Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Visualisasi Segmentasi Pelanggan Berdasarkan Atribut RFM Menggunakan Algoritma K-Means Untuk Memahami Karakteristik Pelanggan pada Toko Retail Online
Get PDFMeningkatnya minat belanja pelanggan toko retail online menimbulkan persaingan ketat antar retailer. Agar tetap unggul dan kompetitif, retailer perlu memahami karakteristik pelanggannya. Penerapan segmentasi pelanggan memberikan kemudahan pada retailer untuk memahami karakteristik pelanggan berdasarkan penilaian pada atribut yang dihitung dari data riwayat transaksi pelanggan. Hasil segmentasi pelanggan yang divisualisasikan dapat meningkatkan pemahaman retailer dalam memahami data dan membantu dalam proses pengambilan keputusan. Oleh karena itu, penelitian ini mengusulkan Visualisasi Segmentasi Pelanggan menggunakan Algoritma K-means berdasarkan Atribut RFM (Recency, Frequency, Monetary). Hasil segmentasi dapat digunakan untuk Memahami Karakteristik Pelanggan pada Toko Retail Online. Penelitian ini menggunakan algoritma k-means untuk menjalankan clustering yang performanya akan dibandingkan dengan algoritma k-medoids mengacu pada nilai silhouette, Calinski-Harabasz Index, dan DaviesBouldin Index dalam melakukan segmentasi pelanggan berdasarkan atribut RFM. Berdasarkan metrik tersebut, didapatkan nilai algoritma k-means berturut-turut adalah 0,6558, 0,7219, dan 3578,9, sedangkan nilai algoritma k-medoids adalah 0,4677, 0,8298, dan 1236,9. Dengan demikian, hasilnya menunjukkan bahwa kinerja clustering menggunakan k-means lebih baik daripada menggunakan k-medoids. Pada dashboard Looker Studio ditampilkan visualisasi data hasil segmentasi tersebut, kemudian diuji fungsionalitasnya dengan metode Blackbox Testing dan berhasil menyelesaikan semua skenario pengujian, kemudian dilakukan pengujian dengan metode UAT (User Acceptance Testing) dan mendapatkan predikat sangat layak.
Abstract
The growing interest in online retail shopping among customers has resulted in intense competition among retailers. To sustain a competitiveness, retailers need to understand characteristics of their customer. Implementation of customer segmentation facilitates retailers in understanding customer characteristics through assessments based on attributes derived from customer transaction history data. Visualization of customer segmentation results can enhance the retailer\u27s understanding of data and assist in the decision-making process. Therefore, this study proposes the Visualization of Customer Segmentation using the K-means Algorithm based on RFM Attributes (Recency, Frequency, Monetary). The segmentation results can be utilized to understand the characteristics of customers in an online retail store. This study explores the k-means algorithm to execute clustering, and its performance will be compared with the k-medoids algorithm, based of silhouette values, Calinski-Harabasz Index, and Davies Bouldin Index in customer segmentation based on RFM attributes. Based on given metrics, the consecutive performance values for k-means algorithm are 0.6558, 0.7219, and 3578.9, while k-medoids algorithm are 0.4677, 0.8298, and 1236.9. Thus, the results indicate that the clustering performance using k-means is better than using k-medoids. On the Looker Studio dashboard, the visualization of the segmentation data is displayed, and its functionality is tested using the Black Box Testing method, successfully completing all test scenarios. Subsequently, the system undergoes testing through the User Acceptance Testing (UAT) method and receives a highly satisfactory rating.Meningkatnya minat belanja pelanggan toko retail online menimbulkan persaingan ketat antar retailer. Agar tetap unggul dan kompetitif, retailer perlu memahami karakteristik pelanggannya. Penerapan segmentasi pelanggan memberikan kemudahan pada retailer untuk memahami karakteristik pelanggan berdasarkan penilaian pada atribut yang dihitung dari data riwayat transaksi pelanggan. Hasil segmentasi pelanggan yang divisualisasikan dapat meningkatkan pemahaman retailer dalam memahami data dan membantu dalam proses pengambilan keputusan. Oleh karena itu, penelitian ini mengusulkan Visualisasi Segmentasi Pelanggan menggunakan Algoritma K-means berdasarkan Atribut RFM (Recency, Frequency, Monetary). Hasil segmentasi dapat digunakan untuk Memahami Karakteristik Pelanggan pada Toko Retail Online. Penelitian ini menggunakan algoritma k-means untuk menjalankan clustering yang performanya akan dibandingkan dengan algoritma k-medoids mengacu pada nilai silhouette, Calinski-Harabasz Index, dan DaviesBouldin Index dalam melakukan segmentasi pelanggan berdasarkan atribut RFM. Berdasarkan metrik tersebut, didapatkan nilai algoritma k-means berturut-turut adalah 0,6558, 0,7219, dan 3578,9, sedangkan nilai algoritma k-medoids adalah 0,4677, 0,8298, dan 1236,9. Dengan demikian, hasilnya menunjukkan bahwa kinerja clustering menggunakan k-means lebih baik daripada menggunakan k-medoids. Pada dashboard Looker Studio ditampilkan visualisasi data hasil segmentasi tersebut, kemudian diuji fungsionalitasnya dengan metode Blackbox Testing dan berhasil menyelesaikan semua skenario pengujian, kemudian dilakukan pengujian dengan metode UAT (User Acceptance Testing) dan mendapatkan predikat sangat layak.
Abstract
The growing interest in online retail shopping among customers has resulted in intense competition among retailers. To sustain a competitiveness, retailers need to understand characteristics of their customer. Implementation of customer segmentation facilitates retailers in understanding customer characteristics through assessments based on attributes derived from customer transaction history data. Visualization of customer segmentation results can enhance the retailer\u27s understanding of data and assist in the decision-making process. Therefore, this study proposes the Visualization of Customer Segmentation using the K-means Algorithm based on RFM Attributes (Recency, Frequency, Monetary). The segmentation results can be utilized to understand the characteristics of customers in an online retail store. This study explores the k-means algorithm to execute clustering, and its performance will be compared with the k-medoids algorithm, based of silhouette values, Calinski-Harabasz Index, and Davies Bouldin Index in customer segmentation based on RFM attributes. Based on given metrics, the consecutive performance values for k-means algorithm are 0.6558, 0.7219, and 3578.9, while k-medoids algorithm are 0.4677, 0.8298, and 1236.9. Thus, the results indicate that the clustering performance using k-means is better than using k-medoids. On the Looker Studio dashboard, the visualization of the segmentation data is displayed, and its functionality is tested using the Black Box Testing method, successfully completing all test scenarios. Subsequently, the system undergoes testing through the User Acceptance Testing (UAT) method and receives a highly satisfactory rating
Pengembangan Sistem Manajemen Sarana Dan Prasarana, IT, Serta Laboratorium Di SMK Telekomunikasi
Get PDFBidang Sarana dan Prasarana, IT, serta Laboratorium di SMK Telekomunikasi menghadapi tantangan dalam pengelolaan data yang tersebar di berbagai file Microsoft Excel, menyebabkan kesulitan dalam pengumpulan laporan untuk audit dan sertifikasi. Penelitian ini bertujuan mengembangkan sistem manajemen terpadu menggunakan framework CodeIgniter 4, PHP, dan MySQL dengan metode Rational Unified Process (RUP) dan desain Unified Modelling Language (UML). Sistem ini dirancang untuk menyelaraskan pengelolaan data dan memfasilitasi penyajian informasi yang efisien. Hasil pengujian black box menunjukkan tingkat keberhasilan 100%, sementara user acceptance testing memperoleh skor 92% dengan predikat sangat baik. Implementasi sistem ini diharapkan meningkatkan efisiensi dan efektivitas manajemen sarana, prasarana, IT, dan laboratorium di SMK Telekomunikasi, memberikan kontribusi signifikan terhadap peningkatan kualitas pengelolaan dan kepuasan pengguna.
