Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Evaluasi Kualitas Proyek Sistem Informasi Pelayanan Pemerintah Daerah Menggunakan Project Management Body of Knowledge
Get PDFProyek Sistem Informasi Manajemen Pelayanan Perijinan merupakan proyek Dinas Penanaman Modal dan Pelayanan Terpadu Satu Pintu (DPMPTSP) Kota Denpasar sebagai pelaksana pelayanan bekerjasama dengan Lembaga Penelitian dan Pengabdian Masyarakat Universitas Udayana. Proyek tersebut diawasi dan dikontrol langsung oleh Bidang Pengendalian Data Dan Informasi yang menangani pula sistem teknologi informasi pada dinas tersebut. Sebelum sistem tersebut dirilis dan dipergunakan oleh pemohon ijin dan pejabat terkait, perlu dilaksanakan evaluasi mengenai kualitas manajemen proyek tersebut. Untuk mengukur sejauh mana kualitas manajemen proyek tersebut mempergunakan salah satu knowledge pada Framework Project Management Body of Knowledge (PMBOK) yaitu Management Kualitas Proyek. Peneliti juga menggunakan Capability Maturity Model (CMM) guna membantu mendefinisikan maturity level dari manajemen proyek sistem pelayanan perijinan tersebut. Pada sub process group Plan Quality mengenai belum terbitnya regulasi kerjasama dengan dinas terkait pelaksanaan sistem pelayanan perijinan, sedangkan pada Quality Assurance terdapat temuan bahwa saat ini Sistem Informasi Pelayanan Perijinan masih belum dijalankan, ujicoba hanya dilaksanakan sebatas tim pengawas dan tim IT pada DPMPTSP Kota Denpasar saja. Kedepannya akan dilaksanakan ujicoba dalam skala yang lebih besar. Sedangkan pada Quality Control terdapat temuan bahwa belum diketahuinya bug atau masalah yang terdapat pada sistem, rencananya akan diujicoba dengan data uji sebelum resmi dirilis secara publik. Proyek Sistem Informasi Pelayanan Perizinan merupakan proyek Dinas Penanaman Modal dan Pelayanan Terpadu Satu Pintu (DPMPTSP) Kota Denpasar sebagai pelaksana pelayanan bekerjasama dengan Lembaga Penelitian dan Pengabdian Masyarakat Universitas Udayana. Proyek tersebut diawasi dan dikontrol langsung oleh Bidang Pengendalian Data dInformasi yang menangani pula sistem teknologi informasi pada dinas tersebut. Sebelum sistem tersebut dirilis kepublik dan dipergunakan oleh pemohon izindan pejabat terkait, perlu dilaksanakan evaluasi kualitas manajemen proyek tersebut, dengan tujuan mengukur dan memastikan sistem sudah layak dan dapat dipergunakan sesuai dengan ketentuan. Sehingga tujuan penelitian ini adalah mengukur sejauhmana kualitas manajemen proyek sistem informasi pelayanan DPPMPTSP Kota Denpasar menggunakan Framework Project Management Body of Knowledge (PMBOK) pada area Project Management Quality. Pada penelitian ini mempergunakan Capability Maturity Model (CMM) yang bertujuan untuk untuk menilai tingkat kematangan (maturity level) dalam pengembangan sistem informasi pada proyek sistem pelayanan perizinan tersebut. Responden pada penelitian ini sebanyak 4 orang pegawai yang secara langsung bertanggung jawab dan mengawasi jalannya proyek sistem informasi pelayanan perizinan. Dalam Project Management Quality mencakup 3 process group atau area yang terlibat yaitu , execution dan monitoring & controlling. Kuesioner evaluasi manajemen proyek Sistem Informasi Pelayanan Perizinan telah dibagi berdasarkan 3 sub kelompok proses yaitu Plan Quality (PQ) yang terdiri dari 4 pernyataan, Quality Assurance (QA) terdiri dari 5 pernyataan, dan Quality Control (QC) terdiri dari 4 pernyataan. Berdasarkan hasil perhitungan dan pengolahan data menemukan penilaian Plan Quality (PQ) memiliki nilai terendah yaitu 4,25 yang disebabkan belum terbitnya regulasi kerjasama dengan dinas terkait pelaksanaan sistem pelayanan perizinan, sedangkan pada Quality Assurance (QA) terdapat temuan bahwa saat ini Sistem Informasi Pelayanan Perizinan masih belum dirilis secara publik, pelaksanaan ujicoba hanya dilaksanakan sebatas di lingkungan tim pengawas dan tim informasi teknologi pada DPMPTSP Kota Denpasar. Berdasarkan diskusi yang dilaksanakan dengan pihak pemangku kepentingan disampaikan kedepannya akan dilaksanakan ujicoba pada skala yang lebih besar. Sedangkan pada Quality Control (QC) terdapat temuan bahwa belum diketahuinya bug atau masalah yang terdapat pada sistem, rencananya akan diujicoba dengan inputan data uji sebelum resmi dirilis secara publik.
Abstract
The Permit Service Information System Project is a project of the Investment and Integrated One-Stop Service Office (DPMPTSP) of Denpasar City as the service executor in collaboration with the Research and Community Service Institute of Udayana University. The project is directly supervised and controlled by the Data and Information Control Division, which also handles the information technology system at the office. Before the system is released to the public and used by permit applicants and relevant officials, an evaluation of the project management quality needs to be conducted to measure and ensure that the system is suitable and can be used according to regulations. Therefore, the objective of this research is to measure the quality of project management in the Permit Service Information System Project of Denpasar City using the Project Management Body of Knowledge (PMBOK) Framework in the area of Project Management Quality. This research utilizes the Capability Maturity Model (CMM) to assess the maturity level in the development of information systems in the permit service project. The respondents in this research are 4 employees who are directly responsible for overseeing the permit service information system project. Project Management Quality covers 3 process groups or areas involved: planning, execution, and monitoring & controlling. The questionnaire for evaluating project management in the Permit Service Information System has been divided into 3 subgroups of processes: Plan Quality (PQ) consisting of 4 statements, Quality Assurance (QA) consisting of 5 statements, and Quality Control (QC) consisting of 4 statements. Based on the calculation and data processing, it is found that the Plan Quality (PQ) assessment has the lowest value, which is 4.25, due to the absence of regulations for collaboration with related offices in the implementation of the permit service system. Meanwhile, in Quality Assurance (QA), it is found that the Permit Service Information System has not been publicly released yet, and the trial implementation has only been carried out within the supervision team and the information technology team at DPMPTSP Denpasar City. Based on discussions with stakeholders, it is planned to conduct trials on a larger scale in the future. As for Quality Control (QC), it is found that the system\u27s bugs or issues are not yet known, and it is planned to be tested with test data input before being officially released to the public
Implementasi Algoritma Catboost dan Shapley Additive Explanations (Shap) dalam Memprediksi Popularitas Game Indie pada Platform Steam
Get PDFMeningkatnya popularitas game indie di pasar game mewajibkan para pengembang game indie bersaing untuk membuat game nya diminati oleh para pengguna dengan berbagai cara agar dapat meningkatkan potensi popularitasnya. Penelitian sebelumnya telah mencoba menggunakan algoritma logistic regression dan random forest untuk meramalkan popularitas game indie di platform Steam, namun hasil model menggunakan berbagai macam metode masih rendah. Selain itu masih belum memberikan pengetahuan yang cukup kepada pengembang tentang apa yang mempengaruhi popularitasnya.Karena data game indie yang diambil dari platform steam yang digunakan dalam studi ini memiliki tipe kategorikal dan non-linear, maka digunakan pendekatan lain dengan memanfaatkan Algoritma CatBoost yang dalam beberapa penelitian lain terbukti memiliki kinerja dan kemampuan yang lebih baik dalam menangani data kategorikal dan non-linear. Metode Shapley Additive Explanations (SHAP) juga digunakan untuk mengartikan kontribusi dan pengaruh dari setiap fitur terhadap hasil prediksi. Hasil evaluasi pada data game indie dari platform steam hasil scraping yang terdiri dari 52627 baris dan 11 fitur menunjukkan bahwa model CatBoost memiliki akurasi 81%, presisi 0.83, recall 0.77, F1-score 0.80 menunjukkan kemampuan model yang seimbang dalam membedakan kelas popularitas. Hal tersebut didukung dengan nilai AUC 0.88 dimana kurva cenderung mendekati 90 derajat. Metode SHAP mengungkapkan pengaruh fitur terhadap hasil prediksi. Keberadaan kategori steam trading cards, genre RPG dan kompartibel pada sistem operasi mac akan meningkatkan popularitas. Hal tersebut juga terjadi pada semakin tinggi harga dan achievements yang disediakan. Namun keberadaan genre casual akan mengurangi popularitas. Dengan hasil penelitian ini diharapkan dapat membantu pengembang indie dalam mengetahui faktor yang berkemungkinan mempengaruhi popularitas game mereka.
