Pub Date : 2023-08-31DOI: 10.57152/malcom.v3i2.884
Sitti Harlina, Angdy Erna, Akbar Bahtiar, Marsellus Otong Kadang
Strategi bisnis adalah rencana jangka panjang yang dirancang oleh suatu organisasi untuk menetapkan arah umum, sasaran bisnis yang ingin dicapai, serta cara-cara yang akan dilakukan untuk mencapai tujuan organisasi. Penyelesaian masalah dalam penelitian ini dengan menggunakan metode analisa deskriftif kualitatif dengan teknik analisa konten yang dipadukan dengan matriks Strength, Weakness, Opportunity and Threats (TOWS/ SWOT). Kesimpulan berupa strategi yang cocok untuk mengembangkan bisnis para penggiat UMKM yaitu, Sumber kekuatan UMKM Bonto Mate’ne Jenepontodan hasil olah data pada kategori ini menunjukkan bahwa konten “kualitas” makanan menduduki percentage coverage tertinggi dimana kualitas dapat merujuk ke makna yang meliputi ukuran, bentuk, warna, konsistensi, tekstur dan rasa. Disusul konten “promo”, “kemasan”, “pemanfaatan medsos”, “murah” dan “komunikasi” dengan pelanggan Pendekatan ini dilakukan dengan tujuan untuk mengungkapkan makna dan pesan yang terkandung dalam data kualitatif. 2 hal yang menjadi sumber kelemahan UMKM Togotogo, yaitu masalah produk kadaluarsa, pelayanan pengiriman/ transportasi, dan masalah teknik promosi. Hal kedua adalah modal yang terbatas dan peralatan masak yang belum memadai, selanjutnya untuk kategori peluang. Hasil analisis mengidentifikasi bahwa UMKM ini masih memiliki peluang dari sisi inovasi dalam pelayanan ke pelanggan seperti inovasi produk, membuat produk baru, layanan COD untuk transaksi online, membuka cabang baru.
{"title":"Identifikasi Strategi Pengembangan Bisnis para Penggiat UMKM Menggunakan SWOT Analisis","authors":"Sitti Harlina, Angdy Erna, Akbar Bahtiar, Marsellus Otong Kadang","doi":"10.57152/malcom.v3i2.884","DOIUrl":"https://doi.org/10.57152/malcom.v3i2.884","url":null,"abstract":"Strategi bisnis adalah rencana jangka panjang yang dirancang oleh suatu organisasi untuk menetapkan arah umum, sasaran bisnis yang ingin dicapai, serta cara-cara yang akan dilakukan untuk mencapai tujuan organisasi. Penyelesaian masalah dalam penelitian ini dengan menggunakan metode analisa deskriftif kualitatif dengan teknik analisa konten yang dipadukan dengan matriks Strength, Weakness, Opportunity and Threats (TOWS/ SWOT). Kesimpulan berupa strategi yang cocok untuk mengembangkan bisnis para penggiat UMKM yaitu, Sumber kekuatan UMKM Bonto Mate’ne Jenepontodan hasil olah data pada kategori ini menunjukkan bahwa konten “kualitas” makanan menduduki percentage coverage tertinggi dimana kualitas dapat merujuk ke makna yang meliputi ukuran, bentuk, warna, konsistensi, tekstur dan rasa. Disusul konten “promo”, “kemasan”, “pemanfaatan medsos”, “murah” dan “komunikasi” dengan pelanggan Pendekatan ini dilakukan dengan tujuan untuk mengungkapkan makna dan pesan yang terkandung dalam data kualitatif. 2 hal yang menjadi sumber kelemahan UMKM Togotogo, yaitu masalah produk kadaluarsa, pelayanan pengiriman/ transportasi, dan masalah teknik promosi. Hal kedua adalah modal yang terbatas dan peralatan masak yang belum memadai, selanjutnya untuk kategori peluang. Hasil analisis mengidentifikasi bahwa UMKM ini masih memiliki peluang dari sisi inovasi dalam pelayanan ke pelanggan seperti inovasi produk, membuat produk baru, layanan COD untuk transaksi online, membuka cabang baru.","PeriodicalId":499353,"journal":{"name":"MALCOM Indonesian Journal of Machine Learning and Computer Science","volume":"35 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136036321","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Body fat is an important aspect in understanding and managing one's physical condition. Accurate measurement of body fat percentage is essential to help accurately plan future health plans. Currently, the method of measuring body fat is still traditional and quite difficult, so what is needed is a more effective method. The Bayesian Ridge Algorithm is a linear regression technique that uses Bayesian inference to estimate the parameters of the model. In this study, it was used to predict the effectiveness of measuring body fat, which is a method often used to evaluate a person's overall health and physical condition. This algorithm takes into account factors such as age, gender, and body mass index (BMI) to make predictions about a person's body fat percentage. The results from this study can be used to improve the accuracy of body fat measurement and help individuals better understand and manage their health. The results of this study indicate that the model has very high accuracy (more than 99%).
