Pub Date : 2023-10-04DOI: 10.34010/komputika.v12i2.9767
Windha Mega P Dhuhita, Fritz Zone
Pada era sekarang, ditengah pesatnya perkembangan teknologi, ada banyak orang yang menyalahgunakan teknologi untuk melakukan tindakkan kurang menyenangkan terhadap orang lain, salah satunya bullying yang dilakukan menggunakan media sosial yang disebut sebagai cyberbullying. Maka peneliti melakukan pengklasifikasian data komentar pada media sosial apakah termasuk bullying atau tidak. Tujuan dari penelitian ini untuk melakukan pengklasifikasian data komentar pada sosial media termasuk cyberbullying atau tidak dengan membandingkan terlebih dahulu kinerja antara algoritma Naive Bayes Multinomial dan Bernoulli dalam mengklasifikasikan data komentar tersebut. Peneliti membandingkan algoritma Naive Bayes Classifier model Multinomial dan Bernoulli untuk mendapatkan model terbaik. Peneliti juga membandingkan penggunaan metode feature extraction Bag of Words dan TF-IDF untuk meningkatkan akurasi dari algoritma yang digunakan. Hasil dari penelitian yang dilakukan adalah algoritma Naive Bayes model Multinomial memperoleh akurasi lebih tinggi dan memperoleh rata - rata waktu pemrosesan yang lebih cepat dibandingkan model Bernoulli. Penggunaan metode feture extraction Bag of Words juga dapat meningkatkan akurasi lebih signifikasi dibanding TF-IDF.
{"title":"Perbandingan Kinerja Algoritma Multinomial dan Bernoulli Naïve Bayes dalam Mengklasifikasikan Komentar Cyberbullying","authors":"Windha Mega P Dhuhita, Fritz Zone","doi":"10.34010/komputika.v12i2.9767","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.9767","url":null,"abstract":"Pada era sekarang, ditengah pesatnya perkembangan teknologi, ada banyak orang yang menyalahgunakan teknologi untuk melakukan tindakkan kurang menyenangkan terhadap orang lain, salah satunya bullying yang dilakukan menggunakan media sosial yang disebut sebagai cyberbullying. Maka peneliti melakukan pengklasifikasian data komentar pada media sosial apakah termasuk bullying atau tidak. Tujuan dari penelitian ini untuk melakukan pengklasifikasian data komentar pada sosial media termasuk cyberbullying atau tidak dengan membandingkan terlebih dahulu kinerja antara algoritma Naive Bayes Multinomial dan Bernoulli dalam mengklasifikasikan data komentar tersebut. Peneliti membandingkan algoritma Naive Bayes Classifier model Multinomial dan Bernoulli untuk mendapatkan model terbaik. Peneliti juga membandingkan penggunaan metode feature extraction Bag of Words dan TF-IDF untuk meningkatkan akurasi dari algoritma yang digunakan. Hasil dari penelitian yang dilakukan adalah algoritma Naive Bayes model Multinomial memperoleh akurasi lebih tinggi dan memperoleh rata - rata waktu pemrosesan yang lebih cepat dibandingkan model Bernoulli. Penggunaan metode feture extraction Bag of Words juga dapat meningkatkan akurasi lebih signifikasi dibanding TF-IDF.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-10-04","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135647330","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 : 2023-09-26DOI: 10.34010/komputika.v12i2.10348
Jeremia Novaldi, Arie Wahyu Wijayanto