Abstract
The increasing popularity of indie games in the gaming market requires indie game developers to compete to make their games attractive to users in various ways in order to increase their potential popularity. Previous research has tried to use logistic regression and random forest algorithms to forecast the popularity of indie games on the Steam platform, However, the model results using various methods are still low. Since the indie game data taken from the steam platform used in this study is categorical and non-linear, another approach is used by utilizing the CatBoost Algorithm which in several other studies has proven to have better performance and ability in handling categorical and non-linear data. The Shapley Additive Explanations (SHAP) method is also used to interpret the contribution and influence of each feature to the prediction results. Evaluation results on indie game data from the steam platform scraping results consisting of 52627 rows and 11 features show that the CatBoost model has 81% accuracy, precision 0.83, recall 0.77, F1-score 0.80 indicating a balanced model ability in distinguishing popularity classes. This is supported by the AUC value of 0.88 where the curve tends to approach 90 degrees. The SHAP method reveals the influence of features on prediction results. The existence of steam trading cards category, RPG genre and compatibility on mac operating system will increase the popularity. This also happens with the higher prices and achievements provided. However, the presence of the casual genre will reduce popularity. With the results of this study, it is hoped that it can help indie developers in knowing the factors that are likely to affect the popularity of their games.Meningkatnya popularitas game indie di pasar game mewajibkan para pengembang game indie bersaing untuk membuat game nya diminati oleh para pengguna dengan berbagai cara agar dapat meningkatkan potensi popularitasnya. Penelitian sebelumnya telah mencoba menggunakan algoritma logistic regression dan random forest untuk meramalkan popularitas game indie di platform Steam, namun hasil model menggunakan berbagai macam metode masih rendah. Selain itu masih belum memberikan pengetahuan yang cukup kepada pengembang tentang apa yang mempengaruhi popularitasnya.Karena data game indie yang diambil dari platform steam yang digunakan dalam studi ini memiliki tipe kategorikal dan non-linear, maka digunakan pendekatan lain dengan memanfaatkan Algoritma CatBoost yang dalam beberapa penelitian lain terbukti memiliki kinerja dan kemampuan yang lebih baik dalam menangani data kategorikal dan non-linear. Metode Shapley Additive Explanations (SHAP) juga digunakan untuk mengartikan kontribusi dan pengaruh dari setiap fitur terhadap hasil prediksi. Hasil evaluasi pada data game indie dari platform steam hasil scraping yang terdiri dari 52627 baris dan 11 fitur menunjukkan bahwa model CatBoost memiliki akurasi 81%, presisi 0.83, recall 0.77, F1-score 0.80 menunjukkan kemampuan model yang seimbang dalam membedakan kelas popularitas. Hal tersebut didukung dengan nilai AUC 0.88 dimana kurva cenderung mendekati 90 derajat. Metode SHAP mengungkapkan pengaruh fitur terhadap hasil prediksi. Keberadaan kategori steam trading cards, genre RPG dan kompartibel pada sistem operasi mac akan meningkatkan popularitas. Hal tersebut juga terjadi pada semakin tinggi harga dan achievements yang disediakan. Namun keberadaan genre casual akan mengurangi popularitas. Dengan hasil penelitian ini diharapkan dapat membantu pengembang indie dalam mengetahui faktor yang berkemungkinan mempengaruhi popularitas game mereka.
Abstract
The increasing popularity of indie games in the gaming market requires indie game developers to compete to make their games attractive to users in various ways in order to increase their potential popularity. Previous research has tried to use logistic regression and random forest algorithms to forecast the popularity of indie games on the Steam platform, However, the model results using various methods are still low. Since the indie game data taken from the steam platform used in this study is categorical and non-linear, another approach is used by utilizing the CatBoost Algorithm which in several other studies has proven to have better performance and ability in handling categorical and non-linear data. The Shapley Additive Explanations (SHAP) method is also used to interpret the contribution and influence of each feature to the prediction results. Evaluation results on indie game data from the steam platform scraping results consisting of 52627 rows and 11 features show that the CatBoost model has 81% accuracy, precision 0.83, recall 0.77, F1-score 0.80 indicating a balanced model ability in distinguishing popularity classes. This is supported by the AUC value of 0.88 where the curve tends to approach 90 degrees. The SHAP method reveals the influence of features on prediction results. The existence of steam trading cards category, RPG genre and compatibility on mac operating system will increase the popularity. This also happens with the higher prices and achievements provided. However, the presence of the casual genre will reduce popularity. With the results of this study, it is hoped that it can help indie developers in knowing the factors that are likely to affect the popularity of their games
Pemilihan Strategi Implementasi Kesehatan Digital pada Kelompok Pengambil Keputusan Menggunakan Metode Vikor
Get PDFPenelitian ini bertujuan untuk memilih strategi implementasi kesehatan digital dengan menggunakan Multi-Attribute Decision Making (MADM). Penelitian diawali dengan melakukan pilot studi di Kelurahan Tirto Rahayu, Galur, Kulon Progo yang sudah terbukti sukses dalam implementasi kesehatan digital. Strategi yang ditawarkan menggunakan pendekatan organisasi dan manusia. Ada empat kriteria yang ditetapkan, yaitu faktor kolaborasi, kepemimpinan, tim, dan individu. Setiap kriteria terdiri dari 3–4 Sub Kriteria. Sebanyak 15 alternatif berupa strategi implementasi ditawarkan pada penelitian ini. Terdapat lima pengambil keputusan yang berpartisipasi untuk membangkitkan bobot kriteria. Matriks perbandingan berpasangan digunakan untuk memberikan pendapat. Setiap matriks diolah dengan menggunakan Modified Digital Logic (MDL) untuk mendapatkan bobot. Komposisi bobot dari lima pengambil keputusan dilakukan dengan rata-rata geometrik. Matriks keputusan diperoleh berdasarkan kajian literatur dan masukan dari para adopter di Tirto Rahayu. Selanjutnya digunakan metode VIšekriterijumsko KOmpromisno Rangiranje (VIKOR) untuk mendapatkan strategi terbaik. Rekomendasi strategi ditetapkan dengan bantuan threshold (q) dimana alternatif strategi yang memiliki indeks Vikor ≥ q akan direkomendasikan sebagai strategi terpilih. Untuk memastikan bahwa Metode Vikor tepat diterapkan pada kasus ini, kami membandingkan dengan dua metode MADM lainnya yaitu Simple Additive Weighting (SAW), dan Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). Vikor juga terbukti memiliki hasil yang baik dengan nilai q yang tinggi (q=0,85) jika dibandingkan dengan SAW dan TOPSIS. Vikor dan TOPSIS juga terbukti memiliki sensitivitas yang lebih baik dibandingkan dengan SAW. Pengetahuan tentang strategi implementasi kesehatan digital masih perlu dilengkapi. Oleh karena itu, penelitian lanjutan dengan melengkapi strategi sangat diperlukan untuk mendukung kesuksesan implementasi kesehatan digital ini.
