http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5353 Sun, 05 Apr 2026 20:28:14 GMT 2026-04-05T20:28:14Z http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5696 Title: Similarity Diagnosis of Toddler Digestion Disorder using forward chaining method Sat, 25 Feb 2023 00:00:00 GMT http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5696 2023-02-25T00:00:00Z http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5695 Title: Analisis Sentimen Pengguna Transportasi Online Terhadap Layanan Grab Indonesia Menggunakan Multinomial Naive Bayes Classifier Authors: Dr. B. Herawan, Hayadi Abstract: Ojek online telah merambah dunia transportasi di Indonesia. Terobosan baru yang semakin diminati banyak orang ini, tidak hanya menyediakan transportasi angkutan penumpang saja namun juga melayani jasa kurir untuk pemesanan makanan, jasa pengiriman barang, dokumen, dan berbelanja. Banyaknya pelayanan yang diberikan perusahaan ojek online, semakin banyak pula opini yang dilontarkan masyarakat melalui twitter, mengenai kualitas dari setiap jenis layanan yang diberikan oleh perusahaan ojek online. Opini yang memiliki sentimen tersebut akan dianalisis sehingga dapat diketahui layanan mana yang mendapatkan sentimen positif, negatif, dan netral. Oleh sebab itu, diperlukan sebuah pendekatan yang dapat menganalisis sentimen masyarakat terhadap kualitas dari setiap layanan ojek online. Pada penelitian ini metode yang digunakan yaitu term frequency (tf) dan multinomial naive bayes classifier. Tahapan keseluruhan metode yang digunakan pada penelitian ini adalah preprocessing (cleaning, case folding, tokenisasi, convert negation, stopword removal, stemming, dan normalisasi), perhitungan frekuensi kemunculan kata (tf), dan klasifikasi sentimen. Hasil dari penelitian ini adalah mengklasifikasikan tweet ke dalam sentimen positif, negatif, netral dan mengetahui kualitas dari setiap jenis layanan ojek online. Dengan menggunakan algoritma dan metode ini, akurasi yang didapat adalah sebesar 86,57%. Pendekatan ini diharapkan akan sangat membantu pihak perusahaan ojek online untuk memperbaiki kualitas dari setiap jenis layanan yang ada. Description: Analisis sentimen atau opinion mining merupakan proses memahami, mengekstrak, dan mengolah data tekstual secara otomatis untuk mendapatkan suatu informasi sentimen yang terkandung dalam suatu kalimat opini [1]. Secara umum, analisis sentimen bertujuan untuk menentukan sikap pembicara atau penulis terhadap suatu topik atau keseluruhan polaritas kontekstual pada suatu dokumen [2]. Sikap dapat berupa penilaian atau evaluasi, sisi emosional penulis pada saat menulis atau efek komunikasi emosional yang penulis inginkan terhadap pembacanya. Twitter sebagai salah satu jejaring sosial yang interaktif memungkinkan penggunanya untuk mengkritisi suatu isu maupun sebuah fasilitas pelayanan secara real time. Masyarakat yang semula membutuhkan waktu lama untuk menyampaikan aspirasinya kini dapat melakukannya dengan mudah berkat kehadiran teknologi ini. Salah satu transportasi online yang ramai dibicarakan oleh masyarakat adalah ojek online. Ojek online atau sering disebut Ojol merupakan transformasi dari ojek konvensional yang biasanya bertempat di pangkalan untuk menunggu pelanggan. Seiring berjalannya waktu, Ojol ini semakin diminati masyarakat apalagi dengan bantuan smartphone. Pelayanan yang disediakan tidak hanya transportasi angkutan penumpang saja, namun juga melayani jasa kurir untuk pemesanan makanan, jasa pembersih untuk bersih-bersih rumah dan kantor, pengiriman barang, dokumen, berbelanja, dan lain sebagainya. Grab Indonesia sebagai salah satu perusahaan ojek online terkemuka di Indonesia memiliki jumlah pelanggan yang cukup besar dan mencakup hampir seluruh wilayah di Indonesia. Setiap