Akhir tahun 2019 lalu dunia digemparkan oleh munculnya suatu penyakit yang disebabkan oleh virus SARS-CoV-2 yang merupakan jenis virus terbaru dari coronavirus. Penyakit ini dikenal dengan nama COVID-19. Penyebaran penyakit ini terbilang cukup luas dan cepat. Dalam waktu singkat penyakit ini mulai menyebar ke segala penjuru dunia tak terkecuali Indonesia. Dengan tingkat penyebaran yang begitu tinggi dan belum ditemukannya vaksin untuk COVID-19, menyebabkan kekacauan di tengah masyarakat. Hal ini mempengaruhi banyak sektor kehidupan masyarakat. Tak sedikit masyarakat yang aktif bersosial media dan menuliskan pendapat, opini serta pemikirannya di platform media sosial seperti Twitter. Terjadinya pandemi ini mendorong masyarakat untuk menuliskan opini, pemikiran serta pendapatnya terhadap COVID-19 pada media sosial Twitter. Dibutuhkan suatu model sentiment analysis untuk mengklasifikasi tweet masyarakat di Twitter menjadi positif dan negatif. Sentiment analysis merupakan bagian dari Natural Language Processing yang membuat sebuah sistem guna mengenali serta mengekstraksi opini dalam bentuk teks. Pada penelitian ini digunakan algoritma Naive Bayes dan K-Nearest Neighbor untuk digunakan dalam membangun model sentiment analysis terhadap tweet pengguna Twitter terhadap COVID-19. Didapatkan akurasi sebesar 85% untuk algoritma Naïve Bayes dan 82% untuk algoritma K-Nearest Neighbor pada nilai k=6, 8, dan 14.
Big data analytics can extract travelers' sentiment, emotions, and experiences from their internet opinions. This study analyzes sentiment, emotion, and traveler experiences at eight tourism destinations in Purwokerto Central Java, Indonesia. The methods are lexicon using NCR vocabulary(EmoLex) and word cloud analysis. The results show visitors generally have a positive sentiment. The five destinations with high positive sentiment are the Village (91%), Lokawisata Baturaden(81%), Baturaden Forest (79%), Limpa Kuwus (78%), and Taman Andang(.77%). In comparison, other destinations achieve positive sentiment under 70%. Only a few visitors give negative sentiment to all tourism destinations. The emotion of visitors stands out in Joy and Trust. NRC revealed sadness dan anger emotion but only about 20%. Cloud analysis does not reveal a distinguish keyword because the word feature still contained noise such as conjunction, adverb, and the name of the sites. Further research must consider other text preprocessing to handle noises.
Data pengguna sepeda motor tahun 2016 berdasarkan Badan Pusat Statistik terdapat 105.150.082 pengguna di Indonesia . Angka ini adalah angka yang terbanyak dari semua total kendaraan. Menurut katadata.co.id, terdapat 98.000 kali kecelakan yang terjadi pada tahun 2017. Hal ini didominasi oleh kendaraan khususnya sepeda motor. Kecelakan yang ditimbulkan disebabkan oleh kelalaian pengguna sepeda motor dalam merawat motornya tersebut. Upaya dalam mengantisipasi terjadinya kecelakaan salah satunya adalah melakukan pengecekan kendaraan bermotor secara rutin. Menurut buku panduan sepeda motor, bahwa setiap kali motor yang digunakan wajib untuk melakukan pengecekan minimal 3 bulan sekali agar motor tetap pada performa utamanya. Metode yang digunakan untuk pengambilan keputusan dalam penjadwalan dan pengingat menggunakan metode fuzzy sugeno. Fuzzy merupakan suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output . Solusi yang ditawarkan pada penelitian ini akan aplikasi mobile yang dikhususkan untuk pengguna sepeda motor dalam melakukan perawatan rutin sebagai penjadwalan dan pengingat. Hasil yang didapatkan Berdasarkan pengujian manual dan pengujian melalui system yakni 16 siap service dan 14 tidak siap service. Presentase keakuratan system dengan perhitungan manual 100% sama dengan perhitngan system. Prensentasi pengaruh terhadap perawatan motor adalah 88.27% setuju terhadap pembuatan aplikasi ini untuk perawatan motor terhadap kecelakaan motor.