Abstract
The objective of this study is to select a digital health implementation strategy through the use of Multi-Attribute Decision Making (MADM). A pilot study was conducted in Tirto Rahayu Village, Galur, Kulon Progo, where digital health was successfully implemented. The strategy proposed combines an organizational and humanistic approach. Four criteria are established: leadership, cooperation, collaboration, and individual factors. Each criterion is composed of three to four subcriteria. The study suggested a total of 15 implementation strategies as alternatives. Five decision-makers are involved in the process of determining the weights of the criteria. The opinions are expressed through a pairwise comparison matrix. Weights are obtained by processing each matrix using Modified Digital Logic (MDL). The geometric average was employed to determine the weight composition of the five decision-makers. The decision matrix was developed by incorporating the input of adopters at Tirto Rahayu and conducting a literature review. The VIšekriterijumsko KOmpromisno Rangiranje (VIKOR) method is then used to determine the most effective strategy. The selected strategy is determined by a threshold (q), which selects alternative strategies with a Vikor index of ≥ q. In order ensure that the Vikor Method is suitable for this situation, we conducted a comparison with two other MADM methods: Simple Additive Weighting (SAW) and Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). In comparison to SAW and TOPSIS, Vikor was also demonstrated to produce excellent results with a comparatively high α value (q=0.85). Additionally, Vikor and TOPSIS have been proven with superior sensitivity in comparison to SAW. Nevertheless, strategies for the implementation of digital health knowledge must be accomplished. Consequently, additional research utilizing complementary strategies is required to facilitate the successful implementation of digital health.Penelitian ini bertujuan untuk memilih strategi implementasi kesehatan digital dengan menggunakan Multi-Attribute Decision Making (MADM). Penelitian diawali dengan melakukan pilot studi di Kelurahan Tirto Rahayu, Galur, Kulon Progo yang sudah terbukti sukses dalam implementasi kesehatan digital. Strategi yang ditawarkan menggunakan pendekatan organisasi dan manusia. Ada empat kriteria yang ditetapkan, yaitu faktor kolaborasi, kepemimpinan, tim, dan individu. Setiap kriteria terdiri dari 3–4 Sub Kriteria. Sebanyak 15 alternatif berupa strategi implementasi ditawarkan pada penelitian ini. Terdapat lima pengambil keputusan yang berpartisipasi untuk membangkitkan bobot kriteria. Matriks perbandingan berpasangan digunakan untuk memberikan pendapat. Setiap matriks diolah dengan menggunakan Modified Digital Logic (MDL) untuk mendapatkan bobot. Komposisi bobot dari lima pengambil keputusan dilakukan dengan rata-rata geometrik. Matriks keputusan diperoleh berdasarkan kajian literatur dan masukan dari para adopter di Tirto Rahayu. Selanjutnya digunakan metode VIšekriterijumsko KOmpromisno Rangiranje (VIKOR) untuk mendapatkan strategi terbaik. Rekomendasi strategi ditetapkan dengan bantuan threshold (q) dimana alternatif strategi yang memiliki indeks Vikor ≥ q akan direkomendasikan sebagai strategi terpilih. Untuk memastikan bahwa Metode Vikor tepat diterapkan pada kasus ini, kami membandingkan dengan dua metode MADM lainnya yaitu Simple Additive Weighting (SAW), dan Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). Vikor juga terbukti memiliki hasil yang baik dengan nilai q yang tinggi (q=0,85) jika dibandingkan dengan SAW dan TOPSIS. Vikor dan TOPSIS juga terbukti memiliki sensitivitas yang lebih baik dibandingkan dengan SAW. Pengetahuan tentang strategi implementasi kesehatan digital masih perlu dilengkapi. Oleh karena itu, penelitian lanjutan dengan melengkapi strategi sangat diperlukan untuk mendukung kesuksesan implementasi kesehatan digital ini.
Abstract
The objective of this study is to select a digital health implementation strategy through the use of Multi-Attribute Decision Making (MADM). A pilot study was conducted in Tirto Rahayu Village, Galur, Kulon Progo, where digital health was successfully implemented. The strategy proposed combines an organizational and humanistic approach. Four criteria are established: leadership, cooperation, collaboration, and individual factors. Each criterion is composed of three to four subcriteria. The study suggested a total of 15 implementation strategies as alternatives. Five decision-makers are involved in the process of determining the weights of the criteria. The opinions are expressed through a pairwise comparison matrix. Weights are obtained by processing each matrix using Modified Digital Logic (MDL). The geometric average was employed to determine the weight composition of the five decision-makers. The decision matrix was developed by incorporating the input of adopters at Tirto Rahayu and conducting a literature review. The VIšekriterijumsko KOmpromisno Rangiranje (VIKOR) method is then used to determine the most effective strategy. The selected strategy is determined by a threshold (q), which selects alternative strategies with a Vikor index of ≥ q. In order ensure that the Vikor Method is suitable for this situation, we conducted a comparison with two other MADM methods: Simple Additive Weighting (SAW) and Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). In comparison to SAW and TOPSIS, Vikor was also demonstrated to produce excellent results with a comparatively high α value (q=0.85). Additionally, Vikor and TOPSIS have been proven with superior sensitivity in comparison to SAW. Nevertheless, strategies for the implementation of digital health knowledge must be accomplished. Consequently, additional research utilizing complementary strategies is required to facilitate the successful implementation of digital health
Analisis Sentimen untuk Evaluasi Reputasi Merek Motor XYZ Berkaitan dengan Isu Rangka Motor di Twitter Menggunakan Pendekatan Machine Learning
Get PDFMotor XYZ mengeluarkan inovasi rangka motor yang diperkenalkan pada tahun 2019. Sekitar Agustus 2023, beredar rumor di media sosial yang menyatakan bahwa rangka tersebut mengalami karat, korosi, dan retak, menyebabkan kekhawatiran di kalangan masyarakat yang tentunya hal ini berpotensi merugikan reputasi merek XYZ. Sasaran utama dari studi ini adalah mengevaluasi pandangan masyarakat di platform Twitter pada Motor XYZ, khususnya pada perbincangan seputar isu rangka motor. Data yang digunakan merupakan data yang diambil teknik crawling dengan periode tweets dari Agustus hingga November 2023. Penelitian ini akan memanfaatkan analisis sentimen menggunakan word cloud, analisis tren dan distribusi, dan pembandingan lima algoritma machine learning, yakni Naïve Bayes, Decision Tree, Support Vector Machine, Logistic Regression, dan Random Forest. Penelitian ini bertujuan untuk mengidentifikasi algoritma dengan performa terbaik untuk mengategorikan tweets dan memberikan rekomendasi kepada Motor XYZ terkait reputasi merek dalam hubungannya dengan isu rangka motor. Hasil penelitian menunjukkan bahwa model klasifikasi sentimen dengan kinerja terbaik setelah hyperparameter tuning adalah Random Forest, dengan F1 score sebesar 0,765. Selain itu, rekomendasi yang dapat diberikan adalah meningkatkan kesadaran tentang pemeriksaan rangka gratis karena telah terbukti berdampak positif pada sentimen masyarakat di Twitter. Perlu ditekankan bahwa dalam penelitian ini tidak ada pertimbangan terhadap proses deployment model machine learning dan pembuatan dashboard. Selain itu, penelitian ini tidak menangani analisis reputasi atau sentimen merek di platform media sosial lain seperti TikTok atau Instagram.