Abstract.
The Facilities and Infrastructure, IT, and Laboratory Department at SMK Telekomunikasi faces challenges in managing data scattered across various Microsoft Excel files, resulting in difficulties in compiling reports for audits and certifications. This research aims to develop an integrated management system using the CodeIgniter 4 framework, PHP, and MySQL, employing the Rational Unified Process (RUP) methodology and Unified Modelling Language (UML) design. This system is designed to streamline data management and facilitate efficient information presentation. The results of the black box testing showed a success rate of 100%, while the user acceptance testing scored 92% with an excellent rating. The implementation of this system is expected to enhance the efficiency and effectiveness of managing facilities, infrastructure, IT, and laboratories at SMK Telekomunikasi, significantly contributing to improved management quality and user satisfaction.Bidang Sarana dan Prasarana, IT, serta Laboratorium di SMK Telekomunikasi menghadapi tantangan dalam pengelolaan data yang tersebar di berbagai file Microsoft Excel, menyebabkan kesulitan dalam pengumpulan laporan untuk audit dan sertifikasi. Penelitian ini bertujuan mengembangkan sistem manajemen terpadu menggunakan framework CodeIgniter 4, PHP, dan MySQL dengan metode Rational Unified Process (RUP) dan desain Unified Modelling Language (UML). Sistem ini dirancang untuk menyelaraskan pengelolaan data dan memfasilitasi penyajian informasi yang efisien. Hasil pengujian black box menunjukkan tingkat keberhasilan 100%, sementara user acceptance testing memperoleh skor 92% dengan predikat sangat baik. Implementasi sistem ini diharapkan meningkatkan efisiensi dan efektivitas manajemen sarana, prasarana, IT, dan laboratorium di SMK Telekomunikasi, memberikan kontribusi signifikan terhadap peningkatan kualitas pengelolaan dan kepuasan pengguna.
Abstract.
The Facilities and Infrastructure, IT, and Laboratory Department at SMK Telekomunikasi faces challenges in managing data scattered across various Microsoft Excel files, resulting in difficulties in compiling reports for audits and certifications. This research aims to develop an integrated management system using the CodeIgniter 4 framework, PHP, and MySQL, employing the Rational Unified Process (RUP) methodology and Unified Modelling Language (UML) design. This system is designed to streamline data management and facilitate efficient information presentation. The results of the black box testing showed a success rate of 100%, while the user acceptance testing scored 92% with an excellent rating. The implementation of this system is expected to enhance the efficiency and effectiveness of managing facilities, infrastructure, IT, and laboratories at SMK Telekomunikasi, significantly contributing to improved management quality and user satisfaction
Analisa Waktu Respon pada Metode Pengukuran Jarak pada Sistem Informasi Geografi
Get PDFEfisiensi waktu respon adalah kunci dalam penerapan sistem informasi geografi (GIS) di berbagai aplikasi, seperti navigasi, pemetaan, dan pencarian lokasi. Penelitian ini membandingkan efisiensi waktu respon antara formula euclidean, haversine, dan manhattan dalam melakukan pencarian data dengan variasi radius yang berbeda. Metodologi yang digunakan melibatkan pengumpulan dan analisis data yang dihasilkan dari implementasi ketiga formula tersebut dalam sistem GIS. Data yang dianalisis mencakup waktu yang dibutuhkan untuk menyelesaikan query pencarian data pada variasi radius yang berbeda. Analisis statistik mengungkapkan bahwa formula manhattan menghasilkan peningkatan efisiensi waktu sebesar 6.75% dibandingkan dengan euclidean, sementara haversine dan euclidean mengumpulkan 68.8% lebih banyak data dibandingkan dengan manhattan, menunjukkan karakteristik waktu respon yang berbeda tergantung pada radius yang digunakan. Ditemukan bahwa pilihan metode tergantung pada prioritas spesifik setiap aplikasi. Studi ini memberikan wawasan tentang keunggulan dan kelemahan masing-masing metode dalam konteks waktu respon pada GIS, memberikan informasi berharga untuk pengembangan aplikasi GIS, khususnya dalam pemilihan metode perhitungan jarak yang paling efektif sesuai dengan kebutuhan spesifik aplikasi.
Abstract
Time respone efficiency is key in the implementation of Geographic Information Systems (GIS) across various applications such as navigation, mapping, and location search. This research compares the time respone efficiency of the euclidean, haversine, and manhattan formulas in conducting data searches across different radius variations. The methodology involves the collection and analysis of data generated from implementing these three formulas within a GIS. The data analyzed includes the time taken to complete data search queries across varying radii. Statistical analysis reveals that the manhattan formula achieves a 6.75% increase in time efficiency compared to euclidean, while haversine and euclidean collects 68.8% more data compared to manhattan, showing distinct time respone characteristics dependent on the radius used. It was found that the choice of method depends on the specific priorities of each application. This study provides insights into the advantages and disadvantages of each method in the context of time respone in GIS, offering valuable information for GIS application development, particularly in selecting the most effective distance calculation method according to the specific needs of the application.Efisiensi waktu respon adalah kunci dalam penerapan sistem informasi geografi (GIS) di berbagai aplikasi, seperti navigasi, pemetaan, dan pencarian lokasi. Penelitian ini membandingkan efisiensi waktu respon antara formula euclidean, haversine, dan manhattan dalam melakukan pencarian data dengan variasi radius yang berbeda. Metodologi yang digunakan melibatkan pengumpulan dan analisis data yang dihasilkan dari implementasi ketiga formula tersebut dalam sistem GIS. Data yang dianalisis mencakup waktu yang dibutuhkan untuk menyelesaikan query pencarian data pada variasi radius yang berbeda. Analisis statistik mengungkapkan bahwa formula manhattan menghasilkan peningkatan efisiensi waktu sebesar 6.75% dibandingkan dengan euclidean, sementara haversine dan euclidean mengumpulkan 68.8% lebih banyak data dibandingkan dengan manhattan, menunjukkan karakteristik waktu respon yang berbeda tergantung pada radius yang digunakan. Ditemukan bahwa pilihan metode tergantung pada prioritas spesifik setiap aplikasi. Studi ini memberikan wawasan tentang keunggulan dan kelemahan masing-masing metode dalam konteks waktu respon pada GIS, memberikan informasi berharga untuk pengembangan aplikasi GIS, khususnya dalam pemilihan metode perhitungan jarak yang paling efektif sesuai dengan kebutuhan spesifik aplikasi.
