Informatics - Bachelor

Permanent URI for this collection

http://repository.widyatama.ac.id/handle/123456789/21

Browse

Recent Submissions

Now showing 1 - 5 of 788
  • Thumbnail Image
    Item
    TINDAK TUTUR ILOKUSI DIREKTIF DALAM FILM SPIDER-MAN: NO WAY HOME: KAJIAN PRAGMATIS
    (Program Studi S1 Bahasa Inggris, 2024) Insyra, Zelika Salsabila; Ida Zuraida (Pembimbing)
    Skripsi yang berjudul "Tindak Tutur Ilokusi Direktif dalam Film Spider-Man: No Way Home: Kajian Pragmatis" bertujuan untuk (1) mengidentifikasi jenis-jenis tindak tutur ilokusi direktif dan (2) mengetahui bentuk penyampaian tindak tutur yang terdapat pada dialog film. Dalam penelitian ini, digunakan teori jenis-jenis tindak tutur ilokusi direktif menurut Bach dan Harnish (1979) serta bentuk penyampaian tindak tutur menurut Parker (1994). Metode yang digunakan adalah metode kualitatif deskriptif dengan langkah-langkah penelitian sebagai berikut: menentukan topik, membuat studi pendahuluan, merumuskan masalah, menentukan metode penelitian, mengumpulkan, mengklasifikasi, dan menganalisis data, serta membuat simpulan dan saran. Hasil penelitian menunjukkan bahwa (1) dari 53 data yang ditemukan pada film Spider-Man: No Way Home terdapat lima jenis tindak tutur ilokusi direktif dengan uraian sebagai berikut, 24 data (45,28%) tindak tutur ilokusi direktif requestives, 20 data (37,74%) tindak tutur ilokusi direktif requirements, 5 data (9,43%) tindak tutur ilokusi direktif advisories, 3 data (5,66%) tindak tutur ilokusi direktif prohibitives, dan 1 data (1,89%) tindak tutur ilokusi direktif question. Tidak ditemukan tindak tutur ilokusi direktif yang menyatakan permissive. (2) Dilihat dari cara penyampaian, ditemukan 35 data (66,04%) tindak tutur yang disampaikan secara langsung (direct) dan 18 data (33,96%) tindak tutur yang disampaikan secara tidak langsung (indirect). Penelitian ini menyimpulkan bahwa tindak tutur ilokusi direktif dalam film "Spider-Man: No Way Home" didominasi oleh jenis tindak tutur ilokusi direktif requestives. Sedangkan, bentuk penyampaian tindak tuturnya paling dominan disampaikan secara langsung (direct).
  • Thumbnail Image
    Item
    PENGGUNAAN MAJAS DISFEMISME PADA LIRIK LAGU DISS TRACK KENDRICK LAMAR VERSUS DRAKE: KAJIAN SEMANTIK
    (Program Studi S1 Bahasa Inggris, 2024) Oktaviani, Vina Viona; Hendar (Pembimbing)
    Penelitian yang berjudul “Penggunaan Majas Disfemisme pada lirik lagu diss track Kendrick Lamar versus Drake: Kajian Semantik" bertujuan untuk (1) menemukan tipe majas disfemisme, dan (2) menentukan jenis makna yang terdapat pada lirik lagu Diss track Kendrick Lamar versus Drake. Teori yang digunakan untuk menganalisis tipe majas disfemisme diambil dari Allan dan Burridge (2012), sedangkan untuk jenis makna dianalisis berdasarkan teori makna dari Downing (2006). Metode yang digunakan dalam penelitian ini adalah metode kualitatif deskriptif berupa kata-kata tertulis atau lisan yang diamati dengan menekankan pengamatan mendalam dan memberikan gambaran rinci terkait analisis data dan makna (Meleong, 2007). Adapun langkah-langkah penelitian yang dilakukan adalah sebagai berikut: menentukan topik, merumusan masalah, menentukan metode penelitian, mengumpulkan, mengklasifikasi, dan menganalisis data berdasarkan tipe majas disfemisme dan jenis makna, serta membuat simpulan. Hasil penelitian menunjukkan bahwa: (1) dari 38 data yang dianalisis, ditemukan 7 tipe majas disfemisme dalam lirik lagu diss track Kendrick lamar versus drake yang terdiri atas 11 (28%) data kata tabu, 7 (19%) data sumpah serapah, 8 (21%) data, perbandingan, julukan 3 (8%) data, abnormal mental 3 (8%) data, rasis 2 (6%) data, serta penghinaan 4 (10%) data, sedangkan jenis makna (2) yang ditemukan pada lirik lagu diss track Kendrick lamar versus drake terdiri atas makna leksikal sebanyak 3 data (7,89%), makna kontekstual sebanyak 29 data (76.32%), dan idiomatis sebanyak 6 data (15.79%). Dari penelitian di atas terlihat bahwa tipe majas disfemisme yang mendominasi adalah kata tabu 11 data (28%), sedangkan jenis makna yang mendominasi adalah makna kontekstual 29 data (76.32%)
  • Thumbnail Image
    Item
    PERBANDINGAN KINERJA ALGORITMA RANDOM FOREST, SUPPORT VECTOR MACHINE, DAN NAIVEBAYES CLASSIFIER DALAM REKOMENDASI FILM PADA DATASET MOVIELENS
    (Program Studi S1 Informatika, 2024) Robbani, Azzam Haqqoni; Ari Purno Wahyu Wibowo (Pembimbing)