Pemuda adalah generasi yang akan memegang masa depan Indonesia. Menurut BPS, seperempat penduduk Indonesia merupakan pemuda. Dengan demikian, pemerintah memerlukan gambaran mengenai kualitas pemuda saat ini untuk merumuskan kebijakan yang tepat untuk tiap daerah. Penelitian ini bertujuan untuk mengelompokan provinsi-provinsi di Indonesia menurut data kepemudaan dengan menggunakan metode hierarki aglomeratif dan K-Means. Berdasarkan nilai indeks validitas internal dan stabilitas, hierarki aglomeratif (Ward’s method) dengan jumlah cluster 2 dipilih sebagai metode pengelompokan terbaik. Metode ini menghasilkan 2 cluster yang masing-masing terdiri dari 11 dan 23 provinsi. Secara umum, Cluster 1 berisi provinsi-provinsi dengan kualitas pemuda yang lebih baik, di mana nilai rata-rata RLS pemuda, persentase pemuda dengan akses internet, persentase pemuda dengan jaminan kesehatan yang lebih tinggi dari Cluster 2 meskipun memiliki TPT yang lebih tinggi. Sebaliknya, Cluster 2 memiliki nilai yang lebih tinggi pada indikator Angka Kesakitan Pemuda, persentase pemuda dengan usia kawin pertama 16 – 18 tahun, dan persentase pemudi yang melahirkan bayi dengan BBLR
{"title":"Analisis Cluster Kualitas Pemuda di Indonesia pada Tahun 2022 dengan Agglomerative Hierarchical dan K-Means","authors":"Jeremia Novaldi, Arie Wahyu Wijayanto","doi":"10.34010/komputika.v12i2.10348","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.10348","url":null,"abstract":"Pemuda adalah generasi yang akan memegang masa depan Indonesia. Menurut BPS, seperempat penduduk Indonesia merupakan pemuda. Dengan demikian, pemerintah memerlukan gambaran mengenai kualitas pemuda saat ini untuk merumuskan kebijakan yang tepat untuk tiap daerah. Penelitian ini bertujuan untuk mengelompokan provinsi-provinsi di Indonesia menurut data kepemudaan dengan menggunakan metode hierarki aglomeratif dan K-Means. Berdasarkan nilai indeks validitas internal dan stabilitas, hierarki aglomeratif (Ward’s method) dengan jumlah cluster 2 dipilih sebagai metode pengelompokan terbaik. Metode ini menghasilkan 2 cluster yang masing-masing terdiri dari 11 dan 23 provinsi. Secara umum, Cluster 1 berisi provinsi-provinsi dengan kualitas pemuda yang lebih baik, di mana nilai rata-rata RLS pemuda, persentase pemuda dengan akses internet, persentase pemuda dengan jaminan kesehatan yang lebih tinggi dari Cluster 2 meskipun memiliki TPT yang lebih tinggi. Sebaliknya, Cluster 2 memiliki nilai yang lebih tinggi pada indikator Angka Kesakitan Pemuda, persentase pemuda dengan usia kawin pertama 16 – 18 tahun, dan persentase pemudi yang melahirkan bayi dengan BBLR","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-09-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135768888","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 : 2023-09-26DOI: 10.34010/komputika.v12i2.10336
Muhammad Farhan Syam, Lilis Nur Hayati, Lukman Syafie
Sanitasi merupakan usaha dalam menjaga kebersihan serta kondisi lingkungan sekitar. Dalam memenuhi pilar sanitasi di setiap wilayah pastinya kita juga membutuhkan peran instansi kesehatan untuk melakukan pemicuan dan pemberian edukasi. Pada desa area lingkup puskesmas Bontomangape diketahui bahwa pemenuhan pilar sanitasi masih belum merata. Berdasarkan hal tersebut, penulis bermaksud untuk melakukan klasifikasi pemenuhan pilar sanitasi puskesmas menggunakan metode Naive Bayes sehingga hasil klasifikasi tersebut dapat digunakan sebagai tolak ukur desa yang perlu diprioritaskan oleh petugas sanitasi. Adapun hasil klasifikasi diperoleh sebanyak 55 terlaksana dan 20 tidak terlaksana untuk desa Bontomangape, 70 terlaksana dan 5 tidak terlaksana untuk desa Campagaya, 60 terlaksana dan 15 tidak terlaksana untuk desa Kalenna, 45 terlaksana dan 30 tidak terlaksana untuk desa Parambambe, 52 terlaksana dan 23 tidak terlaksana untuk desa Parangmata, 64 terlaksana dan 11 tidak terlaksana untuk desa Parasangangberu, serta 57 terlaksana dan 18 terlaksana untuk desa Pattinoang. Adapun hasil klasifikasi memperoleh rata-rata nilai accuracy sebesar 95,81%, nilai precision sebesar 94,78% dan nilai recall sebesar 100%.