Abstract
Time respone efficiency is key in the implementation of Geographic Information Systems (GIS) across various applications such as navigation, mapping, and location search. This research compares the time respone efficiency of the euclidean, haversine, and manhattan formulas in conducting data searches across different radius variations. The methodology involves the collection and analysis of data generated from implementing these three formulas within a GIS. The data analyzed includes the time taken to complete data search queries across varying radii. Statistical analysis reveals that the manhattan formula achieves a 6.75% increase in time efficiency compared to euclidean, while haversine and euclidean collects 68.8% more data compared to manhattan, showing distinct time respone characteristics dependent on the radius used. It was found that the choice of method depends on the specific priorities of each application. This study provides insights into the advantages and disadvantages of each method in the context of time respone in GIS, offering valuable information for GIS application development, particularly in selecting the most effective distance calculation method according to the specific needs of the application
Pengaruh Teknik Penanganan Negasi Dalam Analisis Sentimen
Get PDF“Garbage in, garbage out” merupakan sebuah ungkapan klasik dalam data science yang menyatakan bahwa kualitas keluaran suatu sistem bergantung pada kualitas data yang dimasukkan. Dalam klasifikasi sentimen, negasi memainkan peran penting dalam menentukan polaritas sentimen kalimat, tetapi sering kali dihapus pada tahap preprocessing sebagai stopword, yang dapat menghilangkan konteks negasi tersebut. Penelitian ini mengevaluasi dampak dua teknik penanganan negasi Next Word Negation dan penggantian antonim terhadap performa Naïve Bayes Classifier dan Support Vector Machine Classifier. Teknik Next Word Negation menggabungkan kata penanda negasi dengan kata setelahnya seperti “tidak cepat” menjadi “tidak_cepat”. Sementara itu, teknik penggantian antonim mengganti kata penanda negasi dan kata setelahnya dengan antonim dari kata setelahnya, misalnya “tidak cepat” menjadi “lambat”. Hasil penelitian menunjukkan bahwa teknik penanganan negasi meningkatkan akurasi Naïve Bayes dari 82,94% tanpa penanganan negasi menjadi 85,88% dengan Next Word Negation dan 87,64% dengan penggantian antonim. Untuk Support Vector Machine, akurasi meningkat dari 84,70% tanpa penanganan negasi menjadi 89,41% dengan penggantian antonim dan 88,23% dengan Next Word Negation.
Abstract
“Garbage in, garbage out” is a classic expression in data science that states the quality of a system’s output depends on the quality of the input data. In sentiment classification, negation plays a crucial role in determining the sentiment polarity of a sentence but is often removed during the preprocessing stage as a stopword, potentially eliminating the context of negation. This study evaluates the impact of two negation-handling techniques, Next Word Negation and antonym replacement, on the performance of Naïve Bayes Classifier and Support Vector Machine Classifier. The Next Word Negation technique combines the negation marker with the following word, for example, “tidak cepat” becomes “tidak_cepat”. Meanwhile, the antonym replacement technique replaces the negation marker and the following word with the antonym of the following word, for example, “tidak cepat” becomes “lambat”. The results of the study show that negation-handling techniques improve the accuracy of Naïve Bayes from 82.94% without negation handling to 85.88% with Next Word Negation and 87.64% with antonym replacement. For the Support Vector Machine, accuracy increases from 84.70% without negation handling to 89.41% with antonym replacement and 88.23% with Next Word Negation.“Garbage in, garbage out” merupakan sebuah ungkapan klasik dalam data science yang menyatakan bahwa kualitas keluaran suatu sistem bergantung pada kualitas data yang dimasukkan. Dalam klasifikasi sentimen, negasi memainkan peran penting dalam menentukan polaritas sentimen kalimat, tetapi sering kali dihapus pada tahap preprocessing sebagai stopword, yang dapat menghilangkan konteks negasi tersebut. Penelitian ini mengevaluasi dampak dua teknik penanganan negasi Next Word Negation dan penggantian antonim terhadap performa Naïve Bayes Classifier dan Support Vector Machine Classifier. Teknik Next Word Negation menggabungkan kata penanda negasi dengan kata setelahnya seperti “tidak cepat” menjadi “tidak_cepat”. Sementara itu, teknik penggantian antonim mengganti kata penanda negasi dan kata setelahnya dengan antonim dari kata setelahnya, misalnya “tidak cepat” menjadi “lambat”. Hasil penelitian menunjukkan bahwa teknik penanganan negasi meningkatkan akurasi Naïve Bayes dari 82,94% tanpa penanganan negasi menjadi 85,88% dengan Next Word Negation dan 87,64% dengan penggantian antonim. Untuk Support Vector Machine, akurasi meningkat dari 84,70% tanpa penanganan negasi menjadi 89,41% dengan penggantian antonim dan 88,23% dengan Next Word Negation.
Abstract
“Garbage in, garbage out” is a classic expression in data science that states the quality of a system’s output depends on the quality of the input data. In sentiment classification, negation plays a crucial role in determining the sentiment polarity of a sentence but is often removed during the preprocessing stage as a stopword, potentially eliminating the context of negation. This study evaluates the impact of two negation-handling techniques, Next Word Negation and antonym replacement, on the performance of Naïve Bayes Classifier and Support Vector Machine Classifier. The Next Word Negation technique combines the negation marker with the following word, for example, “tidak cepat” becomes “tidak_cepat”. Meanwhile, the antonym replacement technique replaces the negation marker and the following word with the antonym of the following word, for example, “tidak cepat” becomes “lambat”. The results of the study show that negation-handling techniques improve the accuracy of Naïve Bayes from 82.94% without negation handling to 85.88% with Next Word Negation and 87.64% with antonym replacement. For the Support Vector Machine, accuracy increases from 84.70% without negation handling to 89.41% with antonym replacement and 88.23% with Next Word Negation
Perbandingan Complexity Invariant Distance (CID) dan Dynamic Time Warping (DTW) dalam Analisis Klaster Deret Waktu pada Nilai Tukar Petani di Indonesia
Get PDFAnalisis klaster yang merupakan bagian dari data mining yang membagi data kedalam beberapa kelompok berdasarkan kedekatan karakteristik tertentu. Konsep utama dalam klaster adalah memaksimalkan kedekatan data di dalam klaster dan meminimalkan kesamaan data antar klaster. Analisis klaster juga bisa digunakan pada berbagai jenis data termasuk data deret waktu. Pengukuran kesamaan menjadi hal yang utama pada analisis klaster. Metode yang bisa digunakan dalam pengukuran jarak yaitu Complexity Invariant Distance (CID) dan Dynamic Time Warping (DTW). Analisis pengukuran jarak CID dan DTW dapat digunakan pada pengelompokkan data deret waktu salah satunya pada data Nilai Tukar Petani (NTP). NTP dapat menggambarkan daya beli petani karena diperoleh dari perbandingan indeks harga yang diterima petani dibandingkan dengan yang harus dibayarnya, atau dapat dinyatakan sebagai kemampuan petani dalam memnuhi kebutuhan sehari-hari dari hasil pertanian. Sehingga dilakukan analisis untuk membandingkan metode pengukuran jarak CID dan DTW pada klastering data deret waktu pada nilai tukar petani pada 34 Provinsi di Indonesia. Hasil analisis yang diakukan menunjukkan klaster terbaik adalah pengklasteran dengan banyak klaster dua (k=2) menggunakan ukuran jarak CID terlihat dari nilai silhouette 0.8776 yang lebih tinggi dibandingkan klaster lain. Dimana klaster satu terdiri dari 25 Provinsi dan klaster dua terdiri dari 9 Provinsi.