{"title":"Using Bayesian Ridge Algorithm to Predict Effectiveness of Body Fat Measurement","authors":"Rachma Yuni Andari, Revanza Akmal Pradipta, Denny Oktavina Radianto","doi":"10.57152/malcom.v3i1.717","DOIUrl":"https://doi.org/10.57152/malcom.v3i1.717","url":null,"abstract":"Body fat is an important aspect in understanding and managing one's physical condition. Accurate measurement of body fat percentage is essential to help accurately plan future health plans. Currently, the method of measuring body fat is still traditional and quite difficult, so what is needed is a more effective method. The Bayesian Ridge Algorithm is a linear regression technique that uses Bayesian inference to estimate the parameters of the model. In this study, it was used to predict the effectiveness of measuring body fat, which is a method often used to evaluate a person's overall health and physical condition. This algorithm takes into account factors such as age, gender, and body mass index (BMI) to make predictions about a person's body fat percentage. The results from this study can be used to improve the accuracy of body fat measurement and help individuals better understand and manage their health. The results of this study indicate that the model has very high accuracy (more than 99%).","PeriodicalId":499353,"journal":{"name":"MALCOM Indonesian Journal of Machine Learning and Computer Science","volume":"3 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-06-13","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136223085","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-30DOI: 10.57152/malcom.v3i1.724
M. Fajrun Nadhif, Saruni Dwiasnati
Date fruits are an important commodity in the agriculture and food industry. However, in the process of sales and distribution to ordinary people, there are often errors in identifying different types of date fruits. Therefore, this research aims to develop an automatic classification system to distinguish the types of date fruits based on their types using the Convolutional Neural Network (CNN) algorithm. The case study was conducted at Hamima Dates date shop. The data used are fruit images with 9 categories and a total of 1658 samples, which are divided into 1496 samples for training data and 162 samples for testing data. The test results show that the CNN algorithm has a high level of accuracy in classifying the type of date fruit, with an accuracy of 96%. In this study, feature analysis was also conducted to determine the contribution of each feature to the classification of date fruit types. The results of this study can be the basis for the development of a more sophisticated date fruit automatic classification system and can be applied to other types of fruits
{"title":"Classification of Date Fruit Types Using CNN Algorithm Based on Type","authors":"M. Fajrun Nadhif, Saruni Dwiasnati","doi":"10.57152/malcom.v3i1.724","DOIUrl":"https://doi.org/10.57152/malcom.v3i1.724","url":null,"abstract":"Date fruits are an important commodity in the agriculture and food industry. However, in the process of sales and distribution to ordinary people, there are often errors in identifying different types of date fruits. Therefore, this research aims to develop an automatic classification system to distinguish the types of date fruits based on their types using the Convolutional Neural Network (CNN) algorithm. The case study was conducted at Hamima Dates date shop. The data used are fruit images with 9 categories and a total of 1658 samples, which are divided into 1496 samples for training data and 162 samples for testing data. The test results show that the CNN algorithm has a high level of accuracy in classifying the type