Abstract:Abstract: Children's nutritional issues are an important concern for parents to pay attention to growth and development, especially health and well-being. According to the results of the Ministry of Health's Indonesian Nutrition…
utrition Status Survey (SSGI), there are 4 nutritional problems for children in Indonesia, namely stunting, wasting, underweight and everweight. In this research, how to predict signs of symptoms of a decline in a child's nutritional status using a machine learning algorithm, a prediction model was designed using logistic regression in Python IDE to predict whether a child is indicated by a decline in nutrition or not. Dataset from Bengkayang Community Health Center data consisting of 657 pediatric patient data. The dataset is divided into 7 features (independent variables) and 1 predictor (dependent variable). Test results show perfect performance with precision, recall, F1-score, accuracy values of 100%. Then the visualization results on the ROC (Receiver Operating Characteristic) curve to depict the TP (True Positive) value on the Y axis against the FP (false Positive) value on the become overfit. It is recommended that in preparing the training dataset, measure the training data and reduce the features, after carrying out feature selection to increase the accuracy of the model.
Keywords: child nutritional status; growth and development logistic regression; machine learning
Abstract: Masalah Gizi anak menjadi perhatian penting bagi orangtua untuk memperhatikan tumbuh kembang, terutama kesehatan dan kejahteraan. Menurut hasil survei status Gizi Indonesia (SSGI) Kemenkes memperlihatkan 4 permasalahan gizi anak di Indonesia yaitu stunting, wasting, underweight, dan everweight. Dalam penelitian ini, bagaimana memprediksi tanda gejala penurunan status gizi anak menggunakan algoritma machine learning dirancang model prediksi menggunakan logistic regression pada Python IDE dengan memprediksi anak terindikasi penurunan gizi atau tidak. Dataset dari data Puskesmas Bengkayang yang terdiri 657 data pasien anak. Dataset dibagi menjadi 7 feature (variabel independen) dan 1 predictor (variabel dependen). Hasil Pengujian memperlihatkan kinerja yang sempurna dengan nilai presisi, recall, F1-score, akurasi, sebesar 100%. Kemudian hasil Visualisasi pada kurva ROC (Receiver Operating Characteristic) untuk menggambarkan nilai TP (True Positif) di sumbu Y terhadap nilai FP (false Positif) di sumbu X juga menunjukkan nilai yang sangat tinggi dan sudah mendekati angka 1 ini pertanda bahwa model ini menjadi overfit. Sebaiknya dalam persiapan training dataset diukur dengan data training dan mengurangi feature, setelah melakukan feature Selection untuk meningkatkan akurasi model.
Keywords: logistic regression; machine learning; status gizi anak; tumbuh kembang
Abstract:Abstract: There are a great number of academics that are now conducting research on sentiment analysis by employing supervised and machine learning techniques. The research can be carried out with the assistance of a variety…
iety of sources, including reviews of movies, reviews of Twitter, reviews of online products, blogs, discussion forums, and other social networks. With the progress of technology, individuals may now effortlessly utilize social media platforms to access and share information, as well as express their viewpoints to the general public, without any constraints of distance or time. Twitter is a social media network that serves as a repository for opinions. Diverse techniques are employed to provide optimal and realistically precise pressure detection. The analysis and discussion affirm that the Support Vector Machine (SVM) was effectively employed in this study, utilizing public opinion data on television program reviews in Indonesia. An SVM classifier is employed to examine the Twitter data set by utilizing various parameters. The study successfully completed the preprocessing process by collecting a total of 400 data points, consisting of 320 reviews from 4 television shows for training data and 80 reviews for testing. The data was filtered and classified using SVM, with 200 positive and 200 negative data points for comparison. The experiment utilized the SVM method using TF-IDF to achieve the most accurate test results. The test accuracy was 80%, while the training data accuracy reached 100%.