pelanggan memiliki tingkat kepuasan berbeda terhadap layanan yang diberikan oleh Grab Indonesia, sehingga selalu ada pro dan kontra berupa saran dan keluhan. Pemrosesan terhadap saran dan keluhan kini dapat disampaikan secara real time melalui akun Twitter @GrabID, sehingga Grab Indonesia dapat mengetahui tanggapan secara cepat tingkat kepuasan pelanggan terhadap pelayanan yang diberikan. Namun mengingat banyaknya jumlah pelanggan, tidak sedikit pula saran maupun keluhan yang ditujukan ke akun @GrabID yang diterima per hari. Dilihat dari permasalahan yang ada, maka diperlukan sebuah solusi berupa analisis terhadap saran maupun keluhan yang diterima oleh perusahaan ojek online Grab Indonesia dari pelanggan yang mengirimkan tweet ke akun user @GrabID pada media sosial media Twitter sehingga dapat diketahui informasi sentimen pelanggan terhadap pelayanan yang telah diberikan secara cepat. Data dapat di peroleh melalui proses crawling dengan menggunakan fasilitas Twitter API. Adapun permasalahan pengklasifikasian sebuah kalimat sentimen ke dalam kelas–kelas tertentu dapat diselesaikan dengan metode Multinomial Naive Bayes Classifier. Metode ini memiliki beberapa kelebihan antara lain, sederhana, cepat, dan berakurasi tinggi yang memiliki keunggulan dalam memproses teks. Metode MNBC untuk klasifikasi atau kategorisasi teks menggunakan atribut kata yang muncul dalam suatu dokumen sebagai dasar klasifikasinya Sat, 16 Jul 2022 00:00:00 GMT http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5695 2022-07-16T00:00:00Z http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5694 Title: Komparasi 3 Metode Algoritma Klasifikasi Data Mining Pada Prediksi Kenaikan Jabatan Authors: Dr. B. Herawan, Hayadi Abstract: Dengan semakin berkembangnya perusahaan dan akses karyawan untuk meningkatkan keinginan untuk menjadikan karyawan teladan atau menjadi karyawan yang memiliki ide tinggi untuk menjadi panutan bagi bawahan atau karyawan lainnya, maka dari kasus penelitian di kampus universitas, kualitas melakukan survei dengan data yang diperoleh langsung dari universitas. Karyawan yang bekerja sebagai karyawan tetap atau kontrak terkadang mendapatkan hak sebagai kenaikan kenaikan pangkat dari perusahaan untuk masing-masing bidang serta alokasi kinerja karyawan yang memuaskan dari aspek pekerjaan yang dilakukan. Pada model penelitian ini menggunakan tiga model dari Naïve Bayes, K-Nearest Neighbor, dan Neural Network dengan mengambil dataset langsung dari hasil analisis, untuk itu dilakukan analisis pada setiap aspek untuk mengetahui hasil klasifikasi nilai yang digunakan pada evaluasi menggunakan validasi 5-Fold, 10-Fold, dan Cross Validatio 20-Fold sehingga diperoleh hasil identifikasi pada klasifikasi promosi dengan nilai akurasi tertinggi 76,6%, nilai F1 tertinggi 67,8%, nilai presisi tertinggi sebesar 65,9%, dan nilai recall tertinggi sebesar 76,6%. Description: With the increasing growth of the company and employee access to increase the desire to make exemplary employees or become employees who have high ideas to become role models for subordinates or other employees, so from the research case on the university campus, quality conducts a survey with data obtained directly from the university. Employees who work as permanent or contract employees sometimes get the right as an increase for promotion from the company for each field as well as an allocation of satisfactory employee performance from the aspect of the work carried out. In this research model using three models from Naïve Bayes, K-Nearest Neighbor, and Neural Network by taking the dataset directly from the analysis results, for that an analysis is carried out on each aspect to determine the results of the value classification used in the evaluation using 5-Fold validation, 