Abstract
Cluster analysis is a part of data mining which divides data into several groups based on the proximity of certain characteristics. The main concept in clusters is to maximize data similarity within clusters and minimize data similarity between clusters. Cluster analysis can also be used on various types of data, including time series data. Measuring similarity is the main thing in cluster analysis. The methods that can be used to measure distance are Complexity Invariant Distance (CID) and Dynamic Time Warping (DTW). CID and DTW distance measurement analysis can be used to group time series data, one of which is Farmer’s Terms of Trade (NTP) data. The farmer\u27s terms of trade is a ratio between the price index received by farmers and the price index paid by farmers. In general, it can be interpreted as the farmer\u27s ability to meet their daily needs through agricultural products. So an analysis was carried out to compare the CID and DTW distance measurement methods in clustering time series data on farmer’s terms of trade according to 34 provinces in Indonesia. The results of this analysis show that the best cluster is clustering with two clusters (k=2) using the CID distance measure because it has the highest silhouette coefficient value, namely 0.8776. Where cluster one consists of 25 provinces and cluster two consists of 9 provinces.Analisis klaster yang merupakan bagian dari data mining yang membagi data kedalam beberapa kelompok berdasarkan kedekatan karakteristik tertentu. Konsep utama dalam klaster adalah memaksimalkan kedekatan data di dalam klaster dan meminimalkan kesamaan data antar klaster. Analisis klaster juga bisa digunakan pada berbagai jenis data termasuk data deret waktu. Pengukuran kesamaan menjadi hal yang utama pada analisis klaster. Metode yang bisa digunakan dalam pengukuran jarak yaitu Complexity Invariant Distance (CID) dan Dynamic Time Warping (DTW). Analisis pengukuran jarak CID dan DTW dapat digunakan pada pengelompokkan data deret waktu salah satunya pada data Nilai Tukar Petani (NTP). NTP dapat menggambarkan daya beli petani karena diperoleh dari perbandingan indeks harga yang diterima petani dibandingkan dengan yang harus dibayarnya, atau dapat dinyatakan sebagai kemampuan petani dalam memnuhi kebutuhan sehari-hari dari hasil pertanian. Sehingga dilakukan analisis untuk membandingkan metode pengukuran jarak CID dan DTW pada klastering data deret waktu pada nilai tukar petani pada 34 Provinsi di Indonesia. Hasil analisis yang diakukan menunjukkan klaster terbaik adalah pengklasteran dengan banyak klaster dua (k=2) menggunakan ukuran jarak CID terlihat dari nilai silhouette 0.8776 yang lebih tinggi dibandingkan klaster lain. Dimana klaster satu terdiri dari 25 Provinsi dan klaster dua terdiri dari 9 Provinsi.
Abstract
Cluster analysis is a part of data mining which divides data into several groups based on the proximity of certain characteristics. The main concept in clusters is to maximize data similarity within clusters and minimize data similarity between clusters. Cluster analysis can also be used on various types of data, including time series data. Measuring similarity is the main thing in cluster analysis. The methods that can be used to measure distance are Complexity Invariant Distance (CID) and Dynamic Time Warping (DTW). CID and DTW distance measurement analysis can be used to group time series data, one of which is Farmer’s Terms of Trade (NTP) data. The farmer\u27s terms of trade is a ratio between the price index received by farmers and the price index paid by farmers. In general, it can be interpreted as the farmer\u27s ability to meet their daily needs through agricultural products. So an analysis was carried out to compare the CID and DTW distance measurement methods in clustering time series data on farmer’s terms of trade according to 34 provinces in Indonesia. The results of this analysis show that the best cluster is clustering with two clusters (k=2) using the CID distance measure because it has the highest silhouette coefficient value, namely 0.8776. Where cluster one consists of 25 provinces and cluster two consists of 9 provinces
Perbandingan Varian Model EFFICIENTNETV2 pada Citra Histologi Osteosarcoma
Get PDFOsteosarcoma merupakan jenis kanker tulang ganas yang menyerang ujung tulang panjang dan berpotensi menyebar ke organ lain (metastasis). Diagnosis dini berperan penting untuk mendukung hasil pengobatan yang optimal. Penelitian ini menggunakan Convolutional Neural Network (CNN) untuk menganalisis dan mengklasifikasikan citra histologi tulang Osteosarcoma, dengan membandingkan kinerja tiga varian model EfficientNetV2 (S, M, dan L). Dataset yang digunakan adalah citra histologi Osteosarcoma yang telah didigitalisasi dan dataset ini diproses melalui tahap preprocessing, augmentasi, serta training menggunakan ketiga model, lalu diproses pula melalui konfigurasi hyperparameter. Evaluasi kinerja model dilakukan berdasarkan akurasi, Presisi, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa EfficientNetV2-S mencapai akurasi tertinggi sebesar 88,86% dengan efisiensi yang lebih baik, sedangkan EfficientNetV2-Memiliki stabilitas klasifikasi yang lebih baik dengan F1-Score yang lebih konsisten dengan akurasi sebesar 88,80%. Sementara itu, EfficientNetV2-L menunjukkan hasil akurasi yang kompetitif tetapi memerlukan sumber daya komputasi yang lebih besar. Analisis lebih lanjut menunjukkan bahwa pemilihan model tidak hanya bergantung pada akurasi, tetapi juga mempertimbangkan ukuran model dan kebutuhan komputasi. Hasil penelitian ini menunjukkan bahwa EfficientNetV2-S merupakan pilihan optimal berdasarkan akurasi dan efisiensi, sedangkan EfficientNetV2-M lebih unggul dalam stabilitas klasifikasi. Hasil penelitian ini dapat menjadi referensi dalam pengembangan sistem berbasis deep learning untuk diagnosis kanker tulang di masa depan.