Keywords: Sentiment Analysis; Support Vector Machine; Television Shows Review, TF-IDF,
Abstrak: Saat ini, banyak akademisi sedang menyelidiki analisis sentimen melalui pemanfaatan teknik yang diawasi dan pembelajaran mesin. Kajian dapat dilakukan dengan menggunakan beberapa sumber seperti review film, review Twitter, review produk online, blog, forum diskusi, atau jejaring sosial lainnya. Dengan kemajuan teknologi, masyarakat kini dapat dengan mudah memanfaatkan platform media sosial untuk mengakses dan berbagi informasi, serta menyampaikan pandangan mereka kepada masyarakat umum, tanpa batasan jarak dan waktu. Twitter adalah jaringan media sosial yang berfungsi sebagai gudang opini. Beragam teknik digunakan untuk menghasilkan deteksi tekanan yang optimal dan presisi secara realistis. Analisis dan pembahasan menegaskan bahwa Support Vector Machine (SVM) efektif digunakan dalam penelitian ini, memanfaatkan data opini publik tentang review program televisi di Indonesia. Pengklasifikasi SVM digunakan untuk memeriksa kumpulan data Twitter dengan memanfaatkan berbagai parameter. Penelitian berhasil menyelesaikan proses preprocessing dengan mengumpulkan total 400 titik data yang terdiri dari 320 review dari 4 acara televisi untuk data pelatihan dan 80 review untuk pengujian. Data disaring dan diklasifikasikan menggunakan SVM, dengan 200 titik data positif dan 200 titik data negatif sebagai perbandingan. Percobaan ini menggunakan metode SVM dengan menggunakan TF-IDF untuk mencapai hasil pengujian yang paling akurat. Akurasi pengujiannya mencapai 80%, sedangkan akurasi data pelatihan mencapai 100%.
Kata kunci: Analisis Sentimen, Review Tayangan Televisi, TF-IDF, Support Vector Machine
Abstract:Abstract: Twitter, as a social media platform, has rapidly grown as a means for people to express their opinions and thoughts on various topics, including education. The number of Twitter users surged to 10.645.000 in 2020,…
20, with a significant increase during the pandemic. Telkom University, as a private institution of higher education in Indonesia, has become one of the topics of discussion on Twitter. Users’ opinions about Telkom University vary, ranging from positive to negative. To gain deeper insights into public view, sentiment analysis is essential. The analysis follows the Knowledge Discovery in Databases (KDD) process, utilizing the Naive Bayes classification algorithm. The evaluation results indicate the best accuracy achieved with an 80:20 data split, resulting in an accuracy rate of 82.05%, precision of 82.3%, recall of 82.05%, and F1-Score of 82.08%. The Naïve Bayes model demonstrates good performance for sentiment analysis of public views regarding Telkom University on Twitter.
Keywords: naïve bayes; sentiment analysis; twitter; telkom university.
Abstrak: Media sosial Twitter berkembang pesat sebagai sarana masyarakat berekspresi untuk menuangkan opini dan pikiran mereka mengenai topik apapun, termasuk pendidikan. Pengguna Twitter meningkat tajam hingga 10.645.00 pengguna pada tahun 2020 dan terus meningkat selama pandemi. Telkom University sebagai perguruan tinggi menjadi salah satu topik yang dibicarakan yang berkaitan dengan pendidikan. Pendapat mengenai Telkom University yang diungkapkan oleh pengguna Twitter beragam, baik positif maupun negatif. Analisis sentimen diperlukan untuk memahami pandangan publik lebih mendalam. Digunakan tahapan Knowledge Discovery in Databases dan algoritma klasifikasi Naïve Bayes dalam analisis ini. Hasil evaluasi menunjukkan akurasi paling baik dicapai dengan rasio data 80:20, dengan nilai akurasi sebesar 82.05%, nilai presisi sebesar 82.3%, nilai recall sebesar 82.05%, dan nilai F1-Score sebesar 82.08%. Model klasifikasi Naïve Bayes memiliki performa baik untuk analisis sentimen pandangan publik di Twitter mengenai Telkom University.
Kata kunci: analisis sentimen; naïve bayes; twitter; telkom university.
