Jurnal LPPM iSTTS
Not a member yet
189 research outputs found
Sort by
Sistem Manajemen Kartu Nama dengan OCR dan Ekstraksi Informasi Otomatis
Get PDFSebagai pelaku bisnis, kartu nama adalah salah satu hal yang penting untuk bertukar informasi. Namun kartu nama biasanya mudah hilang atau rusak, sehingga beberapa orang biasanya menyimpan informasi dari kartu nama itu pada telepon genggam atau komputer mereka. Penelitian ini akan membuat sistem manajemen kartu nama baik individu dan juga perusahaan dengan ekstraksi informasi kartu nama otomatis untuk mempermudah pengguna perorangan ataupun perusahaan dalam melakukan penyimpanan kartu nama para kolega. Untuk mewujudkan aplikasi yang dilengkapi dengan fitur tersebut dilakukan proses pengenalan karakter pada gambar kartu nama menggunakan Tesseract OCR dan information extraction memanfaatkan klasifikasi entity dengan membangun classifier menggunakan Naive Bayes dan mengkombinasikannya dengan rule based. Hasil uji coba yang telah dilakukan mendapatkan performa 85.1% untuk pengenalan karakter dan 86% untuk pengklasifikasian entity. Dilakukan juga uji coba fungsionalitas terhadap setiap fitur pada sistem ini dengan menggunakan metode blackbox testing yang memastikan setiap aksi yang dilakukan pengguna akan menghasilkan output sesuai target yang diharapkan. Selain itu, dari hasil kuisioner yang berisikan tentang usability dari sistem ini, sebagian besar responden merasa terbantu dalam memanajemen kartu nama dengan menggunakan sistem aplikasi ini
Stance Classification Pada Berita Berbahasa Indonesia Berbasis Bidirectional LSTM
Get PDFBerita palsu masih menjadi masalah yang harus mendapat perhatian khusus. Media sosial, termasuk Facebook menjadi salah satu sarana yang mudah dan murah untuk menyebarkan suatu informasi yang bahkan belum tentu kebenarannya. Informasi tentang kesehatan menjadi salah satu topik berita palsu yang banyak tersebar ke masyarakat. Cara yang berbeda untuk mendeteksi berita palsu yaitu dengan menggunakan deteksi sikap (stance detection). Tujuan utama dari penelitian ini adalah merancang model yang memiliki kemampuan terbaik untuk melakukan tugas stance classification pada konteks bahasa Indonesia. Model ini diharapkan dapat digunakan untuk berkontribusi dalam menanggulangi masalah penyebaran berita palsu, khususnya di Indonesia. Metode BiLSTM dan GRU diusulkan untuk digunakan dalam melakukan stance classification terhadap headline berita dengan kelas for (mendukung), against (menentang), dan observing (netral). Stance classification pada penelitian ini menggunakan data sebanyak 3.941 headline berita yang terdiri dari 563 klaim dengan 7 tanggapan. Dataset dikumpulkan dari artikel-artikel berita kesehatan berbahasa Indonesia yang diposting pada laman Facebook. Model pada penelitian ini mampu menghasilkan akurasi F1-score paling tinggi sebesar 64% dengan FastText embedding. Metode GRU dapat menjadi salah satu pilihan tepat untuk melakukan stance classification dengan komputasinya yang lebih sederhana. Kinerja FastText jauh lebih unggul dibandingkan dengan Word2Vec dalam melakukan pembentukan vektor kata karena mampu mengatasi masalah out-of-vocabulary (OOV)
Studi Analisa Kalman Filter Sebagai State Estimator Untuk Meningkatkan Akurasi Pengukuran Kecepatan Motor DC
Get PDFState estimator merupakan sebuah teknik yang digunakan untuk mengestimasi besarnya suatu sinyal dari suatu data yang telah tercampur dengan noise. Noise tersebut dapat terjadi pada proses di dalam suatu plant (motor DC) maupun pada pembacaan oleh sensor, yang menyebabkan nilai yang sesungguhnya dari suatu sinyal tidak dapat diketahui dengan akurat. Sinyal yang tercampur dengan noise tersebut dapat direduksi dengan berbagai cara, di antaranya adalah dengan menggunakan Kalman Filter. Kalman Filter merupakan sebuah state estimator yang merupakan filter linier terbaik (bila semua syarat terpenuhi) dengan menggunakan konsep Minimum Mean Square Error (MMSE).
