JEPIN (Jurnal Edukasi dan Penelitian Informatika)
Not a member yet
363 research outputs found
Sort by
Perbandingan Particle Swarm Optimization dengan Genetic Algorithm dalam Feature Selection untuk Analisis Sentimen pada Permendikbudristek PPKS-LPT
Get PDFKekerasan seksual merupakan salah satu masalah serius yang perlu diselesaikan. Setiap tahunnya terdapat lebih dari 2000 aduan kekerasan seksual. Di satuan Pendidikan, sebanyak 55% dari pelaku merupakan guru atau tenaga pendidik. Jumlah yang ada masih belum merepresentasikan jumlah sebenarnya karena 63% dari peserta survei DIKTI tidak melaporkan kasus kekerasan seksual yang diketahuinya dengan alasan menjaga nama baik kampus. Dengan begitu, Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi (Kemendikbud) menerbitkan Peraturan Menteri Pendidikan, Kebudayaan, Riset, dan Teknologi (Permendikbudristek) Nomor 30 tahun 2021 tentang Pencegahan dan Penanganan Kekerasan Seksual di Lingkungan Perguruan Tinggi (PPKS-LPT). Peraturan ini menimbulkan kontroversi di masyarakat sehingga perlu dilakukan klasifikasi sentimen. Klasifikasi sentimen dilakukan menggunakan algoritma Multinomial Naïve Bayes, Complement Naïve Bayes, Support Vector Machine, dan Nearest Neighbor dengan menggunakan data seleksi fitur Genetic Algorithm dan Particle Swarm Optimization pada data hasil ekstraksi fitur TF-IDF dari data Twitter yang diambil pada tanggal 1 September-30 Desember 2021 menggunakan kata kunci “permendikbud”, hashtag “cabutpermendikbudristekno30”, dan hashtag “dukungpermendikbud30”. Kemudian klasifikasi akan dievaluasi menggunakan 10-Fold Cross Validation. Hasil dari penelitian ini, algoritma CNB memiliki kinerja paling baik jika dibandingkan dengan 4 algoritma klasifikasi lain dengan nilai accuracy 0.688, precison 0.685, recall 0.688, dan f1-score 0.683. Seleksi fitur GA belum mampu menemukan fitur-fitur yang memiliki akurasi lebih baik jika dibandingkan menggunakan semua fitur, sedangkan seleksi fitur PSO mampu menemukan fitur yang memiliki akurasi sama atau lebih baik jika dibandingkan menggunakan semua fitur dengan peningkatan tertinggi sebanyak 0.8% pada MNB. Sebanyak 49% dari responden merupakan pendukung pengesahan Permendikbudristek PPKS-LPT
Metode Schema Matching berbasis Linguistic dan Constraint untuk Integrasi Database di Sekolah
Get PDFIntegrasi data kini telah menjadi kebutuhan bagi setiap organisasi. Organisasi yang tidak mengintegrasikan data antara satu divisi dengan divisi lainnya akan menimbulkan kemungkinan terjadinya redundansi dan data yang tidak konsisten. Proses integrasi data umumnya terkendala oleh penggunaan istilah dan penulisan nama tabel serta atribut yang berbeda. Dalam penelitian ini, metode Linguistik dikombinasikan dengan metode Constraint digunakan untuk menemukan kesamaan antara atribut database yang berbeda. Metode Bigram digunakan sebagai metode linguistik. Atribut yang diusulkan untuk dihapus oleh Bigram ditinjau kembali dari aspek Constraint. Dengan menggunakan metode ini, 8 tabel dan 60 atribut dapat direduksi dari tujuh database. Hasil penelitian menunjukkan bahwa metode ini mempunyai akurasi di atas 99% pada semua skenario. Di sisi lain, Precision terendah terdapat saat membandingkan atribut antara database Administrasi_siswa dan Kesiswaan, yaitu hanya mencapat 70%. Meskipun masih ada beberapa kesalahan yang dilakukan oleh Bigram sebagai metode Linguistik, kesalahan tersebut dapat ditutupi dengan menggabungkan metode tersebut dengan metode berbasis Constraint. Pengujian validitas hasil integrasi dilakukan dengan query menggunakan sintaks SQL langsung ke database dan menghasilkan hasil query yang benar
Analisis Kualitas Layanan Terhadap Kepuasan Pengguna Sistem Informasi Kawasan Agrowisata Cicantayan Menggunakan Webqual 4.0
