Abstract:Abstract: The JKN Mobile application is a mobile application created to facilitate healthcare administration in Indonesia since 2017. The application has been downloaded by over 10 million users and has received 484,000…
diverse reviews, including positive, negative, and neutral feedback. The average rating given by users is 4.5 out of 5 stars. This research aims to perform sentiment analysis on user reviews found in the Google Play Store review column. The methods used for sentiment analysis are Naive Bayes, K-Nearest Neighbor (K-NN), and Support Vector Machine (SVM). The test results show that with a 10% test data and 90% training data proportion, the SVM method achieves the highest accuracy of 95%. Naive Bayes follows with an accuracy of 87%, and K-NN with an accuracy of 75%.
Keywords: JKN mobile application, sentiment analysis, naive bayes, k-nearest neighbor (K-NN), support vector machine (SVM).
Abstrak: Aplikasi Mobile JKN adalah sebuah aplikasi yang dibuat untuk mempermudah administrasi kesehatan di Indonesia sejak tahun 2017. Aplikasi ini telah diunduh lebih dari 10 juta pengguna dengan 484 ribu ulasan beragam positif, negatif, dan netral. Rata-rata rating yang diberikan pengguna adalah 4,5 bintang dari 5 bintang. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna yang terdapat di kolom review Google Play Store. Metode yang digunakan untuk analisis sentimen adalah Naive Bayes, K-Nearest Neighbor (K-NN), dan Support Vector Machine (SVM). Hasil pengujian menunjukkan bahwa dengan menggunakan proporsi data uji sebesar 10% dan data training sebesar 90%, metode SVM mencapai akurasi tertinggi sebesar 95%. Diikuti oleh Naive Bayes dengan akurasi 87%, dan K-NN dengan akurasi 75%.
Kata kunci: JKN mobile, analisis sentimen, naïve bayes, k-nearest neighbor (K-NN), support vector machine (SVM).
Abstract:Abstract: Superior students represent active and intelligent students who are able to make a direct contribution to the development of the nation. To produce excellent students, one of the efforts that can be made is to…
foster these superior students from the start by forming a superior class. In forming a superior class, an effective selection process is needed to select students who are truly superior. This research was conducted at STMIK Royal Kisaran where the object of research was prospective new students for the superior class and the related party was the Academic and Student Administration Bureau (BAAK) because the party was directly involved in selecting prospective new students for the superior class. But the problem is, BAAK does not yet have an election process based on a method and there is no information system for selecting prospective new students for superior classes. The purpose of this study is to make predictions related to the selection of prospective new students for superior classes in the future with the Naïve Bayes Algorithm and implemented in an information system.The results of this research are that the Naïve Bayes algorithm produces an accuracy rate of 60% in the good classification category which is measured by the level of accuracy using the confusion matrix, so that the information system produced in this study also has efficient prediction results and is expected to help BAAK.
Keywords: data mining; naïve bayes; superior student class.
Abstrak: Mahasiswa unggulan merupakan representasi dari mahasiswa aktif dan cerdas yang mampu memberikan kontribusi langsung terhadap perkembangan bangsa. Untuk menghasilkan mahasiswa yang benar unggul salah satu upaya yang dapat dilakukan adalah dengan membina mahasiswa unggulan tersebut sejak awal dengan membentuk kelas unggulan. Dalam membentuk kelas unggulan dibutuhkan proses seleksi yang benar efektif untuk memilih mahasiswa yang benar unggul. Penelitian ini dilakukan di STMIK Royal Kisaran dimana objek penelitian merupakan calon mahasiswa baru untuk kelas unggulan dan pihak yang terkait adalah Biro Administrasi Akademik dan Kemahasiswaan (BAAK) karena pihak tersebut terlibat langsung dalam pemilihan calon mahasiswa baru untuk kelas unggulan. Namun permasalahannya, pihak BAAK belum memiliki sebuah proses pemilihan berdasarkan metode dan belum adanya sistem informasi pemilihan calon mahasiswa baru kelas unggulan. Tujuan dari penelitian ini adalah melakukan prediksi terkait pemilihan calon mahasiswa baru kelas unggulan di masa mendatang dengan Algoritma Naïve Bayes dan diimplementasikan dalam sebuah sistem informasi. Hasil penelitian ini algoritma Naïve Bayes menghasilkan tingkat akurasi sebesar 60% dengan kategori good classification yang diukur tingkat akurasinya dengan menggunakan confusion matrix, sehingga sistem informasi yang dihasilkan dalam penelitian ini juga memiliki hasil prediksi yang efisien dan diharapkan dapat membantu pihak BAAK.