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: This research was conducted in the form of a literature study. This study investigates the use of Virtual Reality (VR) in teaching, including VR methods and their application to learning. In the literature study,…
y, the database used comes from Garuda (Garuda Digital Reference), published by The Ministry of Education, Culture, Research, and Technology. The results of the literature study obtained data that 157 articles discuss the use of VR in learning from 2012 - 2022 and in the majority of VR development using the 3D Modeling method, as much as 43%. Overall, using VR in learning provides positive results that can improve learning outcomes. Three essential things must be considered in the development of VR, namely: (1) the cost of operating VR technology, (2) Accessibility that makes it easy for teachers and respondents to access the technology, (3) Setting up a virtual environment to create a practical learning experience for respondents.
Keywords: development; learning; virtual reality.
Abstrak: Penelitian ini dilakukan dalam bentuk studi literatur. Dalam penelitian ini, menyelidikan penggunaan VR dalam pembejaran, meliputi metode VR yang digunakan dan penerapannya pada pembelajaran. Dalam studi literature, basis data yang digunakan berasal dari Garuda (Garuda Rujukan Digital) yang dipublikasi oleh The Ministry of Education, Culture, Reseach, and Technology. Dari hasil studi literature diperoleh data bahwa terdapat 157 artikel yang membahas tentang penggunaan VR dalam pembelajaran dari tahun 2012 – 2022. Secara mayoritas pengembangan VR dengan menggunakan metode 3D Modelling, sebanyak 43%. Secara keseluruhan penggunaan VR dalam pembelajaran memberikan hasil yang positif dapat meningkatkan hasil belajar. Terdapat tiga hal penting yang harus diperhatikan dalam pengembangan VR, yaitu: (1) biaya pengoperasian teknologi VR, (2) Aksesibilitas yang memudahkan pengajar dan responden untuk mengakses teknologi tersebut (3) Menyiapkan lingkungan maya (virtual environment) agar menciptakan pengalaman belajar yang efektif bagi responden.
Kata kunci: pembelajaran; pengembangan; virtual reality
Abstract:Abstract: The vehicle washing application using mobile is an application that aims to help users make it easier for users to order vehicle washing services online. This app was designed to make it easy for users to use and…
nd to allow them to send vehicle wash notifications whenever and wherever they want using a mobile device. Ordering Features: This application has several main features, namely Ordering Features: Users can order vehicle washing services easily through this application. They only need to choose the type of car they want, the services they want, and the time and place where they want to work. Integration Payment: This application is equipped with an online payment system, which allows easy and secure payments through the application. Feature Order Tracking: Users can monitor the status of their orders through the application, namely when the order will be picked up, the vehicle washing process, and when the order will be completed and will be completed. This application is equipped with a good and secure data management system, so that user data and orders can be accessed easily and protected from unwanted actions. Vehicle washing using mobile applications can provide many benefits for users, such as user convenience and satisfaction, time and cost efficiency, and ease of finding information. Because of this, app development must begin with a focus on the most important features that users require and end with a positive user experience.
Keywords: application; android; m-wash; mobile; vehiclewash.
Abstrak: Aplikasi cuci kendaraan menggunakan mobile merupakan aplikasi yang bertujuan untuk membantu pengguna dalam mempermudah pengguna dalam memesan jasa cuci kendaraan secara online. Aplikasi ini dirancang untuk memudahkan pengguna dalam menggunakan dan memungkinkan mereka mengirim notifikasi cuci kendaraan kapan pun dan di mana pun mereka mau menggunakan perangkat seluler. Fitur Pemesanan : Aplikasi ini memiliki beberapa fitur utama yaitu Fitur Pemesanan : Pengguna dapat memesan jasa cuci kendaraan dengan mudah melalui aplikasi ini. Mereka hanya perlu memilih jenis mobil yang diinginkan, layanan yang diinginkan, serta waktu dan tempat di mana mereka ingin bekerja. Pembayaran Integrasi: Aplikasi ini dilengkapi dengan sistem pembayaran online, yang memungkinkan pembayaran mudah dan aman melalui aplikasi. Fitur Order Tracking: Pengguna dapat memantau status pesanannya melalui aplikasi, yaitu kapan pesanan diambil, proses pencucian kendaraan, dan kapan pesanan selesai dan akan diselesaikan. Aplikasi ini dilengkapi dengan sistem pengelolaan data yang baik dan aman, sehingga data dan pesanan pengguna dapat diakses dengan mudah dan terlindungi dari tindakan yang tidak diinginkan. Pencucian kendaraan menggunakan aplikasi mobile dapat memberikan banyak manfaat bagi pengguna, seperti kenyamanan dan kepuasan pengguna, efisiensi waktu dan biaya, serta kemudahan dalam mencari informasi. Oleh karena itu, pengembangan aplikasi harus dimulai dengan fokus pada fitur paling penting yang dibutuhkan pengguna dan diakhiri dengan pengalaman pengguna yang positif.
