Abstract:Abstract: Program Indonesia Pintar (PIP) is government assistance program aimed at supporting the education of underprivileged students. However, some PIP fund recipients are misallocated, with aid given to students who…
do not fully meet the eligibility criteria, while those in greater need don’t receive it, including at SDN 014672 Tanjung Alam, Asahan Regency, North Sumatra Province. Based on this issue, a structured system is needed. The purpose of this study is to construct decision support systems for determining PIP fund recipients using Additive Ratio Assessment (ARAS) method. Data was collected using questionnaires, documentation, and observation techniques. Respondents consisted of 8 students from SDN 014672 Tanjung Alam. Criteria include number of dependents, homeownership status, attendance rate, and students final grades. System was developed using CodeIgniter 3 as framework, MySQL as database software, and InnoDB as database engine. ARAS method was applied to rank available alternatives. Based on calculations, first rank was obtained by alternative 6 (Malika Hendra As-Syifa), second rank by alternative 7 (Mutia Indah Sari), and third rank by alternative 8 (Rafa Kavindra). This study is expected to be further developed by applying other DSS methods, performing regular system maintenance, and integrating system with school data to improve accuracy and usability.
Keywords: additive ratio assessment; decision support system; smart indonesia program.
Abstrak: Program Indonesia Pintar (PIP) merupakan bantuan pemerintah untuk mendukung pendidikan siswa kurang mampu. Namun, masih ditemukan penerima anggaran PIP yang kurang tepat sasaran, di mana bantuan diberikan kepada siswa yang kurang memenuhi kriteria, sementara siswa yang lebih membutuhkan tidak menerimanya, termasuk di SDN 014672 Tanjung Alam, Kabupaten Asahan, Provinsi Sumatera Utara. Berdasarkan permasalahan tersebut, dibutuhkan sebuah sistem terstruktur. Tujuan penelitian ini untuk membangun sistem pendukung keputusan penetapan pemeroleh anggaran PIP menggunakan metode Additive Ratio Assessment (ARAS). Data dikumpulkan dengan teknik angket, dokumentasi, dan observasi. Responden adalah 8 siswa SDN 014672 Tanjung Alam. Kriteria meliputi jumlah tanggungan orang tua, status kepemilikan rumah, tingkat kehadiran, dan nilai akhir siswa. Sistem dirancang menggunakan CodeIgniter 3 sebagai framework, MySQL sebagai database software, dan InnoDB sebagai database engine. Perhitungan dengan metode ARAS digunakan untuk merangking alternatif yang ada. Berdasarkan perhitungan yang dilakukan, peringkat pertama diperoleh oleh alternatif 6 yakni Malika Hendra As-Syifa, peringkat kedua diperoleh oleh alternatif 7 yakni Mutia Indah sari, dan peringkat ketiga diperoleh oleh alternatif 8 yakni Rafa Kavindra. Penelitian ini diharapkan dapat dikembangkan lebih lanjut dengan menerapkan metode Sistem Pendukung Keputusan (SPK) lainnya, melakukan pemeliharaan sistem secara berkala, serta mengintegrasikan sistem dengan data sekolah untuk meningkatkan keakuratan dan kemudahan penggunaan.
Kata kunci: additive ratio assessment; program indonesia pintar; sistem pendukung keputusan
Abstract:Abstract: Central Java has significant potential in the plantation sector with various commodities such as pepper, cloves, tobacco, tea, sugarcane, coffee, nutmeg, and patchouli. However, the abundance of commodities does…
s not guarantee that all of them provide maximum benefits. This study aims to recommend the most potential plantation commodities for development. The research utilizes plantation data from Central Java over the past few years, obtained from Satu Data Indonesia, covering land area, production, productivity, and the number of farmers. The evaluation criteria include land area, production, productivity, and the number of farmers. In the decision-making process, a Decision Support System (DSS) approach is applied using the Multi-Attributive Border Approximation Area Comparison (MABAC) method and the Preference Selection Index (PSI). The MABAC method is used to determine rankings, while PSI is used for criteria weighting. The results indicate that sugarcane, tobacco, and robusta coffee are the best commodities, with final scores of 0.419, 0.237, and 0.020, respectively. Therefore, it can be concluded that the most potential commodities for development in Central Java are sugarcane, tobacco, and robusta coffee.