    Penelitian ini membandingkan kinerja tiga algoritma pembelajaran mesin, yaitu Random Forest, Support Vector Machine (SVM), dan Naive Bayes Classifier, dalam konteks rekomendasi film menggunakan dataset Movielens. Tujuan utama penelitian ini adalah untuk menentukan algoritma terbaik yang dapat digunakan dalam sistem rekomendasi film.Hasil penelitian menunjukkan bahwa algoritma Random Forest mencapai tingkat akurasi tertinggi, yaitu 76.30%, dibandingkan dengan SVM dan Naive Bayes yang masing-masing mencapai akurasi 34.12% dan 34.36%. Hal ini menandakan bahwa Random Forest mampu mengenali pola data dengan lebih baik dan memberikan rekomendasi yang lebih akurat dalam sistem rekomendasi film. Oleh karena itu, algoritma Random Forest dipilih sebagai model terbaik untuk diterapkan dalam pengembangan sistem rekomendasi.Penelitian ini memberikan kontribusi dalam memahami keunggulan algoritma Random Forest untuk sistem rekomendasi.
  • Thumbnail Image
    Item
    IMPLEMENTASI DAN ANALISIS ALGORITMA CONTENTBASED FILTERING PADA SISTEM REKOMENDASI PRODUK TAS PADA BASIS DATA MYSQL
    (Program Studi S1 Informatika, 2025) Pranata, Aryoga; Feri Sulianta (Pembimbing)
    Sistem rekomendasi merupakan elemen penting dalam platform digital modern yang berfungsi untuk meningkatkan kenyamanan pengguna dengan menyajikan produk yang relevan. Penelitian ini mengimplementasikan dan menganalisis algoritma Content-Based Filtering (CBF) pada sistem rekomendasi produk tas menggunakan basis data MySQL. CBF bekerja dengan mencocokkan kesamaan fitur antar produk, berdasarkan atribut seperti kategori, bahan, dan deskripsi produk. Teknik Natural Language Processing (NLP) digunakan untuk mengekstraksi informasi penting dari deskripsi produk menggunakan metode TFIDF, yang kemudian diolah menggunakan Cosine Similarity untuk menghasilkan skor kemiripan antar produk. Data produk dan riwayat preferensi pengguna dianalisis untuk menghasilkan rekomendasi yang relevan. Sistem kemudian dievaluasi menggunakan metrik Precision, Recall, F1 Score, dan Mean Average Precision (MAP). Hasil pengujian menunjukkan bahwa sistem menghasilkan nilai Precision sebesar 100%, Recall sebesar 3,01%, F1 Score sebesar 5,84%, dan MAP sebesar 100%. Nilai Precision dan MAP yang tinggi mengindikasikan bahwa sistem mampu memberikan rekomendasi yang sangat akurat, meskipun nilai Recall yang rendah menunjukkan bahwa cakupan item yang direkomendasikan masih terbatas. Dengan adanya sistem ini, diharapkan pengguna dapat memperoleh pengalaman berbelanja yang lebih personal dan efisien, serta meningkatkan tingkat keterlibatan pada platform e-commerce.
  • Thumbnail Image
    Item
    IMPLEMENTASI U-NET DAN CONVOLUTIONAL NEURAL NETWORK (CNN) TRANSFER LEARNING MENGGUNAKAN MODEL VGG-16 PADA CITRA MRI UNTUK MENGKLASIFIKASI TUMOR OTAK
    (Program Studi S1 Informatika, 2025) Nurjaman, Arya Dwi; Azizah Zakiah (Pembimbing)
    Tumor otak merupakan kondisi serius yang dapat menyebabkan gangguan pada sistem saraf dan berpotensi mengancam jiwa. Diagnosis dini dan akurat tumor otak sangat penting untuk meningkatkan hasil pengobatan pasien. Penelitian ini bertujuan untuk mengimplementasikan kombinasi algoritma U-Net dan Convolutional Neural Network (CNN) dengan Transfer Learning menggunakan model VGG-16 untuk membantu mengklasifikasikan tumor otak melalui Magnetic Resonance Imaging (MRI). Arsitektur U-Net digunakan untuk mengekstrak fitur, sementara CNN yang ditingkatkan dengan Transfer Learning digunakan untuk mengklasifikasikan jenis tumor seperti glioma, meningioma, pituitary, dan notumor. Penelitian ini menggunakan dataset yang bersumber dari Kaggle, yang terdiri dari citra MRI yang dibagi menjadi folder pelatihan dan pengujian, dengan empat kelas tumor: glioma, meningioma, pituitary, dan non-tumor. Beberapa langkah yang di lakukan antara lain preprocessing, pembuatan arsitektur model, train model dan evaluasi model setelah model di evaluasi selanjutnya adalah mengimplementasikan nya ke dalam streamlit. Kinerja klasifikasi CNN dievaluasi menggunakan Confusion matrix seperti akurasi, presisi, recall, dan F1-score. Kombinasi U-Net dan CNN dengan Transfer Learning menghasilkan model yang cukup baik dengan akurasi mencapai 97% dan nilai f1-score, recall, dan presisi memiliki nilai yang cukup bagus yaitu sekitar 94% sampai 99% pada tiap kelasnya. Dengan demikian penelitian ini diharapkan dapat menjadi inovasi dalam pengelolaan citra mri untuk tumor otak