Abstract:Abstract: The development of AI assistants such as Gemini and ChatGPT can significantly assist in daily human tasks. In the field of Sentiment Analysis, AI assistants can be utilized as an automated labeling alternative…
to provide positive, negative, or neutral sentiments within a dataset. This research aims to enhance the performance of AI assistants in automated labeling processes by employing the Feature Selection algorithm, specifically Forward Selection. The methodology involves utilizing the Naïve Bayes and K-NN algorithms, and subsequently improving accuracy through the Feature Selection algorithm. The evaluation is conducted using K-Fold Cross Validation. Research findings indicate an improvement in the accuracy of the best model, which is ChatGPT, when using the Naïve Bayes algorithm and Shuffled Sampling technique. The initial accuracy of 79.09% increased to 87.18% after Feature Selection was applied. This demonstrates the effectiveness of Feature Selection, particularly Forward Selection, in enhancing the accuracy performance of the model.
Keywords: ai; assistant; chat gpt; feature selection; gemini.
Abstrak: Pekembangan Asisten AI seperti Gemini dan Chat GPT dapat membantu pekerjaan manusia sehari-hari. Dalam bidang Analisis Sentimen, Asisten AI dapat digunakan sebagai alternatif pelabelan otomatis untuk memberikan sentimen positif, negatif atau netral dalam suatu dataset. Penlitian ini bertujuan untuk meningkatkan performa yang dihasilkan oleh Asisten AI dalam proses pelabelan otomatis menggunakan Algortima Feature Selection yaitu Forward Selection. Metode yang digunakan adalah dengan menggunakan Algoritma Naïve Bayes dan K-NN kemudian hasil akurasi akan ditingkatkan menggunkan Algoritma Feature Selection. Evaluasi yang digunakan adalah K-Fold Cross Validation. Hasil penelitian menunjukkan peningkatan akurasi model terbaik berada pada Chat GPT dengan menggunakan Algoritma Naïve Bayes dan Teknik Shuffled Sampling, dari nilai akurasi awal sebesar 79.09%, setelah ditingkatkan menggunakan Feature Selection, maka nilai akurasinya meningkat menjadi 87.18%. Hal ini membuktikan peran Feature Selection, dimana yang digunakan adalah Forward Selection dalam meningkatkan akurasi ternyata memang efektif dalam meningkatkan performa akurasi model.
Kata kunci: ai; assisten; chat gpt; feature selection; gemini
Abstract:Abstract: Lung cancer is most deadly cancers in the world. Identification and classification of the causes of understanding lung cancer is essential for developing more effective prevention and treatment strategies. The…
issue is that a lot of individuals are unaware about the characteristics and causes of lung cancer. The purpose of this study is to apply the K-Nearest Neighbor (K-NN) algorithm in the classification of the causes of lung cancer and provide education to the public must be aware of the traits of lung cancer patients and, to stay away from the causes of lung cancer. The dataset used consists of 309 samples with 16 relevant attributes. The K-NN algorithm was trained and tested to assess its ability to classify the factors that cause lung cancer. The results showed an accuracy of 90.32%, with a precision for the "YES" class of 96% and the "NO" class of 67%. The recall value for the "YES" class was 92% and for the "NO" class was 80%. The implementation of this algorithm gives good results in classification and can help in early detection and prevention of lung cancer which can be used in the development of more effective prevention and early diagnosis strategies.