{"title":"Klasifikasi Pemenuhan Pilar Sanitasi Puskesmas Menggunakan Metode Naive Bayes","authors":"Muhammad Farhan Syam, Lilis Nur Hayati, Lukman Syafie","doi":"10.34010/komputika.v12i2.10336","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.10336","url":null,"abstract":"Sanitasi merupakan usaha dalam menjaga kebersihan serta kondisi lingkungan sekitar. Dalam memenuhi pilar sanitasi di setiap wilayah pastinya kita juga membutuhkan peran instansi kesehatan untuk melakukan pemicuan dan pemberian edukasi. Pada desa area lingkup puskesmas Bontomangape diketahui bahwa pemenuhan pilar sanitasi masih belum merata. Berdasarkan hal tersebut, penulis bermaksud untuk melakukan klasifikasi pemenuhan pilar sanitasi puskesmas menggunakan metode Naive Bayes sehingga hasil klasifikasi tersebut dapat digunakan sebagai tolak ukur desa yang perlu diprioritaskan oleh petugas sanitasi. Adapun hasil klasifikasi diperoleh sebanyak 55 terlaksana dan 20 tidak terlaksana untuk desa Bontomangape, 70 terlaksana dan 5 tidak terlaksana untuk desa Campagaya, 60 terlaksana dan 15 tidak terlaksana untuk desa Kalenna, 45 terlaksana dan 30 tidak terlaksana untuk desa Parambambe, 52 terlaksana dan 23 tidak terlaksana untuk desa Parangmata, 64 terlaksana dan 11 tidak terlaksana untuk desa Parasangangberu, serta 57 terlaksana dan 18 terlaksana untuk desa Pattinoang. Adapun hasil klasifikasi memperoleh rata-rata nilai accuracy sebesar 95,81%, nilai precision sebesar 94,78% dan nilai recall sebesar 100%.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-09-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135768887","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 : 2023-09-21DOI: 10.34010/komputika.v12i2.10516
Vita Karenina, Moh Fiqih Erinsyah, Dega Surono Wibowo
The research discusses the identification of human voices based on gender by utilizing the differences in voice characteristics between males and females. In addition to differences in vocal tract size, factors such as length, thickness, and stiffness of the vocal cords also play a role in producing the differences in fundamental frequency between the two genders. Fundamental frequency serves as an indicator used in acoustic analysis to classify gender based on voice. In the automatic classification of voices, sound processing techniques and machine learning are key in system development. Gender recognition methods based on voice involve acoustic analysis using voice features such as fundamental frequency, formants, duration, intensity, and intonation patterns. Diverse voice datasets containing recordings of both male and female voices are used to train gender recognition models. From the results of research from modeling using CNN on audio to get 92% accuracy and for testing results it is good enough in classifying.
Keywords – Deep Learning, Voice Recognition, Audio Classification, CNN, Gender
{"title":"Klasifikasi Rentang Usia Dan Gender Dengan Deteksi Suara Menggunakan Metode Deep Learning Algoritma Cnn (Convolutional Neural Network)","authors":"Vita Karenina, Moh Fiqih Erinsyah, Dega Surono Wibowo","doi":"10.34010/komputika.v12i2.10516","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.10516","url":null,"abstract":"The research discusses the identification of human voices based on gender by utilizing the differences in voice characteristics between males and females. In addition to differences in vocal tract size, factors such as length, thickness, and stiffness of the vocal cords also play a role in producing the differences in fundamental frequency between the two genders. Fundamental frequency serves as an indicator used in acoustic analysis to classify gender based on voice. In the automatic classification of voices, sound processing techniques and machine learning are key in system development. Gender recognition methods based on voice involve acoustic analysis using voice features such as fundamental frequency, formants, duration, intensity, and intonation patterns. Diverse voice datasets containing recordings of both male and female voices are used to train gender recognition models. From the results of research from modeling using CNN on audio to get 92% accuracy and for testing results it is good enough in classifying.