Kata kunci: aplikasi; android; m-wash; mobile; cuci kendaraan.
Abstract:Abstract: One of the institutions that stated the poor handling of Covid-19 in Indonesia was the Lowy Institute. On March 13, 2021, Lowy Institute put Indonesia in 89th rank out of 102 countries that were successfully surveyed…
rveyed regarding the handling of the Covid-19 pandemic. This research is an attempt to critique the Lowy Institute's assessment. The COPRAS-AHP hybrid method was used. The AHP method, especially in the pairwise comparison section, is used as a method to determine the validity of the criterion weights. Five criteria were used in determining the ranking of the handling of the Covid-19 pandemic in countries in the Southeast Asian region. Each criterion is given a weight that is determined subjectively but by considering the level of importance of each criterion. The weighting of the criteria by using pairwise comparison resulted in: test per population, positive per test, vaccine per population, recovered per positive, deaths per positive. This study produces conclusions that are not much different from the Lowy Institute release. Indonesia is one of the countries where the handling of the Covid-19 pandemic is at a low level, Indonesia is ranked 10th out of 11 countries in the Southeast Asia region, with a utility value 16.29%.
Keywords: AHP; COPRAS; covid-19;pairwise comparison; ranking
Abstrak: Salah satu lembaga yang menyatakan buruknya penanganan Covid-19 di Indonesia adalah Lowy Institute. Pada 13 Maret 2021 menempatkan Indonesia di peringkat 89 dari 102 negara yang berhasil disurvei berkenaan dengan penanganan pandemi Covid-19. Penelitian ini merupakan upaya kritisi terhadap penilaian Lowy Institute. Digunakan metode hibrid COPRAS-AHP. Metode AHP, khususnya pada bagian pairwise comparison digunakan sebagai metode untuk menentukan validitas bobot kriteria. Digunakan lima kriteria dalam menentukan pemeringkatan penanganan pandemi Covid-19 pada negara-negara di kawasan Asia Tenggara. Masing-masing kriteria diberikan bobot yang ditentukan secara subjektif namun dengan mempertimbangkan tingkat kepentingan masing-masing kriteria. Pembobotan kriteria dengan menggunakan pairwise comparison menghasilkan: kriteria tes per populasi, positif per tes, vaksin per populasim, sembuh per positif, meninggal per positif. Penelitian ini menghasilkan kesimpulan yang tidak jauh berbeda dengan rilis Lowy Institute. Indonesia adalah salah satu negara dengan penanganan pandemi Covid-19 berada dalam level yang relatif rendah, peringkat 10 dari 11 negara di kawasan Asia Tenggara, dengan nilai utilitas 16,29 %.
Kata kunci: AHP; COPRAS; covid-19; pairwise comparison; pemeringkatan
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: Patient’s symptoms could be used as features in Covid-19 classification. Using multi layer perceptron, the classification uses data set that contains patient’s diagnosis which has Covid-19 symptoms dan processes…
s dan processes the data set to see if the patient is Covid-19 positive or not. This paper compare four activation function such as identity, logistic, ReLu and tanh and combined them with optimizer such as L-BFGS-B, SGD and Adam. Using 5-fold and 10-fold cross validation technique to get the accuracy, F1, precision and recall values, the result that we get is that logistic function with L-BFGS-B optimizer and ReLu function with L-BFGS-B optimizer are the best combinations. The logistic function with SGD optimizer, ReLu function with Adam optimizer and tanh function with Adam optimizer are the worst combinations according to their accuration values. The logistic function with SGD optimizer is the worst combination according to its F1 value. The logistic function with SGD optimizer and tanh function with L-BFGS-B optimizer are the worst combinations according to their precision values. The logistic function with SGD optimizer, ReLu function with Adam optimizer and tanh function with Adam optimizer are the worst combinations according to their recall values.