Keywords: lung cancer; k-nearest neighbor; classification; machine learning
Abstrak: Kanker paru-paru tergolong jenis penyakit kanker yang memperoleh angka kematian paling tinggi di dunia. Identifikasi dan klasifikasi penyebab kanker paru-paru sangat penting untuk pengembangan strategi pencegahan dan pengobatan yang lebih efektif. Masalah yang terjadi adalah banyak orang yang belum mengetahui tentang ciri-ciri dan penyebab-penyebab dari kangker paru tersebut. Tujuan penelitian ini adalah mengimplementasikan algoritma K-Nearest Neighbor (K-NN) dalam klasifikasi penyebab kanker paru-paru serta memberikan edukasi kepada masyarakat banyak agar mengetahui ciri-ciri orang yang mengidap kangker paru-paru dan tentunya untuk menghindari penyebab-penyebab dari kangker paru-paru tersebut. Dataset yang digunakan terdiri dari 309 sampel dengan 16 atribut yang relevan. Algoritma K-NN kemudian dilatih dan diuji untuk menilai kemampuannya dalam mengklasifikasikan faktor-faktor penyebab kanker paru-paru. Hasil penelitian menunjukkan akurasi sebesar 90.32%, dengan skor precision untuk kelas "YES" sebesar 96% dan kelas "NO" sebesar 67%. Nilai recall untuk kelas "YES" adalah 92% dan untuk kelas "NO" sebesar 80%. Implementasi algoritma ini memberikan hasil yang baik dalam klasifikasi dan dapat membantu dalam deteksi dini serta pencegahan kanker paru-paru yang dapat digunakan dalam pengembangan strategi pencegahan dan diagnosis dini yang lebih efektif.
Kata kunci: kanker paru-paru; k-nearest neighbor; klasifikasi; machine learning
Abstract:Abstract: In the current era of very fast technological development, customer churn is a serious challenge, especially in the competitive telecommunications industry. Churn refers to customers who stop using a service or…
move to another provider, and can be categorized into three types: Active Churn, Passive Churn, and Rotational Churn. Rotational Churn, which is difficult to predict be- cause the reasons for stopping are unclear, is the main focus of this research. This research aims to group Rotational Churn customers using a Data-Centric AI approach. This approach emphasizes improving data quality through Confident Learning and Synthetic Data before being applied to the K-Means clustering algorithm. The data used in this research is customer churn data from one telecommunications company during 2023. The research results show that customer grouping using the K-Means algorithm can provide deep insight into the characteristics of customer churn. The application of Data-Centric AI is proven to be able to increase the accuracy of clustering models, which ultimately helps compa- nies optimize programs and services to minimize churn and retain customers.
Keywords: data-centric AI; clustering; K-means
Abstrak: Dalam era perkembangan teknologi yang sangat pesat saat ini, churn pelanggan menjadi tantangan serius, terutama dalam industri telekomunikasi yang sangat kompetitif. Churn mengacu pada pelanggan yang berhenti menggunakan layanan atau beralih ke penyedia lain, dan dapat dikategorikan menjadi tiga jenis: Churn Aktif, Churn Pasif, dan Churn Rotasional. Churn Rotasional, yang sulit diprediksi karena alasan penghentian layanan tidak jelas, menjadi fokus utama penelitian ini. Penelitian ini bertujuan untuk mengelompokkan pelanggan Churn Rotasional menggunakan pendekatan Data-Centric AI. Pendekatan ini menekankan pada peningkatan kualitas data melalui Confident Learning dan Synthetic Data sebelum diterapkan ke algoritma K-Means clustering. Data yang digunakan dalam penelitian ini adalah data churn pelanggan dari satu perusahaan telekomunikasi selama tahun 2023. Hasil penelitian menunjukkan bahwa pengelompokan pelanggan menggunakan algoritma K-Means dapat memberikan wawasan mendalam tentang karakteristik churn pelanggan. Penerapan Data-Centric AI terbukti mampu meningkatkan akurasi model klastering, yang pada akhirnya membantu perusahaan mengoptimalkan program dan layanan untuk meminimalkan churn serta mempertahankan pelanggan.
Kata kunci: data-Centric AI; klasterisasi; K-means
Abstract:Abstract: Today, many users use online platforms rather than offline platforms for ticket bookings, involving a wide range of services such as flights, hotels, trains, buses, and entertainment. PegiPegi.com, as one of the…
e fastest growing online travel agencies in Indonesia, demonstrates success by understanding the value of technology and maintaining strong partnerships. Users of this platform often provide reviews, viewing user reviews can be done manually but this will have a less effective impact, so it needs to be done automatically with sentiment analysis. This research the Naïve Bayes method in sentiment analysis of PegiPegi.com reviews, with a focus on understanding customer satisfaction and service improvement. By combining these approaches, this research contributes to a deeper understanding of user responses to OTA services and presents the evaluation results of the Multinomial Naive Bayes classification model with an accuracy rate of 89.5%. The high precision in the Negative class demonstrates the model's ability to identify negative reviews. However, there are challenges in classifying the Neutral class, indicating the potential for further improvement. Nevertheless, the F1 score of 0.522 reflects a good balance between overall precision, recall so it can be concluded the naïve bayes algorithm is successful for performing sentiment analysis.