Keywords: central java; MABAC; plantation; PSI
Abstrak: Jawa Tengah memiliki potensi besar di sektor perkebunan dengan berbagai komoditas seperti lada, cengkeh, tembakau, teh, tebu, kopi, pala, dan nilam. Tetapi dengan banyaknya komoditas, tidak memastikan bahwa semua komoditas memberikan manfaat yang maksimal. Penilitian ini bertujuan membuat rekomendasi komoditas perkebunan yang paling potensial untuk dikembangkan. Penelitian ini menggunakan data perkebunan di Jawa Tengah dalam beberapa tahun terakhir yang diperoleh dari Satu Data Indonesia, mencakup luas lahan, produksi, produktivitas, jumlah petani. Kriteria evaluasi yang digunakan meliputi luas lahan, produksi, produktivitas, jumlah petani. Dalam proses pengambilan keputusan, digunakan metode SPK dengan pendekatan (MABAC) serta (PSI). Metode MABAC digunakan untuk menentukan peringkat, sementara PSI digunakan untuk pembobotan kriteria. Hasil yang diperoleh dari penilitian ini yaitu Tebu, Tembakau, Robusta merupakan tanaman terbaik dengan hasil akhir 0,419, 0,237, 0,020. Oleh karena itu, dapat disimpulkan tanaman yang dapat dikembangkan dengan potensial di wilayah Jawa Tengah dengan berbagai macam komoditas yaitu komoditas Tebu, Tembakau, dan Robusta.
Kata kunci: jawa tengah; MABAC; perkebunan ; PSI
Abstract:Abstract: One of the main health problems in children is stunting which is one of the concerns in the Sustainable Development Goals (SDGs). Specifically in Indonesia, the prevalence of stunting in 2024 is 21.6%. This figure…
ure is still relatively high, because the target prevalence of stunting is 14%. This study aims to implement machine learning knowledge through the Classification And Regression Trees (CART) algorithm based on Ant Be Colony (ABC) feature selection which aims to determine the increase in accuracy in analyzing stunting datasets. The data used comes from Kaggle which consists of 16500 datasets. The dataset consists of gender, age, birth length, birth weight, body length, body weight, breastfeeding and stunting status. The research methods used are data collection, data preprocessing, classification, and evaluation using K-fold cross validation. The results obtained in this research are the implementation of the CART algorithm obtained a value of 89.86% and the results of CART with Ant Be Colony (ABC) feature selection, which obtained an accuracy value of 93.65%. This shows that there is an increase in the accuracy value in the use of CART algorithm optimization and Ant Be Colony (ABC) feature selection by 3.76%. With the research results that have been obtained, it can be categorized as excellent accuracy value excellent. It is hoped that further research can be carried out by adding other classification algorithms or adding feature selection.
Keywords: classification; feature selection; optimazation; stunting
Abstrak: Salah satu masalah kesehatan utama pada anak adalah stunting yang menjadi salah satu perhatian dalam Sustainable Development Goals (SDGs). Khusus di Indonesia angka Pravelensi stunting pada tahun 2024 di angka 21.6%. Angka ini masih tergolong tinggi, karena target angka pravelensi stunting ialah 14%. Penelitian ini bertujuan untuk mengimplementasikan pengetahuan machine learning melalui algoritma Classification And Regression Trees (CART) berbasis seleksi fitur Ant Be Colony (ABC) yang bertujuan untuk mengetahui peningkatan akurasi dalam menganalisis dataset stunting. Data yang digunakan bersumber dari Kaggle yang terdiri dari 16500 dataset. Dataset terdiri dari jenis kelamin, usia, panjang lahir, berat lahir, panjangg badan, berat badan, menyusui dan status stunting. Metode penelitian yang digunakan adalah pengumpulan data, preprocessing data, klasifikasi, dan evaluasi menggunakan K-fold cross validation. Hasil yang diperoleh pada penelitian ini adalah Implementasi algoritma CART memperoleh nilai sebesar 89,86% dan hasil seleksi fitur CART dengan Ant Be Colony (ABC) memperoleh nilai akurasi sebesar 93,65%. Hal ini menunjukkan adanya peningkatan nilai akurasi pada penggunaan optimasi algoritma CART dan pemilihan fitur Ant Be Colony (ABC) sebesar 3,76%. Dengan hasil penelitian yang telah diperoleh dapat dikategorikan nilai akurasi yang diperoleh sangat baik. Diharapkan dapat dilakukan penelitian selanjutnya dengan menambahkan algoritma klasifikasi lain atau menambahkan seleksi fitur.
