1,720,967 research outputs found
Implementation Of Cooperative Learning To Improve Declarative and Procedural Knowledge Under Graduate In Spatial Analysis
Full text link
Penerapan Data Mining Untuk Clustering Data Penduduk Miskin Menggunakan Metode K-Means
Full text linkPoverty that occurs in the community is a major problem that must be an important concern for the government in any country in various provincial, district and city governments, such as providing assistance to the poor in the form of allowances that can relieve the community and help the community, Community Health Insurance, Rice for the Poor (Raskin), Education Cost Assistance for Academic Achievement Improvement (BBP-PPA) Tuition Fee Assistance which is only intended for prospective students who are unable or poor (BIDIKMISI), and other programs that can help the poor, but in reality the problem of poverty cannot be overcome. Suka Bhakti Village carried out grouping of poor and non-poor communities based on basic determinant variables, namely the latest education of members or family heads, ownership of several family assets, total family income from both the head of the family and a combination of family members, the area of the building owned, the type of floor used, and the type of wall. The use of data mining with cluster techniques through the K-Means method can group community data to get clusters that should be able to receive social assistance from the government. The results of the validity calculations carried out, the results obtained for the number of cluster 1 are 130 data and for cluster 2 are 682. Testing this data is carried out using the Davies-Bouldin Index (DBI) method. The resulting number of suitable clusters is 2 clusters with a value of 0, 1643 which means that the cluster is suitable for grouping community data
COMBINATION OF AHP AND MAUT METHOD TO DETERMINE SCHOLARSHIP RECIPIENTS IN HIGHER EDUCATION (CASE STUDY: UNIVERSITAS TEKNOKRAT INDONESIA)
Full text linkUniversitas Teknokrat Indonesia is an educational institution located in the city of Bandar Lampung. Every new academic year a new student admission selection is carried out. Selection is carried out with two channels, namely regular and scholarship. One of the scholarship pathways is the Indonesia Smart Lecture Card (KIP-K). The acceptance of the scholarship pathway is done conventionally. This method certainly has obstacles, namely less effective time efficiency. The solution offered is through research by applying a combination of Analytical Hierarchy Process (AHP) and Multi Attribute Utility Theory (MAUT) methods to the Decision Support System. To assist in making decisions to determine prospective students who are eligible for KIP-K Scholarships, the right criteria are needed. The criteria used include economic status, achievement, parents' income, number of dependents, housing conditions, previous scholarships, parental assistance, organizational experience, test scores, and parents' status. The purpose of this research is to apply the AHP and MAUT methods in a decision support system that can assist the campus in determining scholarship recipients quickly, precisely and efficiently. The stages of this research are data collection, application of AHP and MAUT methods, and system implementation. Based on calculations carried out using a combination of AHP and MAUT methods, the highest preference value is Destia Putri with a value of 0.7791 and the lowest preference value is Pramutya Galuh 0.0444. Judging from the ranking results, it can be concluded that the combination of AHP and MAUT methods can be used to assist in decision making to determine prospective student recipients of KIP-K scholarships at Universitas Teknokrat Indonesia
ANALISIS SENTIMEN TWITTER TERHADAP KONFLIK DI PAPUA MENGGUNAKAN PERBANDINGAN NAIVE BAYES DAN SVM