Get PDFKecamatan Cicantayan memiliki potensi agrowisata pedesaan yang ditunjang oleh banyaknya produk UMKM yang dihasilkan oleh masyarakat di kawasan wisata tersebut. Digitalisasi informasi dan pengelolaan transaksi digunakan untuk mengoptimalkan aktivitas bisnis kawasan agrowisata di Kecamatan Cicantayan. Sistem informasi kawasan agrowisata Cicantayan dirancang untuk mengeksploitasi informasi terkait potensi wisata dan produk UMKM di Kecamatan Cicantayan. Dengan adanya sistem informasi kawasan agrowisata Cicantayan menyediakan akses informasi terhadap daya tarik kawasan wisata pedesaan, pemesanan tiket wisata, dan transaksi produk UMKM yang dihasilkan oleh masyarakat di Kecamatan Cicantayan. Untuk mengukur keberhasilan penerapan sistem informasi kawasan agrowisata Cicantayan, dilakukan analisis pengaruh kualitas layanan terhadap kepuasan pengguna (user satisfaction) dengan menggunakan Webqual 4.0. Indikator kualitas layanan yang diukur terdiri dari usability, information quality, dan interaction quality. Kuesioner disebar kepada pengguna aplikasi diantaranya BUMDes (Badan Usaha Milik Desa), UMKM, dan masyarakat. Data yang terkumpul kemudian diolah menggunakan teknik analisis regresi linier berganda menggunakan software SPSS 26. Berdasarkan hasil analisis kepuasan pengguna menggunakan model Webqual 4.0, diperoleh skor usability sebesar 464 dengan persentase 96.12%. Hal tersebut membuktikan bahwa kualitas kegunaan aplikasi berpengaruh positif signifikan terhadap kepuasan pengguna. Kemudian skor information quality diperoleh sebesar 489 dengan prosentase 93.68%. Hal tersebut membuktikan bahwa kualitas informasi pada aplikasi berpengaruh signifikan terhadap kepuasan pengguna. Hasil skor interaction quality diperoleh sebesar 270 dengan prosentase 93.10%. Hal tersebut membuktikan bahwa kualitas interaksi dalam aplikasi berpengaruh signifikan terhadap kepuasan pengguna
Analisis Perbandingan Algoritma LSTM dan Naive Bayes untuk Analisis Sentimen
Get PDFNew Normal merupakan sebuah sebutan bagi kebijakan pemerintah untuk mengizinkan masyarakatnya melakukan aktifitas seperti biasa di tengah pandemi Covid-19 yang sedang melanda dengan tetap memperhatikan protokol kesehatan. Kebijakan ini menimbulkan berbagai tanggapan dari masyarakat terutama di media sosial twitter. Untuk itu, diperlukan proses analisis sentimen untuk melakukan pemrosesan terhadap teks yang didapat dari twitter. Analisis sentimen adalah bentuk representasi dari text mining dan text processing. Pada penelitian ini melakukan perbandingan kinerja metode Long Short Therm Memory dengan Naïve Bayes terhadap analisis sentimen Kebijakan New Normal. Hasil yang diperoleh dari penelitian ini yaitu metode LSTM memiliki kinerja yang lebih baik bila dibandingkan dengan Naïve Bayes. Metode LSTM menghasilkan nilai akurasi, presisi dan recall sebesar 83.33%. Sedangkan metode Naïve Bayes memiliki nilai akurasi, presisi dan recall sebesar 82%
Klasifikasi Kecanduan Smartphone pada Pelajar Sekolah Menengah Atas menggunakan Metode Machine Learning Berbasis Feature Weighting
Get PDFKecanduan terhadap smartphone dapat berakibat buruk bagi pelajar. Penelitian ini bertujuan memprediksi kecanduan smartphone di kalangan siswa-siswi SMA dengan menggunakan metode terbaik dari klasifikasi. Klasifikasi dilakukan untuk dapat mendukung pengambilan keputusan terkait masalah kecanduan smartphone. Algoritma C4.5, Naive Bayes (NB), dan K-Nearest Neighbor (KNN) merupakan metode klasifikasi machine learning yang digunakan pada penelitian ini. Metode ini merupakan metode klasifikasi machine learning yang termasuk dalam kategori top 10 dalam menyelesaikan kasus prediksi. Untuk dapat meningkatkan kinerja metode-metode machine learning tersebut, maka dilakukan seleksi atribut sebelum proses klasifikasi menggunakan Forward Selection, Backward Elimination, dan dengan pendekatan korelasi Linear Regression. Hasil penelitian menunjukkan bahwa metode terbaik untuk klasifikasi kecanduan smartphone adalah KNN dengan seleksi atribut menggunakan Linear Regression berdasarkan korelasi weight, yang mana atribut inputan yang berpengaruh secara signifikan terhadap output kecanduan smartphone (Y) adalah umur (X1), durasi penggunaan smartphone (X5), aktifitas (X6), dan kualitas tidur (X7) dengan model K = 44 dan numerical measure = Chebychev, menghasilkan accuracy = 79.03%, precision = 78.79%, recall = 81.25%, AUC = 0.828, dan running times = 1 detik. Output dari penelitian ini menunjukan prediksi dengan menggunakan metode terbaik yaitu presentase tingkat kecanduan siswa dengan tidak kecanduan serta presentase kecanduan smartphone dengan variabel lainnya