Kata kunci: klasifikasi; optimalisasi; seleksi fitur; stunting
Abstract:Abstract: This study maps the vulnerability of landslides in Jayapura Regency, Indonesia, using a parameter weighting method within the framework of the Geographic Information System (GIS). The study identified key factors…
rs that contribute to landslide risk, including slope, soil type, rainfall, geology, and land use. The analysis revealed significant areas prone to landslides, with substantial portions classified as moderate to high risk. Comparison with the BNPB Inarisk method shows variations in the percentage of risk areas, highlighting the importance of the double assessment technique. The study underscores the need for an integrated, multidisciplinary approach to landslide risk management, emphasizing accurate data collection, land-use planning, and targeted mitigation strategies. These findings provide valuable insights for policymakers and disaster management agencies to minimize the impact of future landslides and promote sustainable development, especially in light of the 2019 landslide disaster in Sentani.
.
Keywords: landslide; jayapura regency; parameter weighting method; inarisk BNPB methods; disaster mitigation.
Abstrak: Penelitian ini memetakan kerentanan tanah longsor di Kabupaten Jayapura, Indonesia, menggunakan metode pembobotan parameter dalam kerangka Sistem Informasi Geografis (GIS). Studi ini mengidentifikasi faktor-faktor kunci yang berkontribusi terhadap risiko tanah longsor, termasuk kemiringan, jenis tanah, curah hujan, geologi, dan penggunaan lahan. Analisis mengungkapkan area signifikan yang rentan terhadap tanah longsor, dengan porsi substansial diklasifikasikan sebagai risiko sedang hingga tinggi. Perbandingan dengan metode BNPB Inarisk menunjukkan variasi persentase area risiko, menyoroti pentingnya teknik penilaian ganda. Studi ini menggarisbawahi perlunya pendekatan multidisiplin yang terintegrasi untuk manajemen risiko tanah longsor, menekankan pengumpulan data yang akurat, perencanaan penggunaan lahan, dan strategi mitigasi yang ditargetkan. Temuan ini memberikan wawasan berharga bagi pembuat kebijakan dan lembaga penanggulangan bencana untuk meminimalkan dampak tanah longsor di masa depan dan mempromosikan pembangunan berkelanjutan, terutama mengingat bencana tanah longsor tahun 2019 di Sentani.
.
Kata kunci: tanah longsor; kabupaten jayapura; metode pembobotan parameter; metode BNPB Inarisk; mitigasi bencana.
Abstract:Abstract: Bekasi Regency, being one of the key cities in Indonesia, offers a suitable setting to study the intricacies of marriage decision-making during a quarter-life crisis. This study focuses on the application of clustering…
ustering algorithms to categorize individuals based on their marriage choices. Data was collected from a questionnaire completed by 110 respondents from Bekasi Regency, specifically individuals aged 18 to 30 who are single, including 80 women and 30 men. Data analysis was conducted using the RapidMiner software to evaluate the effectiveness of three clustering algorithms K-Means, X-Means, and K-Medoids in categorizing marriage decision patterns among young people experiencing a Quarter Life Crisis in Bekasi Regency. Results indicate that each algorithm has its own strengths and limitations in handling Quarter Life Crisis data.The results of the analysis show that the K-medoids algorithm provides the best clustering results with the lowest DBI value of 0.195, followed by the X-Means algorithm with a value of 0.199 and K-Means with a value of 0.207. These results can help understand the pattern of marriage decisions in the Quarter Life Crisis phase and help provide insights for policymakers in Bekasi Regency to make more effective intervention programs.