Full text linkKonflik di Papua merupakan isu yang kompleks dan telah berlangsung selama beberapa dekade, melibatkan berbagai faktor seperti politik, ekonomi, sosial, dan budaya. Ketegangan antara pemerintah Indonesia dan kelompok separatis Papua sering kali memicu konflik bersenjata, pelanggaran hak asasi manusia, dan ketidakstabilan regional. Konflik ini juga menarik perhatian berbagai pihak, termasuk masyarakat internasional dan pengguna media sosial, khususnya di platform Twitter.Data yang dikumpulkan dari Twitter menggunakan kata kunci terkait konflik Papua. Proses analisis meliputi tahap pengumpulan data, pra-pemrosesan teks, dan pelabelan sentimen (positif, negatif, netral). Penelitian ini menggunakan 5723 data yang diperoleh melalui teknik web scraping terkait topik tersebut. Tujuan penelitian ini adalah membandingkan performa dua algoritma klasifikasi yang populer dalam analisis sentimen, yaitu Naïve Bayes dan Support Vector Machine (SVM). Sebelum perbandingan dilakukan, optimasi SMOTE (Synthetic Minority Over-sampling Technique) digunakan untuk menyeimbangkan jumlah data minoritas dan mayoritas, sehingga kedua algoritma dapat belajar secara lebih efektif dari setiap kelas sentimen. Hasil perbandingan menunjukkan bahwa algoritma Naïve Bayes memiliki akurasi sebesar 95%, sedangkan SVM mencapai akurasi 99%, dengan presisi 99%, recall 98%, dan F1-Score 99%. Evaluasi performa dilakukan dengan menganalisis confusion matrix dari setiap algoritma. Kesimpulannya, SVM dapat menjadi pilihan yang lebih baik untuk analisis sentimen mengenai konflik Papua. Penelitian ini memberikan kontribusi penting dalam memahami opini masyarakat terkait konflik di Papua
COMPARISON OF NAIVE BAYES AND RANDOM FOREST METHODS IN SENTIMENT ANALYSIS ON THE GETCONTACT APPLICATION
Full text linkThe rapid growth in the use of social media and instant messaging platform apps has significantly changed the way people communicate. One of the most popular apps is GetContact, a platform focused on identifying the phone numbers of irresponsible people and reducing the impact of spam calls. In cases like this, sentiment analysis is important to understand user responses to the service. In performing sentiment analysis, there are two classification methods that will be used, namely the Naive Bayes and Random Forest methods. This research utilizes the SMOTE technique to handle data imbalance, and the results show that the application of SMOTE successfully improves classification accuracy. The Random Forest model performed better than Naive Bayes, with 80% accuracy, 84% precision, 77% recall, and 80% F1 score for positive sentiments, while Naive Bayes achieved 77% accuracy, 79% precision, 79% recall, and 79% F1 score. Although Random Forest is superior in precision, recall , and F1 score for positive sentiments, it performs almost on par with Naive Bayes in classifying negative sentiments, with 76% precision , 84% recall, and 80% F1 score for Random Forest, and 76% precision, 76% recall , and 76% F1 score for Naive Bayes. This shows that both models provide similar results in identifying negative sentiment overall
PERSEPSI PUBLIK TERHADAP KEPEMIMPINAN FIRLI BAHURI DI KPK: PENDEKATAN SENTIMEN TWITTER DENGAN NAÏVE BAYES DAN SVM
Full text linkKomisi Pemberantasan Korupsi (KPK) merupakan lembaga independen Indonesia yang bertujuan melakukan pemberantasan korupsi. Di bawah kepemimpinan Firli Bahuri (2019-2023), KPK menangani kasus besar di sektor infrastruktur dan keuangan, serta meluncurkan program pencegahan korupsi. Namun, kepemimpinannya diwarnai kontroversi, termasuk dugaan pelanggaran etik dan tuduhan korupsi, seperti kasus pemerasan terhadap Menteri Pertanian Syahrul Yasin Limpo. Untuk menganalisis respon masyarakat dengan menggunakan data Twitter, peneliti melakukan perbandingan dengan menggunakan metode pengklasifikasian Naïve Bayes dan Support Vector Machine (SVM). Sebelum dilakukan perbandingan antara kedua model, penelitian ini terlebih dahulu melakukan proses optimasi SMOTE untuk mengatasi ketidakseimbangan data agar data minority dan data majority dapat memiliki jumlah data yang sama. Hasil dari perbandingan kedua model mendapatkan nilai algoritma Naïve bayes dengan akurasi 97% dan algoritma support vector machine dengan akurasi 100%, presisi 100%, recall 100%, dan FI-score 100%. Jika dilihat pada perbandingan pada kedua model algoritma, dapat disimpulkan bahwa algoritma SVM mampu melakukan proses analisis sentimen dengan sangat akurat pada setiap tahapannya dibandingkan dengan naïve bayes. Oleh karena itu, dalam penelitian ini terkait opini masyarakat di media sosial twitter terhadap kepemimpinan firli bahuri di kpk, dapat disimpulkan bahwa algoritma SVM menjadi pilihan yang lebih baik dibandingkan algoritma Naïve bayes