 Keywords – Deep Learning, Voice Recognition, Audio Classification, CNN, Gender","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-09-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136239602","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 : 2023-09-21DOI: 10.34010/komputika.v12i2.10304
Fina Ustadatin, Asfan Muqtadir, Amaludin Arifia
Bahan pokok merupakan bagian dari komoditas yang diperlukan secara rutin dalam kehidupan sehari-hari. Bahan pokok memiliki peran penting dalam memenuhi kebutuhan pangan. Ketersediaan, harga, dan aksesibilitas bahan pokok dapat mempengaruhi kesejahteraan masyarakat. Harga bahan pokok cenderung mengalami ketidakstabilan harga. Hal ini membuat masyarakat menjadi resah dan akan mempengaruhi tingkat pembelian pada setiap bahan pokok. Tujuan penelitian ini adalah untuk memprediksi harga harga bahan pokok di pasar kabupaten Tuban, Jawa Timur. Metode yang digunakan untuk membantu dalam penelitian ini dengan menggunakan Weighted Moving Average (WMA), untuk memprediksi harga bahan menggunakan data-data harga bahan pokok yang ada sebelumnya. Metode ini digunakan agar mendapatkan hasil peramalan yang akurat. Metode Weighted Moving Average cocok untuk memprediksi harga bahan pokok, karena mampu memberikan prediksi menggunakan data yang ada yaitu data sebelumnya dan dapat memprediksi harga untuk masa mendatang. Hasil dari penelitian ini adalah terdapat nilai MAPE tertinggi bernilai 0.3 pada bahan pokok beras premium, dan nilai MAPE terendah bernilai 5.3 terdapat pada bahan pokok cabai rawit merah.
{"title":"Implementasi Metode Weighted Moving Average (WMA) Pada Prediksi Harga Bahan Pokok","authors":"Fina Ustadatin, Asfan Muqtadir, Amaludin Arifia","doi":"10.34010/komputika.v12i2.10304","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.10304","url":null,"abstract":"Bahan pokok merupakan bagian dari komoditas yang diperlukan secara rutin dalam kehidupan sehari-hari. Bahan pokok memiliki peran penting dalam memenuhi kebutuhan pangan. Ketersediaan, harga, dan aksesibilitas bahan pokok dapat mempengaruhi kesejahteraan masyarakat. Harga bahan pokok cenderung mengalami ketidakstabilan harga. Hal ini membuat masyarakat menjadi resah dan akan mempengaruhi tingkat pembelian pada setiap bahan pokok. Tujuan penelitian ini adalah untuk memprediksi harga harga bahan pokok di pasar kabupaten Tuban, Jawa Timur. Metode yang digunakan untuk membantu dalam penelitian ini dengan menggunakan Weighted Moving Average (WMA), untuk memprediksi harga bahan menggunakan data-data harga bahan pokok yang ada sebelumnya. Metode ini digunakan agar mendapatkan hasil peramalan yang akurat. Metode Weighted Moving Average cocok untuk memprediksi harga bahan pokok, karena mampu memberikan prediksi menggunakan data yang ada yaitu data sebelumnya dan dapat memprediksi harga untuk masa mendatang. Hasil dari penelitian ini adalah terdapat nilai MAPE tertinggi bernilai 0.3 pada bahan pokok beras premium, dan nilai MAPE terendah bernilai 5.3 terdapat pada bahan pokok cabai rawit merah.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-09-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136239603","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 : 2023-09-19DOI: 10.34010/komputika.v12i2.9999
Afifah Inas Hanifah, Arief Hermawan
Pisang merupakan tumbuhan asli yang berasal dari kawasan Asia Tenggara dan termasuk dalam genus Musa serta family musaceae. Pisang tumbuh di daerah tropis dan subtropis serta merupakan salah satu komoditas pertanian dengan produksi paling besar dibandingkan buah lainnya. Indonesia merupakan salah satu penghasil pisang terbesar di dunia. Hasil panen tersebut kemudian dipilah berdasarkan tingkat kematangan dengan melihat dari perubahan warna kulit pisang. Namun, proses pemilahan buah pisang membutuhkan waktu dan tenaga yang tidak sedikit karena produksi buah pisang yang banyak. Dan setiap orang mempunyai perbedaan penilaian terhadap perubahan warna kulit pisang sehingga mengakibatkan hasil yang tidak konsisten. Oleh karena itu, penelitian ini membuat sistem klasifikasi tingkat kematangan buah pisang berdasarkan perubahan warna kulit dengan tujuan proses pemiliahan tersebut dapat dilakukan dengan cepat dan akurat. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur buatan sendiri. Hasil penelitian telah mendapatkan akurasi sebesar 88% dengan learning rate sebesar 0,001 dan maksimal 15 epoch.