10-Fold, and 20-Fold Cross Validatio thus obtain results to identify in the promotion classification with the highest value of accuracy of 76.6%, the highest value of F1 of 67.8%, the highest value of precision of 65.9%, and the highest value of recall of 76.6%. Sat, 16 Jul 2022 00:00:00 GMT http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5694 2022-07-16T00:00:00Z http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5693 Title: Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network Authors: Dr. B. Herawan, Hayadi Abstract: Sweet orange is very much consumed by humans because oranges are rich in vitamin C, sweet oranges can be consumed directly to drink. The classification carried out to determine proper (good) and unfit (rotten) oranges still uses manual methods, The classification has several weaknesses, namely the existence of human visual limitations, is influenced by the psychological condition of the observations and takes a long time. One of the classification methods for sweet orange fruit with a computerized system the Convolutional Neural Network (CNN) is algorithm deep learning to the development of the Multilayer Perceptron (MLP) with 100 datasets of sweet orange images, the classification accuracy rate was 97.5184%. the classification was carried out, the result was 67.8221%. Testing of 10 citrus fruit images divided into 5 good citrus images and 5 rotten citrus images at 96% for training 92% for testing which were considered to have been able to classify the appropriateness of sweet orange fruit very well. The graph of the results of the accuracy testing is 0.92 or 92%. This result is quite good, for the RGB histogram display the orange image is good; Sweet orange is very much consumed by humans because oranges are rich in vitamin C, sweet oranges can be consumed directly to drink. The classification carried out to determine proper (good) and unfit (rotten) oranges still uses manual methods, The classification has several weaknesses, namely the existence of human visual limitations, is influenced by the psychological condition of the observations and takes a long time. One of the classification methods for sweet orange fruit with a computerized system the Convolutional Neural Network (CNN) is algorithm deep learning to the development of the Multilayer Perceptron (MLP) with 100 datasets of sweet orange images, the classification accuracy rate was 97.5184%. the classification was carried out, the result was 67.8221%. Testing of 10 citrus fruit images divided into 5 good citrus images and 5 rotten citrus images at 96% for training 92% for testing which were considered to have been able to classify the appropriateness of sweet orange fruit very well. The graph of the results of the accuracy testing is 0.92 or 92%. This result is quite good, for the RGB histogram display the orange image is good Description: Tanaman jeruk manis (Citrus Sinensis) adalah tanaman buah tahunan yang berasal dari Asia.[1] Diyakini bahwa Cina adalah tempat pertama bagi jeruk yang tumbuh. Selama ratusan tahun, jeruk telah tumbuh di Indonesia, baik secara alami maupun dibudidayakan. Tanaman orange di Indonesia adalah peninggalan Belanda yang membawa jeruk manis dan keprok dari Amerika dan Italia. [2]. Tanaman Jeruk manis paling cocok ditanam di daerah subtropis yang memiliki suhu rata-rata 20 – 25o C.