Persepsi Dan Partisipasi Masyarakat Kawasan Kampung Warna-Warni Terhadap Upaya Perbaikan
Full text linkPenelitian ini bertujuan untuk (1) mengetahui upaya perbaikan lingkungan RW 02 Kelurahan Jodipan; (2) mengetahui persepsi dan partisipasi masyarakat terhadap upaya perbaikan lingkungan; (3) mengetahui faktor apa saja yang mendorong dan menghambat patisipasi masyarakat terhadap upaya perbaikan lingkungan; (4) mengetahui keterkaitan spasial pengembangan kampung warna warni terhadap aspek kehidupan masyarakat. Metode yang digunakan dalam penelitian ini yaitu pendekatan fenomenalogi dan untuk jenis penelitian menggunakan deskriptif kualitatif. Informan dalam penelitian ini ada 11 orang terdiri dari ketua RW 02, pengelola wisata dan 9 tokoh masyarakat. Analisis data yang digunakan dengan mengumpulkan data, mereduksi data, menyajikan data dan verifikasi data. Peneliti mengambil fokus di RT 6, 7, 9 RW 2 di Kelurahan Jodipan. Hasil penelitian ini yaitu (1) upaya perbaikan lingkungan, meliputi: mengecat dinding rumah dan bekerja sama, membersihkan lingkungan, memasang keramik, mengecat tembok, membangun jembatan Embong, menghiasi tempat berfoto, mengecat pagar dengan beraneka warna, memasang hiasan pintu, dan menambahkan fasilitas tempat selfie; (2) persepsi dan partisipasi masyarakat kampung warna-warni terhadap upaya perbaikan lingkungan, meliputi: membawa perubahan, lingkungan bersih, pemandangan menarik, lingkungan indah, sementara partisipasi yaitu keterlibatan mengecat dinding, mengecat pagar beraneka warna, membuat tempat untuk berfoto dan membersihkan lingkungan; (3) faktor yang mendorong dan menghambat patisipasi masyarakat dalam upaya perbaikan lingkungan: pemahaman, pengetahuan, mendapatkan keuntungan dengan berjualan dan untuk meningkatkan perekonomian, faktor penghambat patisipasi masyarakat yaitu pekerjaan di luar Jodipan, kesalahapahaman/beda pendapat, dan kesibukan pekerjaan; (4) keterkaitan spasial pengembangan kampung warna warni terhadap aspek kehidupan masyarakat: munculnya usaha-usaha kecil sepanjang jalan Jodipan, dan terganggunya ketentraman
APLIKASI SMART VILLAGE DALAM PENERAPAN GOVERMENT TO CITIZEN BERBASIS MOBILE PADA KELURAHAN CANDIMAS NATAR
Full text linkPenerapan smart village saat ini masih belum banyak diterapkan seperti kelurahanCandimas Kecamatan Natar yang berlokasi di Kabupaten Lampung Selatan dan memiliki jumlah penduduk 10470 Jiwa dengan 226 Kepala Keluarga. Berdasarkan jumlah penduduk tersebut tentunya pihak desa perlu meningkatan layanan kepada masyarakat sebagai bentuk inovasi berupa desa pintar dengan memanfatkan teknologi informasi.Berdasarkan hasil wawancara yang dilakukan kepada pihak kelurahan diperoleh permasalahan seperti proses pengolahan data yang dilakukan secara keseluruhan masih manual yaitu dengan pencatatan pada buku maupun media cetak melalui media office, hal tersebut berdampak pada proses pengolahan data yang lambat, kerusakan data akibat data arsip berupa media kertas hingga kehilangan dan manipulasi data. Permasalahan berikutnya yaitu penyampaian informasi kepada masyarakat berupa kegiatan maupun pengumuman masih dilakukan menggunakan papan pengumuman ataupun menggunakan pamflet, sehingga dampak yang timbul yaitu tingginya biaya operasional dan cakupan informasi yang terbatas.Metode yang digunakan yaitu extreme programming dengan pembentukan sistem berorientasi objek serta media penyimpanan menggunakan Mysql. Tujuan penelitian yang dilakukan untuk menghasilkan media informasi bagi masyarakat kepada keluarahan untuk memperoleh layanan. Hasil penelitian berupa aplikasi mobile yang diakses oleh masyarakat untuk mempermudah melakukan permohonan surat, pengaduan, kritik dan info pajak serta informasi. Kata Kunci: Smart Village, Government To Citizen, Kelurahan Candimas, Nata
- …