Ekstraksi Fitur Daun dengan Penerapan Metode Compressive Sensing
Get PDFDaun menjadi salah satu daya tarik manusia untuk melakukan kegiatan berkebun atau kegiatan lain seperti penjualan tanaman karena dari segi bentuk daun yang unik dan karakteristik yang bermacam-macam. Untuk mengetahui karakteristik pada jenis daun dilakukan proses ekstraksi fitur. Tujuan dari ekstraksi fitur ini untuk mengetahui bentuk, tekstur, warna,ukuran, dan nilai yang digunakan sebagai pembeda antara satu objek dengan objek lain. Pada penelitian ini menggunakan 32 citra daun. Metode yang digunakan pada penelitian ini yaitu Compressive Sensing (CS), Gray Level Co-Occurrence Matrix (GLCM), dan K-Nearest Neighbour (K-NN). Hasil yang diperoleh menunjukan kualitas dari kompresi ketika dilakukan pengujian dengan menggunakan rasio kompresi, MSE, PSNR, dan akurasi. Didapatkan hasil terbaik ketika menggunakan data latih bernilai 20, data uji bernilai 4, block bernilai 32, baris kompresi bernilai 32, dan resize berukuran 512 512 menghasilkan rasio kompresi bernilai 3,1%, PSNR bernilai 22,1 dB, dan akurasi bernilai 100%
Model Hibrid Algoritma Apriori dan Regresi Linear untuk Perkiraan Produksi Jagung (Studi Kasus : Kabupaten Dompu)
Get PDFJagung ialah sumber karbohidrat penting ke dua sesudah beras. Dibeberapa daerah, jagung adalah pembakar lemak yang baik karena jagung juga tinggi lemak dan tinggi kalori daripada nasi. Selain itu, mengandung asam lemak dan esensial yang membantu mencegak aterosklerosis. Sebagai akibat dari permasalahan yang terjadi baru baru ini, permintaan jagung meningkat secara signifikat. Komsumsi terus tumbuh, namun produksi jagung dalam negeri tetap rendah sehingga menimbulkan ketimpangan dalam memenuhi kebutuhan jagung. Seiring dengan perubahan produksi jagung Kabupaten Dompu dari tahun ke tahun, maka perlu diperkirakan kedepannya apakah produksi jagung Kabupaten Dompu akan menurun atau meningkat. Hasil ramalan ini akan digunakan sebagai indikator keamanan pangan Kabupaten Dompu, khususnya jagung. Penelitian ini menggunakan data panen atau budidaya Jagung dari Dinas Pertanian dan Perkebunan Kabupten Dompu dari tahun 2012 sampai 2021 sebagai data produksi tanaman jagung di Kabupaten Dompu. Maka dari itu, prediksi ini membutuhkan algoritma yang menggunakan algoritma apriori dan regresi linear. Perhitungan metode regresi linear untuk memprediksi produksi jagung menggunakan pengujian MAD didapatkan 4.04 menggunakan data training mulai periode tahun 2012 – 2021 dan hasil persamaan regresi linear didapatkan yaitu Y = -29.0212901 + 2.30146418x1 + 4.53334525x2 + 11.8742684x3. Sedangkan perhitungan metode apriori, didapatkan 2 rule yang dengan support 10% dan confidence 50% didapat IF buy Gandasil then buy Ricestar with confidence 100% dan IF buy Roundup then buy Tabas with confidence 67%
Uji Komparasi Algoritma Naïve Bayes dan Decision Tree Classification Menggunakan Covid-19 Dataset
Get PDFCorona virus yang saat ini terjadi menjadikan perubahan tatanan hidup dalam masyarakat baik di Indonesia maupun luar negeri. Corona virus atau disebut dengan Covid-19 telah banyak memakan korban dari berbagai usia. Oleh karena itu, diperlukan penerapan sistem otomatis dalam sistem deteksi untuk mencegah penyebaran COVID-19 di antara orang-orang. Kecerdasan buatan dapat merupakan alat yang dominan dalam perang melawan krisis COVID-19. Kecerdasan buatan memiliki subdomain seperti machine learning. Mechine learning (ML) dapat membantu dalam mendiagnosis dan memprediksi COVID-19. Dataset Covid-19 sebagai kasus yang digunakan dalam analisis untuk mengkaji perbandingan antar