[3] Jeruk manis mempunyai kedudukan paling istimewa diantara jenis jeruk lain dan merupakan kunci bagi industri jeruk diseluruh dunia. Sebab jeruk jenis ini merupakan bahan pembuat minuman yang sangat baik dan buahnya dapat dibuat (selai)[4]. Selain itu, bunga, biji dan Kulitnya dapat diambil minyaknya[5]. Buah non-klimaerik jeruk ini ketika matangnya buah, hanya dapat diperoleh dipetik langsung dipohon atau tidak dapat diperam setelah proses panen[6]. Sehingga penting untuk memetik ataupun memanen buah jeruk saat matangnya[7]. Memanen buah dengan rasa asam tidak akan berubah jadi manis karena tidak ada proses pematangan saat setelah panen [8]. Proses klarifikasi yang dilakukan untuk menentukan jeruk layak (bagus) dan tidak layak (busuk) bahkan begitu banyak inputan menggunakan cara manual [9] [10]. Manual berarti dibuat sesuai dengan pengamatan visual langsung pada buah yang akan diklasifikasikan [11]. Kelemahan dari klasifikasi manual sangat dipengaruhi oleh subjektivitas operator penyortiran sehingga, dalam kondisi tertentu, itu tidak konsisten dengan proses klasifikasi [12]. Convolutional Neural Network (CNN) bahagian dari algoritma deep learning dikembangkan dengan Multilayer Percepton (MLP) dirancang sebagai mengolah data dalam bentukkan dua dimensi, misalnya suara dan gambar [13]. CNN digunakan mengklasifikasi data yang terlabel dengan menfungsikan metode supervised learning[14], [15]. Bagian daripada jenis neural network biasanya digunakan didata image adalah CNN. Pada tingkat kedalaman jaringan CNN termasulah jenis Deep Neural Network dan sering digunakan dalam data citra image [16]. Tahap pembelajaran menggunakan backpropagation, klasifikasi menggunakan feedforward dua bahagian tersebut termasuk kedalam CNN. Keuntungan dari CNN dibandingkan dengan metode klasifikasi lain semakin terlihat ketika digunakan untuk mengklasifikasikan pada citra gambar dengan lebih banyak atau kelas yang besar [17]. Deep Learning merupakan bagian Machine Learning dengan basis Jaringan Syaraf Tiruan (JST)[18] atau pembaharuan JST dalam mendedikasikan komputer untuk dapat berpikir melakukan layaknya seperti manusia[19]. Deep Learning, pada komputer dikategorikan kedalam mengklasifikasi pengambilan dari gambar, suara, teks, atau video [20]. Seperti pada komputer pengujian dan dilatih memakai data set yang memiliki label dan dalam jumlah besar selanjutnya diubah kedalam nilai piksel pada gambar untuk dijadikan representasi internal atau feature vector[21] kemudian selanjutnya pengklasifikasian didapatkan dan digunakan pada deteksi untuk mengklasifikasikan pola pada masukan input [22]. Deep learning merupakan pembelajaran reprensentasi untuk membentuk arsitektur jaringan syaraf tiruan dengan multi lapisan layer[23]. Input layer, hidden layer, dan output layer dalam lapisan deep learning, [24]. Pada hidden layer dengan lapisan yang banyak untuk dapat membuat komposisi algoritma dalam hal meminimalisir nilai error pada output [25] Atas dasar penelitian terkait yang menggunakan metode Neuron Network yang konklusif adalah penerapan jaringan neuron convolutional network untuk klasifikasi gambar tomat menggunakan Keras (Taiara Shafira, 2018), yang merupakan subjek penelitian. Pada pencarian kali ini adalah tomat, menggunakan R studio dan Keras, [26]. Dengan hasil penelitian Tingkat keakuratan data uji yang diperoleh dari analisa pemodelan yang terbentuk adalah 90% klasifikasi gambar tomat. Data baru klasifikasi adalah 10 gambar tomat dalam pengujian model tomat yang terbentuk, yaitu setiap gambar berhasil diklasifikasikan dengan benar. Untuk itu disini diterapkannlah bagaimana klasifikasi terhadap Buah Jeruk Manis dengan menggunakan metode tersebut.; Tanaman jeruk manis (Citrus Sinensis) adalah tanaman buah tahunan yang berasal dari Asia.[1] Diyakini bahwa Cina adalah tempat pertama bagi jeruk yang tumbuh. Selama ratusan tahun, jeruk telah tumbuh di Indonesia, baik secara alami maupun dibudidayakan. Tanaman orange di Indonesia adalah peninggalan Belanda yang membawa jeruk manis dan keprok dari Amerika dan Italia. [2]. Tanaman Jeruk manis paling cocok ditanam di daerah subtropis yang memiliki suhu rata-rata 20 – 25o C.