of date fruit, with an accuracy of 96%. In this study, feature analysis was also conducted to determine the contribution of each feature to the classification of date fruit types. The results of this study can be the basis for the development of a more sophisticated date fruit automatic classification system and can be applied to other types of fruits","PeriodicalId":499353,"journal":{"name":"MALCOM Indonesian Journal of Machine Learning and Computer Science","volume":"10 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135693363","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-10DOI: 10.57152/malcom.v3i1.474
Septi Kenia Pita Loka, Arif Marsal
Status gizi merupakan suatu kondisi fisik seseorang yang dapat dilihat dari makanan dan zat-zat yang dicerna tubuh sehingga dapat mempengaruhi tingkat kognitif seseorang. Berdasarkan data peningkatan balita yang mengalami wasting dari tahun 2019 hingga 2020 ada 4 puskesmas dengan jumlah bailta 3536, dan diantara 4 puskesmas tersebut memiliki kasus tertinggi yaitu puskesmas Tanjung paku sebanyak 103 responden, puskesmas Tanah Garam 50 Responden lalu puskesmas Nan balimo yang terendah. Penelitian ini bertujuan untuk menguji dan membandingkan peforma algoritma K-Nearest Neighbors dan Naïve Bayes Classifier untuk klasifikasi data penimbangan masal balita di Kota Solok. Nilai akurasi yang diperoleh dari algoritma KNN sebesar 96,24 % sedangkan pada algoritma NBC sebesar 91,00%.
{"title":"Perbandingan Algoritma K-Nearest Neighbor dan Naïve Bayes Classifier untuk Klasifikasi Status Gizi Pada Balita","authors":"Septi Kenia Pita Loka, Arif Marsal","doi":"10.57152/malcom.v3i1.474","DOIUrl":"https://doi.org/10.57152/malcom.v3i1.474","url":null,"abstract":"Status gizi merupakan suatu kondisi fisik seseorang yang dapat dilihat dari makanan dan zat-zat yang dicerna tubuh sehingga dapat mempengaruhi tingkat kognitif seseorang. Berdasarkan data peningkatan balita yang mengalami wasting dari tahun 2019 hingga 2020 ada 4 puskesmas dengan jumlah bailta 3536, dan diantara 4 puskesmas tersebut memiliki kasus tertinggi yaitu puskesmas Tanjung paku sebanyak 103 responden, puskesmas Tanah Garam 50 Responden lalu puskesmas Nan balimo yang terendah. Penelitian ini bertujuan untuk menguji dan membandingkan peforma algoritma K-Nearest Neighbors dan Naïve Bayes Classifier untuk klasifikasi data penimbangan masal balita di Kota Solok. Nilai akurasi yang diperoleh dari algoritma KNN sebesar 96,24 % sedangkan pada algoritma NBC sebesar 91,00%.","PeriodicalId":499353,"journal":{"name":"MALCOM Indonesian Journal of Machine Learning and Computer Science","volume":"8 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135672958","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Mahasiswa tingkat akhir adalah seorang pelajar yang sedang berjuang demi mendapat gelar sarjana dan memilih tujuan hidup dengan tugas yang baru seperti pekerjaan yang sesuai dengan minat dan bakatnya. Untuk mendapatkan tingkat kelulusan dengan baik dan tepat waktu. Mahasiswa sangat bergantung pada pengaruh dari faktor dalam dan luar kampus. Pemilihan dan penentuan data yang digunakan, diambil dari data publik. Dengan 379 orang mahasiswa tahap akhir sebagai responden. Pengujian ini membandingkan algoritma K-NN, NBC, dan SVM yang lebih baik menyelesaikan masalah terkait prediksi tingkat kelulusan mahasiswa pascasarjana. Berdasarkan perbandingan algoritma tersebut dengan teknik splitting data, didapatkan bahwa Algoritma K-NN (K-Nearest Neighbor) memiliki rata-rata lebih tinggi dibandingkan (NBC) Naïve Bayes Classifier dan SVM (Support Vector Machine) untuk prediksi kelulusan mahasiswa tingkat akhir dengan akurasi 87,8%, presisi 87,8%, dan recall 84%.