Abstract
Osteosarcoma is a malignant bone cancer that primarily affects the ends of long bones and has a high potential for metastasis to other organs. Early diagnosis is crucial to improving treatment outcomes and patient prognosis. This study employs a Convolutional Neural Network (CNN) to analyze and classify histological images of Osteosarcoma by comparing the performance of three variants of the EfficientNetV2 model (S, M, and L). The dataset that used in this study is a digitized Osteosarcoma histology images, and will be processed through the preprocessing, data augmentation, and model training using the three different EfficientNetV2 variants. Additionally, hyperparameter tuning is performed to optimize model performance. The evaluation of model performance is conducted based on accuracy, precision, recall, and F1-score. The results showed that EfficientNetV2-S achieved the highest accuracy of 88.86% with better efficiency, while EfficientNetV2-S had better classification stability with a more consistent F1-Score with an accuracy of 88.80%. Meanwhile, EfficientNetV2-L showed competitive accuracy results but required more computational resources. Further analysis reveals that model selection not only depends on accuracy, but also considers model size and computational requirements. The results show that EfficientNetV2-S is the optimal choice based on accuracy and efficiency, while EfficientNetV2-M is the optimal choice in classification stability. The results of this study can serve as a reference in the development of deep learning-based systems for bone cancer diagnosis in the future.
Osteosarcoma merupakan jenis kanker tulang ganas yang menyerang ujung tulang panjang dan berpotensi menyebar ke organ lain (metastasis). Diagnosis dini berperan penting untuk mendukung hasil pengobatan yang optimal. Penelitian ini menggunakan Convolutional Neural Network (CNN) untuk menganalisis dan mengklasifikasikan citra histologi tulang Osteosarcoma, dengan membandingkan kinerja tiga varian model EfficientNetV2 (S, M, dan L). Dataset yang digunakan adalah citra histologi Osteosarcoma yang telah didigitalisasi dan dataset ini diproses melalui tahap preprocessing, augmentasi, serta training menggunakan ketiga model, lalu diproses pula melalui konfigurasi hyperparameter. Evaluasi kinerja model dilakukan berdasarkan akurasi, Presisi, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa EfficientNetV2-S mencapai akurasi tertinggi sebesar 88,86% dengan efisiensi yang lebih baik, sedangkan EfficientNetV2-Memiliki stabilitas klasifikasi yang lebih baik dengan F1-Score yang lebih konsisten dengan akurasi sebesar 88,80%. Sementara itu, EfficientNetV2-L menunjukkan hasil akurasi yang kompetitif tetapi memerlukan sumber daya komputasi yang lebih besar. Analisis lebih lanjut menunjukkan bahwa pemilihan model tidak hanya bergantung pada akurasi, tetapi juga mempertimbangkan ukuran model dan kebutuhan komputasi. Hasil penelitian ini menunjukkan bahwa EfficientNetV2-S merupakan pilihan optimal berdasarkan akurasi dan efisiensi, sedangkan EfficientNetV2-M lebih unggul dalam stabilitas klasifikasi. Hasil penelitian ini dapat menjadi referensi dalam pengembangan sistem berbasis deep learning untuk diagnosis kanker tulang di masa depan.
Abstract
Osteosarcoma is a malignant bone cancer that primarily affects the ends of long bones and has a high potential for metastasis to other organs. Early diagnosis is crucial to improving treatment outcomes and patient prognosis. This study employs a Convolutional Neural Network (CNN) to analyze and classify histological images of Osteosarcoma by comparing the performance of three variants of the EfficientNetV2 model (S, M, and L). The dataset that used in this study is a digitized Osteosarcoma histology images, and will be processed through the preprocessing, data augmentation, and model training using the three different EfficientNetV2 variants. Additionally, hyperparameter tuning is performed to optimize model performance. The evaluation of model performance is conducted based on accuracy, precision, recall, and F1-score. The results showed that EfficientNetV2-S achieved the highest accuracy of 88.86% with better efficiency, while EfficientNetV2-S had better classification stability with a more consistent F1-Score with an accuracy of 88.80%. Meanwhile, EfficientNetV2-L showed competitive accuracy results but required more computational resources. Further analysis reveals that model selection not only depends on accuracy, but also considers model size and computational requirements. The results show that EfficientNetV2-S is the optimal choice based on accuracy and efficiency, while EfficientNetV2-M is the optimal choice in classification stability. The results of this study can serve as a reference in the development of deep learning-based systems for bone cancer diagnosis in the future.
Analisis Persepsi Mahasiswa Rumpun Ilmu Komputer Terhadap Pemanfaatan Artificial Intelligence Dalam Penulisan Tugas Akhir
Get PDFPenelitian ini bertujuan untuk menganalisis persepsi dan penggunaan teknologi kecerdasan buatan (AI) dalam penulisan tugas akhir di kalangan mahasiswa Fakultas Ilmu Komputer, Universitas Brawijaya. Dengan menggunakan pendekatan kuantitatif, data dikumpulkan dari 102 mahasiswa tingkat akhir melalui kuesioner berbasis skala Likert. Analisis data dilakukan menggunakan Structural Equation Modeling (SEM) dengan pendekatan Partial Least Squares (PLS). Hasil penelitian menunjukkan bahwa persepsi kegunaan (perceived usefulness) memiliki pengaruh signifikan positif terhadap penggunaan aktual (actual usage) AI, sedangkan persepsi kemudahan penggunaan (perceived ease of use) tidak menunjukkan pengaruh yang signifikan. Mayoritas responden melaporkan bahwa AI membantu meningkatkan kualitas tugas akhir dan kreativitas mereka, serta dianggap mudah diakses dan fleksibel dalam penggunaannya. ChatGPT teridentifikasi sebagai aplikasi AI yang paling dominan digunakan. Penelitian ini juga mengidentifikasi beberapa hambatan dalam penggunaan AI, termasuk kebutuhan akan fitur yang lebih spesifik untuk mendukung penulisan akademik. Temuan ini memberikan wawasan penting bagi pengembang teknologi dan institusi pendidikan dalam mengoptimalkan penggunaan AI untuk mendukung proses penulisan akademik. Penelitian lanjutan direkomendasikan untuk mengeksplorasi aspek orisinalitas dan akurasi tulisan yang dibantu AI.