Keywords: Sentiment analysis; naïve bayes algorithm; pegipegi.com; playstore
Abstract: Saat ini banyak pengguna platform online dibandingkan offline untuk pemesanan tiket, yang melibatkan berbagai layanan seperti penerbangan, hotel, kereta api, bus, dan hiburan. PegiPegi.com, sebagai salah satu agen perjalanan online yang berkembang pesat di Indonesia, menunjukkan keberhasilan dengan memahami nilai teknologi dan mempertahankan kemitraan yang kuat. Pengguna platform ini sering memberikan ulasan, melihat ulasan pengguna bisa saja dilakukan secara manual tetapi hal ini akan memberikan dampak yang kurang efektif, sehingga perlu dilakukan secara otomatis dengan analisis sentiment. Penelitian ini bertujuan untuk menerapkan metode klasifikasi Naïve Bayes dalam analisis sentimen ulasan PegiPegi.com, dengan fokus pada pemahaman kepuasan pelanggan dan peningkatan layanan. Dengan menggabungkan pendekatan ini, penelitian ini berkontribusi pada pemahaman yang lebih dalam tentang tanggapan pengguna terhadap layanan OTA dan menyajikan hasil evaluasi model klasifikasi Multinomial Naive Bayes dengan tingkat akurasi 89,5%. Presisi tinggi di kelas Negatif menunjukkan kemampuan model untuk mengidentifikasi ulasan negatif. Namun, ada tantangan dalam mengklasifikasikan kelas Netral, menunjukkan potensi untuk perbaikan lebih lanjut. Namun demikian, skor F1 0,522 mencerminkan keseimbangan yang baik antara presisi keseluruhan dan daya ingat sehingga dapat disimpulkan algoritma naïve bayes berhasil untuk melakukan analisis sentimen.
Keywords: Analisis sentimen; naïve bayes; pegipegi.com; playstore
Abstract:Abstract: As a supermarket, we are committed to always improving everything, including selecting the greatest goods. To evaluate which items are more superior or popular and which are less popular, you will want a sizable…
e amount of information sources. To select products and identify those that belong in the superior product cluster, researchers employed the clustering method. The clustering strategy uses two forms of cluster analysis, k-means and k-medoids, which have related techniques. The research results show that the k-means algorithm's Davies Bouldin value is -0.430, whereas the k-medoids algorithm's Davies Bouldin value is -1.392. This suggests that the Davies Bouldin value of the k-medoids approach is the lowest, showing that the grouping findings of the k-means method are a better method to apply to the issue of choosing better products.
Keywords : k-means; k-medoids; clustering; algorithm; data mining
Abstract: Sebagai toko sembako, toko yuli berkomitmen untuk selalu meningkatkan segalanya, termasuk memilih barang terbaik. Untuk mengevaluasi item mana yang lebih unggul atau populer dan mana yang kurang populer, Anda memerlukan sumber informasi yang cukup banyak. Untuk memilih produk dan mengidentifikasi produk yang termasuk dalam cluster produk unggulan, peneliti menggunakan metode clustering. Strategi clustering menggunakan dua bentuk analisis cluster, k-means dan k-medoids, yang memiliki teknik terkait. Hasil penelitian menunjukkan nilai Davies Bouldin pada algoritma k-means sebesar -0,430, sedangkan nilai Davies Bouldin pada algoritma k-medoids sebesar -1,392. Hal ini menunjukkan bahwa nilai Davies Bouldin pada pendekatan k-medoids paling rendah, menunjukkan bahwa temuan pengelompokan metode k-means merupakan metode yang lebih baik untuk diterapkan pada permasalahan pemilihan produk yang lebih baik.