Dalam tugas akhir ini akan diuji coba dan diamati manfaat Kalman Filter untuk mengestimasi nilai kecepatan motor DC yang sesungguhnya bila sistem tersebut bekerja pada kondisi yang bernoise. Sebagai pembanding, dalam tugas akhir ini akan diuji coba juga teknik pemfilteran data yang lain untuk dibandingkan performansinya terhadap Kalman Filter.
Pengujian dilakukan dengan menggunakan program Matlab dengan cara memberikan noise ke dalam sistem. Hasil uji coba menunjukkan bahwa Kalman Filter mampu mereduksi error pada pengukuran kecepatan motor DC hingga kurang dari 0.5 rad/sec hanya dalam waktu 0.025 detik
Klasifikasi Teks Humor Bahasa Indonesia Memanfaatkan SVM
Get PDFDalam dunia humor banyak sekali ditemukan tipe tipe humor yang bervariasi namun dengan satu tujuan yaitu menghibur penikmat humor, klasifikasi terbesar adalah humor verbal dan non verbal, untuk humor non verbal inilah penelitian ini difokuskan, yaitu melakukan klasifikasi humor oneliner, humor sebaris barupa tulisan singkat yang bertujuan menghantarkan sebuah punchline dan premis dalam satu kalimat.
Penelitian ini akan berusaha melakukan klasifikasi humor menjadi beberapa kategori dengan menggunakan algoritma SVM dan word2vec, klasifikasi ini nantinya diharapkan memisahkan jenis jenis humor oneliner menjadi beberapa tipe sesuai cara penyajiannya, dengan dataset yang didapat dari komedian komedian profesional dan dilakukan proses pengenalan manual oleh ahli di bidangnya, penelitian ini bertujuan menemukan beberapa kelas humor yang akan menjadi cikal bakal pengenalan komputerisasi humor berbahasa indonesia
Ekstraksi Ulasan Sentimen Film dari Twitter dengan Naïve Bayes pada Situs Web Media Sosial Penggemar Film
Get PDFFilm dianggap sebagai bentuk seni serta merupakan sumber hiburan yang populer. Pembuatan penelitian ini diharapkan bisa membantu orang Indonesia untuk mendapatkan informasi tentang film serta membaca review dari film. Review film yang ada pada website ini didapatkan dari user-user lokal maupun dari Twitter. Sistem mengekstraksi dan mengkategorikan isi sentiment dari sebuah barisan teks tweet dengan menggunakan metodologi Basic Unified Process. Proses klasifikasi sentiment yang ada bertujuan untuk mengklasifikasi review sebagai positif/negatif. Seluruh tweet akan diproses melalui Feature Reduction dan Normalisasi. Proses Feature Reduction akan menghapus hashtag, username, link, dan tanda baca pada tweets. Pada proses Normalisasi, seluruh singkatan dan kata bukan baku pada tweets akan diganti. Penelitian ini menggunakan sistem Rule-Based dalam menentukan apakah tweet tersebut merupakan review film atau bukan. Penulis menggunakan algoritma Naïve Bayes untuk mengklasifikasi sentiment (positif/negatif) dari review. Penulis telah melakukan 8 buah pengujian, masing-masing 4 kali untuk pengujian sistem Rule-Based dan Naïve Bayes Classifier. Total data tweet yang diujicobakan adalah sebanyak 6.323, dan hasil akhir paling optimal yang didapatkan oleh sistem terhadap Rule-Based System menghasilkan akurasi sebesar 82,64% dan terhadap Naïve Bayes Classifier sebesar 74,09%. Dari hasil pengujian paling optimal ini, sistem mendapatkan nilai recall dan presisi masing-masing sebesar 71,44% dan 77,92% untuk Rule-Based System, serta 83,77% dan 77,65% untuk Naïve Bayes
Deteksi Validitas Berita pada Media Sosial Twitter dengan Algoritma Naive Bayes
Get PDFBanyaknya berita-berita online sering menarik minat masyarakat untuk membacanya, tetapi kadang dengan terlalu banyaknya berita tersebut membuat orang susah mendapatkan informasi yang terpercaya. Berita palsu merupakan kumpulan kata atau kalimat yang mengandung informasi yang tidak benar yang berupaya untuk membohongi atau mengarahkan pembaca atau pendengarnya agar mendukung atau percaya dengan isi beritanya. Penyebar berita palsu umumnya mengetahui bahwa berita yang disebarkan tidak benar. Tujuan penelitian ini adalah mendeteksi berita palsu yang tersebar pada media sosial. Dalam mengklasifikasi berita palsu, deteksi validitas berita digunakan algoritma naïve bayes sebagai kategorisasi teks berbasis pembelajaran mesin. Penelitian ini juga