{"title":"Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir","authors":"Aulia Putri, Cindy Syaficha Hardiana, Elma Novfuja, Farida Try Puspa Siregar, Rahmaddeni Rahmaddeni, Yulia Fatma, Refni Wahyuni","doi":"10.57152/malcom.v3i1.610","DOIUrl":"https://doi.org/10.57152/malcom.v3i1.610","url":null,"abstract":"Mahasiswa tingkat akhir adalah seorang pelajar yang sedang berjuang demi mendapat gelar sarjana dan memilih tujuan hidup dengan tugas yang baru seperti pekerjaan yang sesuai dengan minat dan bakatnya. Untuk mendapatkan tingkat kelulusan dengan baik dan tepat waktu. Mahasiswa sangat bergantung pada pengaruh dari faktor dalam dan luar kampus. Pemilihan dan penentuan data yang digunakan, diambil dari data publik. Dengan 379 orang mahasiswa tahap akhir sebagai responden. Pengujian ini membandingkan algoritma K-NN, NBC, dan SVM yang lebih baik menyelesaikan masalah terkait prediksi tingkat kelulusan mahasiswa pascasarjana. Berdasarkan perbandingan algoritma tersebut dengan teknik splitting data, didapatkan bahwa Algoritma K-NN (K-Nearest Neighbor) memiliki rata-rata lebih tinggi dibandingkan (NBC) Naïve Bayes Classifier dan SVM (Support Vector Machine) untuk prediksi kelulusan mahasiswa tingkat akhir dengan akurasi 87,8%, presisi 87,8%, dan recall 84%.","PeriodicalId":499353,"journal":{"name":"MALCOM Indonesian Journal of Machine Learning and Computer Science","volume":"54 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135672960","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Kanker paru merupakan satu dari banyaknya penyebab kematian di dunia dengan persentase 11.6%, dengan tingkat kematian hingga 18,4%. Kanker paru merupakan salah satu penyakit yang mematikan karena kanker ini sulit dideteksi sebelum berubah menjadi penyakit yang serius dan saat ini belum ada metode skrining yang efektif untuk deteksi dini kanker paru. Pada penelitian ini dilakukan teknik klasifikasi yang merupakan suatu metode pengelompokkan data yang memiliki karakter yang sama ke dalam beberapa kelompok. Teknik klasifikasi yang diteliti membandingkan 2 algoritma yaitu, algoritma Decision Tree dan Support Vector Machine (SVM) untuk mengetahui algoritma yang memberikan hasil terbaik. Dalam penelitian ini akan dilakukan seleksi fitur menggunakan forward selection yang bertujuan untuk menaikkan nilai akurasi. Berdasarkan penelitian yang telah dilakukan dapatkan hasil dari algoritma SVM menggunakan feature selection mempunyai nilai akurasi yang lebih unggul yaitu 62,3% menggunakan splitting data 80:20.
{"title":"Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru","authors":"Dhini Septhya, Kharisma Rahayu, Salsabila Rabbani, Vindi Fitria, Rahmaddeni Rahmaddeni, Yuda Irawan, Regiolina Hayami","doi":"10.57152/malcom.v3i1.591","DOIUrl":"https://doi.org/10.57152/malcom.v3i1.591","url":null,"abstract":"Kanker paru merupakan satu dari banyaknya penyebab kematian di dunia dengan persentase 11.6%, dengan tingkat kematian hingga 18,4%. Kanker paru merupakan salah satu penyakit yang mematikan karena kanker ini sulit dideteksi sebelum berubah menjadi penyakit yang serius dan saat ini belum ada metode skrining yang efektif untuk deteksi dini kanker paru. Pada penelitian ini dilakukan teknik klasifikasi yang merupakan suatu metode pengelompokkan data yang memiliki karakter yang sama ke dalam beberapa kelompok. Teknik klasifikasi yang diteliti membandingkan 2 algoritma yaitu, algoritma Decision Tree dan Support Vector Machine (SVM) untuk mengetahui algoritma yang memberikan hasil terbaik. Dalam penelitian