algoritma dalam pembelajaran mesin. Komparasi dilakukan terhadap algoritma Naïve Bayes dan algoritma Decision Tree Classification berdasarkan feature importance yang dimiliki kedua algoritma tersebut. Uji komparasi ini penting agar kedepannya penelitian dapat berjalan lebih baik dengan mengetahui algoritma yang sesuai dan dapat membantu dalam penyelesaian masalah yang akan datang. Dalam penentuan fitur digunakan dua teknik yaitu correlation matrix dan feature importance. Correlation matrix menunjukkan nilai total cases tertinggi dalam korelasi dengan fitur lainnya. Berdasarkan penelitian yang telah dilakukan terhadap data Covid-19 global, algoritma Decision Tree lebih baik dibanding dengan algoritma Naïve Bayes
Aplikasi untuk Mengukur Tingkat Keberhasilan Inseminasi Buatan pada Sapi Potong Berdasarkan Conception Rate
Get PDFPerwujudan komitmen pemerintah dalam meningkatkan populasi sapi potong sebagai target untuk kecukupan konsumsi daging nasional dilakukan melalui Program UPSUS SIWAB (Upaya Khusus Sapi Indukan Wajib Bunting) dengan melaksanakan program Inseminasi Buatan (IB). Namun tidak tersedianya informasi mengenai kegiatan pelaksanaan IB pada ternak milik masyarakat dan data kelahiran ternak, serta pelaporan data akseptor, mengakibatkan program tersebut belum terlaksana secara optimal. Perekaman data ternak sapi indukan serta pelaksanan kegiatan IB menggunakan aplikasi berbasis komputer, dapat menyediakan informasi yang akurat untuk mengukur tingkat keberhasilan program inseminasi buatan yang digunakan sebagai pertimbangan dalam membuat kebijakan bagi pihak pengambil keputusan yakni pemerintah guna menyusun program SIWAB yang berkelanjutan. Aplikasi untuk mengukur tingkat keberhasilan inseminasi buatan pada sapi potong berdasarkan variable conception rate, yang menggunakan data pelayanan IB, data kebuntingan dan data kelahiran ternak. Tingkat keberhasilan IB berdasarkan analisis yang dilakukan dari beberapa daerah di Kabupaten Merauke berdasarkan variabel conception rate (CR) menunjukkan bahwa data yang digunakan untuk mengukur tingkat keberhasilan IB yakni jumlah sapi yang di B dan jumlah sapi bunting saling berkorelasi, dengan nilai CR tertinggi 78,48 % pada distrik Jagebob, dan terendah di distrik Merauke 27,27 %
Machine Linear untuk Analisis Regresi Linier Biaya Asuransi Kesehatan dengan Menggunakan Python Jupyter Notebook
Get PDFMachine learning atau pembelajaran mesin dikategorikan sebagai salah satu cabang dari artificial intelligence atau kecerdasan buatan dan algoritma yang populer diantaranya adalah melakukan prediksi dengan menggunakan regresi linear. Penelitian yang dilakukan mengimplementasikan prediksi biaya asuransi kesehatan yang dipengaruhi berbagai faktor seperti umur, jenis kelamin, bmi (kategori berat badan), banyak anak, apakah seorang perokok dan wilayah. Prediksi yang dilakukan adalah di awal diantaranya seorang perokok dan orang yang mempunyai berat badan tidak ideal akan membayar biaya asuransi yang lebih besar jika dibandingkan dengan orang yang tidak merokok dan orang mempunyai berat badan ideal. Data diolah dari www.kaggle.com, data disimpan dalam file csv (insurance.csv). Dataset terdiri dari 1338 dan 7 kolom. Metode penelitian dilakukan dengan memeriksa data dari data yang salah atau dapat mengganggu proses analisis, melakukan analisis pada dataset serta membagi data menjadi data training dan data test. Proses pembagian data adalah 80% digunakan untuk data training dan 20% untuk data test. Semua proses diolah dengan menggunakan pemrograman Python. Library Python yang digunakan numpy, pandas, matplotlib, seaborn, sklearn. Proses analisis dikerjakan dengan Jupyter Notebook. Hasil penelitian menghasilkan model regresi linear ganda y = -12436.85+ 270.35 X1 -188.37 X2+342.77 X3+474.07 X4+24320.10 X5 -385.60 X6 dengan Coefficient of determination 0.7244150380582826 dan MSE 34608265.193358265. Hasil akhir analisis dilakukan perbandingan antara y aktual dengan y prediksi baik dalam bentuk tabel maupun grafik