Kata Kunci: data mining; mahasiswa kelas unggulan; naïve bayes.
Abstract:Abstract: The poor community is a condition in which the community does not have adequate facilities and infrastructure and an adequate environment, with the quality of housing and settlements far below the eligibility standard…
tandard and uncertain livelihoods covering all multidimensional dimensions. The Pasiran Village Office, Sei Dadap District, is one of the agencies located in the Pasiran area, Sei Kamah. Where the Pasiran Village Hall Office carries out activities to distribute assistance to village communities who are declared to be underprivileged or have low incomes below 3.5 million. With such a large number of village people, an in-depth analysis is needed to determine which poor people are entitled to receive Non-Cash Food Assistance from the government. The solution to this problem is to use data mining with the Naïve Bayes algorithm for data classification. Data mining is the science of extracting information by utilizing data sets to obtain valuable information with a large enough data size through the process of extracting data or filtering data. The classification application uses the naïve Bayes algorithm used at the Pasiran Village Office to produce a classification of beneficiaries, namely Worthy and Unworthy based on the attributes of Citizenship, Family Group, ASN Status, and Having a Healthy Family Card.
Keywords: data mining; naïve bayes; classification, beneficiary
Abstrak: Masyarakat miskin merupakan suatu kondisi dimana keadaan masyarakat yang tidak memiliki sarana dan prasarana serta lingkungan yang memadai, dengan kualitas perumahan dan pemukiman yang jauh dibawah standar kelayakan serta mata pencaharian yang tidak menentu yang mencakup seluruh multidimensi. Kantor Balai Desa Pasiran Kecamatan Sei Dadap merupakan salah satu instansi yang berada di daerah Pasiran, Sei Kamah. Dimana Kantor Balai Desa Pasiran melakukan kegiatan pembagian bantuan terhadap masyarakat desa yang dinyatakan kurang mampu atau memiliki penghasilan rendah dibawah 3,5 juta. Dengan jumlah masyarakat desa yang begitu banyak, diperlukan analisis yang mendalam untuk menentukan masyarakat tidak mampu yang berhak untuk mendapatkan Bantuan Pangan Non Tunai dari pemerintah. Solusi dari permasalahan tersebut adalah menggunakan data mining dengan algoritma naïve bayes untuk klasifikasi data. Data mining merupakan suatu ilmu untuk menggali informasi dengan memanfaatkan kumpulan data untuk mendapatkan berbagai informasi yang berharga dengan ukuran data yang cukup besar melalui proses penggalian data atau penyaringan data. Aplikasi klasifikasi menggunakan algoritma naïve bayes yang terapkan pada Kantor Balai Desa Pasiran menghasilkan klasifikasi warga penerima bantuan yaitu Layak dan Tidak Layak berdasarkan atribut Kewarganegaraan, Golongan Keluarga, Status ASN dan Memiliki Kartu Keluarga Sehat.
Kata kunci: data mining; naïve bayes; klasifikasi, penerima bantuan
Abstract:• Abstract: The skin is an elastic wrapping that protects the body from environmental influences, the skin is the organ that is located on the outside and limits it from the human environment. Skin diseases can be caused…
ed by fungi, viruses, germs, animal parasites, bacterial infections and others. To identify skin diseases, we usually have to see a doctor, but we still experience problems in dealing with disease identification. This is sometimes influenced by the community, sometimes they feel embarrassed to consult their skin disease to a doctor because the signs of skin disease have started to appear, consultation fees and drugs are relatively expensive. Current technological developments are able to process knowledge with artificial intelligence techniques. Due to the many symptoms of disease nowadays, it is necessary to make a system application with artificial intelligence that can diagnose skin diseases and provide solutions for skin diseases using one of the methods, namely the Naïve Bayes Classifier. Naïve Bayes is a simple classification algorithm where each attribute is independent and may contribute to the final decision. The goal is to produce an expert system website that helps the general public in diagnosing skin diseases and providing solutions for detected skin diseases. The results of this study concluded that based on the application of skin cancer diagnosis can display the results of skin cancer diagnosis decisions.