Abstract
Motor XYZ introduced an innovative motorcycle frame in 2019. In August 2023, rumors began circulating on social media that these frames were experiencing rust, corrosion, and cracks. This caused public concern and potentially harmed the XYZ brand\u27s reputation. This study aims to evaluate public opinion on Twitter regarding the motorcycle frame issue. Data was collected using crawling techniques from tweets posted between August and November 2023. We used sentiment analysis with word clouds, trend and distribution analysis, and compared five machine learning algorithms: Naïve Bayes, Decision Tree, Support Vector Machine, Logistic Regression, and Random Forest. The goal was to identify the best algorithm for categorizing tweets and provide recommendations to Motor XYZ about their brand reputation concerning the frame issue. Results showed that the Random Forest model, after hyperparameter tuning, had the best performance with an F1 score of 0.765. This study recommend increasing awareness about free frame inspections, as this positively impacted public sentiment on Twitter. Note that this study does not include the deployment process of the machine learning model or dashboard creation, nor does it address brand reputation or sentiment analysis on other social media platforms such as TikTok or Instagram.Motor XYZ mengeluarkan inovasi rangka motor yang diperkenalkan pada tahun 2019. Sekitar Agustus 2023, beredar rumor di media sosial yang menyatakan bahwa rangka tersebut mengalami karat, korosi, dan retak, menyebabkan kekhawatiran di kalangan masyarakat yang tentunya hal ini berpotensi merugikan reputasi merek XYZ. Sasaran utama dari studi ini adalah mengevaluasi pandangan masyarakat di platform Twitter pada Motor XYZ, khususnya pada perbincangan seputar isu rangka motor. Data yang digunakan merupakan data yang diambil teknik crawling dengan periode tweets dari Agustus hingga November 2023. Penelitian ini akan memanfaatkan analisis sentimen menggunakan word cloud, analisis tren dan distribusi, dan pembandingan lima algoritma machine learning, yakni Naïve Bayes, Decision Tree, Support Vector Machine, Logistic Regression, dan Random Forest. Penelitian ini bertujuan untuk mengidentifikasi algoritma dengan performa terbaik untuk mengategorikan tweets dan memberikan rekomendasi kepada Motor XYZ terkait reputasi merek dalam hubungannya dengan isu rangka motor. Hasil penelitian menunjukkan bahwa model klasifikasi sentimen dengan kinerja terbaik setelah hyperparameter tuning adalah Random Forest, dengan F1 score sebesar 0,765. Selain itu, rekomendasi yang dapat diberikan adalah meningkatkan kesadaran tentang pemeriksaan rangka gratis karena telah terbukti berdampak positif pada sentimen masyarakat di Twitter. Perlu ditekankan bahwa dalam penelitian ini tidak ada pertimbangan terhadap proses deployment model machine learning dan pembuatan dashboard. Selain itu, penelitian ini tidak menangani analisis reputasi atau sentimen merek di platform media sosial lain seperti TikTok atau Instagram.
Abstract
Motor XYZ introduced an innovative motorcycle frame in 2019. In August 2023, rumors began circulating on social media that these frames were experiencing rust, corrosion, and cracks. This caused public concern and potentially harmed the XYZ brand\u27s reputation. This study aims to evaluate public opinion on Twitter regarding the motorcycle frame issue. Data was collected using crawling techniques from tweets posted between August and November 2023. We used sentiment analysis with word clouds, trend and distribution analysis, and compared five machine learning algorithms: Naïve Bayes, Decision Tree, Support Vector Machine, Logistic Regression, and Random Forest. The goal was to identify the best algorithm for categorizing tweets and provide recommendations to Motor XYZ about their brand reputation concerning the frame issue. Results showed that the Random Forest model, after hyperparameter tuning, had the best performance with an F1 score of 0.765. This study recommend increasing awareness about free frame inspections, as this positively impacted public sentiment on Twitter. Note that this study does not include the deployment process of the machine learning model or dashboard creation, nor does it address brand reputation or sentiment analysis on other social media platforms such as TikTok or Instagram
Analisa Tingkat Kematangan Literasi Tik Pada Tenaga Kesehatan Dalam Pelayanan Kesehatan Berbasis TIKDi Puskesmas Kota Palembang
Get PDFEra digital saat ini membentuk konsep baru Literasi yaitu literasi digital atau literasi Teknologi Informasi dan Komunikasi (TIK). Literasi TIK menjadi semakin penting bagi Tenaga Kesehatan Puskesmas di Kota Palembang dalam meningkatkan efisiensi dan kualitas pelayanan kesehatan, antara lain: aplikasi pelayanan kesehatan berbasis TIK, penggunaan media sosial (whatsapp, facebook, instagram dan website) sebagai media informasi, promosi, komunikasi serta menyampaikan himbauan kepada masyarakat. Tujuan dari penelitian ini untuk mengevaluasi tingkat kematangan Literasi TIK pada Tenaga Kesehatan terhadap aplikasi pelayanan berbasis TIK dan media sosial dengan pendekatan kuantitatif yang dianalisis secara deskriptif. Melalui kuesioner yang disebar ke 5 (lima) Puskesmas di wilayah Kota Palembang didapatlah 53 partisipan untuk penelitian ini. Selanjutnya data dianalisa menggunakan metode People Capability Maturity Model (P-CMM), hasilnya tingkat kematangan Literasi TIK tenaga kesehatan Puskesmas di Kota Palembang terhadap aplikasi pelayanan kesehatan berbasis TIK berada pada Level 2 (Repeatable) dengan rata-rata indeks maturity berada diantara 0,66 – 0,69. Sedangkan media sosial berada pada Level 2 (Repeatable) dengan rata-rata indeks maturity berada diantara 0,65 – 0,70.
Abstract
The new digital era has formed a new literacy concept, namely digital literacy or Information and Communication Technology Literacy (ICT Literacy). ICT Literacy is becoming increasingly important for health officer Puskesmas at Palembang City to improving the efficiency and quality of health service, including ICT-based health service applications, use of social media (WhatsApp, Facebook, Instagram, and website) as a medium for information, promotion, communication and delivery of advice to the public. The purpose of this research is to evaluate Maturity Level of ICT Literacy in Health Officers towards ICT-based health service aplications and social media using a quantitative approach analiyzed descriptively. Through a questionnaire distributed to 5 (five) Puskesmas in the Palembang City area, 53 participants were obtained for this research. Furthermore, the data was analiyzed using the the People Capability Maturity Model (P-CMM) method, the result being that the Maturity Level of ICT Literacy in health officers at the Puskesmas in Palembang City towards ICT-based health service aplications is at Level 2 (Repeatable) with an average maturity index between 0,66 – 0,69. While social media is at Level 2 (Repeatable) with an average maturity index between 0,65 – 0,70.
