{"title":"Analisis Performa Algoritma Random Forest dan Naive Bayes Multinomial pada Dataset Ulasan Obat dan Ulasan Film","authors":"Rolly Maulana Awangga, Nuha Hanifatul Khonsa'","doi":"10.22441/incomtech.v12i1.14770","DOIUrl":"https://doi.org/10.22441/incomtech.v12i1.14770","url":null,"abstract":"Kemudahan akses informasi memberikan peluang pertukaran informasi antar individu maupun kelompok. Kemudahan akses tersebut memberikan dampak dengan munculnya banyak opini terhadap suatu produk atau topik terhangat. Data opini ulasan dapat diolah menjadi data informasi baru yang memiliki nilai lebih bagi perusahaan maupun pemanfaat data. Pengolahan data ulasan dapat dilakukan dengan menggunakan machine learning dengan algoritma klasifikasi untuk mendapatkan analisis sentimen terhadap produk tertentu. Dataset yang digunakan pada penelitian ini adalah datasetulasan obat dan ulasan film untuk melakukan analisis sentimen dengan mengulas performansi algoritma Random Forestdengan menggunakan beberapa pohon keputusan yang sama yang disatukandan Naïve Bayes Multinomialmenggunakan perhitungan probabilitas pada tingkat akurasi dan waktu latih data. Dalam preprocessing untuk pengolahan data dan penyesuaian tipe data pada metode yang akan digunakan dengan menggunakan CountVectorizer untuk mengubah token kata menjadi vektor dan mengubah data fitur menjadi tipe array. Pembagian data latih dan uji dengan rasio 75:25. Dengan hasil akurasi data terbaik 0,57% dengan menggunakan algoritma Naïve Bayes Multinomial pada data ulasan film. dan latih waktu terlama pada algoritma Random Forestsehingga disarankan untuk dapat menggunakan Term Frequency-Inverse Document Frequency (TF-IDF)sebagai term pembobotan kata untuk mendapatkan hasil akurasi yang lebih baik pada penelitian selanjutnya.","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"115749238","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
{"title":"Komparasi Pengelompokan Pemeringkatan Sertifikasi Travel Umrah Berizin dengan Algoritma Klasterisasi K-Means dan K-Medoids","authors":"M. Risky, Arie Wibowo, Z. Anshori","doi":"10.22441/incomtech.v12i1.14528","DOIUrl":"https://doi.org/10.22441/incomtech.v12i1.14528","url":null,"abstract":"Dengan Terbitnya Undang-Undang Nomor 11 Tahun 2020 tentang Cipta Kerja yang merevisi beberapa pasal dalam Undang-Undang Nomor 8 Tahun 2019 tentang Penyelenggaraan Haji dan Umrah, Kementerian Agama harus melakukan pembahasan tentang peraturan turunankedua Undang-Undang tersebut. Di antara peraturan turunan yang diterbitkan adalah Keputusan Menteri Agama (KMA) Nomor 1251 Tahun 2021 tentang Skema dan Kriteria Akreditasi serta Sertifikasi Usaha Penyelenggaraan Ibadah Umrah dan Penyelenggaraan Haji Khusus. Dalam KMA ini, Kementerian Agama melaksanakan pengaturan berkenaan dengan pemeringkatan PPIU dan juga PIHK, yang dibagi pemeringkatan menjadi 3 kelompok yaitu A, B C. Penelitian ini bertujuan untuk menganalisa dengan pembanding atau referensi lain menggunakan metode penambangan (mining). Penambangan (mining) yang dipergunakan pada penelitian ini adalah terhadap data. Dataset akan di proses dengan algoritma yang ditemukan oleh Lloyd dan kawan-kawan, yakni K-Means. Selain itu, dataset juga akan diproses dengan salah satu algoritma lain untuk pengelompokan data, dalam hal ini peneliti memilih K-Medoids. Dataset terdiri dari 5.000 baris data sesuasi dengan penilaian indikator dominan dan ko-dominan. Hasil Penelitian menunjukkan bahwa metode K-Means dengan dua kelompok dengan maksimize tanpa normalize memiliki Davies-Bouldin Index (DBI) 0,234. Sedangkan metode K-Means dengan 2 kelompok serta melakukan normalize maka Davies-Bouldin Index (DBI) adalah 0,005. K-Means adalah yang paling optimal dibanding K-Medoids pada penelitian ini.","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"95 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"122024788","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