{"title":"Klasifikasi Kematangan Pisang Menggunakan Metode Convolutional Neural Network","authors":"Afifah Inas Hanifah, Arief Hermawan","doi":"10.34010/komputika.v12i2.9999","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.9999","url":null,"abstract":"Pisang merupakan tumbuhan asli yang berasal dari kawasan Asia Tenggara dan termasuk dalam genus Musa serta family musaceae. Pisang tumbuh di daerah tropis dan subtropis serta merupakan salah satu komoditas pertanian dengan produksi paling besar dibandingkan buah lainnya. Indonesia merupakan salah satu penghasil pisang terbesar di dunia. Hasil panen tersebut kemudian dipilah berdasarkan tingkat kematangan dengan melihat dari perubahan warna kulit pisang. Namun, proses pemilahan buah pisang membutuhkan waktu dan tenaga yang tidak sedikit karena produksi buah pisang yang banyak. Dan setiap orang mempunyai perbedaan penilaian terhadap perubahan warna kulit pisang sehingga mengakibatkan hasil yang tidak konsisten. Oleh karena itu, penelitian ini membuat sistem klasifikasi tingkat kematangan buah pisang berdasarkan perubahan warna kulit dengan tujuan proses pemiliahan tersebut dapat dilakukan dengan cepat dan akurat. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur buatan sendiri. Hasil penelitian telah mendapatkan akurasi sebesar 88% dengan learning rate sebesar 0,001 dan maksimal 15 epoch.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-09-19","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135109316","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 : 2023-09-19DOI: 10.34010/komputika.v12i2.9763
Usep Mohamad Ishaq, Mochamad Fajar Wicaksono, Sri Nurhayati
Tujuan dari penelitian ini adalah membuat sebuah aplikasi PROBE (pengukuran OBE) berbasis web yang dapat memberikan informasi hasil penilaian pembelajaran menggunakan kurikulum OBE (outcome-based education) kepada mahasiswa, dan memberikan kemudahan pada pihak terkait dalam pengelolaan kurikulum OBE di Program Studi Sistem Komputer. OBE merupakan salah satu pendekatan pengajaran yang mempengaruhi proses pembelajaran mulai dari rancangan kurikulum, capaian pembelajaran, metode pembelajaran, dan bentuk evaluasi dari pembelajaran. Implementasi kurikulum OBE tidak akan berjalan tanpa suatu sistem pengukuran hasil belajar mahasiswa. Untuk melakukan pengukuran tersebut diperlukan perancangan dan pembangunan sistem penilaian capaian pembelajaran mahasiswa melalui suatu aplikasi perangkat lunak (software) agar diperoleh kemudahan dalam melakukan input, pengolahan informasi, dan akses terhadap terecapaian setiap hasil belajar dalam CPL dan CPMK. Oleh karena itu, solusi yang diberikan untuk menjawab permasalahan tersebut adalah diperlukan aplikasi OBE yang dapat memberikan informasi hasil penilaian pembelajaran mahasiswa. Kontribusi dari penelitian ini adalah memberikan kemudahan kepada pihat terkait dalam melihat capaian pembelajaran mahasiswa, sehingga dapat digunakan untuk kebijakan dalam hal revisi kurikulum di Program Studi. Metode yang digunakan pada penelitian ini adalah pendekatan studi kasus dimana studi kasus diambil dari data kurikulum tahun 2020 Prodi Sistem Komputer. Untuk pembuatan aplikasi menggunakan metode waterfall, dan analisis kebutuhan fungsional sistem menggunakan pendekatan terstruktur. Hasil dari penelitian ini menunjukan bahwa 100% fungsional pada aplikasi sudah berjalan sesuai dengan kebutuhan fungsional yang dibuat, dan sistem sudah memberikan informasi nilai capaian mahasiswa per tahun ajaran.