Keywords: K-Means; K-Medoids; X-Means
Abstrak: Sebagai salah satu kota besar di Indonesia, Kabupaten Bekasi memberikan konteks yang tepat untuk mempelajari kompleksitas pengambilan keputusan pernikahan di tengah krisis seperempat usia. Penelitian ini berfokus pada pemanfaatan algoritma clustering untuk mengelompokkan individu berdasarkan pilihan pernikahan mereka. Data diambil dari kuesioner yang diisi oleh 110 responden di Kabupaten Bekasi, yang terdiri dari individu lajang berusia 18 hingga 30 tahun, yaitu 80 perempuan dan 30 laki-laki. Analisis data dilakukan dengan perangkat lunak RapidMiner untuk mengevaluasi efektivitas tiga algoritma pengelompokan—K-Means, X-Means, dan K-Medoids—dalam mengelompokkan pola keputusan pernikahan di kalangan pemuda yang menghadapi Quarter Life Crisis di Kabupaten Bekasi. Hasilnya menunjukkan bahwa setiap algoritma memiliki keunggulan dan kelemahannya masing-masing dalam memproses data Quarter Life Crisis. Hasil analisis menunjukkan bahwa algoritma K-medoids memberikan hasil clustering terbaik dengan nilai DBI terendah yaitu 0.195, diikuti oleh algoritma X-Means dengan nilai 0.199 dan K-Means dengan nilai 0.207. Hasil ini dapat membantu memahami pola keputusan menikah pada fase Quarter Life Crisis dan membantu memberikan wawasan bagi pembuat kebijakan di Kabupaten Bekasi membuat program intervensi yang lebih efektif.
Kata kunci: K-Means; K-Medoids; X-Means
Abstract:Abstract: Many children drop out or stop school due to economic constraints, especially personal costs such as not being able to buy school supplies, educational development donations and so on. Therefore, the government…
has a policy to help by issuing the Smart Indonesia Program (PIP) as a goal to help students' personal costs in pursuing education. As the smart Indonesia program progresses, many parents of students complain because the selection of students receiving PIP assistance is not on target and does not comply with the provisions. As with the data collection of students receiving the Smart Indonesia Program (PIP) assistance at State Elementary School 014673 Mekar Sari Village, it is also not optimal where the recording system is still inputted into Microsoft Excel. Therefore, a system is needed that is integrated with a calculation processing technique, namely a decision support system used at State Elementary School 015673 Mekar Sari Village to determine prospective recipients of the Smart Indonesia Program assistance who are truly worthy and appropriate. For this reason, this study uses the Multi-Attribute Utility Theory (MAUT) method to find students who are eligible for PIP benefits in the determination process.
Keywords: maut method; mekar sari elementary school; smart indonesia program.
Abstrak: Banyaknya anak yang putus atau berhenti sekolah dikarenakan kendala ekonomi terutama pada biaya pribadi seperti tidak mampu membeli perlengkapan sekolah, uang sumbangan pembinaan pendidikan dan lain sebagainya. Maka dari itu pemerintah memiliki kebijakan untuk membantu dengan mengeluarkan Program Indonesia Pintar (PIP) sebagai tujuan untuk membantu biaya pribadi siswa dalam menempuh pendidikan. Seiring berjalannya program indonesia pintar banyak kalangan orang tua siswa mengeluh dikarenakan dalam pemilihan siswa penerima bantuan PIP tidak tepat sasaran dan tidak sesuai dengan ketentuan. Seperti halnya dengan pendataan siswa penerima bantuan Program Indonesia Pintar (PIP) di Sekolah Dasar Negeri 014673 Desa Mekar Sari juga belum optimal dimana masih sistem pencatatan lalu di input ke Microsoft Excel. Maka dibutuhkan sebuah sistem yang sudah terintegrasi dengan sebuah teknik pengolahan perhitungan yaitu sistem pendukung keputusan yang digunakan pada Sekolah Dasar Negeri 015673 Desa Mekar Sari untuk penentuan calon penerima bantuan Program Indonesia Pintar yang benar layak dan pantas. Untuk itu penelitian ini menggunakan metode Multi-Attribute Utility Theory (MAUT) untuk mencari siswa yang layak mendapat manfaat PIP dalam proses penentuannya.
