Jurnal Buana Informatika
Not a member yet
274 research outputs found
Sort by
Analisis Sentimen pada Indeks Kinerja Dosen Fakultas SAINTEK UIN Sunan Kalijaga Menggunakan Naive Bayes Classifier
Full text linkAbstract. UIN Sunan Kalijaga Yogyakarta has a lecturer performance appraisal system commonly referred to as IKD (Lecturer Performance Index) in the Academic Information System. At the end of semester, students give the assessment by filling in a questionnaire concerning judgement and suggestion towards the campus learning activities. The questionnaire results may reveal which are the negative, neutral or positive sentiments by conducting sentiment analysis. The sentiment analysis used is Naive Bayes Classifier. In this study, 8249 data were used, with the composition of 3000 training data with labels and 5249 test data without labels. The sentiment analysis of the critical data and suggestions of the IKD resulted in greater accuracy using the TF-IDF weighting, which was 73.9% compared to TF weighting which was 72.8%. This accuracy value is obtained from 3000 training data that has been labeled using the evaluation method of the K-Fold Cross Validation classification model.Keywords: Sentiment Analysis, IKD (Lecturer Performance Index), Naive Bayes Classifier, K-fold cross validation.Abstrak.UIN Sunan Kalijaga Yogyakarta memiliki sistem penilaian kinerja dosen yang biasa disebut dengan IKD (Indeks Kinerja Dosen) pada Sistem Informasi Akademik. Pada akhir semester, para mahasiswa akan memberikan penilaian dengan mengisi kuesioner mengenai kritik dan saran bagi kegiatan perkuliahan. Data-data dari hasil kuesioner yang didapat bisa menunjukkan apakah adanya sentimen negatif, netral, ataupun positif dengan cara melakukan analisis sentimen. Analisis sentimen yang dipergunakan adalah Naive Bayes Classifier. Penelitian ini menggunakan 8249 data dengan komposisi 3000 data latih dengan label dan 5249 data uji tanpa label. Analisis sentimen data kritik dan saran IKD ini menghasilkan akurasi yang lebih besar menggunakan pembobotan TF-IDF yaitu 73,9% dibandingkan dengan pembobotan TF yaitu 72,8%. Nilai akurasi ini didapatkan dari 3000 data latih yang sudah diberi label menggunakan metode evaluasi model klasifikasi K-Fold Cross Validation.Kata Kunci: Analisis Sentimen, Indeks Kinerja Dosen, Naive Bayes Classifier, K-Fold Cross Validatio
Klasifikasi Ujaran Kebencian pada Cuitan dalam Bahasa Indonesia
Full text linkAbstract. The sheer amount of hate speech in social media is making people nauseous. The amount of hate speech these days keeps increasing and yet, there was no preventive act to counter back the hate speech. Pre-existing hate speech detection is also not yet available in Bahasa Indonesia. A machine learning model that is able to recognize hate speech in Bahasa Indonesia will be explained in this article. The model will compare pre-existing methods in machine learning. Naive Bayes, SVM, and Logistics Regression are the methods that will be used for the model. Some of the parameters in the test will be altered to achieve the maximum value for detecting hate speech. The expectation is a machine learning model that is able to recognize hate speech in Bahasa Indonesia accurately. Expected accuracy is above 85%. After the experiment, the highest accuracy achieved was at 98%, while the lowest accuracy was only 80%.Keywords: Hate speech detection, machine learning model, social media, Bahasa Indonesia, tweetsAbstrak. Banyaknya ujaran kebencian yang ada di media sosial sudah membuat jengah. Ujaran kebencian tersebut makin marak dijumpai namun masih belum ada upaya preventif dari media sosial untuk menangkalnya. Deteksi ujaran kebencian yang sudah dibuat juga belum tersedia dalam Bahasa Indonesia. Sebuah model pembelajaran mesin yang dapat mengenali ujaran kebencian dengan Bahasa Indonesia akan dibahas pada naskah ini. Dalam model tersebut dibandingkan beberapa metode pembelajaran mesin yang ada. Metode yang digunakan dalam pengujian adalah Naïve Bayes, SVM, dan Logistic Regression. Dalam pengujian, beberapa parameter akan diubah-ubah sehingga didapatkan nilai paling maksimal dalam deteksi ujaran kebencian. Hasil yang diharapkan adalah sebuah model pembelajaran mesin. Model tersebut diharapkan dapat mengenali ujaran kebencian berbahasa Indonesia secara akurat. Akurasi yang diharapkan adalah diatas 85%. Setelah percobaan, didapatkan nilai akurasi paling tinggi yaitu 98%, sedangkan nilai akurasi paling rendah yaitu 80%.Kata Kunci: Deteksi ujaran kebencian, model pembelajaran mesin, media sosial, Bahasa Indonesia, cuita