Keywords: expert system; naïve bayes; skin disease
Abstrak: Kulit merupakan pembungkus yang elastis yang melindungi tubuh dari pengaruh lingkungan, kulit merupakan organ tubuh yang terletak paling luar dan membatasinya dari lingkungan hidup manusia. Penyakit kulit dapat disebabkan oleh jamur, virus, kuman, parasit hewani, infeksi bakteri dan lain-lain. Mengidentifikasi penyakit kulit biasanya kita harus ke dokter, namun masih mengalami kendala dalam menangani pengidentifikasi penyakit hal itu terkadang dipengarui oleh masyarakat terkadang merasa malu untuk mengkonsultasikan penyakit kulitnya ke dokter karena tanda-tanda penyakit kulit sudah mulai tampak, biaya konsultasi dan obat yang tergolong mahal. Perkembangan teknologi saat ini mampu mengolah pengetahuan dengan teknik kecerdasan buatan. Karena banyaknya gejala penyakit pada masa sekarang ini perlu dibuat aplikasi sistem dengan kecerdasan buatan yang dapat mendiagnosa penyakit kulit dan memberikan solusi dari penyakit kulit dengan salah satu metode yaitu Naïve Bayes Classifier. Naïve bayes merupakan algoritma klasifikasi yang sederhana dimana setiap atribut bersifat berdiri sendiri dan memungkinkan berkontribusi terhadap keputusan akhir. Tujuannya adalah menghasilkan website sistem pakar yang dan membantu masyarakat luas dalam mendiagnosa penyakit kulit dan memberikan solusi dari penyakit kulit yang terdeteksi. Hasil dari penelitian ini menyimpulkan bahwa berdasarkan aplikasi diagnosa penyakit kanker kulit dapat menampilkan hasil keputusan diagnosa penyakit kanker kulit.
Kata kunci: Naïve Bayes; Penyakit Kulit; sistem pakar
Abstract:Abstract: Student graduation is one thing that needs to be considered because it is included in the College's Internal Quality Assurance Standards (SPMI). STMIK Royal is one of the universities experiencing problems with…
student graduation. To achieve the quality of these graduates, a graduation diagnosis with the standards that have been set for students who are still carrying out studies is very necessary so that anticipatory steps can be taken from the beginning to overcome the occurrence of graduation problems in the academic field. This research aims to diagnose fast-track student graduation by using a data mining model with a classification function. The technique used for the classification data mining model is the Naïve Bayes Algorithm. The dataset used as training and testing data is data from the 2021 STMIK Royal fast track students. The criteria used to determine student graduation are Gender, class, credits, GPA, Tuition Fee, Guidance Process, and the KKL Report. The results of the classification modeling with the Naïve Bayes Algorithm produce an accuracy value of 83%.
Keywords: data mining; graduation; naïve Bayes
Abstrak: Kelulusan mahasiswa adalah salah satu hal yang harus diperhatikan karena termasuk ke dalam Standar Penjaminan Mutu Internal (SPMI) perguruan tinggi. STMIK Royal adalah salah satu perguruan tinggi yang mengalami masalah kelulusan mahasiswa. Untuk mencapai kualitas lulusan tersebut, diagnosis kelulusan dengan standar yang telah ditetapkan untuk mahasiswa yang masih menjalankan studi sangat diperlukan sehingga dapat dilakukan langkah antisipasi dari awal untuk menanggulangi terjadinya permasalahan kelulusan dalam bidang akademik. Tujuan diadakannya penelitian ini untuk untuk mendiagnosis kelulusan mahasiswa fast track dengan menggunakan model data mining dengan fungsi klasifikasi. Teknik yang digunakan untuk model data mining klasifikasi adalah Algoritma Naïve Bayes. Dataset yang akan digunakan untuk menjadi data latih dan data uji adalah data mahasiswa fast track STMIK Royal tahun 2021. Kriteria yang digunakan untuk diganosis kelulusan mahasiswa, diantaranya Jenis Kelamin, Kelas, SKS, IPK, Uang Kuliah, Proses Bimbingan, dan Pengumpulan Laporan KKL. Hasil pemodelan klasifikasi dengan Algoritma Naïve Bayes menghasilkan nilai akurasi sebesar 83%.