Era digital saat ini membentuk konsep baru Literasi yaitu literasi digital atau literasi Teknologi Informasi dan Komunikasi (TIK). Literasi TIK menjadi semakin penting bagi Tenaga Kesehatan Puskesmas di Kota Palembang dalam meningkatkan efisiensi dan kualitas pelayanan kesehatan, antara lain: aplikasi pelayanan kesehatan berbasis TIK, penggunaan media sosial (whatsapp, facebook, instagram dan website) sebagai media informasi, promosi, komunikasi serta menyampaikan himbauan kepada masyarakat. Tujuan dari penelitian ini untuk mengevaluasi tingkat kematangan Literasi TIK pada Tenaga Kesehatan terhadap aplikasi pelayanan berbasis TIK dan media sosial dengan pendekatan kuantitatif yang dianalisis secara deskriptif. Melalui kuesioner yang disebar ke 5 (lima) Puskesmas di wilayah Kota Palembang didapatlah 53 partisipan untuk penelitian ini. Selanjutnya data dianalisa menggunakan metode People Capability Maturity Model (P-CMM), hasilnya tingkat kematangan Literasi TIK tenaga kesehatan Puskesmas di Kota Palembang terhadap aplikasi pelayanan kesehatan berbasis TIK berada pada Level 2 (Repeatable) dengan rata-rata indeks maturity berada diantara 0,66 – 0,69. Sedangkan media sosial berada pada Level 2 (Repeatable) dengan rata-rata indeks maturity berada diantara 0,65 – 0,70.
Abstract
The new digital era has formed a new literacy concept, namely digital literacy or Information and Communication Technology Literacy (ICT Literacy). ICT Literacy is becoming increasingly important for health officer Puskesmas at Palembang City to improving the efficiency and quality of health service, including ICT-based health service applications, use of social media (WhatsApp, Facebook, Instagram, and website) as a medium for information, promotion, communication and delivery of advice to the public. The purpose of this research is to evaluate Maturity Level of ICT Literacy in Health Officers towards ICT-based health service aplications and social media using a quantitative approach analiyzed descriptively. Through a questionnaire distributed to 5 (five) Puskesmas in the Palembang City area, 53 participants were obtained for this research. Furthermore, the data was analiyzed using the the People Capability Maturity Model (P-CMM) method, the result being that the Maturity Level of ICT Literacy in health officers at the Puskesmas in Palembang City towards ICT-based health service aplications is at Level 2 (Repeatable) with an average maturity index between 0,66 – 0,69. While social media is at Level 2 (Repeatable) with an average maturity index between 0,65 – 0,70.
Analisis Perubahan Luas Lahan Hijau Di Kota Bogor Dengan Citra Landsat 8 Menggunakan Normalized Difference Vegetation Index
Get PDFKota Bogor adalah salah satu daerah di Provinsi Jawa Barat yang mempunyai laju pertumbuhan penduduk yang meningkat. Jumlah penduduk yang semakin bertambah tentu saja mempengaruhi bertambahnya kebutuhan manusia akan penggunaan lahan untuk prasarana seperti permukiman, sosial ekonomi dan jasa. Penggunaan lahan untuk prasarana sangatlah berdampak terhadap berkurangnya lahan pertanian dan hutan yang secara otomatis dapat mengurangi tingkat kerapatan vegetasi. Penelitian ini bertujuan untuk menganalisis perubahan luas lahan hijau di Kota Bogor dari tahun 2015 hingga tahun 2020 dengan citra landsat 8 menggunakan Normalized Difference Vegetation Index (NDVI). Pada penelitian ini menggunakan data citra landsat 8 collection 2 level 2 dari tahun 2015 hingga tahun 2020 dengan path sebesar 122 dan row sebesar 45 sebanyak 137 citra dan peta administrasi Kota Bogor. Dari 137 citra diperoleh 7 citra tanpa awan yang dilakukan proses analisis perhitungan nilai NDVI untuk mengetahui luas wilayah vegetasi dan wilayah tanpa vegetasi. Proses klasifikasi nilai NDVI untuk kelas vegetasi dan tanpa vegetasi dilakukan menggunakan metode ambang batas (threshold). Berdasarkan proses penelitian yang telah dilakukan untuk luas wilayah vegetasi di Kota Bogor dari tahun 2015 - 2020 mengalami kenaikan sebesar 4,46 Km2 dengan laju perubahan lahan sebesar 14,4%. Kenaikan luas wilayah vegetasi yang terbesar terjadi di kecamatan Bogor Selatan dengan laju perubahan lahan sebesar 4,7% relatif terhadap Kota Bogor dengan perubahan lahan sebesar 1,45 Km2.
Abstract
Bogor City is one of the areas in West Java Province that has an increasing population growth rate. The growing population certainly affects the increasing human need for land use for infrastructure such as settlements, socio-economic and services. The use of land for infrastructure has a significant impact on the reduction of agricultural land and forests, which can automatically reduce the level of vegetation density. This study aims to analyze the changes in green land area in Bogor City from 2015 to 2020 with Landsat 8 imagery using the Normalized Difference Vegetation Index (NDVI) and in this study using Landsat 8 collection 2 level 2 image data from 2015 to 2020 with a path of 122 and a row of 45, as many as 137 images and administrative maps of Bogor City. Of the 137 images, seven cloudless photos were obtained by the NDVI value calculation process to determine the area of vegetation and the non-vegetation regions. The process of classifying NDVI values for vegetation and non-vegetation classes is carried out using the threshold method. Based on the research process that has been carried out for the area of vegetation in Bogor City from 2015 - 2020, it has increased by 4,46 Km2 with a land change rate of 14.4%. The most significant increase in vegetation area occurred in the South Bogor sub-district with a land change rate of 4.7% compared to Bogor City with a land change of 1,45 Km2.Kota Bogor adalah salah satu daerah di Provinsi Jawa Barat yang mempunyai laju pertumbuhan penduduk yang meningkat. Jumlah penduduk yang semakin bertambah tentu saja mempengaruhi bertambahnya kebutuhan manusia akan penggunaan lahan untuk prasarana seperti permukiman, sosial ekonomi dan jasa. Penggunaan lahan untuk prasarana sangatlah berdampak terhadap berkurangnya lahan pertanian dan hutan yang secara otomatis dapat mengurangi tingkat kerapatan vegetasi. Penelitian ini bertujuan untuk menganalisis perubahan luas lahan hijau di Kota Bogor dari tahun 2015 hingga tahun 2020 dengan citra landsat 8 menggunakan Normalized Difference Vegetation Index (NDVI). Pada penelitian ini menggunakan data citra landsat 8 collection 2 level 2 dari tahun 2015 hingga tahun 2020 dengan path sebesar 122 dan row sebesar 45 sebanyak 137 citra dan peta administrasi Kota Bogor. Dari 137 citra diperoleh 7 citra tanpa awan yang dilakukan proses analisis perhitungan nilai NDVI untuk mengetahui luas wilayah vegetasi dan wilayah tanpa vegetasi. Proses klasifikasi nilai NDVI untuk kelas vegetasi dan tanpa vegetasi dilakukan menggunakan metode ambang batas (threshold). Berdasarkan proses penelitian yang telah dilakukan untuk luas wilayah vegetasi di Kota Bogor dari tahun 2015 - 2020 mengalami kenaikan sebesar 4,46 Km2 dengan laju perubahan lahan sebesar 14,4%. Kenaikan luas wilayah vegetasi yang terbesar terjadi di kecamatan Bogor Selatan dengan laju perubahan lahan sebesar 4,7% relatif terhadap Kota Bogor dengan perubahan lahan sebesar 1,45 Km2.