{"title":"Aplikasi Probe Untuk Penilaian Capaian Pembelajaran Mahasiswa Pada Kurikulum OBE (Outcame-Based Education)","authors":"Usep Mohamad Ishaq, Mochamad Fajar Wicaksono, Sri Nurhayati","doi":"10.34010/komputika.v12i2.9763","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.9763","url":null,"abstract":"Tujuan dari penelitian ini adalah membuat sebuah aplikasi PROBE (pengukuran OBE) berbasis web yang dapat memberikan informasi hasil penilaian pembelajaran menggunakan kurikulum OBE (outcome-based education) kepada mahasiswa, dan memberikan kemudahan pada pihak terkait dalam pengelolaan kurikulum OBE di Program Studi Sistem Komputer. OBE merupakan salah satu pendekatan pengajaran yang mempengaruhi proses pembelajaran mulai dari rancangan kurikulum, capaian pembelajaran, metode pembelajaran, dan bentuk evaluasi dari pembelajaran. Implementasi kurikulum OBE tidak akan berjalan tanpa suatu sistem pengukuran hasil belajar mahasiswa. Untuk melakukan pengukuran tersebut diperlukan perancangan dan pembangunan sistem penilaian capaian pembelajaran mahasiswa melalui suatu aplikasi perangkat lunak (software) agar diperoleh kemudahan dalam melakukan input, pengolahan informasi, dan akses terhadap terecapaian setiap hasil belajar dalam CPL dan CPMK. Oleh karena itu, solusi yang diberikan untuk menjawab permasalahan tersebut adalah diperlukan aplikasi OBE yang dapat memberikan informasi hasil penilaian pembelajaran mahasiswa. Kontribusi dari penelitian ini adalah memberikan kemudahan kepada pihat terkait dalam melihat capaian pembelajaran mahasiswa, sehingga dapat digunakan untuk kebijakan dalam hal revisi kurikulum di Program Studi. Metode yang digunakan pada penelitian ini adalah pendekatan studi kasus dimana studi kasus diambil dari data kurikulum tahun 2020 Prodi Sistem Komputer. Untuk pembuatan aplikasi menggunakan metode waterfall, dan analisis kebutuhan fungsional sistem menggunakan pendekatan terstruktur. Hasil dari penelitian ini menunjukan bahwa 100% fungsional pada aplikasi sudah berjalan sesuai dengan kebutuhan fungsional yang dibuat, dan sistem sudah memberikan informasi nilai capaian mahasiswa per tahun ajaran.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-09-19","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135109315","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 : 2023-09-15DOI: 10.34010/komputika.v12i2.9460
Pangestu Fremmuzar, Anna Baita
Telkomsel is an internet service provider in Indonesia which was launched in 1995. As an internet
service provider with the most users, Telkomsel has become the center of attention of internet users in Indonesia. This
invites user opinions and perspectives on Telkomsel, which is commonly referred to as sentiment. One of the media
commonly used to express an opinion and point of view is Twitter. Twitter is a social media platform that is often a
place for sharing and spreading the news, and discussing ideas, and opinions of Twitter users. In this study, the algorithm used
is the Support Vector Machine. In the Support Vector Machine, there is a kernel trick that will be used to determine
kernel performance and analyze sentiment. The sentiments analyzed amounted to 537 tweets collected by scraping.
The collected tweets will go through the preprocessing stage, namely cleaning, case folding, tokenizing, normalization,
stemming, stopword removal, and detokenizing. A sentiment is classified into 2 labels, namely positive and negative.
Based on the test results, the sigmoid kernel has the best performance with an accuracy value of 0.950, a precision of
0.945, a recall of 0.860, an f1-score of 0.896, and sentiment tend toward negative.