Abstract
This study aims to analyze the perception and usage of artificial intelligence (AI) technology in thesis writing among students of the Faculty of Computer Science, Universitas Brawijaya. Using a quantitative approach, data were collected from 102 final-year students through a Likert-scale-based questionnaire. Data analysis was conducted using Structural Equation Modeling (SEM) with the Partial Least Squares (PLS) approach. The results of the study indicate that perceived usefulness has a significant positive influence on the actual usage of AI, while perceived ease of use does not show a significant effect. The majority of respondents reported that AI helps improve the quality of their theses and their creativity, and it is considered easy to access and flexible in its usage. ChatGPT was identified as the most dominant AI application used. The study also identified several barriers to AI usage, including the need for more specific features to support academic writing. These findings provide important insights for technology developers and educational institutions in optimizing the use of AI to support academic writing processes. Further research is recommended to explore aspects of originality and accuracy in AI-assisted writing.Penelitian ini bertujuan untuk menganalisis persepsi dan penggunaan teknologi kecerdasan buatan (AI) dalam penulisan tugas akhir di kalangan mahasiswa Fakultas Ilmu Komputer, Universitas Brawijaya. Dengan menggunakan pendekatan kuantitatif, data dikumpulkan dari 102 mahasiswa tingkat akhir melalui kuesioner berbasis skala Likert. Analisis data dilakukan menggunakan Structural Equation Modeling (SEM) dengan pendekatan Partial Least Squares (PLS). Hasil penelitian menunjukkan bahwa persepsi kegunaan (perceived usefulness) memiliki pengaruh signifikan positif terhadap penggunaan aktual (actual usage) AI, sedangkan persepsi kemudahan penggunaan (perceived ease of use) tidak menunjukkan pengaruh yang signifikan. Mayoritas responden melaporkan bahwa AI membantu meningkatkan kualitas tugas akhir dan kreativitas mereka, serta dianggap mudah diakses dan fleksibel dalam penggunaannya. ChatGPT teridentifikasi sebagai aplikasi AI yang paling dominan digunakan. Penelitian ini juga mengidentifikasi beberapa hambatan dalam penggunaan AI, termasuk kebutuhan akan fitur yang lebih spesifik untuk mendukung penulisan akademik. Temuan ini memberikan wawasan penting bagi pengembang teknologi dan institusi pendidikan dalam mengoptimalkan penggunaan AI untuk mendukung proses penulisan akademik. Penelitian lanjutan direkomendasikan untuk mengeksplorasi aspek orisinalitas dan akurasi tulisan yang dibantu AI.
Abstract
This study aims to analyze the perception and usage of artificial intelligence (AI) technology in thesis writing among students of the Faculty of Computer Science, Universitas Brawijaya. Using a quantitative approach, data were collected from 102 final-year students through a Likert-scale-based questionnaire. Data analysis was conducted using Structural Equation Modeling (SEM) with the Partial Least Squares (PLS) approach. The results of the study indicate that perceived usefulness has a significant positive influence on the actual usage of AI, while perceived ease of use does not show a significant effect. The majority of respondents reported that AI helps improve the quality of their theses and their creativity, and it is considered easy to access and flexible in its usage. ChatGPT was identified as the most dominant AI application used. The study also identified several barriers to AI usage, including the need for more specific features to support academic writing. These findings provide important insights for technology developers and educational institutions in optimizing the use of AI to support academic writing processes. Further research is recommended to explore aspects of originality and accuracy in AI-assisted writing
Implementasi Metode Personal Extreme Programming (Pxp) Pada Pengembangan Aplikasi Buku Tamu(Studi Kasus : Dinas Komunikasi Dan Informatika Kabupaten Lombok Tengah)
Get PDFAplikasi Buku Tamu Digital yang dikembangkan di Dinas Komunikasi dan Informatika Kabupaten Lombok Tengah bertujuan untuk mempermudah proses pendaftaran tamu dan pengelolaan data kunjungan. Proses pengembangan dilakukan dengan pendekatan Personal Extreme Programming (PXP) yang meliputi tahapan Requirement, Planning, Iteration Initialization, Design, Implementation, System Testing, dan Retrospective. Hasil pengembangan aplikasi ini menunjukkan bahwa aplikasi memiliki fitur unggulan seperti manajemen data pegawai, kegiatan dinas, serta dashboard statistik kunjungan yang dapat disesuaikan. Pengujian sistem menggunakan metode Black Box Testing menunjukkan bahwa seluruh fitur berfungsi dengan baik dengan tingkat keberhasilan mencapai 100%. Analisis komparatif dengan aplikasi Guest Management System (GMS) komersial, seperti Envoy dan SwipedOn, menunjukkan bahwa meskipun aplikasi GMS komersial lebih unggul dalam hal skalabilitas berbasis cloud, keamanan data yang lebih tinggi, dan dukungan teknis profesional, aplikasi Buku Tamu Digital menawarkan keunggulan dalam hal kustomisasi sesuai kebutuhan lokal, seperti dukungan bahasa daerah (misalnya Bahasa Sasak), integrasi dengan sistem administrasi pemerintahan, dan model distribusi yang lebih efisien biaya. Hasil pengujian kuantitatif menunjukkan performa yang responsif, dengan waktu respons pemindaian QR mencapai 312 ms dan tingkat akurasi verifikasi identitas tamu sebesar 98.7%. Aplikasi ini diharapkan dapat memberikan solusi yang efektif dan efisien untuk pengelolaan kunjungan di instansi pemerintah.
Abstract
The Digital Guest Book application developed at the Central Lombok Regency Communication and Informatics Office aims to simplify the guest registration process and management of visit data. The development process was carried out using the Personal Extreme Programming (PXP) approach which includes the stages of Requirement, Planning, Iteration Initialization, Design, Implementation, System Testing, and Retrospective. The results of the development of this application show that the application has superior features such as employee data management, service activities, and a customizable visit statistics dashboard. System testing using the Black Box Testing method shows that all features function well with a success rate of 100%. Comparative analysis with commercial Guest Management System (GMS) applications, such as Envoy and SwipedOn, shows that although commercial GMS applications are superior in terms of cloud-based scalability, higher data security, and professional technical support, the Digital Guest Book application offers advantages in terms of customization according to local needs, such as support for regional languages (eg Sasak), integration with government administration systems, and a more cost-efficient distribution model. Quantitative testing results show responsive performance, with a QR scan response time of 312 ms and a guest identity verification accuracy rate of 98.7%. This application is expected to provide an effective and efficient solution for managing visits in government agencies.Aplikasi Buku Tamu Digital yang dikembangkan di Dinas Komunikasi dan Informatika Kabupaten Lombok Tengah bertujuan untuk mempermudah proses pendaftaran tamu dan pengelolaan data kunjungan. Proses pengembangan dilakukan dengan pendekatan Personal Extreme Programming (PXP) yang meliputi tahapan Requirement, Planning, Iteration Initialization, Design, Implementation, System Testing, dan Retrospective. Hasil pengembangan aplikasi ini menunjukkan bahwa aplikasi memiliki fitur unggulan seperti manajemen data pegawai, kegiatan dinas, serta dashboard statistik kunjungan yang dapat disesuaikan. Pengujian sistem menggunakan metode Black Box Testing menunjukkan bahwa seluruh fitur berfungsi dengan baik dengan tingkat keberhasilan mencapai 100%. Analisis komparatif dengan aplikasi Guest Management System (GMS) komersial, seperti Envoy dan SwipedOn, menunjukkan bahwa meskipun aplikasi GMS komersial lebih unggul dalam hal skalabilitas berbasis cloud, keamanan data yang lebih tinggi, dan dukungan teknis profesional, aplikasi Buku Tamu Digital menawarkan keunggulan dalam hal kustomisasi sesuai kebutuhan lokal, seperti dukungan bahasa daerah (misalnya Bahasa Sasak), integrasi dengan sistem administrasi pemerintahan, dan model distribusi yang lebih efisien biaya. Hasil pengujian kuantitatif menunjukkan performa yang responsif, dengan waktu respons pemindaian QR mencapai 312 ms dan tingkat akurasi verifikasi identitas tamu sebesar 98.7%. Aplikasi ini diharapkan dapat memberikan solusi yang efektif dan efisien untuk pengelolaan kunjungan di instansi pemerintah.