Abstract
Bogor City is one of the areas in West Java Province that has an increasing population growth rate. The growing population certainly affects the increasing human need for land use for infrastructure such as settlements, socio-economic and services. The use of land for infrastructure has a significant impact on the reduction of agricultural land and forests, which can automatically reduce the level of vegetation density. This study aims to analyze the changes in green land area in Bogor City from 2015 to 2020 with Landsat 8 imagery using the Normalized Difference Vegetation Index (NDVI) and in this study using Landsat 8 collection 2 level 2 image data from 2015 to 2020 with a path of 122 and a row of 45, as many as 137 images and administrative maps of Bogor City. Of the 137 images, seven cloudless photos were obtained by the NDVI value calculation process to determine the area of vegetation and the non-vegetation regions. The process of classifying NDVI values for vegetation and non-vegetation classes is carried out using the threshold method. Based on the research process that has been carried out for the area of vegetation in Bogor City from 2015 - 2020, it has increased by 4,46 Km2 with a land change rate of 14.4%. The most significant increase in vegetation area occurred in the South Bogor sub-district with a land change rate of 4.7% compared to Bogor City with a land change of 1,45 Km2
Penggunaan Metode Naïve Bayes Classifier pada Analisis Sentimen Penilaian Masyarakat Terhadap Pelayanan Rumah Sakit di Malang
Get PDFPeran rumah sakit dalam kehidupan masyarakat sangatlah penting terkait tingkat kepuasan Masyarakat terhadap pelayanan, fasilitas, dan aspek lainnya. Opini dan penilaian masyarakat turut menjadi penilaian terhadap kinerja pelayanan rumah sakit. Pada Google Maps Reviews banyak ulasan dari berbagai rumah sakit.Penilaian yang sangat besar dapat kita lihat pada Google Maps Reviews akan memakan waktu bagi masyarakat. Keluhan-keluhan Masyarakat disekitar penulis terhadap pelayanan rumah sakit di Malang menjadikan penilaian pelayanan rumah sakit di Malang menjadi objek dari penelitian dasar ini. Penulis memanfaatkan algoritma Naïve Bayes Classifier dan Cross Validation untuk mengkategorikan penilaian berdasarkan sentimen positif dan negatif serta aspek agar mempermudah pengkategorian. Aspek yang dipergunakan tersebut adalah aspek penanganan, fasilitas, administrasi, dan biaya. Penulis juga menggunakan analisis Root Cause untuk mempermudah masyarakat dan pihak terkait dalam menemukan masalah dan rekomendasi pemecahan masalah. Awalnya data di proses dengan text preprocessing lalu pembobotan kata TF-IDF, pelabelan data, penerapan algoritma Naïve Bayes Classifier dan mengambil sentimen negatif untuk menentukan Root Cause. Hasil pengujian dengan menggunakan Cross Validation dengan fold k-9 memiliki nilai accuracy 82,97% , precision sebesar 83,13%, recall 82,93%, dan f-measure sebesar 82,92%. Hasil uji dengan menggunakan 20% data tes diperoleh akurasi 90%.
Abstract
The role of hospitals in society is crucial in terms of the level of satisfaction that the community derives from their services, facilities, and other aspects. Public opinions and assessments also contribute to evaluating hospital service performance. On Google Maps Reviews, there are numerous reviews from various hospitals. A significant evaluation can be observed on Google Maps Reviews, which might take time for the community. The complaints of the community around the writer regarding the hospital services in Malang make the assessment of hospital services in Malang the subject of this basic research. The author utilizes the Naive Bayes Classifier algorithm and Cross Validation to categorize assessments based on positive and negative sentiments, as well as 4 aspects to facilitate categorization. The author also employs Root Cause analysis to aid the public and relevant parties in identifying issues and providing problem-solving recommendations. After processing the data through text preprocessing and TF-IDF word weighting, data labeling, applying the Naive Bayes Classifier algorithm, and extracting negative sentiments to determine the Root Cause in negative hospital sentiments. Based on this process, applying Cross Validation with k-9 folds yields the highest values: an accuracy of 82.97%, precision of 83.13%, recall of 82.93%, and an f-measure of 82.92%. Through the sentiment classification and Cross Validation process, the accuracy results in 90% for hospital reviews with the highest number of assessments divided into 2 sentiments and 4 aspects: positive and negative sentiments, as well as treatment, facilities, administration, and costs.Peran rumah sakit dalam kehidupan masyarakat sangatlah penting terkait tingkat kepuasan Masyarakat terhadap pelayanan, fasilitas, dan aspek lainnya. Opini dan penilaian masyarakat turut menjadi penilaian terhadap kinerja pelayanan rumah sakit. Pada Google Maps Reviews banyak ulasan dari berbagai rumah sakit.Penilaian yang sangat besar dapat kita lihat pada Google Maps Reviews akan memakan waktu bagi masyarakat. Keluhan-keluhan Masyarakat disekitar penulis terhadap pelayanan rumah sakit di Malang menjadikan penilaian pelayanan rumah sakit di Malang menjadi objek dari penelitian dasar ini. Penulis memanfaatkan algoritma Naïve Bayes Classifier dan Cross Validation untuk mengkategorikan penilaian berdasarkan sentimen positif dan negatif serta aspek agar mempermudah pengkategorian. Aspek yang dipergunakan tersebut adalah aspek penanganan, fasilitas, administrasi, dan biaya. Penulis juga menggunakan analisis Root Cause untuk mempermudah masyarakat dan pihak terkait dalam menemukan masalah dan rekomendasi pemecahan masalah. Awalnya data di proses dengan text preprocessing lalu pembobotan kata TF-IDF, pelabelan data, penerapan algoritma Naïve Bayes Classifier dan mengambil sentimen negatif untuk menentukan Root Cause. Hasil pengujian dengan menggunakan Cross Validation dengan fold k-9 memiliki nilai accuracy 82,97% , precision sebesar 83,13%, recall 82,93%, dan f-measure sebesar 82,92%. Hasil uji dengan menggunakan 20% data tes diperoleh akurasi 90%.
Abstract
The role of hospitals in society is crucial in terms of the level of satisfaction that the community derives from their services, facilities, and other aspects. Public opinions and assessments also contribute to evaluating hospital service performance. On Google Maps Reviews, there are numerous reviews from various hospitals. A significant evaluation can be observed on Google Maps Reviews, which might take time for the community. The complaints of the community around the writer regarding the hospital services in Malang make the assessment of hospital services in Malang the subject of this basic research. The author utilizes the Naive Bayes Classifier algorithm and Cross Validation to categorize assessments based on positive and negative sentiments, as well as 4 aspects to facilitate categorization. The author also employs Root Cause analysis to aid the public and relevant parties in identifying issues and providing problem-solving recommendations. After processing the data through text preprocessing and TF-IDF word weighting, data labeling, applying the Naive Bayes Classifier algorithm, and extracting negative sentiments to determine the Root Cause in negative hospital sentiments. Based on this process, applying Cross Validation with k-9 folds yields the highest values: an accuracy of 82.97%, precision of 83.13%, recall of 82.93%, and an f-measure of 82.92%. Through the sentiment classification and Cross Validation process, the accuracy results in 90% for hospital reviews with the highest number of assessments divided into 2 sentiments and 4 aspects: positive and negative sentiments, as well as treatment, facilities, administration, and costs
Arsitektur Sistem Percakapan Otomatis Berbahasa Indonesia dengan Normalisasi Bahasa Informal Menjadi Baku
Get PDFKomunikasi merupakan hal yang paling penting dalam kehidupan sehari-hari. Setiap orang berkomunikasi dengan cara mereka berdasarkan latar belakang serta kedekatan antar pembicara. Oleh karena itu, perkembangan bahasa informal terjadi sangat cepat dan tidak jarang menciptakan kata-kata baru sebagai pengganti bahasa formal. Hal ini menjadi masalah jika dilihat dari perspektif pemrosesan bahasa alami (NLP). NLP umumnya hanya dapat dilakukan dengan bahasa yang formal dan tidak mampu menginterpretasikan makna dari kalimat informal. Maka dari itu, penulis mengusulkan pendekatan untuk memungkinkan mesin memahami bahasa informal dengan melakukan normalisasi bahasa infomal menjadi baku dengan memanfaatkan NLP. Pendekatan yang dilakukan akan melatih model pre-trained GPT-2 berbahasa Indonesia dengan data parallel corpus untuk memahami makna dari bahasa informal dan mampu menerjemahkannya ke dalam bentuk baku. Melalui eksperimen yang dilakukan, pendekatan ini mencapai tingkat akurasi 91% dan dapat menerjemahkan bahasa informal dengan baik. Performa ini dapat diraih dengan konfigurasi hiperparameter yaitu Adam optimizer dengan learning rate 1e-4, batch size sebesar 16 dan dropout rate sebesar 0,5.