Keywords: k-means; k-medoids; clustering; algoritma; data mining
Abstract:Abstract: The growing business environment causes the business world to create in order to continue to survive, one of which is by increasing sales. One way is to use the data approach. One method of data approach that is…
s widely used is Market Basket Analysis. This study uses the Market Basket Analysis method with the a priori algorithm and FP-Growth. Grocery dataset analysis using two algorithms, Apriori and FP-Growth using a minimum support parameter of 0.45, has results sorted by the top 10 associations with the best confidence value. The association with the highest support value found is "Whole Milk -> Other Vegetables" with a support value of 0.0748347737. The analysis concludes that both algorithms produce the same association "Other Vegetables -> Whole Milk" with a Support value of 0.0748347737.
Keywords: apriori; FP-Growth; market basket analysis.
Abstrak : Lingkungan bisnis yang semakin berkembang menyebabkan dunia bisnis harus berkreasi agar dapat terus bertahan, salah satunya dengan cara meningkatkan penjualan. Salah satu caranya adalah dengan menggunakan pendekatan data. Salah satu metode pendekatan data yang banyak digunakan adalah Market Basket Analysis. Penelitian ini menggunakan metode Market Basket Analysis dengan algoritma apriori dan FP-Growth. Analisis dataset grosir menggunakan dua algoritma, Apriori dan FP-Growth dengan menggunakan parameter support minimum 0,45, memiliki hasil yang diurutkan berdasarkan 10 asosiasi teratas dengan nilai confidence terbaik. Asosiasi dengan nilai support tertinggi yang ditemukan adalah “Whole Milk -> Other Vegetables†dengan nilai support sebesar 0,0748347737. Analisis menyimpulkan bahwa kedua algoritma tersebut menghasilkan asosiasi yang sama “Other Vegetables -> Whole Milk†dengan nilai Support sebesar 0,0748347737.
Kata Kunci: apriori; FP-Growth; market basket analysis
Abstract:Abstract: Used motorbikes are motorized vehicles that are used by many people in various cicles. For someone who is a prospective buyer of a used motorbike, before coming to the place of puchase they have several choices…
based on several criteria that have been determined according to the used motorbike they want to buy. A problem that often occurs for prospective buyers is the difficulty in determination which used motorbike is superior from several choices based on predetermined criteria. This results in potential buyers feeling confused in making their choice. The difficulty in determining used motorbikes is the reason this research was conducted. In this case, the decision support system will be used as a tool in providing superior used motorbike choices for potential buyers. The method offered in this research is to use a combination of the CoCoSo and SAW algorithms. The criteria for determination a used motorbike consist of 8 criteria namely mileage, price, brand, accessories, tire condition, body condition, engine condition and completeness of documents. In the results of this decision support system research, ranking results using a combination of CoCoSo and SAW methods show that the red Suzuki F1 alternative (A39) is ranked with the highest score.
Keywords: combined compromise solution; decision support system; simple additive weighting
Abstrak: Sepeda motor bekas merupakan kendaraan bermotor yang digunakan oleh sebagian banyak masyarakat dalam berbagai kalangan. Bagi seseorang calon pembeli sepeda motor bekas, sebelum datang ke tempat pembelian mereka memiliki beberapa ketentuan pilihan yang berdasarkan pada beberapa kriteria yang telah ditentukan sesuai dengan sepeda motor bekas yang ingin dibeli. Permasalahan yang sering kali terjadi bagi calon pembeli ialah kesulitan dalam menentukan sepeda motor bekas mana yang unggul dari beberapa alternatif pilihan berdasarkan kriteria yang telah ditentukan sebelumnya. Hal ini mengakibatkan, calon pembeli merasa kebingungan dalam menentukan pilihannya. Kesulitan dalam penentuan sepeda motor bekas tersebut menjadi alasan penelitian ini dilakukan. Dalam hal ini sistem pendukung keputusan akan digunakan sebagai alat bantu dalam memberikan pilihan sepeda motor bekas yang unggul bagi calon pembeli. Metode yang ditawarkan dalam penelitian ini yaitu dengan menggunakan kombinasi algoritma CoCoSo dan SAW. Kriteria-kriteria dalam penentuan sepeda motor bekas terdiri dari 8 kriteria yaitu jarak tempuh, harga, merek, aksesoris, kondisi ban, kondisi body, kondisi mesin dan kelengkapan surat. Dalam hasil penelitian sistem pendukung keputusan ini, memberikan hasil perangkingan dengan kombinasi metode CoCoSo dan SAW menunjukkan bahwa alternatif Suzuki F1 merah (A39) adalah peringkat dengan nilai tertinggi.