Kata kunci: metode maut; program indonesia pintar; sd negeri mekar sari.
Abstract:Abstract: This research tries to describe student cluster analysis, as an effort to optimize campus promotion to various schools and regions. It is known that every year, Politeknik Pertanian Negeri Payakumbuh, abbreviated…
ed as PPNP, brings in students from various regions in Indonesia. Regarding the campus promotion strategy process, the PPNP promotion section has not been based or referred to the results of processing existing student data. So that the budget used by the campus promotion team has not been right on target with the results of students who can be brought to campus. In addition, the existing student database has not been processed or explored further, so that it has not produced knowledge that is very useful as material to support the decisions of the academic and student affairs department and the campus promotion team. The method used in this research is CRISP-DM which stands for Cross- Industry Standard Process for Data Mining. Based on the characteristics of each cluster, the PPNP Promotion Team in conducting the next socialization is advised to prioritize provinces such as West Sumatra and North Sumatra. Currently, managerial circles in this context, university leaders are expected to be able to make data-based decisions. Data-based decision making can foster a culture of sustainable innovation, produce customer-centric offerings and drive long-term business growth.
Keywords: cluster analysis; student data; k-means clustering; campus promotion
Abstrak: Penelitian ini mencoba untuk mendeskripsikan analisis cluster mahasiswa, sebagai upaya optimalisasi dalam melakukan promosi kampus ke berbagai sekolah dan daerah. Diketahui bahwa setiap tahunnya, Politeknik Pertanian Negeri Payakumbuh disingkat PPNP mendatangkan mahasiswa dari berbagai daerah di Indonesia. Terkait dengan proses strategi promosi kampus, bagian promosi PPNP belum didasarkan pada hasil pengolahan data mahasiswa yang ada. Sehingga anggaran yang digunakan tim promosi belum tepat sasaran dengan hasil mahasiswa yang dapat didatangkan ke kampus. Selain itu database mahasiswa yang ada selama ini belum diolah atau digali secara jauh, sehingga belum menghasilkan pengetahuan yang bermanfaat sebagai bahan untuk mendukung keputusan bagian akademik dan kemahasiswaan serta tim promosi kampus. Metode yang digunakan dalam penelitian ini yaitu CRISP-DM merupakan singkatan dari Cross-Industry Standart Process for Data Mining. Berdasarkan karakteristik setiap cluster, maka untuk Tim Promosi PPNP dalam melakukan sosialisasi berikutnya disarankan memprioritaskan pada provinsi seperti Sumatera Barat dan Sumatera Utara. Saat ini kalangan manajerial yaitu pimpinan perguruan tinggi diharapkan dapat melakukan pengambilan keputusan berbasis pada data. Pengambilan keputusan berbasis data dapat menumbuhkan budaya inovasi yang berkelanjutan, menghasilkan penawaran yang berpusat pada pelanggan dan mendorong pertumbuhan bisnis jangka panjang.
Kata kunci: analisis cluster; data mahasiswa; k-means clustering, promosi kampus
Abstract:Abstract: Information content that meets user needs is an important aspect of a website. Quality testing, especially for sites that have never been tested, is necessary to ensure effectiveness. This research uses observation…
tion techniques, questionnaires, and literature studies related to the Webqual method and the End-User Computing Satisfaction (EUCS) variable. The variables used include Usability, Information Quality, Service Interaction Quality, User Satisfaction, and Content. The Webqual model is applied in this research through a questionnaire, which produces various data from respondents. The data is then processed and analyzed to produce accurate statistical data. From this research, the results of the questionnaire show that Service Interaction Quality has a low percentage, namely 72.72% (X3.2), where the full percentage is 100%. Apart from that, User Satisfaction also has a low percentage, namely 70.90% (Y.1). This shows that the Quality of Service Interaction has less than a positive effect on User Satisfaction. Therefore, improvements are needed in the Quality of Service Interaction section on the PT Yudo Indonesia website so that User Satisfaction also increases, especially in the aspects of security and meeting user needs.