Abstract
The Digital Guest Book application developed at the Central Lombok Regency Communication and Informatics Office aims to simplify the guest registration process and management of visit data. The development process was carried out using the Personal Extreme Programming (PXP) approach which includes the stages of Requirement, Planning, Iteration Initialization, Design, Implementation, System Testing, and Retrospective. The results of the development of this application show that the application has superior features such as employee data management, service activities, and a customizable visit statistics dashboard. System testing using the Black Box Testing method shows that all features function well with a success rate of 100%. Comparative analysis with commercial Guest Management System (GMS) applications, such as Envoy and SwipedOn, shows that although commercial GMS applications are superior in terms of cloud-based scalability, higher data security, and professional technical support, the Digital Guest Book application offers advantages in terms of customization according to local needs, such as support for regional languages (eg Sasak), integration with government administration systems, and a more cost-efficient distribution model. Quantitative testing results show responsive performance, with a QR scan response time of 312 ms and a guest identity verification accuracy rate of 98.7%. This application is expected to provide an effective and efficient solution for managing visits in government agencies
Analisis Sentimen Berbasis Aspek pada Aplikasi Mobile Menggunakan Naïve Bayes berdasarkan Ulasan Pengguna Playstore (Studi Kasus : Jconnect Mobile)
Get PDFJConnect Mobile merupakan salah satu aplikasi mobile banking di Indonesia yang dikembangkan oleh Bank Jatim. Hasil pengamatan pada ulasan playstore menunjukkan masih terdapat keluhan pengguna terkait aplikasi JConnect Mobile. Ulasan dari pengguna dapat dimanfaatkan sebagai sumber untuk melakukan peningkatan aplikasi. Salah satu cara untuk melakukan analisis pada ulasan pengguna yaitu dengan analisis sentimen. Penelitian ini melakukan analisis sentimen berbasis aspek untuk mengidentifikasi sentimen positif dan negatif pada ulasan pengguna. Data yang digunakan dalam penelitian ini adalah ulasan pengguna terhadap aplikasi JConnect Mobile di playstore. Aspek yang digunakan yaitu tampilan, fitur dan performa, layanan. Metode yang digunakan dalam penelitian ini yaitu pengumpulan data, pelabelan data, preprocessing teks, klasifikasi dan pengujian, analisis hasil. Klasifikasi dilakukan dengan menggunakan algoritma Naïve Bayes dan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF). Hasil dari analisis sentimen dilakukan Root Cause Analysis (RCA) untuk mengetahui akar permasalahan dari sentimen negatif. Hasil pengujian algoritma Naïve Bayes pada seluruh data didapatkan akurasi sebesar 93.1%, presisi 93.2%, recall 93.1%, dan f1-score 93.1%. Hasil RCA menemukan lima permasalahan utama yang dapat ditingkatkan dari aplikasi. Berdasarkan hasil RCA kemudian dilakukan penyusunan rekomendasi untuk dapat meningkatkan kualitas layanan dari aplikasi. Hasil penelitian ini menghasilkan rekomendasi yang telah diserahkan kepada pihak Bank Jatim sebagai bahan evaluasi dan perbaikan dalam aspek tampilan, fitur, performa, dan layanan aplikasi untuk meningkatkan kepuasan pengguna.
Abstract
JConnect Mobile is one of the mobile banking applications in Indonesia developed by Bank Jatim. Observations on playstore reviews show that there are still user complaints regarding the JConnect Mobile application. Reviews from users can be utilized as a source for making application improvements. One way to analyze user reviews is with sentiment analysis. This research conducts aspect-based sentiment analysis to identify positive and negative sentiments in user reviews. The data used in this study are user reviews of the JConnect Mobile application in PlayStore. The aspects used are appearance, features and performance, service. The methods used in this research are data collection, data labeling, text preprocessing, classification and testing, result analysis. Classification is done using the Naïve Bayes algorithm and Term Frequency-Inverse Document Frequency (TF-IDF) weighting. The results of sentiment analysis are carried out Root Cause Analysis (RCA) to find out the root causes of negative sentiment. The results of testing the Naïve Bayes algorithm on all data obtained an accuracy of 93.1%, precision of 93.2%, recall of 93.1%, and f1-score of 93.1%. The RCA results found five main problems that can be improved from the application. Based on the RCA results, recommendations are made to improve the service quality of the application. The results of this study resulted in recommendations that have been submitted to the Bank Jatim as evaluation and improvement materials in the aspects of appearance, features, performance, and application services to increase user satisfaction.JConnect Mobile merupakan salah satu aplikasi mobile banking di Indonesia yang dikembangkan oleh Bank Jatim. Hasil pengamatan pada ulasan playstore menunjukkan masih terdapat keluhan pengguna terkait aplikasi JConnect Mobile. Ulasan dari pengguna dapat dimanfaatkan sebagai sumber untuk melakukan peningkatan aplikasi. Salah satu cara untuk melakukan analisis pada ulasan pengguna yaitu dengan analisis sentimen. Penelitian ini melakukan analisis sentimen berbasis aspek untuk mengidentifikasi sentimen positif dan negatif pada ulasan pengguna. Data yang digunakan dalam penelitian ini adalah ulasan pengguna terhadap aplikasi JConnect Mobile di playstore. Aspek yang digunakan yaitu tampilan, fitur dan performa, layanan. Metode yang digunakan dalam penelitian ini yaitu pengumpulan data, pelabelan data, preprocessing teks, klasifikasi dan pengujian, analisis hasil. Klasifikasi dilakukan dengan menggunakan algoritma Naïve Bayes dan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF). Hasil dari analisis sentimen dilakukan Root Cause Analysis (RCA) untuk mengetahui akar permasalahan dari sentimen negatif. Hasil pengujian algoritma Naïve Bayes pada seluruh data didapatkan akurasi sebesar 93.1%, presisi 93.2%, recall 93.1%, dan f1-score 93.1%. Hasil RCA menemukan lima permasalahan utama yang dapat ditingkatkan dari aplikasi. Berdasarkan hasil RCA kemudian dilakukan penyusunan rekomendasi untuk dapat meningkatkan kualitas layanan dari aplikasi. Hasil penelitian ini menghasilkan rekomendasi yang telah diserahkan kepada pihak Bank Jatim sebagai bahan evaluasi dan perbaikan dalam aspek tampilan, fitur, performa, dan layanan aplikasi untuk meningkatkan kepuasan pengguna.