Keywords: activation function, covid-19; multi layer perceptron; optimizer algorithm
Abstrak: Diagnosa gejala yang dialami pasien dapat digunakan sebagai fitur dalam klasifikasi penderita Covid-19. Dengan multi layer perceptron, klasifikasi dilakukan menggunakan data set yang berisi hasil diagnosa pasien yang memiliki gejala Covid-19 dan selanjutnya diolah untuk melihat apakah memang pasien tersebut menderita Covid-19 atau tidak. Penelitian ini membandingkan fungsi aktivasi identity, logistic, ReLu dan tanh yang dikombinasikan dengan algoritma optimasi L-BFGS-B, SGD dan Adam. Hasil evaluasi cross validation menggunakan 5-fold dan 10-fold digunakan sebagai dasar menentukan kombinasi yang terbaik dan terburuk, dengan hasil yang menunjukkan bahwa kombinasi fungsi logistic dengan optimasi L-BFGS-B dan fungsi ReLu dengan optimasi L-BFGS-B merupakan kombinasi terbaik. Kombinasi fungsi logisctic dengan optimasi SGD, fungsi ReLu dengan optimasi Adam dan fungsi tanh dengan optimasi Adam merupakan yang terburuk dari nilai accuracy. Kombinasi fungsi logistic dan optimasi SGD merupakan kombinasi terburuk dari nilai F1. Kombinasi fungsi logistic dengan optimasi SGD dan fungsi tanh dan optimasi L-BFGS-B merupakan yang terburuk dari nilai precision. Kombinasi fungsi logisctic dengan optimasi SGD, fungsi ReLu dengan optimasi Adam dan fungsi tanh dengan optimasi Adam merupakan kombinasi terburuk dari nilai recall.
Kata kunci: algoritma optimasi; covid-19; fungsi optimasi; multi layer perceptron
Abstract:Abstract: Along with the development of information technology, the way people listen to music also changed with the emergence of many music streaming applications. The user experience of an application plays an important…
t role in attracting and retaining application users. Therefore, this study has goal to compare the music steaming applications’ user experience of the Joox and Spotify by using User Experience Questionnaire (UEQ) method. There are 6 scales assessed by UEQ, including attractiveness, perspicuity, efficiency, dependability, stimulation, and novelty. Data was collected by distributing online questionnaires and obtained as many as 104 responses that could be processed. The results show that both applications have positive impressions which are indicated by the average value of each scale greater than 0.8. This indicates that these two applications are considered quite fun, effective, easy to understand, and innovative. However, the comparison’ results show that between Spotify and Joox is not significantly different, with Spotify scores slightly better than Joox.
Keywords: music streaming application; user experience; user experience questionnaire
Abstrak: Seiring dengan perkembangan teknologi informasi, cara masyarakat mendengarkan musik juga mengalami perubahan dengan munculnya banyak aplikasi streaming musik. User experience suatu aplikasi berperan penting untuk menarik dan mempertahankan pengguna aplikasi. Oleh karena itu, penelitian ini memiliki tujuan untuk membandingkan user experience dari aplikasi streaming musik Joox dan Spotify dengan metode User Experience Questionnaire (UEQ). Terdapat 6 skala yang dinilai oleh UEQ yaitu daya tarik, kejelasan, efisiensi, ketepatan, stimulasi, dan kebaruan. Data dikumpulkan melalui penyebaran kuesioner secara daring dan diperoleh sebanyak 104 jawaban yang bisa diolah. Hasil penelitian menunjukkan bahwa kedua aplikasi memiliki impresi positif yang ditandai dengan nilai rata-rata setiap skala lebih besar dari 0.8. Artinya kedua aplikasi ini dinilai cukup menyenangkan, efektif, mudah dipahami, dan inovatif. Meskipun demikian, hasil perbandingan menunjukkan bahwa perbedaan antara Spotify dan Joox tidak terlalu signifikan, dengan nilai Spotify sedikit lebih unggul daripada Joox.
Kata kunci: aplikasi streaming musik; pengalaman pengguna; user experience questionnaire