ini akan dilakukan seleksi fitur menggunakan forward selection yang bertujuan untuk menaikkan nilai akurasi. Berdasarkan penelitian yang telah dilakukan dapatkan hasil dari algoritma SVM menggunakan feature selection mempunyai nilai akurasi yang lebih unggul yaitu 62,3% menggunakan splitting data 80:20.","PeriodicalId":499353,"journal":{"name":"MALCOM Indonesian Journal of Machine Learning and Computer Science","volume":"13 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135672961","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-10DOI: 10.57152/malcom.v3i1.200
Mochammad Faizal Nazil, Aga Bagus Firmansyah, Rani Purbaningtyas
Klasifikasi Gambar adalah bidang yang telah menemukan jalan ke berbagai aspek kehidupan, seperti pencarian gambar, pengenalan wajah, dan riset pemasaran. Alzheimer, penyakit neurodegeneratif yang belum ada obatnya, umumnya terdeteksi menggunakan MRI dan gejala yang dilaporkan oleh si penderita. Namun, kesalahan diagnosis sering terjadi karena gejala usia tua dan gejala Alzheimer yang tumpang tindih, dan pemeriksaan jaringan otak untuk diagnosis yang jelas hanya dapat dilakukan setelah kematian. Dengan harapan untuk memperbaiki proses ini, maka dikembangkanlah model jaringan saraf tiruan untuk mengklasifikasikan tingkat keparahan demensia Alzheimer untuk membantu dokter meninjau ulang dan meningkatkan akurasi diagnosis. Untuk melakukan ini, kami menggunakan set gambar MRI dengan 4 kelas dan Convolutional Neural Networks (CNN) dari metode pembelajaran awal dan transfer. Metode yang kami temukan yang paling akurat memprediksi kelas Alzheimer dari pemindaian MRI adalah Convolution Neural Network.
{"title":"Klasifikasi Keparahan Demensia Alzheimer Menggunakan Metode Convolutional Neural Network pada Citra MRI Otak","authors":"Mochammad Faizal Nazil, Aga Bagus Firmansyah, Rani Purbaningtyas","doi":"10.57152/malcom.v3i1.200","DOIUrl":"https://doi.org/10.57152/malcom.v3i1.200","url":null,"abstract":"Klasifikasi Gambar adalah bidang yang telah menemukan jalan ke berbagai aspek kehidupan, seperti pencarian gambar, pengenalan wajah, dan riset pemasaran. Alzheimer, penyakit neurodegeneratif yang belum ada obatnya, umumnya terdeteksi menggunakan MRI dan gejala yang dilaporkan oleh si penderita. Namun, kesalahan diagnosis sering terjadi karena gejala usia tua dan gejala Alzheimer yang tumpang tindih, dan pemeriksaan jaringan otak untuk diagnosis yang jelas hanya dapat dilakukan setelah kematian. Dengan harapan untuk memperbaiki proses ini, maka dikembangkanlah model jaringan saraf tiruan untuk mengklasifikasikan tingkat keparahan demensia Alzheimer untuk membantu dokter meninjau ulang dan meningkatkan akurasi diagnosis. Untuk melakukan ini, kami menggunakan set gambar MRI dengan 4 kelas dan Convolutional Neural Networks (CNN) dari metode pembelajaran awal dan transfer. Metode yang kami temukan yang paling akurat memprediksi kelas Alzheimer dari pemindaian MRI adalah Convolution Neural Network.","PeriodicalId":499353,"journal":{"name":"MALCOM Indonesian Journal of Machine Learning and Computer Science","volume":"115 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135672962","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-10DOI: 10.57152/malcom.v3i1.590
Rizky Rahman Salam, Muhammad Fajri Jamil, Yusril Ibrahim, Rahmaddeni Rahmaddeni, Soni Soni, Herianto Herianto