{"title":"Uji Kernel SVM dalam Analisis Sentimen Terhadap Layanan Telkomsel di Media Sosial Twitter","authors":"Pangestu Fremmuzar, Anna Baita","doi":"10.34010/komputika.v12i2.9460","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.9460","url":null,"abstract":"Telkomsel is an internet service provider in Indonesia which was launched in 1995. As an internet 
 service provider with the most users, Telkomsel has become the center of attention of internet users in Indonesia. This 
 invites user opinions and perspectives on Telkomsel, which is commonly referred to as sentiment. One of the media 
 commonly used to express an opinion and point of view is Twitter. Twitter is a social media platform that is often a 
 place for sharing and spreading the news, and discussing ideas, and opinions of Twitter users. In this study, the algorithm used 
 is the Support Vector Machine. In the Support Vector Machine, there is a kernel trick that will be used to determine 
 kernel performance and analyze sentiment. The sentiments analyzed amounted to 537 tweets collected by scraping. 
 The collected tweets will go through the preprocessing stage, namely cleaning, case folding, tokenizing, normalization, 
 stemming, stopword removal, and detokenizing. A sentiment is classified into 2 labels, namely positive and negative. 
 Based on the test results, the sigmoid kernel has the best performance with an accuracy value of 0.950, a precision of 
 0.945, a recall of 0.860, an f1-score of 0.896, and sentiment tend toward negative.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-09-15","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135487676","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 : 2023-09-11DOI: 10.34010/komputika.v12i2.9704
Hani Irmayanti, Abdul Majid Gaffar
Tujuan dari penelitian ini adalah untuk menentukan mahasiswa yang masuk ke dalam kriteria penerima bantuan Kartu Indonesia Pintar, supaya pemberian bantuan tepat sasaran. Kartu Indonesia Pintar ini tidak bisa diberikan kepada seluruh mahasiswa yang kurang mampu, meskipun sudah memenuhi kriteria, karena kuota kartu Indonesia pintar ini sangat terbatas. Metode yang digunakan pada penelitian ini adalah metode Weighted Product. Metode Weighted Product merupakan metode penentuan dalam sebuah keputusan dengan cara perkalian untuk dapat menghubungkan nilai atribut, dimana setiap atribut harus dipangkatkan terlebih dahulu dengan bobot atribut yang bersangkutan. Hasil yang didapatkan dari penelitian ini adalah ranking mahasiswa yang masuk ke dalam kriteria yang sudah ditentukan sesuai kuota yang telah ditentukan. Ranking tersebut didapatkan dari proses penentuan kriteria terlebih dahulu, kemudian penentuan nilai pada tiap alternatif, memperbaiki bobot dari kriteria yang telah dilaksanakan, menghitung vector s, menghitung vector v, terakhir perankingan. Kesimpulan dari penelitian ini adalah proses perankingan untuk mahasiswa sudah sesuai dengan kuota yang tersedia dan dalam prosesnya dapat dilaksanakan dengan transparan, akuntabel dan objektif. Pihak BAAK sangat terbantu dalam menentukan keputusan, sehingga pemberian bantuan juga lebih tepat sasaran
{"title":"Pemberian Bantuan Kartu Indonesia Pintar menggunakan Metode Weighted Product","authors":"Hani Irmayanti, Abdul Majid Gaffar","doi":"10.34010/komputika.v12i2.9704","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.9704","url":null,"abstract":"Tujuan dari penelitian ini adalah untuk menentukan mahasiswa yang masuk ke dalam kriteria penerima bantuan Kartu Indonesia Pintar, supaya pemberian bantuan tepat sasaran. Kartu Indonesia Pintar ini tidak bisa diberikan kepada seluruh mahasiswa yang kurang mampu, meskipun sudah memenuhi kriteria, karena kuota kartu Indonesia pintar ini sangat terbatas. Metode yang digunakan pada penelitian ini adalah metode Weighted Product. Metode Weighted Product merupakan metode penentuan dalam sebuah keputusan dengan cara perkalian untuk dapat menghubungkan nilai atribut, dimana setiap atribut