Keywords: EUCS; website quality; webqual
Abstrak: Konten informasi yang memenuhi kebutuhan pengguna adalah aspek penting dari sebuah situs web. Uji kualitas, terutama untuk situs yang belum pernah diuji, diperlukan untuk memastikan efektivitasnya. Penelitian ini menggunakan teknik observasi, kuesioner, dan studi literatur terkait metode Webqual dan variabel End-User Computing Satisfaction (EUCS). Variabel yang digunakan antara lain Usability (Kualitas Kegunaan), Information Quality (Kualitas Informasi), Service Interaction Quality (Kualitas Interaksi Layanan), User Satisfaction (Kepuasan Pengguna), dan Content (Konten). Model Webqual diterapkan dalam penelitian ini melalui kuesioner, yang menghasilkan berbagai data dari responden. Data tersebut kemudian diolah dan dianalisis untuk menghasilkan data statistik yang akurat. Dari penelitian ini, hasil kuesioner menunjukkan bahwa Service Interaction Quality (Kualitas Interaksi Layanan) memiliki persentase yang rendah, yaitu 72,72% (X3.2), di mana persentase penuhnya adalah 100%. Selain itu, User Satisfaction (Kepuasan Pengguna) juga memiliki persentase rendah, yaitu 70,90% (Y.1). Hal ini menunjukkan bahwa Kualitas Interaksi Layanan kurang berpengaruh positif terhadap Kepuasan Pengguna. Oleh karena itu, diperlukan peningkatan pada bagian Kualitas Interaksi Layanan di situs web PT Yudo Indonesia agar Kepuasan Pengguna juga meningkat, terutama pada aspek keamanan dan pemenuhan kebutuhan pengguna.
Kata kunci: EUCS; kualitas website; webqual
Abstract:Abstract: College libraries are built and designed based on the needs of the academic community to support learning, research, and community service. Management of higher education institutions in Indonesia refers to Organizing…
anizing libraries in Indonesia is regulated in National Library Director Regulation No. 13 of 2017. College libraries currently use information technology to support operations. To assess the alignment of a university's goal of providing a library that complies with information technology regulations and management, library management needs to be audited. At the ISB Atma Luhur library, audits were carried out using the COBIT 4.1 framework. especially in the Acquire and Implement (AI) domain. The AI domain is a domain that assesses whether plans have been successfully acquired and implemented. This research uses interview and questionnaire methods as primary data source data collection media. The respondents involved were the head of the library and the ISB Atma Luhur library staff. The results of data processing show that the AI domain is at 2,754 with a maturity level of 3-Define Process. Of the 7 control objectives under the AI domain, AI4 Anable Operation and Use is the highest control objective with 3.28. Meanwhile, the lowest control objective is AI2 Acquire and maintain application software with 2.50.
Keywords: acquire and implement COBIT 4.1; college library ; information systems audit.
Abstrak: Perpustakaan perguruan tinggi dibangun dan dirancang berdasarkan kebutuhan civitas akademika untuk menunjang pembelajaran, penelitian dan pengabdian kepada masyarakat. Pengelolaan perguruan tinggi di Indonesia mengacu pada Penyelenggaraan perpustakaan di Indonesia diatur dalam Peraturan Kepala Perpustakaan Nasional Nomor 13 Tahun 2017. Perpustakaan perguruan tinggi saat ini sudah memanfaatkan teknologi informasi untuk menunjang operasionalnya. Untuk menilai keselarasan tujuan perguruan tinggi dalam menyediakan perpustakaan yang sesuai dengan regulasi dan pengelolaan teknologi informasi, maka pengelolaan perpustakaan perlu dilakukan audit. Pada perpustakaan ISB Atma Luhur, audit dilakukan dengan menggunakan framework COBIT 4.1. khususnya di domain Acquire and Implement (AI). Domain AI adalah domain yang menilai apakah rencana telah berhasil diperoleh dan diterapkan. Audit sistem informasi perpustakaan ini bertujuan untuk menilai keselarasan rencana dan akuisisi impelentasi sistem untuk meningkatkan layanan perpustakaan. Penelitian ini menggunakan metode wawancara dan angket sebagai media pengumpulan data sumber data primer. Responden yang terlibat adalah kepala perpustakaan dan staf perpustakaan ISB Atma Luhur. Hasil pengolahan data menunjukkan domain AI berada pada angka 2.754 dengan tingkat kematangan 3-Define Process. Dari 7 tujuan pengendalian dalam domain AI, AI4 Anable Operation and Use merupakan tujuan pengendalian tertinggi dengan nilai 3,28. Sedangkan tujuan pengendalian terendah adalah AI2 Memperoleh dan memelihara perangkat lunak aplikasi dengan nilai 2,50.