[3] Jeruk manis mempunyai kedudukan paling istimewa diantara jenis jeruk lain dan merupakan kunci bagi industri jeruk diseluruh dunia. Sebab jeruk jenis ini merupakan bahan pembuat minuman yang sangat baik dan buahnya dapat dibuat (selai)[4]. Selain itu, bunga, biji dan Kulitnya dapat diambil minyaknya[5]. Buah non-klimaerik jeruk ini ketika matangnya buah, hanya dapat diperoleh dipetik langsung dipohon atau tidak dapat diperam setelah proses panen[6]. Sehingga penting untuk memetik ataupun memanen buah jeruk saat matangnya[7]. Memanen buah dengan rasa asam tidak akan berubah jadi manis karena tidak ada proses pematangan saat setelah panen [8]. Proses klarifikasi yang dilakukan untuk menentukan jeruk layak (bagus) dan tidak layak (busuk) bahkan begitu banyak inputan menggunakan cara manual [9] [10]. Manual berarti dibuat sesuai dengan pengamatan visual langsung pada buah yang akan diklasifikasikan [11]. Kelemahan dari klasifikasi manual sangat dipengaruhi oleh subjektivitas operator penyortiran sehingga, dalam kondisi tertentu, itu tidak konsisten dengan proses klasifikasi [12]. Convolutional Neural Network (CNN) bahagian dari algoritma deep learning dikembangkan dengan Multilayer Percepton (MLP) dirancang sebagai mengolah data dalam bentukkan dua dimensi, misalnya suara dan gambar [13]. CNN digunakan mengklasifikasi data yang terlabel dengan menfungsikan metode supervised learning[14], [15]. Bagian daripada jenis neural network biasanya digunakan didata image adalah CNN. Pada tingkat kedalaman jaringan CNN termasulah jenis Deep Neural Network dan sering digunakan dalam data citra image [16]. Tahap pembelajaran menggunakan backpropagation, klasifikasi menggunakan feedforward dua bahagian tersebut termasuk kedalam CNN. Keuntungan dari CNN dibandingkan dengan metode klasifikasi lain semakin terlihat ketika digunakan untuk mengklasifikasikan pada citra gambar dengan lebih banyak atau kelas yang besar [17]. Deep Learning merupakan bagian Machine Learning dengan basis Jaringan Syaraf Tiruan (JST)[18] atau pembaharuan JST dalam mendedikasikan komputer untuk dapat berpikir melakukan layaknya seperti manusia[19]. Deep Learning, pada komputer dikategorikan kedalam mengklasifikasi pengambilan dari gambar, suara, teks, atau video [20]. Seperti pada komputer pengujian dan dilatih memakai data set yang memiliki label dan dalam jumlah besar selanjutnya diubah kedalam nilai piksel pada gambar untuk dijadikan representasi internal atau feature vector[21] kemudian selanjutnya pengklasifikasian didapatkan dan digunakan pada deteksi untuk mengklasifikasikan pola pada masukan input [22]. Deep learning merupakan pembelajaran reprensentasi untuk membentuk arsitektur jaringan syaraf tiruan dengan multi lapisan layer[23]. Input layer, hidden layer, dan output layer dalam lapisan deep learning, [24]. Pada hidden layer dengan lapisan yang banyak untuk dapat membuat komposisi algoritma dalam hal meminimalisir nilai error pada output [25] Atas dasar penelitian terkait yang menggunakan metode Neuron Network yang konklusif adalah penerapan jaringan neuron convolutional network untuk klasifikasi gambar tomat menggunakan Keras (Taiara Shafira, 2018), yang merupakan subjek penelitian. Pada pencarian kali ini adalah tomat, menggunakan R studio dan Keras, [26]. Dengan hasil penelitian Tingkat keakuratan data uji yang diperoleh dari analisa pemodelan yang terbentuk adalah 90% klasifikasi gambar tomat. Data baru klasifikasi adalah 10 gambar tomat dalam pengujian model tomat yang terbentuk, yaitu setiap gambar berhasil diklasifikasikan dengan benar. Untuk itu disini diterapkannlah bagaimana klasifikasi terhadap Buah Jeruk Manis dengan menggunakan metode tersebut. Sun, 01 Jan 2023 00:00:00 GMT http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5693 2023-01-01T00:00:00Z