Bahan bakar minyak (BBM) merupakan salah satu kebutuhan pokok masyarakat. Namun, harga BBM yang tinggi dapat menyebabkan beban ekonomi bagi masyarakat yang tidak mampu. Dalam rangka mengatasi masalah ini, pemerintah telah menerapkan program Bantuan Langsung Tunai (BLT) sebagai bentuk bantuan bagi masyarakat yang mengalami ketidakseimbangan ekonomi. Tujuan dari penelitian ini adalah untuk menganalisis sentimen masyarakat terhadap program Bantuan Langsung Tunai (BLT) Bahan Bakar Minyak (BBM). Penelitian ini menggunakan teknik pengumpulan data scraping, yaitu mengambil data dari media sosial Instagram. Jumlah yang digunakan sebanyak 356 data. Proses klasifikasi yang digunakan berdasarkan model pembelajaran dari Support Vector Machine (SVM) dan evaluasi dengan confusion matrix. Dari hasil perhitungan, terlihat bahwa proses klasifikasi sentimen menggunakan metode SVM didapatkan tingkat accuracy 85,98%, rata-rata nilai precision 82,25%, nilai rata-rata recall 66,35%, dan nilai rata-rata f-measure 73,44%. Hasil yang diperoleh menunjukkan bahwa sentimen negatif lebih banyak daripada sentimen positif, dengan masing-masing persentase 78.61% dan 21.34%. Dari analisis sentimen yang dilakukan, ditemukan bahwa sentimen negatif adalah yang paling banyak muncul, hal ini menunjukkan bahwa masyarakat tidak puas dengan bantuan langsung tunai BBM. Sebagai respon terhadap sentimen negatif yang dominan, perlu diterapkan strategi untuk melakukan pemerataan bantuan langsung tunai dan pendata’an yang terstruktur agar tingkat kekecewaan masyarakat dapat diminimalisir.
{"title":"Analisis Sentimen Terhadap Bantuan Langsung Tunai (BLT) Bahan Bakar Minyak (BBM) Menggunakan Support Vector Machine","authors":"Rizky Rahman Salam, Muhammad Fajri Jamil, Yusril Ibrahim, Rahmaddeni Rahmaddeni, Soni Soni, Herianto Herianto","doi":"10.57152/malcom.v3i1.590","DOIUrl":"https://doi.org/10.57152/malcom.v3i1.590","url":null,"abstract":"Bahan bakar minyak (BBM) merupakan salah satu kebutuhan pokok masyarakat. Namun, harga BBM yang tinggi dapat menyebabkan beban ekonomi bagi masyarakat yang tidak mampu. Dalam rangka mengatasi masalah ini, pemerintah telah menerapkan program Bantuan Langsung Tunai (BLT) sebagai bentuk bantuan bagi masyarakat yang mengalami ketidakseimbangan ekonomi. Tujuan dari penelitian ini adalah untuk menganalisis sentimen masyarakat terhadap program Bantuan Langsung Tunai (BLT) Bahan Bakar Minyak (BBM). Penelitian ini menggunakan teknik pengumpulan data scraping, yaitu mengambil data dari media sosial Instagram. Jumlah yang digunakan sebanyak 356 data. Proses klasifikasi yang digunakan berdasarkan model pembelajaran dari Support Vector Machine (SVM) dan evaluasi dengan confusion matrix. Dari hasil perhitungan, terlihat bahwa proses klasifikasi sentimen menggunakan metode SVM didapatkan tingkat accuracy 85,98%, rata-rata nilai precision 82,25%, nilai rata-rata recall 66,35%, dan nilai rata-rata f-measure 73,44%. Hasil yang diperoleh menunjukkan bahwa sentimen negatif lebih banyak daripada sentimen positif, dengan masing-masing persentase 78.61% dan 21.34%. Dari analisis sentimen yang dilakukan, ditemukan bahwa sentimen negatif adalah yang paling banyak muncul, hal ini menunjukkan bahwa masyarakat tidak puas dengan bantuan langsung tunai BBM. Sebagai respon terhadap sentimen negatif yang dominan, perlu diterapkan strategi untuk melakukan pemerataan bantuan langsung tunai dan pendata’an yang terstruktur agar tingkat kekecewaan masyarakat dapat diminimalisir.","PeriodicalId":499353,"journal":{"name":"MALCOM Indonesian Journal of Machine Learning and Computer Science","volume":"100 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135672959","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：