Kata kunci: data mining; kelulusan; naïve bayes
Abstract:Abstract: Non-performing loan (NPL) is a risk that credit unions must face and to avoid that, prospective debtors need to be surveyed. With previous loan data, support vector machine and naïve bayes can be used as classification…
ssification methods to give a decision about NPL. We use a data set with 61 data and process the data with orange 3.30 application to see the difference between SVM using linear (SVM-L), polynomial (SVM-P), RBF (SVM-R) and sigmoid (SVM-S) kernel with naïve bayes. We use a cross validation technique with various folds to measure the classification results and a convusion matrix to measure the data training classification results. Naïve bayes scores the highest in terms of accuracy and SVM-R scores the highest in terms of F1, precision and recall. SVM-P scores the lowest in terms of accuracy, F1, precision and recall. Naïve bayes scores the highest in terms of proportion of predicted for true negative class and proportion of actual for true positive class. SVM-S scores the highest in terms of proportion of predicted for true positive class and proportion of actual for true negative class. SVM-P scores the lowest in both proportion of predicted and proportion of actual.
Keywords: classification; naïve bayes; non-performing loan; support vector machine
Abstrak: Kredit macet merupakan resiko yang sering dialami koperasi simpan pinjam, sehingga perlu dilakukan survei terhadap calon debitur agar kredit menjadi sehat. Dengan menggunakan data pemberian kredit sebelumnya, support vector machine dan naïve bayes digunakan sebagai metode klasifikasi untuk memberikan keputusan macet atau tidaknya kredit anggota koperasi Mutiara Sejahtera. Data set yang berjumlah 61 data diolah menggunakan aplikasi Orange 3.30 dan dilihat perbandingan antara metode SVM dengan kernel linear, polynomial, RBF dan sigomoid dengan metode naïve bayes. Cross validation dengan jumlah fold bervariasi digunakan sebagai nilai ukur klasifikasi dan convusion matrix digunakan sebagai nilai ukur klasifikasi data training. Hasil yang diperoleh adalah naïve bayes memiliki nilai accuracy tertinggi dan SVM kernel RBF memiliki nilai F1, precision dan recall tertinggi. SVM kernel polynomial memiliki nilai terendah untuk accuracy, F1, precision dan recall. Naïve bayes memiliki nilai tertinggi untuk proportion of predicted (PoP) kelas true negative dan proportion of actual (PoA) kelas true positive. SVM kernel sigmoid memiliki nilai tertinggi untuk PoP kelas true positive dan PoA kelas true negative. SVM kernel polynomial memiliki nilai terendah baik untuk PoP maupun PoA true negative dan kelas true positive.
Kata kunci: klasifikasi; kredit macet; naive bayes; SVM
Abstract:Abstract: Question classification is a computer science system, which aims to analyze questions and can label each question based on existing categories. Questions can be collected from several materials or topics that are…
re many and different. Therefore, the researcher intends to create a classification system for quiz questions Data Warehouse and Business Intelligence which can be grouped into topics Data Warehouse, Business Intelligence, Data Analytics, and Performance Measurement. One way to solve this problem is by approach machine learning. In this study, researchers used a comparison of machine learning algorithms, namely the algorithm NaïveBayes and SupportVectorMachine using SMOTE and methods Cross-Validation The results of this study show the best accuracy results and are very helpful. The results obtained in the method cross-validation before SMOTE resulted in an accuracy rate of 82.02% for the results after going through the SMOTE stage of 94.79% on the algorithm Naïve Bayes, while the algorithm SupportVectorMachine get accuracy of 81.39% in the process before SMOTE for the results after going through SMOTE of 96.52%.