membangun website yang menyediakan fitur web service, pencarian berita yang ada di Twitter, dan klasifikasi berita secara manual. User interface merupakan website berbasis PHP dimana pengguna dapat melakukan interaksi secara langsung sepeti komentar, login, atau melihat artikel-artikel yang sudah diklasifikasi. Sedangkan back-end dari website ini adalah program klasifikasi teks berbasis Python. Dari percobaan yang telah dilakukan ternyata algoritma Naïve Bayes dapat digunakan untuk mengklasifikasi berita palsu. Berdasarkan eksperimen, penggunaan metode naive bayes untuk deteksi validitas berita dengan data uji media social Twitter dapat mencapai nilai akurasi dengan persentase terbaik yaitu 92% pada data ujicoba sebesar 309 artikel
Web Content Extractor Menggunakan Neural Network untuk Konten Artikel di Internet
Get PDFBerkembangnya teknologi Javascript khususnya AJAX dan CSS membuat halaman web yang dulunya statis menjadi lebih dinamis dengan tampilan yang lebih menarik dan dipenuhi iklan dan rekomendasi artikel lain. Oleh karena itu, sulit untuk mengotomatisasi proses pengambilan konten artikel pada konteks ini. Penelitian ini dibuat untuk menyelesaikan masalah otomatisasi pengambilan konten artikel di Internet. Aplikasi web yang akan dibuat terbagi menjadi empat modul, yaitu web crawler, web extractor, content classifier dan web visualizer. Penelitian ini memiliki dua desain arsitektur. Arsitektur yang pertama adalah arsitektur saat training. Arsitektur yang kedua adalah arsitektur program jadi. Proses training menggunakan 200 URL halaman web dari lima website berbeda. Metode pengujian yang akan digunakan adalah 4-Fold Cross Validation, sehingga 75% dari blok teks akan menjadi data latihan dan 25% dari blok teks akan menjadi data pengujian. Program jadi berupa Web Visualizer yang mengolah JSON file berisi hubungan antara halaman web yang didapatkan dari web crawler sehingga dapat dipresentasikan dalam sebuah grafik. Kesimpulan dari penelitian ini adalah bahwa kombinasi Scrapy, Splash, Neural Network Classifier dan D3 bekerja sangat baik untuk automasi ekstraksi konten artikel website di Internet sekaligus memvisualisasi hubungan antar halaman web. Deep Feed Forward Neural Network (DFFNN) dapat melakukan klasifikasi multi-class konten judul, penulis, dan isi artikel dengan baik selama template halaman web sudah pernah dilatih sebelumnya. DFFNN juga dapat melakukan klasifikasi binari untuk halaman web secara umum dengan F1-score 62.87%, dua kali lebih baik dari SVM yang hanya 31.28%
Klasifikasi Keluhan Masyarakat Terhadap Layanan Publik pada Harian Radar Tarakan
Get PDFWebsite koran harian Radar Tarakan memiliki kolom dengan judul “Warga Menulis” di mana menu ini merupakan sarana bagi pembaca untuk menyampaikan keluhan ataupun aspirasi mereka. Yang menjadi permasalahan, pesan pembaca atau opini yang ditampilkan bersifat to the point, hanya isi opini sesuai yang dikirim pembaca tanpa informasi tambahan kepada siapa opini tersebut ditujukan. Tujuan dari penelitian ini adalah melakukan klasifikasi data opini pada website koran harian Radar Tarakan khususnya opini yang berkaitan dengan fasilitas dan pelayanan publik. Klasifikasi merupakan suatu proses pengelompokkan data sesuai dengan kelas atau kategori yang telah ditentukan sebelumnya. Hipotesis yang dapat diambil adalah hasil klasifikasi diharapkan memiliki akurasi hingga 70%. Tahap awal dari proses klasifikasi yaitu preprocessing di mana pada tahap ini hal-hal yang dilakukan antara lain case folding, tokenizing, convert word, stopword removal (filtering) dan stemming. Algoritma yang digunakan dalam penelitian ini adalah Frequency Ratio Accumulation Method (FRAM). Pembuatan aplikasi menggunakan bahasa pemrograman PHP dan database MySQL. Hasil uji coba dari penelitian ini menunjukkan rata-rata akurasi yang diperoleh pada proses klasifikasi opini menggunakan algoritma FRAM adalah 60%. Besar kecilnya prosentase akurasi tergantung dari jumlah data latih yang digunakan. Semakin banyak jumlahnya dapat meningkatkan nilai akurasi akan tetapi hal ini akan berpengaruh terhadap efisiensi kinerja sistem