131 research outputs found
Implementasi Algoritma BERT Pada Komentar Layanan Akademik dan Non Akademik Universitas Terbuka di Media Sosial
Get PDFMedia sosial TikTok dan Twitter (X) merupakan dua media sosial yang memiliki banyak pengguna di Indonesia. Berdasarkan lembaga survei We Are Social pengguna TikTok di Indonesia mencapai 109.9 juta sedangkan pengguna Twitter (X) di Indonesia mencapai 24 juta. Media sosial TikTok dan Twitter (X) seringkali menjadi tempat untuk menyampaikan pendapat atau komentar terhadap suatu hal. Universitas Terbuka merupakan suatu kampus yang memiliki media sosial TikTok dan Twitter (X) dengan ribuan pengikut. Penelitian ini dilakukan untuk mengetahui tingkat layanan bidang akademik dan non-akademik Universitas Terbuka. Data yang dianalisis sebanyak 685 data komentar pada media sosial TikTok dan Twitter (X) dengan kata kunci Universitas Terbuka. Metode yang digunakan adalah analisis menggunakan model pre-trained BERT. Pada model ini diperoleh nilai akurasi sebesar 90% dengan proporsi data latih dan data uji 80:20
Penerapan Learning Management System Untuk Karyawan Perusahaan Menggunakan Mesin Turing
Get PDFDimasa kini pembelajaran untuk mengetahui pengetahuan yang lebih yang dimiliki oleh suatu karyawan dalam perusahaan cukup sedikit hal ini dapat menimbulkan dari sisi perusahaan tidak mengetahui banyak hal tentang latar belakang ilmu pengetahuan yang dimiliki oleh seorang karyawan. Disisi karyawan dengan tidak adanya fasilitas pengembangan diri dari perusahaan suatu saat karyawan bisa saja keluar dari perusahaan tersebut karna minimnya fasilitas perusahaan. Oleh karena itu salah satu upaya untuk meningkatkan kualitas dari mutu karyawan adalah dengan menerapkan aplikasi Learning Management System (LMS) bagi karyawan dalam suatu perusahaan menggunakan model mesin turing. Sehingga dengan dibangunnya aplikasi ini diharapkan karyawan dapat belajar dengan mudah dan membantu perusahaan mengetahui seberapa jauh potensi ilmu yang dimiliki masing-masing dari karyawan dengan laporan ini berguna sebagai penilaian bagi karyawan. Aplikasi ini dilengkapi dengan fitur integrasi Application Programming Interface (API) data karyawan, untuk dapat membaca data tersebut dibutuhkan metode model mesin turing untuk membaca dan menulis ke dalam database sehingga langkah – langkahnya akan digambarkan pada diagram transisi dari tahap pembuatan kelas, sinkornasi API, hingga karyawan tersebut berhasil didaftarkan dalam kelas pembelajaran. Dengan penggunaan metode model mesin turing diharapkan menghasilkan aplikasi LMS yang efektif dan efisien bagi karyawan dan perusahaan
Asyiknya Mengenal Java: pengenalan Java, Dasar - Dasar OOP, Java Mobile, Database
No full textvii + 195 hl
Analisis Sentimen Physical Distancing pada Twitter Menggunakan Text Mining dengan Algoritma Naive Bayes Classifier
No full textAbstrak Physical distancing kini sedang ramai menjadi perbincangan publik sebagai salah satu cara pemerintah dalam menekan penyebaran virus covid-19 yang sedang melanda beberapa negara di belahan dunia. Tidak tersaringnya cuitan terkait physical distancing bisa memunculkan berbagai macam opini, tidak hanya opini yang positif tapi juga yang negatif. Maka dari itu, Twitter di anggap lebih diminati oleh masyarakat indonesia dikarenakan twitter dirasa lebih mudah untuk mengungkapkan opininya. Metode yang digunakan yaitu Naive Bayes Classifier (NBC). Data terkumpul dilakukan filter dari cuitan tersebut dengan menghapus data yang double maka setelah di filter data yang terambil yaitu sebanyak 547 tweets . Pada perhitungan analisis sentimen terhadap physical distancing di tengah pandemi covid-19 menggunakan metode NBC memperoleh hasil akurasi sebesar 50,26%. Tujuan dari penelitian ini, agar dapat mengkategorikan opini negatif atau positif, dari pembahasan physical distancing . Nantinya informasi terkait kebijakan Physical Distancing bisa sampai tepat informasinnya kepada masayarakat. Kata Kunci : naïve bayes, physyical distancing, twitter Abstract Physical distancing is now busy becoming a public conversation as a way for the government to spread the Covid-19 virus which is currently hitting several countries around the world. There are public tweets related to physical distance that is free from various kinds of opinions, not only positive but also negative ones. Therefore, Indonesian people consider Twitter to be more desirable because it is easier for Indonesians to express their opinion. The method used is the Naive Bayes Classifier (NBC). The data collected was filtered from the tweets with double data, then after filtering the data were taken as many as 547 tweets. In calculating the sentiment analysis of physical distance in the middle of the Covid-19 pandemic using the NBC method, it gets an accurate result of 50.26%. The purpose of this study, to find and categorize negative or positive opinions, from the discussion of physical distancing. So that the implementation of the Physical Distance policy can get accurate information to the public. Keywords : naïve bayes, physical distancing, twitte
SENTIMENT ANALYSIS OF JAKLINGKO APP REVIEWS USING MACHINE LEARNING AND LSTM
Get PDFApplication-based transportation services have rapidly developed in recent years, with various studies indicating that service quality and user experience play a crucial role in the adoption of this technology. Previous research has analyzed user satisfaction with digital transportation applications, highlighting factors such as ease of use, service reliability, and the effectiveness of fare systems. This study aims to analyze user sentiment toward the JakLingko application to assess satisfaction levels and identify aspects that need improvement. Utilizing a dataset of 200 user reviews, this research applies data preprocessing techniques to clean and organize the information before performing sentiment classification. The machine learning models used include Naïve Bayes, Random Forest, Support Vector Machine, Logistic Regression, Decision Tree, and Long Short-Term Memory (LSTM), categorizing sentiment into positive, negative, and neutral. The analysis results indicate a dominance of negative sentiment in user reviews, reflecting a significant level of dissatisfaction with the application. This highlights major challenges in the implementation of transportation applications, potentially affecting public adoption and trust in the service. Therefore, besides providing insights into user perceptions, this study also proposes improvement strategies aimed at enhancing features and the overall user experience. Given the high proportion of negative sentiment, this research emphasizes the importance of improving the accuracy of sentiment analysis models to generate deeper and more precise insights. These findings can serve as a foundation for designing policies and strategies to improve application-based transportation services, ultimately enhancing service quality and expanding user adoption
Software development framework on small team using Agile Framework for Small Projects (AFSP) with neural network estimation
No full text
- …