Keywords: Cross-Validation; Machine Learning; Naive Bayes; Support Vector Machine; Question Classification
Abstrak: Klasifikasi pertanyaan merupakan sebuah sistem ilmu komputer, yang bertujuan untuk menganalisis pertanyaan serta dapat memberi label pada setiap pertanyaan berdasarkan kategori yang ada. Pertanyaan soal dapat dikumpulkan dari beberapa materi atau topik yang banyak dan berbeda. Oleh karena itu, bermaksud untuk membuat sistem klasifikasi pertanyaan soal kuis Data Warehouse dan Business Intelligence yang dapat dikelompokkan menjadi topik Data Warehouse, Business Intelligence, Data Analitik, dan Pengukuran Kinerja. Cara yang dapat dilakukan untuk permasalahan ini dengan menggunakan pendekatan MachineLearning. Pada penelitian kali ini menggunakan perbandingan algoritma MachineLearning yaitu algoritma NaïveBayes dan SupportVectorMachine menggunakan metode SMOTE dan Cross-Validation. Hasil penelitian ini menunjukkan hasil akurasi yang terbaik dan sangat membantu. Hasil yang diperoleh pada metode cross-validation sebelum SMOTE menghasilkan tingkat akurasi sebesar 82.02% untuk hasil sesudah melalui tahap SMOTE sebesar 94.79 % pada algoritma Naïve Bayes, sedangkan pada algoritma Support Vector Machine menghasilkan akurasi sebesar pada proses sebelum SMOTE 81.39% untuk hasil sesudah melalui SMOTE sebesar 96.52%.
Kata kunci: Klasifikasi Pertanyaan; Pembelajaran Mesin; Naive Bayes; Support Vector Machine; Cross-Validation
Abstract:Abstract: The Presidential general election on 2019 became one of the most popular topics on twitter nowdays. The society give their opinion about the pair of candidates that they are support through the social media.…
ia. This research was predicts about the society sentimens toward the candidates of President and Vice President of Republic of Indonesia. The data was used based on the tweet on the @jokowi twitter account. The retrieval of data by using the Tweepy library with the Python 2.7 programming language. This research was classified became of two of society sentiments classes, namely positive and negative. The modeling was used of the weighting method Unigram, Bigram, Trigram, N-Gram (1-2) and N-Gram (1-3) that used the Naïve Bayes Algorithm on the Weka Application. The modeling data was used by the dataset of 646 sentences. The highest results of this reseach were obtained by Unigram Weighting, namely: 81.4% accuracy, 81.5% precision, 81.3% recall with a time of 0.3 s.
Keywords: classification, naïve bayes, 2019 presidential election, twitter, unigram
Abstrak: Pemilihan Umum tentang Pilpres 2019 menjadi salah satu topik yang ramai diperbincangkan di Twitter. Adu pendapat di sosial media oleh masyarakat mengandung opini terhadap pasangan calon yang didukungnya. Penelitian ini memprediksi sentimen masyarakat kepada pasangan calon Presiden dan Wakil Presiden Republik Indonesia. Data yang digunakan adalah tweet yang ada pada akun Twitter @jokowi. Pengambilan data menggunakan library Tweepy dengan bahasa pemrograman Python 2.7. Penelitian ini mengklasifikasi sentimen masyarakat menjadi 2 kelas, yaitu positif dan negatif. Kemudian dilakukan pemodelan dengan metode pembobotan Unigram, Bigram, Trigram, N-Gram (1-2) Dan N-Gram (1-3) menggunakan Algoritme Naïve Bayes pada Aplikasi Weka. Pembuatan model menggunakan dataset yang berjumlah 646 kalimat. Hasil tertinggi yang diperoleh pada penelitian ini adalah dengan menggunakan Pembobotan Unigram, yaitu : akurasi 81,4%, presisi 81,5 % , recall 81,3 % dengan catatan waktu 0,3s.