Abstract
JConnect Mobile is one of the mobile banking applications in Indonesia developed by Bank Jatim. Observations on playstore reviews show that there are still user complaints regarding the JConnect Mobile application. Reviews from users can be utilized as a source for making application improvements. One way to analyze user reviews is with sentiment analysis. This research conducts aspect-based sentiment analysis to identify positive and negative sentiments in user reviews. The data used in this study are user reviews of the JConnect Mobile application in PlayStore. The aspects used are appearance, features and performance, service. The methods used in this research are data collection, data labeling, text preprocessing, classification and testing, result analysis. Classification is done using the Naïve Bayes algorithm and Term Frequency-Inverse Document Frequency (TF-IDF) weighting. The results of sentiment analysis are carried out Root Cause Analysis (RCA) to find out the root causes of negative sentiment. The results of testing the Naïve Bayes algorithm on all data obtained an accuracy of 93.1%, precision of 93.2%, recall of 93.1%, and f1-score of 93.1%. The RCA results found five main problems that can be improved from the application. Based on the RCA results, recommendations are made to improve the service quality of the application. The results of this study resulted in recommendations that have been submitted to the Bank Jatim as evaluation and improvement materials in the aspects of appearance, features, performance, and application services to increase user satisfaction
Optimasi Algoritma Support Vector Machine Berbasis Kernel Radial Basis Function (RBF) Menggunakan Metode Particle Swarm Optimization Untuk Analisis Sentimen
Get PDFDi era digital, aplikasi Financial Technology (Fintech) telah menjadi bagian penting dalam kehidupan sehari-hari masyarakat. Kemudahan dan efisiensi yang ditawarkan oleh aplikasi Fintech menarik jutaan pengguna, yang aktif memberikan umpan balik dan ulasan di platform seperti Google Play Store. Ulasan ini menjadi sumber informasi berharga bagi pengembang untuk memahami persepsi pengguna, mengidentifikasi masalah, dan meningkatkan kualitas layanan. Penelitian ini bertujuan mengevaluasi efektivitas algoritma Particle Swarm Optimization (PSO) dalam meningkatkan akurasi analisis sentimen pada algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF). Data ulasan dikumpulkan melalui web scraping dari komentar di Google Play untuk tiga aplikasi Fintech, yaitu Flip, Neobank, dan Bank Jago. Tahapan pemrosesan meliputi pelabelan, preprocessing untuk membersihkan data, dan pembobotan kata menggunakan metode TF-IDF (Term Frequency-Inverse Document Frequency). Teknik Random Oversampling diterapkan untuk mengatasi ketidakseimbangan kelas dalam dataset. Hasil penelitian menunjukkan bahwa optimasi parameter dengan PSO mampu meningkatkan kinerja analisis sentimen, dengan peningkatan rata-rata sebesar 11,33% untuk setiap aplikasi. PSO juga meningkatkan akurasi model dalam menghadapi tantangan data tidak seimbang, memberikan wawasan yang lebih dalam bagi pengembang aplikasi untuk meningkatkan layanan.
Abstract
Financial technology (Fintech) applications have become part of people\u27s daily lives in the digital era. The convenience and efficiency offered by Fintech applications have attracted millions of users, who actively provide feedback and reviews on platforms such as the Google Play Store. These reviews are an important source of information for application developers to understand user perceptions, identify problems, and improve service quality. The study investigates the effectiveness of the Particle Swarm Optimization (PSO) method for balanced and unbalanced datasets and how well it improves sentiment analysis accuracy when applied to the Support Vector Machine (SVM) algorithm when using Radial Basis Function (RBF) kernel. We conducted web scraping to collect user review data from Google Play for three FinTech applications: Flip, Neobank, and Bank Jago as research objects. Following data collection, the review data underwent preprocessing steps, such as word weighting using the TF-IDF (Term Frequency-Inverse Document Frequency), labeling, and preprocessing to clean the data. Random Oversampling resolved the dataset\u27s class imbalance, making all classes representative in the study. The results of this study indicate that parameter optimization with PSO can improve the performance of sentiment analysis on the subjects studied. Furthermore, based on the results of SVM testing using parameter optimization of the PSO algorithm, an average performance increase of 11.33% was obtained for each application that had been analyzed. The results also show that PSO improves model accuracy in sentiment analysis with imbalanced data challenges, providing deeper insights for application developers to improve services.Di era digital, aplikasi Financial Technology (Fintech) telah menjadi bagian penting dalam kehidupan sehari-hari masyarakat. Kemudahan dan efisiensi yang ditawarkan oleh aplikasi Fintech menarik jutaan pengguna, yang aktif memberikan umpan balik dan ulasan di platform seperti Google Play Store. Ulasan ini menjadi sumber informasi berharga bagi pengembang untuk memahami persepsi pengguna, mengidentifikasi masalah, dan meningkatkan kualitas layanan. Penelitian ini bertujuan mengevaluasi efektivitas algoritma Particle Swarm Optimization (PSO) dalam meningkatkan akurasi analisis sentimen pada algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF). Data ulasan dikumpulkan melalui web scraping dari komentar di Google Play untuk tiga aplikasi Fintech, yaitu Flip, Neobank, dan Bank Jago. Tahapan pemrosesan meliputi pelabelan, preprocessing untuk membersihkan data, dan pembobotan kata menggunakan metode TF-IDF (Term Frequency-Inverse Document Frequency). Teknik Random Oversampling diterapkan untuk mengatasi ketidakseimbangan kelas dalam dataset. Hasil penelitian menunjukkan bahwa optimasi parameter dengan PSO mampu meningkatkan kinerja analisis sentimen, dengan peningkatan rata-rata sebesar 11,33% untuk setiap aplikasi. PSO juga meningkatkan akurasi model dalam menghadapi tantangan data tidak seimbang, memberikan wawasan yang lebih dalam bagi pengembang aplikasi untuk meningkatkan layanan.
Abstract
Financial technology (Fintech) applications have become part of people\u27s daily lives in the digital era. The convenience and efficiency offered by Fintech applications have attracted millions of users, who actively provide feedback and reviews on platforms such as the Google Play Store. These reviews are an important source of information for application developers to understand user perceptions, identify problems, and improve service quality. The study investigates the effectiveness of the Particle Swarm Optimization (PSO) method for balanced and unbalanced datasets and how well it improves sentiment analysis accuracy when applied to the Support Vector Machine (SVM) algorithm when using Radial Basis Function (RBF) kernel. We conducted web scraping to collect user review data from Google Play for three FinTech applications: Flip, Neobank, and Bank Jago as research objects. Following data collection, the review data underwent preprocessing steps, such as word weighting using the TF-IDF (Term Frequency-Inverse Document Frequency), labeling, and preprocessing to clean the data. Random Oversampling resolved the dataset\u27s class imbalance, making all classes representative in the study. The results of this study indicate that parameter optimization with PSO can improve the performance of sentiment analysis on the subjects studied. Furthermore, based on the results of SVM testing using parameter optimization of the PSO algorithm, an average performance increase of 11.33% was obtained for each application that had been analyzed. The results also show that PSO improves model accuracy in sentiment analysis with imbalanced data challenges, providing deeper insights for application developers to improve services