi terhadap tren Twitter dengan menggunakan Named Entity Recognition (NER) adalah alat yang kuat untuk menggali informasi berharga dari data yang terus berkembang di platform media sosial ini.