harus dipangkatkan terlebih dahulu dengan bobot atribut yang bersangkutan. Hasil yang didapatkan dari penelitian ini adalah ranking mahasiswa yang masuk ke dalam kriteria yang sudah ditentukan sesuai kuota yang telah ditentukan. Ranking tersebut didapatkan dari proses penentuan kriteria terlebih dahulu, kemudian penentuan nilai pada tiap alternatif, memperbaiki bobot dari kriteria yang telah dilaksanakan, menghitung vector s, menghitung vector v, terakhir perankingan. Kesimpulan dari penelitian ini adalah proses perankingan untuk mahasiswa sudah sesuai dengan kuota yang tersedia dan dalam prosesnya dapat dilaksanakan dengan transparan, akuntabel dan objektif. Pihak BAAK sangat terbantu dalam menentukan keputusan, sehingga pemberian bantuan juga lebih tepat sasaran","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-09-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136071721","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 : 2023-09-11DOI: 10.34010/komputika.v12i2.8914
Ruvita Faurina, M. Jumli Gazali, Icha Dwi Aprilia Herani
UPPIK (Unit Pengaduan Pelanggan Informasi dan Konseling) di RSUD M. Yunus memiliki tugas penting dalam melayani pengunjung yang datang ke rumah sakit. Namun, sering kali pengunjung mengeluh tentang pelayanan UPPIK karena jam kerja yang terbatas, sehingga tidak selalu ada staf/petugas yang tersedia untuk memberikan informasi yang dibutuhkan pengunjung. Selain itu, pandemi Covid-19 yang belum mereda mengharuskan masyarakat untuk menjaga jarak dan mengurangi interaksi antar individu. Sebagai solusi atas masalah ini, sebuah chatbot otomatis telah dikembangkan untuk memberikan layanan seolah-olah pengunjung berbicara langsung dengan staf/petugas tanpa ada batasan waktu. Penelitian ini menggunakan algoritma Deep Feed-Forward Neural Network. Dataset yang digunakan adalah kumpulan data pertanyaan jawaban yang dikumpulkan melalui observasi langsung di UPPIK, yang terdiri dari 1464 pasangan data. Akurasi terbaik diperoleh dengan membagi dataset menjadi 80% data training (1.185 data), 10% data testing (147 data), dan 10% data validasi (132 data) dengan epoch 300, yang menghasilkan akurasi sebesar 91,98%. Evaluasi terhadap hasil ini menunjukkan nilai precision sebesar 0,99, recall sebesar 0,98, dan f1-score sebesar 0,99.
{"title":"Implementasi Deep Feed-Forward Neural Network pada Perancangan Chatbot Berbasis Web di UPPIK RSUD M. YUNUS","authors":"Ruvita Faurina, M. Jumli Gazali, Icha Dwi Aprilia Herani","doi":"10.34010/komputika.v12i2.8914","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.8914","url":null,"abstract":"UPPIK (Unit Pengaduan Pelanggan Informasi dan Konseling) di RSUD M. Yunus memiliki tugas penting dalam melayani pengunjung yang datang ke rumah sakit. Namun, sering kali pengunjung mengeluh tentang pelayanan UPPIK karena jam kerja yang terbatas, sehingga tidak selalu ada staf/petugas yang tersedia untuk memberikan informasi yang dibutuhkan pengunjung. Selain itu, pandemi Covid-19 yang belum mereda mengharuskan masyarakat untuk menjaga jarak dan mengurangi interaksi antar individu. Sebagai solusi atas masalah ini, sebuah chatbot otomatis telah dikembangkan untuk memberikan layanan seolah-olah pengunjung berbicara langsung dengan staf/petugas tanpa ada batasan waktu. Penelitian ini menggunakan algoritma Deep Feed-Forward Neural Network. Dataset yang digunakan adalah kumpulan data pertanyaan jawaban yang dikumpulkan melalui observasi langsung di UPPIK, yang terdiri dari 1464 pasangan data. Akurasi terbaik diperoleh dengan membagi dataset menjadi 80% data training (1.185 data), 10% data testing (147 data), dan 10% data validasi (132 data) dengan epoch 300, yang menghasilkan akurasi sebesar 91,98%. Evaluasi terhadap hasil ini menunjukkan nilai precision sebesar 0,99, recall sebesar 0,98, dan f1-score sebesar 0,99.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2023-09-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136071720","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：