Abstract
Communication is the most essential thing in daily life. Everyone communicates in their own way based on their background and the closeness between speakers. Thus, the development of informal language occurs quickly and it is often to create new words as a substitute for formal language. This is an issue from a natural language processing (NLP) perspective. NLP generally only works with formal language and is unable to interpret the meaning of informal sentences. Therefore, the authors propose an approach to enable machines to understand informal language by normalizing the informal language to standard by utilizing NLP. The approach will train a pre-trained GPT-2 model in Indonesian with parallel corpus data to understand the meaning of informal language and be able to translate it into standardized form. Through experiments, the method achieved 91% accuracy and can translate informal language well. This performance can be achieved with a hyperparameter configuration, namely Adam optimizer with a learning rate of 1e-4, batch size of 16 and dropout rate of 0.5.Komunikasi merupakan hal yang paling penting dalam kehidupan sehari-hari. Setiap orang berkomunikasi dengan cara mereka berdasarkan latar belakang serta kedekatan antar pembicara. Oleh karena itu, perkembangan bahasa informal terjadi sangat cepat dan tidak jarang menciptakan kata-kata baru sebagai pengganti bahasa formal. Hal ini menjadi masalah jika dilihat dari perspektif pemrosesan bahasa alami (NLP). NLP umumnya hanya dapat dilakukan dengan bahasa yang formal dan tidak mampu menginterpretasikan makna dari kalimat informal. Maka dari itu, penulis mengusulkan pendekatan untuk memungkinkan mesin memahami bahasa informal dengan melakukan normalisasi bahasa infomal menjadi baku dengan memanfaatkan NLP. Pendekatan yang dilakukan akan melatih model pre-trained GPT-2 berbahasa Indonesia dengan data parallel corpus untuk memahami makna dari bahasa informal dan mampu menerjemahkannya ke dalam bentuk baku. Melalui eksperimen yang dilakukan, pendekatan ini mencapai tingkat akurasi 91% dan dapat menerjemahkan bahasa informal dengan baik. Performa ini dapat diraih dengan konfigurasi hiperparameter yaitu Adam optimizer dengan learning rate 1e-4, batch size sebesar 16 dan dropout rate sebesar 0,5.
Abstract
Communication is the most essential thing in daily life. Everyone communicates in their own way based on their background and the closeness between speakers. Thus, the development of informal language occurs quickly and it is often to create new words as a substitute for formal language. This is an issue from a natural language processing (NLP) perspective. NLP generally only works with formal language and is unable to interpret the meaning of informal sentences. Therefore, the authors propose an approach to enable machines to understand informal language by normalizing the informal language to standard by utilizing NLP. The approach will train a pre-trained GPT-2 model in Indonesian with parallel corpus data to understand the meaning of informal language and be able to translate it into standardized form. Through experiments, the method achieved 91% accuracy and can translate informal language well. This performance can be achieved with a hyperparameter configuration, namely Adam optimizer with a learning rate of 1e-4, batch size of 16 and dropout rate of 0.5
Segmentasi Pelanggan Majalah pada Situs Web E-Commerce dengan K-Means++ dan Metode RFM
Get PDFSegmentasi pelanggan merupakan salah satu metode yang dapat diterapkan untuk memaksimalkan peluang bisnis. Hal tersebut dapat membantu bisnis agar tetap kompetitif dalam persaingan pasar. Penerapan Artificial Intelligence (AI) dapat membantu dalam memberikan pemahaman kepada pelaku bisnis tentang segmentasi pelanggan berdasarkan riwayat transaksi. Penelitian ini menerapkan metode Recency, Frequency, and Monetary (RFM) yang dipadukan dengan algoritma clustering K-Means++ untuk melakukan segmentasi pelanggan. Silhouette score menjadi indikator pemilihan nilai k yang paling optimal dalam menentukan jumlah cluster. Kerangka kerja CRISP-DM yang digunakan dalam makalah ini juga membantu mempertahankan proses analisis yang konsisten. Pendekatan statistik sederhana ddigunakan untuk mengklasifikasikan setiap fitur dalam RFM menjadi label low, medium, dan high dalam hal menangkap pola segmentasi pelanggan. Hasil eksperimen menunjukkan nilai k = 3 sebagai yang paling optimal berdasarkan nilai WSS sebesar 843,214747 dan silhouette score sebesar 0,638181. Eksperimen juga menunjukkan bahwa cluster 0 memiliki nilai RFM rata-rata sebesar 1,14 (low), 1,20 (low), dan 301.640 (low). Cluster 1 memiliki nilai RFM rata-rata sebesar 249,61 (high), 2,62 (medium), dan 799,934 (medium). Cluster 2 memiliki nilai RFM rata-rata sebesar 233,01 (medium), 6,41 (high), dan 2018,088 (high).
Abstract
Customer segmentation is one method that can be applied to maximize business opportunities. It can help businesses remain competitive in the market competition. The application of Artificial Intelligence (AI) can assist in providing business stakeholders with an understanding of customer segmentation based on transaction history. This study applies the Recency, Frequency, and Monetary (RFM) method combined with the K-Means++ clustering algorithm for customer segmentation. The Silhouette score serves as an indicator for selecting the most optimal value of k to determine the number of clusters. The CRISP-DM framework used in this paper also helps maintain a consistent analysis process. A simple statistical approach is used to classify each RFM feature into low, medium, and high labels to capture customer segmentation patterns. Experimental results show that k = 3 is the most optimal value based on a WSS value of 843.214747 and a silhouette score of 0.638181. The experiments also indicate that Cluster 0 has average RFM values of 1.14 (low), 1.20 (low), and 301,640 (low). Cluster 1 has average RFM values of 249.61 (high), 2.62 (medium), and 799,934 (medium). Cluster 2 has average RFM values of 233.01 (medium), 6.41 (high), and 2018.088 (high).Segmentasi pelanggan merupakan salah satu metode yang dapat diterapkan untuk memaksimalkan peluang bisnis. Hal tersebut dapat membantu bisnis agar tetap kompetitif dalam persaingan pasar. Penerapan Artificial Intelligence (AI) dapat membantu dalam memberikan pemahaman kepada pelaku bisnis tentang segmentasi pelanggan berdasarkan riwayat transaksi. Penelitian ini menerapkan metode Recency, Frequency, and Monetary (RFM) yang dipadukan dengan algoritma clustering K-Means++ untuk melakukan segmentasi pelanggan. Silhouette score menjadi indikator pemilihan nilai k yang paling optimal dalam menentukan jumlah cluster. Kerangka kerja CRISP-DM yang digunakan dalam makalah ini juga membantu mempertahankan proses analisis yang konsisten. Pendekatan statistik sederhana ddigunakan untuk mengklasifikasikan setiap fitur dalam RFM menjadi label low, medium, dan high dalam hal menangkap pola segmentasi pelanggan. Hasil eksperimen menunjukkan nilai k = 3 sebagai yang paling optimal berdasarkan nilai WSS sebesar 843,214747 dan silhouette score sebesar 0,638181. Eksperimen juga menunjukkan bahwa cluster 0 memiliki nilai RFM rata-rata sebesar 1,14 (low), 1,20 (low), dan 301.640 (low). Cluster 1 memiliki nilai RFM rata-rata sebesar 249,61 (high), 2,62 (medium), dan 799,934 (medium). Cluster 2 memiliki nilai RFM rata-rata sebesar 233,01 (medium), 6,41 (high), dan 2018,088 (high).