{"title":"Penasihat Ahli dalam Perdagangan Valuta Asing Menggunakan Batas Keuntungan dan Kerugian Dinamis","authors":"Abd Wahab, M. Budiyanto","doi":"10.22441/incomtech.v12i1.11444","DOIUrl":"https://doi.org/10.22441/incomtech.v12i1.11444","url":null,"abstract":"Perdagangan di pasar valuta asing memiliki volume perdagangan yang sangat besar dan menjadi salah satu pasar yang diminati oleh para pedagang besar maupun kecil. Untuk mendapatkan keuntungan di pasar valuta asing diperlukan analisis yang baik dan tepat dan mengikuti strategi yang telah dibuat. Agar membantu dalam memudahkan analisis dan transaksi dibuatlah penasihat ahli berdasarkan strategi yang direncanakan oleh pedagang. Banyak penasihat ahli yang menggunakan batas keuntungan dan kerugian secara statis, sehingga membuat transaksi tidak optimal. Untuk itu, penelitian ini mecoba membuat sebuah penasihat ahli dengan batas keuntungan dan kerugian secara dinamis berdasarkan acuan indikator. Metodologi yang digunakan pada penelitian ini terdiri dari analisis strategi yang digunakan, pembuatan penasihat ahli, dan pengujian penasihat ahli. Dari hasil pengujian secara back testing, penasihat ahli dengan batas keuntungan dan kerugian dinamis mendapatkan hasil yang lebih baik dibandingkan dengan penasihat ahli yang memiliki batasan statis. Walaupun penasihat ahli yang diusulkan mendapatkan hasil yang menguntungkan, masih terdapat beberapa kesalahan analisis untuk melakukan transaksi. Untuk pengembangan penasihat ahli ini, bisa ditambahkan sebuah indikator yang dapat mengetahui kekuatan dari tren, untuk memfilter transaksi agar mengikuti tren yang sedang terjadi di pasar.","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"5 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128855835","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
{"title":"Perbandingan Algoritma Naïve Bayes, K-Nearest Neighbors dan Random Forest untuk Klasifikasi Sentimen Terhadap BPJS Kesehatan pada Media Twitter","authors":"Tamrizal A.M, Ainul Yaqin","doi":"10.22441/incomtech.v12i1.13642","DOIUrl":"https://doi.org/10.22441/incomtech.v12i1.13642","url":null,"abstract":"Dari sejak didirikan, BPJS terus berusaha meningkatkan kualitas pelayanan termasuk menyediakan berbagai layanan pengaduan. Selain fasilitas pengaduan yang telah disediakan oleh BPJS, media sosial seperti twitter sebenarnya dapat dijadikan sebagai tempat untuk mengumpulkan informasi yang berkaitan dengan BPJS. Berbagai keluhan maupun apresiasi terhadap pelayanan BPJS sering disuarakan melalui media twitter. Pada penelitian ini, dilakukan pengujian tiga algoritma machine learning yaitu Naïve Bayes, K-Nearest Neighbors dan Random Forest, untuk mengetahui dan membandingkan tingkat akurasi dari masing-masing algoritma tersebut dalam melakukan klasifikasi terhadap sentimen masyarakat terhadap BPJS Kesehatan melalui media twitter. Pada penelitian ini dataset diperoleh dengan melakukan scrapping menggunakan twitter API. Data yang diperoleh kemudian diseleksi dan dilakukan labeling. Dari hasil seleksi dan labeling didapatkan dataset sebanyak 150 tweet yang terdiri atas 50 tweet positif, 50 tweet negative dan 50 tweet netral yang akan digunakan dalam percobaan. Pada percobaan dengan menggunakan 90% data untuk training dan 10% data untuk testing, didapatkan tingkat akurasi sebesar 80% Naive Bayes, 67% K-Nearest Neighbors dan 87% Random Forest.","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"11 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129151754","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
{"title":"Analisa Fourier Broadband Forecasting Jaringan Telekomunikasi di Indonesia dalam menyambut Visi Indonesia 2045","authors":"Suci Ramadona, S. Ahdan, M. Rahayu","doi":"10.22441/incomtech.v12i1.13735","DOIUrl":"https://doi.org/10.22441/incomtech.v12i1.13735","url":null,"abstract":"Berdasarkan data APJII (Asosiasi Penyelenggara Jasa Internet Indonesia di tahun 2020, terdapat 73.7% dari populasi Indonesia telah menggunakan jaringan broadband. Pertumbuhan jumlah pengguna layanan broadband ini akan mempengaruhi visi Indonesia Emas 2045. Dimana di dalam visi 2045 tersebut dipaparkan bahwa aspek TIK (Teknologi Informasi Komunikasi) akan terintegrasi di segala bidang, terutama aspek ekonomi dan pemeritahan. Demi tercapainya Indonesia Emas 2045 dan agar semakin baiknya tingkat kepuasan pelanggan, maka pemerintah dan penyedia jasa dirasa perlu menyediakan layanan yang mumpuni. Research ini menyajikan jumlah pengguna jaringan mobile dan fixed broadband, serta harga paket data di Indonesia dalam bentuk Forcasting Analisa Fourier hingga di tahun 2045. Dimana metodologi yang digunakan adalah dengan mengumpulan data jumlah pengguna 2011-2020 dan tren harga paket dari tahun 2008-2020 lalu dilakukannya proses forcasting menggunakan Analisa Fourier, kemudian data validasi dilakukan di tahun 2019-2020. Teknik forcasting menggunakan Analisa Fourier dinyatakan cukup baik dengan estimasi error forecasting kurang dari 8%.","PeriodicalId":123793,"journal":{"name":"InComTech : Jurnal Telekomunikasi dan Komputer","volume":"136 9","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"120931661","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}