Pengenalan Personal Menggunakan Citra Tampak Atas pada Lingkungan Cashierless Strore
Full text linkAbstract.Personal recognition with image processing techniques from the side view has the disadvantage of being applied to the cashierless store environment, namely inaccurate recognition or identification when personal collisions occur. To overcome this, the image capture method is used from the top-view. Personal recognition method through the top-view image using the Haar Cascade Classifier method. 1420 positive images and 2170 negative images are used to find features that are considered suitable for recognizing objects using the Adaptive Boosting (Adaboost) method. Tests were carried out on 100 test data by varying the parameters of min_neighbors (3.4, and 5) and the size of the dataset window (25x25, 35x35, 45x45 pixels). Personal recognition testing gets the highest accuracy of 89.9% with the parameters used are min_neighbors 5 and the size of the 25x25 pixel dataset in the detection parameter size of min_size 140x140 pixels.Keywords: Person recognition, image processing, cashierless storeAbstrak. Pengenalan personal dengan teknik pengambilan citra dari tampak samping memiliki kelemahan untuk diterapkan pada lingkungan cashierless store yaitu tidak akuratnya pengenalan atau identifikasi saat terjadi tubrukan antar personal. Untuk mengatasi hal tersebut maka dipakailah metode pengambilan citra dari tampak atas. Metode pengenalan personal melalui citra tampak atas menggunakan metode Haar Cascade Classifier. Digunakan 1420 citra positif dan 2170 citra negatif untuk menemukan fitur-fitur yang dianggap cocok untuk mengenali objek dengan menggunakan metode Adaptive Boosting (Adaboost). Pengujian dilakukan terhadap data tes sebanyak 100 citra dengan menvariasikan parameter min_neighbors (3,4, dan 5) dan ukuran window dataset (25x25, 35x35, 45x45 piksel). Pengujian pengenalan personal mendapatkan akurasi tertinggi sebesar 89,9% dengan parameter yang dipakai yaitu min_neighbors 5 dan ukuran window dataset 25x25 piksel pada parameter ukuran pengujian min_size 140x140 piksel.Kata Kunci: pengenalan personal, pengolahan citra, cashierless stor
Segmentasi Warna Citra Bunga Daisy dengan Algoritma K-Means pada Ruang Warna Lab
Full text linkAbstract. Segmentation in images of flowers or plants is an important pre-process in the field of botany, one of which is for identifying diseases of flowers or other plants. One of the problems in the image segmentation is the segmented images produced automatically. It is due to the long period of time needed to produce segmented images manually. To overcome these issues, a clustering process was carried out using the k-means algorithm. In this study segmentation is done by using Lab color space and RGB as a comparison to K-means in clustering the image of daisy flowers. Good results are showed by the Lab color space in the clustering process that 60% of the data has lower silhouette coefficient than RGB color space and 3.94% as the mean of s negative.Keywords: Segmentation, Lab, K-MeansAbstrak. Segmentasi pada citra bunga atau tanaman merupakan pra proses yang penting dalam bidang botani, salah satunya untuk mengidentifikasi penyakit pada bunga atau tanaman lainnya. Salah satu permasalahan dalam segmentasi citra adalah menghasilkan citra tersegmentasi secara otomatis. Hal tersebut dikarenakan kebutuhan akan waktu yang tidak sebentar untuk menghasilkan citra tersegmentasi secara manual. Untuk mengatasi kendala tersebut dilakukan proses klasterisasi dengan menggunakan algoritma K-means. Pada penelitian ini segmentasi dilakukan dengan menggunakan ruang warna Lab dan RGB sebagai pembanding kinerja k-means dalam mengklasterisasi citra bunga Desi. Hasil yang baik dimiliki oleh ruang warna Lab dalam proses klasterisasinya, yaitu dengan 60% data memiliki nilai silhoutte coeficient (s) yang lebih kecil dari ruang warna RGB dan memiliki rata-rata sebesar 3.94% s negatif.Kata Kunci: Segmentasi, Lab, k-Mean
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR PADA WEBSITE REKOMENDASI LAPTOP