Kata kunci : combined compromise solution; simple additive weighting; sistem pendukung keputusan
Abstract:Abstract: Rohingya refugees continue to arrive in Aceh by sea by boat. Based on data from the United Nations High Commissioner for Refugees (UNCHR), as of December 10 2023, 1,543 Rohingya refugees had landed in Aceh since…
e mid-November 2023. The increasing number of refugees arriving has caused resistance from local residents. This rejection was the result of the bad experiences of Acehnese people with Rohingya refugees. The main problem of this research is that analyzing public opinion on Rohingya ethnicity in Indonesia is still done manually by looking at tweets one by one. The solution to overcome this is to analyze opinions using data crawling with the Naïve Bayes algorithm. The purpose of this research is to determine public opinion on Twitter media regarding refugee refugees. The method used in this research is the Naïve Bayes algorithm method. The results of the research show that the Naïve Bayes algorithm can classify public opinion sentiment on Twitter social media towards the Rohingya Ethnic in Indonesia into positive sentiment. and negative with a total accuracy of 70%. So, the words "Rohingya Ethnicity in Indonesia" tend to be accepted by the X community with the arrival of Rohingya refugees in Indonesia.
Keywords: rohingya; twitter; naïve bayes; opinion
Abstrak: Pengungsi Rohingya terus berdatangan ke Aceh melalui jalur laut dengan menggunakan perahu. Berdasarkan hasil data United Nations High Commissioner for Refugees (UNCHR), per 10 Desember 2023 sebanyak 1.543 pengungsi Rohingya datang ke dalam wilayah Aceh. Meningkatnya jumlah pengungsi yang datang menimbulkan perlawanan dari warga setempat. Penolakan ini imbas dari pengalaman buruk warga Aceh terhadap pengungsi Rohingya. Permasalahan utama penelitian ini yaitu menganalisis opini publik terhadap Etnis Rohingya di Indonesia masih secara manual dengan melihat tweet satu persatu. Solusi mengatasi hal tersebut maka analisis opini menggunakan crawling data dengan algoritma Naïve Bayes. Tujuan penelitian ini untuk mengetahui opini publik pada media twitter terkait pengungsi Rohingya. Metode yang digunakan dalam penelitian ini yaitu metode algoritma Naïve Bayes. Hasil penelitian menunjukan bahwa pada algoritma Naïve Bayes dapat mengklasifikasikan sentimen dengan total akurasi 70%. Maka “Etnis Rohingya di Indonesia†cenderung dapat diterima oleh masyarakat X dengan datangnya pengungsi Rohingya di Indonesia.