Kata kunci: acquire and implement COBIT 4.1.; audit sistem informasi; perpustakaan perguruan tinggi.
Abstract:Abstract: Twitter occupies the top position of the most popular social media platform in Indonesia. Police and other related issues were the subject of much discussion. The aim of this research is to analyze public sentiment…
ment towards the National Police Agency using Twitter with the support vector machine method. The research started by crawling Twitter data. The data contains a total of 6,925 entries for three keywords. Next, we move on to the preprocessing stage consisting of (cleaning, case folding, tokenization, and filtering). Next is the tf-idf feature extraction stage, finally the classification and evaluation stage. The results of manual data inspection (73:27) showed accuracy of 70.66%, precision of 70.68%, and recall of 99.76%. Testing the second data (82:18), found accuracy 86%, precision 86.21%, recall 99.71%. The results of manual data checking (82:18) showed accuracy of 70.66%, precision of 70.68%, recall of 99.76%. Testing the second data (82:18), found accuracy 86%, precision 86.21%, recall 99.71%. From the data system testing results (80:20), accuracy was 87.55%, positive precision 87.53%, negative precision 88.24%, positive recall 99.48%, and negative recall. the rate is 99.48.% – The result is 21.43%. Data testing results (60:40) showed accuracy of 86.89%, positive precision of 86.84%, negative precision of 88.46%, positive recall of 99.61%, and negative recall of 16.43%. Single test data validation system (80:20), accuracy 87.55, overall test cross validation system (k fold 5 accuracy) 86.673%.
Keywords: data mining;police agencies;support vector machines
Abstrak: Twitter menduduki posisi teratas platform media sosial terpopuler di Indonesia. Polisi dan masalah terkait lainnya menjadi pokok bahasan banyak pembicaraan. Tujuan penelitian ini untuk menganalisis sentimen masyarakat terhadap Badan Kepolisian Nasional menggunakan Twitter dengan metode support vector machine. Penelitian dimulai dengan crawling data Twitter. Data memuat total 6.925 entri dari tiga kata kunci. Selanjutnya beralih ke tahap preprocessing terdiri dari (pembersihan, pelipatan kasus, tokenisasi, dan pemfilteran). Selanjutnya tahap ekstraksi fitur tf-idf, terakhir tahap klasifikasi dan evaluasi. Hasil pemeriksaan data manual (73:27) menunjukkan akurasi 70,66%, presisi 70,68%, dan recall 99,76%. Menguji data kedua (82:18), menemukan akurasi 86%, presisi 86,21%, recall 99,71%. Hasil pemeriksaan data secara manual (82:18) menunjukkan akurasi 70,66%, presisi 70,68%, recall 99,76%. Menguji data kedua (82:18), menemukan akurasi 86%, presisi 86,21%, recall 99,71%. Dari hasil pengujian sistem data (80:20), akurasi 87,55%, presisi positif 87,53%, presisi negatif 88,24%, recall positif 99,48%, dan recall negatif. tarifnya adalah 99,48.% – Hasilnya 21,43%. Hasil pengujian data (60:40) menunjukkan akurasi 86,89%, presisi positif 86,84%, presisi negatif 88,46%, recall positif 99,61%, dan recall negatif 16,43%. Uji tunggal sistem validasi data (80:20), akurasi 87,55, uji keseluruhan sistem validasi silang (akurasi k fold 5) 86,673%.
Kata Kunci: data mining;instansi kepolisian;mesin vektor pendukung