Full text linkAbstract. There are various types of laptops that make consumers experiencing confusion in determining choices fitting the criteria that consumers want. The K-Nearest Neighbor (K-NN) algorithm was chosen since K-NN algorithm is a model that can classify data based on the closest distance. This system was created to help consumers in choosing a laptop based on purchasing objectives such as for gaming, design, and office, price, also specifications of the desired laptop. This system helps providing a reference to consumers in determining the laptop that suits their needs. Based on consumer satisfaction test which is carried out to ten consumers, eight out of ten people agree to the given recommendations. The percentage of satisfaction is 80%, therefore the created laptop recommendation was considered successful. Keywords: KNN, Recommendation, Selection, LaptopAbstrak. Berbagai jenis laptop yang ada membuat konsumen mengalami kebingungan dalam menentukan pilihan yang sesuai dengan kriteria yang konsumen inginkan. Algoritma K-Nearest Neighbor (K-NN) ini dipilih karena algoritma K-NN merupakan suatu model yang dapat mengklasifikasikan data berdasarkan jarak terdekat. Sistem ini dibuat untuk membantu konsumen dalam memilih laptop berdasarkan tujuan pembelian seperti untuk gaming, desain, atau kantor, harga, juga spesifikasi mengenai laptop yang diinginkan. Sistem ini membantu memberikan referensi kepada pengguna atau konsumen dalam menentukan laptop yang sesuai dengan kebutuhan. Berdasarkan uji kepuasan pengguna yang dilakukan kepada sepuluh orang pengguna, delapan dari sepuluh orang menjawab dengan jawaban setuju dengan hasil rekomendasi yang diberikan. Persentase kepuasan terhadap hasil rekomendasi sebesar 80% oleh karena itu rekomendasi laptop yang dibuat dinyatakan berhasil.Kata kunci: KNN, Rekomendasi, Pemilihan, Lapto
Implementasi Ekstraksi Ciri Histogram dan K-Nearest Neighbor untuk Klasifikasi Jenis Tanah di Kota Banjar, Jawa Barat
Full text linkAbstract. Land plays an essential role in the availability of nutrients and water to support our life on earth. Soil quality can be observed based on its color and texture characteristics. By knowing the quality of the soil, the most suitable plants for planting can be determined. This study is conducted to examine the soil quality in Langensari. The most regions in Langensari are in the altitude of fewer than 25 meters above sea level that they are very potential for agriculture and plantation. The proposed system used in this research is a cross-sectional image of the ground as input. The image is then extracted using histogram feature extraction to obtain the intensity, standard deviation, skewness, energy, entropy and smoothness values. K-Nearest Neighbor is then used to classify the results. The proposed system was tested using 20 test images. Based on the experiment result, the system can classify soil types appropriately with accuracy reaching 60% when value of K = 1and K=3.Keywords: Soil Types Classification, Histogram Feature Extraction, K-Nearest Neighbor, Website.Abstrak. Tanah memegang peranan penting dalam tersedianya unsur hara dan air bagi kehidupan makhluk hidup di bumi. Kualitas tanah dapat diketahui dari karakteristik warna dan teksturnya. Dengan mengetahui kualitas tanah, jenis tanaman yang paling tepat untuk ditanam dapat ditentukan. Penelitian ini mengenai kualitas tanah di Langensari. Sebagian besar wilayah Langensari dipilih karena memiliki ketinggian kurang dari 25 mdpl dimana sangat berpotensi sebagai daerah pertanian dan perkebunan. Sistem yang diusulkan menggunakan citra penampang tanah sebagai inputan. Citra kemudian diekstrak menggunakan ekstraksi ciri histogram untuk mendapatkan nilai intensitas, standar deviasi, skewness, energi, entropi, dan smoothness. Fitur yang dihasilkan kemudian diklasifikasikan menggunakan algoritma K-Nearest Neighbor. Sistem yang diusulkan diuji menggunakan 20 citra uji. Berdasarkan hasil pengujian, sistem mampu mengklasifikasikan jenis tanah secara tepat dengan akurasi mencapai 60% saat nilai K = 1 dan nilai K=3.Kata Kunci: Klasifikasi Jenis Tanah, Ekstraksi Ciri Histogram, K-Nearest Neighbor, Website
Implementasi Algoritma FP-Growth Untuk Strategi Pemasaran Ritel Hidroponik (Studi Kasus : PT. HAB)