Kata kunci: rohingnya; twitter; naïve bayes; opini
Abstract:Abstract: Recognizing one's interests and talents early on is crucial in guiding an individual toward a prosperous future. While distinct, interests and talents share a close relationship. Interest denotes a genuine attraction…
action to something without external pressure, and when consistently nurtured, it evolves into a skill or talent. Machine learning, specifically utilizing the SVM algorithm with the RBF kernel, can be applied to categorize interests and talents. Prior to SVM modeling, conducting Exploratory Data Analysis (EDA) is imperative for scrutinizing interests and talents. This analysis facilitates the identification of variables, enabling the elimination of missing values and ensuring the selection of appropriate interest and talent variables. The primary objective is to achieve optimal accuracy in modeling the classification of interests and talents. The insights gained from this research contribute to the creation of an application designed for categorizing interests and talents within SDN XYZ school. This application is designed for student use, assisting them in making informed decisions about their future education and career paths
Keywords: exploratory data analysis; interests and talents; machine learning; SVM Algorithm
Abstrak: Mengenali minat dan bakat seseorang sejak dini sangat penting dalam membimbing individu menuju masa depan yang sukses. Meskipun berbeda, minat dan bakat memiliki hubungan yang erat. Minat mengindikasikan ketertarikan yang tulus terhadap sesuatu tanpa tekanan eksternal, dan ketika terus-menerus dibina, berkembang menjadi keterampilan atau bakat. Pembelajaran mesin, khususnya dengan menggunakan algoritma SVM dan kernel RBF, dapat digunakan untuk mengelompokkan minat dan bakat. Sebelum pemodelan SVM, melakukan Analisis Data Eksploratif (EDA) sangat penting untuk mengkaji minat dan bakat. Analisis ini memfasilitasi identifikasi variabel, memungkinkan penghilangan nilai yang hilang, dan memastikan pemilihan variabel minat dan bakat yang tepat. Tujuan utamanya adalah mencapai akurasi optimal dalam pemodelan klasifikasi minat dan bakat. Temuan dari penelitian ini berkontribusi pada pengembangan aplikasi yang ditujukan untuk mengkategorikan minat dan bakat di sekolah SDN XYZ. Aplikasi ini dirancang untuk digunakan oleh siswa, membantu mereka membuat keputusan yang terinformasi mengenai pendidikan dan karier masa depan mereka.
Kata kunci: Algoritma SVM; exploratory data analysis; machine learning; minat dan bakat
Abstract:Abstract: Artificial Intelligence (AI) is currently gaining popularity across various industries, including healthcare, finance, and others. In this study, AI technology is employed to devise an optimal marketing strategy…
y for Code Verse Computer Accessories Store using the K-Means algorithm. As part of machine learning, the K-Means algorithm, categorized under unsupervised learning, is implemented to cluster sales data for computer accessory products over the last three months of 2023. The results of the K-Means analysis identify two main clusters. Cluster one (Cluster 1) comprises products such as Mouse, Keyboard, Monitor, Headset, and Speaker, indicating consistent purchasing patterns and high consumer interest. Recommendations are made to increase stock for Cluster 1. Meanwhile, Cluster two (Cluster 2) consists of Mic products with lower interest, and it is not advisable to increase stock. The implementation of K-Means provides insights into purchasing patterns, enabling Code Verse to develop more effective marketing and inventory management strategies.
Keywords: K-Means algorithm; artificial intelligence; clustering
Abstract: Kecerdasan Buatan (AI) kini meraih popularitas dalam berbagai industri, termasuk sektor kesehatan, keuangan, dan lainnya. Pada penelitian ini, teknologi AI digunakan untuk merancang strategi pemasaran optimal bagi Toko Aksesoris Komputer CodeVerse dengan menggunakan Algoritma K-Means. Sebagai bagian dari machine learning, Algoritma K-Means, yang termasuk dalam kategori unsupervised learning, diimplementasikan untuk mengelompokkan data penjualan produk selama tiga bulan terakhir tahun 2023. Hasil dari analisis K-Means mengidentifikasi dua cluster utama. Cluster pertama (Cluster 1) terdiri dari produk Mouse, Keyboard, Monitor, Headset, dan Speaker, menunjukkan pola pembelian yang konsisten dan tingginya minat konsumen. Rekomendasi untuk menambah stok diberikan. Sementara itu, Cluster kedua (Cluster 2) terdiri dari produk Mic dengan minat lebih rendah, dan tidak disarankan untuk menambah stok. Implementasi K-Means memberikan wawasan tentang pola pembelian, memungkinkan CodeVerse mengembangkan strategi pemasaran dan manajemen persediaan yang lebih efektif.
Keywords: Algoritma k-means; kecerdasan buatan; clustering