Abstract
Customer segmentation is one method that can be applied to maximize business opportunities. It can help businesses remain competitive in the market competition. The application of Artificial Intelligence (AI) can assist in providing business stakeholders with an understanding of customer segmentation based on transaction history. This study applies the Recency, Frequency, and Monetary (RFM) method combined with the K-Means++ clustering algorithm for customer segmentation. The Silhouette score serves as an indicator for selecting the most optimal value of k to determine the number of clusters. The CRISP-DM framework used in this paper also helps maintain a consistent analysis process. A simple statistical approach is used to classify each RFM feature into low, medium, and high labels to capture customer segmentation patterns. Experimental results show that k = 3 is the most optimal value based on a WSS value of 843.214747 and a silhouette score of 0.638181. The experiments also indicate that Cluster 0 has average RFM values of 1.14 (low), 1.20 (low), and 301,640 (low). Cluster 1 has average RFM values of 249.61 (high), 2.62 (medium), and 799,934 (medium). Cluster 2 has average RFM values of 233.01 (medium), 6.41 (high), and 2018.088 (high)
Analisis Sentimen Berbahasa Inggris Dengan Metode Lstm Studi Kasus Berita Online Pariwisata Bali
Get PDFSemaikin berkembangnya pariwisata di Bali, persepsi terhadap berita yang beredar tentang pariwisata menjadi faktor penting yang memengaruhi citra destinasi wisata tersebut. Namun, analisis sentimen terhadap berita pariwisata berbahasa Inggris seringkali menghadapi tantangan, terutama karena kompleksitas bahasa dan ketidakseimbangan data sentimen. Penelitian ini bertujuan untuk memperdalam pemahaman mengenai tren dan isu terkini yang berhubungan tentang industri pariwisata Bali melalui analisis sentimen berdasarkan konten berita. Fokus utama penelitian adalah pada berita pariwisata Bali yang diunggah dalam portal media online internasional, khususnya dari Australia dan Inggris. Analisis sentimen dilakukan menggunakan model machine learning LSTM (Long-Term Memory), dengan data berita yang telah diberi label sentimen oleh pakar sesuai dengan isi berita. Pembagian dataset optimal adalah 90% untuk data pelatihan dan 10% untuk data pengujian. Hasil penelitian menunjukkan bahwa model LSTM berhasil mencapai tingkat akurasi sebesar 81,36%. Selanjutnya, untuk mengidentifikasi pola topik yang tersembunyi dan mengelompokkan berita dengan topik atau isu serupa, digunakan metode LDA (Latent Dirichlet Allocation). Penelitian ini mengungkap bahwa jumlah topik yang ideal bervariasi tergantung pada nilai kohesi yang diperoleh dari sentimen data yang digunakan. Implikasi temuan ini dapat memberikan wawasan lebih dalam tentang persepsi dan respon terhadap berita pariwisata Bali, sekaligus menunjukkan potensi aplikasi model machine learning dan metode LDA dalam analisis tren industri pariwisata.
Abstract
As tourism in Bali continues to grow, perceptions of news circulating about tourism have become an important factor influencing the image of the tourist destination. However, sentiment analysis of English-language tourism news often faces challenges, especially due to the complexity of the language and the imbalance of sentiment data. This research aims to deepen understanding of the latest trends and issues related to the Bali tourism industry through sentiment analysis based on news content. The main focus of the research is on Bali tourism news uploaded on international online media portals, especially from Australia and England. Sentiment analysis is carried out using the LSTM (Long-Term Memory) machine learning model, with news data that has been labeled with sentiment by experts according to the content of the news. The optimal dataset division is 90% for training data and 10% for testing data. The research results show that the LSTM model succeeded in achieving an accuracy level of 81.36%. Furthermore, to identify hidden topic patterns and group news with similar topics or issues, the LDA (Latent Dirichlet Allocation) method is used. This research reveals that the ideal number of topics varies depending on the cohesion value obtained from the sentiment data used. The implications of these findings can provide deeper insight into perceptions and responses to Bali tourism news, as well as showing the potential application of machine learning models and LDA methods in analyzing tourism industry trends.Semaikin berkembangnya pariwisata di Bali, persepsi terhadap berita yang beredar tentang pariwisata menjadi faktor penting yang memengaruhi citra destinasi wisata tersebut. Namun, analisis sentimen terhadap berita pariwisata berbahasa Inggris seringkali menghadapi tantangan, terutama karena kompleksitas bahasa dan ketidakseimbangan data sentimen. Penelitian ini bertujuan untuk memperdalam pemahaman mengenai tren dan isu terkini yang berhubungan tentang industri pariwisata Bali melalui analisis sentimen berdasarkan konten berita. Fokus utama penelitian adalah pada berita pariwisata Bali yang diunggah dalam portal media online internasional, khususnya dari Australia dan Inggris. Analisis sentimen dilakukan menggunakan model machine learning LSTM (Long-Term Memory), dengan data berita yang telah diberi label sentimen oleh pakar sesuai dengan isi berita. Pembagian dataset optimal adalah 90% untuk data pelatihan dan 10% untuk data pengujian. Hasil penelitian menunjukkan bahwa model LSTM berhasil mencapai tingkat akurasi sebesar 81,36%. Selanjutnya, untuk mengidentifikasi pola topik yang tersembunyi dan mengelompokkan berita dengan topik atau isu serupa, digunakan metode LDA (Latent Dirichlet Allocation). Penelitian ini mengungkap bahwa jumlah topik yang ideal bervariasi tergantung pada nilai kohesi yang diperoleh dari sentimen data yang digunakan. Implikasi temuan ini dapat memberikan wawasan lebih dalam tentang persepsi dan respon terhadap berita pariwisata Bali, sekaligus menunjukkan potensi aplikasi model machine learning dan metode LDA dalam analisis tren industri pariwisata.
Abstract
As tourism in Bali continues to grow, perceptions of news circulating about tourism have become an important factor influencing the image of the tourist destination. However, sentiment analysis of English-language tourism news often faces challenges, especially due to the complexity of the language and the imbalance of sentiment data. This research aims to deepen understanding of the latest trends and issues related to the Bali tourism industry through sentiment analysis based on news content. The main focus of the research is on Bali tourism news uploaded on international online media portals, especially from Australia and England. Sentiment analysis is carried out using the LSTM (Long-Term Memory) machine learning model, with news data that has been labeled with sentiment by experts according to the content of the news. The optimal dataset division is 90% for training data and 10% for testing data. The research results show that the LSTM model succeeded in achieving an accuracy level of 81.36%. Furthermore, to identify hidden topic patterns and group news with similar topics or issues, the LDA (Latent Dirichlet Allocation) method is used. This research reveals that the ideal number of topics varies depending on the cohesion value obtained from the sentiment data used. The implications of these findings can provide deeper insight into perceptions and responses to Bali tourism news, as well as showing the potential application of machine learning models and LDA methods in analyzing tourism industry trends