Full text linkAbstract.PT. Hidroponik Agrofarm Bandungan (HAB) is one of the company working in cultivating hydroponic fruit and vegetable. PT. HAB experiences two main issues selling the crops. First, the crops which has no preservatives will not stay fresh for longer time. Second, the difficulties of determining customer’s habit so that it makes some products are not optimized sold in the market. PT. HAB needs to improve the marketing strategy. The customer’s habit pattern of buying the product can be acquired by using data mining association technique. There are two algorithms in association analysis namely Apriori and FP-Growth. This research proposed FP-Growth algorithm implementation with Weka open source software to measure the retail marketing strategy of hydroponic product. There are two measurement used in the association analysis. They are support and confidence. Support is used to measure the level of domination of product in each transaction and Confidence is used to measure the level of confidence of the product that are sold altogether with other products. This research used minimum support 0,05 and minimum confidence 0,9 ,resulting in 21 rules that can be used as marketing strategy for PT. HAB.Keywords: FP-Growth Algorithm, Data Mining, Hydroponic Retail.Abstrak. PT. Hidroponik Agrofarm Bandungan (HAB) perusahaan yang bergerak di bidang budidaya sayur dan buah hidroponik. PT. HAB mengalami permasalahan dalam menjual hasil panen. Permasalahan pertama, produk PT. HAB adalah sayur dan buah segar tanpa pengawet yang tidak dapat bertahan lama. Permasalahan kedua, perilaku pelanggan sulit ditebak di pasar sehingga barang tidak terjual maksimal. PT. HAB memerlukan strategi pemasaran yang tepat. Kebiasaan belanja pelanggan dapat dicari polanya menggunakan teknik data mining asosiasi. Ada dua algoritma dalam analisis asosiasi, yaitu Apriori dan FP-Growth. Penelitian ini mengusulkan implementasi algoritma FP-Growth dengan software open source Weka untuk strategi pemasaran ritel hidroponik. Ada dua ukuran yang digunakan dalam analisis asosiasi, yaitu support dan confidence. Support untuk mengetahui tingkat dominasi suatu barang dalam sebuah transaksi, confidence untuk mengetahui tingkat kepercayaan suatu barang yang terjual bersama-sama. Penelitian ini menggunakan minimum suport 0,05 dan minimum confidence 0,9, menghasilkan 21 rule yang dapat digunakan sebagai strategi pemasaran PT. HAB.Kata Kunci: Algoritma FP-Growth, Data Mining, Ritel Hidroponik
Monitoring Log Aplikasi Mobile Native Menggunakan Framework Grr Rapid Response
Full text linkAbstract.In order to acquire the data in the security investigation process comprehensively,respondents need to take general information that uses logs, configured services, cron tasks, patch statuses, and user accounts. This information are known as forensic artifacts. The location and format are varied by system. One manifestation of forensic artifacts that is frequently investigated is files. A Quick Response Grr Framework has been created to describe forensic artifacts that allow data collected and conditioned to quickly use forensics directly on the original mobile application log using Laravel. Retrieving forensic evidence uses the NIST method which has steps such as acquisition, examination, analysis and report. This research produces log files from the laravel framework and detailed activity information from users when accessing the server. The results for which the log is obtained will become evident to be the material of the report.Keywords: Grr, Forensic, Framework, LaravelAbstrak. Agar akuisisi data pada proses investigasi keamanan dapat dilakukan secara komprehensif, responden perlu mengambil informasi umum yang mencakup log, layanan terkonfigurasi, tugas cron, status patch, dan akun pengguna. Informasi-informasi ini dikenal sebagai artefak forensik. Lokasi dan formatnya bervariasi di setiap sistem. Salah satu manifestasi dari artefak forensik yang sering diinvestigasi oleh para praktisi adalah file. Framework Grr Rapid Response telah membangun kerangka kerja untuk mendeskripsikan artefak forensik yang memungkinkan data yang diperlukan dapat dikumpulkan dan dikondisikan dengan cepat menggunakan live forensics pada log aplikasi mobile native menggunakan laravel. Pengambilan barang bukti forensik menggunakan metode NIST memiliki langkah-langkah seperti akuisisi, eksaminasi, analisis, dan pelaporan. Penelitian ini menghasilkan log file dari framework laravel dan informasi aktifitas detail dari user saat mengakses server. Hasil log yang diperoleh akan menjadi barang bukti untuk untuk menjadi bahan laporan.Kata Kunci: Grr, Forensik, Framework, Larave