Kata kunci: klasifikasi, naïve bayes, pilpres 2019, twitter, unigram.
Abstract:Keuntungan menjadi target utama di sebuah perusahaan. Setiap perusahaan menginginkan keuntungan yang dicapai sesuai dengan target yang diinginkan. Akan tetapi perusahaan beranggapan target yang dicapai tersebut didapat karena…
arena hasil penjualan yang besar. Perusahaan tidak melihat faktor lainnya yang mempengaruhi hasil keuntungan seperti biaya, stok, pembelian dan faktor-faktor lain dalam menyusun laporan akhir perusahaan. Selain itu, pengelolaan data yang dilakukan selama ini pun tidak menyeluruh, dikarenakan banyak nya data yang harus dianalisis sehingga memerlukan alat bantu dalam pengelolaannya. Penelitian ini bermaksud untuk menganalisa faktor yang mempengaruhi hasil keuntungan berdasarkan data hasil keuntungan. Dengan melakukan integrasi menggunakan metode naive bayes dan alat bantu software rapidminer, teknik ini akan menghasilkan informasi berupa pola hubungan atau keterkaitan antar factor satu dengan lainnya dalam mempengaruhi tercapainya laba. Sedangkan software rapidminer untuk mempermudah dalam menganalisis data hasil keuntungan.Hasil dari penelitian ini diharapkan menjadi landasan untuk memprediksi hasil keuntungan perusahaan dagang.
Abstract:Abstract: The application of information technology is currently growing so rapidly. One of them is the application of technology that can be applied in the industrial world, namely to evaluate the company's performance.…
Evaluation is a necessity for companies to move forward and develop in facing business competition. One method of evaluating that can be used objectively is extracting information through a stored database. This study intends to analyze the factors that affect profit outcomes based on profit-based data. The data will be analyzed using method Bayes. Through this method will get a pattern that affects profits. However, it is not easy to analyze data with this method because of the large amount of data that will cost a lot of time and time. So to simplify the analysis, researchers use tools in analyzing the data the results of the benefits of rapidminer software. Based on the results of the analysis carried out, rapidminer software can help and make it easier to produce probabilities to be predicted. The results of this study are from the set test conducted, the prediction of profit results can be ascertained to be achieved and the possibility of certainty is reached 0.59% and the possibility of not reaching 0.41%.
Keywords: Data Mining, Neive Bayes, Rapidminer, Benefits
Abstrak: Penerapan teknologi informasi saat ini berkembang begitu pesat. Salah satunya penerapan teknologi yang dapat diterapkan didunia industri yaitu untuk evaluasi terhadap kinerja perusahaan. Evaluasi merupakan suatu keharusan bagi perusahaan untuk terus maju dan berkembang menghadapi persaingan usaha. Salah satu cara mengevaluasi yang dapat dugunakan secara objektif yaitu penggalian informasi melalui database yang tersimpan.Penelitian ini bermaksud untuk menganalisa faktor yang mempengaruhi hasil keuntungan berdasarkan data hasil keuntungan. Data tersebut akan dianalisis menggunakan metodeneive bayes. Melalui metode ini akan mendapatkan pola yang mempengaruhi keuntungan.Namun tidaklah mudah dalam menganalisis data dengan metode ini dikarenanakan banyaknya data yang akan menghabiskan biaya dan waktu yang cukup lama. Maka untuk mempermudah analisis tersebut, peneliti menggunakan alat bantu dalam menganalisis data hasil keuntungan yaitusoftware rapidminer.Berdasarkan hasil analisis yang dilakukan, software rapidminer dapat membantu dan mempermudah menghasilkan probabilitas untuk dijadikan prediksi. Hasil penelitian ini adalah dari uji set yang dilakukan, prediksi hasil keuntungan dapat dipastikan tercapai dan kemungkinan kepastian tercapai 0,59% serta kemungkinan tidak tercapai 0,41%.
Kata Kunci : Data Mining, Neive Bayes, Rapidminer, Keuntungan