Pembentukan Vector Space Model Bahasa Indonesia Menggunakan Metode Word to Vector
Full text linkAbstract. Extracting information from a large amount of structured data requires expensive computing. The Vector Space Model method works by mapping words in continuous vector space where semantically similar words are mapped in adjacent vector spaces. The Vector Space Model model assumes words that appear in the same context, having the same semantic meaning. In the implementation, there are two different approaches: counting methods (eg: Latent Semantic Analysis) and predictive methods (eg Neural Probabilistic Language Model). This study aims to apply Word2Vec method using the Continuous Bag of Words approach in Indonesian language. Research data was obtained by crawling on several online news portals. The expected result of the research is the Indonesian words vector mapping based on the data used.Keywords: vector space model, word to vector, Indonesian vector space model.Abstrak. Ekstraksi informasi dari sekumpulan data terstruktur dalam jumlah yang besar membutuhkan komputasi yang mahal. Metode Vector Space Model bekerja dengan cara memetakan kata-kata dalam ruang vektor kontinu dimana kata-kata yang serupa secara semantis dipetakan dalam ruang vektor yang berdekatan. Metode Vector Space Model mengasumsikan kata-kata yang muncul pada konteks yang sama, memiliki makna semantik yang sama. Dalam penerapannya ada dua pendekatan yang berbeda yaitu: metode yang berbasis hitungan (misal: Latent Semantic Analysis) dan metode prediktif (misalnya Neural Probabilistic Language Model). Penelitian ini bertujuan untuk menerapkan metode Word2Vec menggunakan pendekatan Continuous Bag Of Words model dalam Bahasa Indonesia. Data penelitian yang digunakan didapatkan dengan cara crawling pada berberapa portal berita online. Hasil penelitian yang diharapkan adalah pemetaan vektor kata Bahasa Indonesia berdasarkan data yang digunakan.Kata Kunci: vector space model, word to vector, vektor kata bahasa Indonesia
Rekomendasi Pemilihan Barang pada Parcel dengan Algoritma Harmony Search
Full text linkAbstract. A parcel containing a variety of items, is a gift given to someone who has a relationship with the giver. The contents of the parcel vary, can be in the form of food, drinks, cakes, fruit, sweets, and others. In some supermarkets, generally before the commemoration of a certain day, Parcel has been provided with various contents in the price that has been set. But commonly the buyers want to package the Parcel with different content and price. To facilitate the search for the contents of the parcel based on these prices, the Harmony Search algorithm is used. Search development is carried out with consideration of basket size, item categories, and percentages of each category Evaluation of the aesthetic value sought is the minimum value of the difference in price set with the total search price obtained. The test results show the best aesthetic value is obtained at the value of Harmony Memory Consideration Rate (HMCR) of 0,95 with an average aesthetic percentage of 0,2691%.Keywords: aesthetic function, harmony search algorithms, parcelAbstrak. Parcel yang berisi berbagai macam barang, merupakan suatu hadiah yang diberikan kepada seseorang yang memiliki relasi dengan pemberinya. Isi dari parcel bervariasi, dapat berupa makanan, minuman, kue, buah, permen, maupun yang lain. Pada beberapa toko swalayan umumnya menjelang peringatan hari tertentu telah menyediakan Parcel dengan variasi isi di dalamnya dengan harga yang telah ditetapkan. Namun tidak jarang pembeli yang ingin mengemas Parcel mempunyai pandangan yang berbeda dengan isi parcel serta harga yang telah ditetapkan. Untuk memudahkan pencarian isi parcel yang berdasarkan harga tersebut maka digunakan algoritma Harmony Search. Pengembangan pencarian dilakukan dengan pertimbangan ukuran keranjang, kategori barang, serta prosentase masing-masing kategori. Evaluasi nilai aesthetic yang dicari adalah nilai minimum dari selisih harga yang ditetapkan dengan total harga pencarian yang didapatkan. Hasil pengujian menunjukkan nilai aesthetic terbaik didapatkan pada nilai Harmony Memory Consideration Rate (HMCR) 0,95 dengan presentase rata-rata aesthetic sebesar 0,2691%.Kata Kunci: algoritma harmony search, fungsi aesthetic, parce