Shares are securities as proof of ownership of investors in a company. Stocks have a volatile nature, this makes stocks difficult to predict. Stock prediction is an effort to estimate the stock price, especially in the Bank Rakyat Indonesia company that will appear in the future, and to increase investors' profit opportunities in making investment decisions. During the COVID-19 pandemic, Bank BRI's shares experienced significant ups and downs in four months, which illustrates the sensitivity of the stock to an event. Therefore, it is important to predict stock prices to reduce the risk accepted by investors. The prediction itself requires time series data. Time series is data that is collected sequentially from time to time. The method used for time series data is Linear Regression because this method can handle time-series data. Based on these problems, stock prediction research will be conducted at the Bank Rakyat Indonesia company using the Linear Regression method. Bank Rakyat Indonesia share price data were obtained from the investing.com website from the period starting on January 1, 2008, to June 1, 2020. The data is processed starting from preprocessing to determine attributes, remove unnecessary attributes, and change the contents of the data type, then process split data to divide the dataset into training and test data. The attributes used in this study are Date and Price and the distribution of the data used is 60:40, 65:35, 70:30, 75:25, and 80:20. The best ratio is at 80:20 which produces train and test accuracy of 0.89 and 0.91, Then each training data and testing data are entered into the linear regression model for prediction. The error results from the predictions were calculated using MAPE and yielded a percentage of 13.751% for training data, 13.773% for test data, and 13.755% for overall data. The MAPE results indicate that the linear regression method can be used to predict the stock price of BRI Bank.
Waste is goods / materials that have no value in the scope of production, where in some cases the waste is disposed of carelessly and can damage the environment. The Indonesian government in 2019 recorded waste reaching 66-67 million tons, which is higher than the previous year, which was 64 million tons. Waste is differentiated based on its type, namely organic and anorganic waste. In the field of computer science, the process of sensing the type waste can be done using a camera and the Convolutional Neural Networks (CNN) method, which is a type of neural network that works by receiving input in the form of images. The input will be trained using CNN architecture so that it will produce output that can recognize the object being inputted. This study optimizes the use of the CNN method to obtain accurate results in identifying types of waste. Optimization is done by adding several hyperparameters to the CNN architecture. By adding hyperparameters, the accuracy value is 91.2%. Meanwhile, if the hyperparameter is not used, the accuracy value is only 67.6%. There are three hyperparameters used to increase the accuracy value of the model. They are dropout, padding, and stride. 20% increase in dropout to increase training overfit. Whereas padding and stride are used to speed up the model training process.
Kesehatan merupakan hak asasi manusia sekaligus investasi bagi keberhasilan pembangunan bangsa Indonesia. Salah satu faktor penting di dunia kesehatan adalah tersedianya obat-obatan untuk nantinya disalurkan ke seluruh wilayah Indonesia melalui badan organisasi kesehatan milik pemerintah secara merata dan berkelanjutan. Fungsi obat yaitu sebagai upaya pencegahan, penyembuhan, maupun peningkatan kesehatan bagi manusia. Obat juga merupakan bahan yang diatur oleh pemerintah dalam hal ini adalah Badan Pengawasan Obat dan Makanan (BPOM). Di era modern seperti saat ini, kita mengenal dengan istilah Data Mining. Dalam perkembangannya, data mining berhubungan erat dengan analisa data, maka dari itu data mining mampu mengolah dan mengelompokan data dalam jumlah yang besar berdasarkan kesamaan dalam sekumpulan data. Algoritma K-Means merupakan metode pengelompokan yang mudah digunakan. Pada proses penentuan titik pusat klaster (centroid) awal merupakan kelemahan bagi K-Means karena sifatnya yang acak. Algoritma Hierarchical Clustering (HCC) Single Linkage pada penentuan titik pusat klaster (centroid) memiliki sifat yang konsisten dan kompleks. Dari 204 data dan variabel yang akan diolah, kedua algoritma tersebut akan mendapatkan klaster optimal data pada kelompok klaster C1 yaitu obat dengan pemakaian lambat dan klaster C2 yaitu obat dengan pemakaian cepat dan membandingkan nilai validitasnya. Hasil dari penelitian ini menunjukan bahwa algoritma HCC Single linkage mampu memberikan hasil yang terbaik dengan validitas Sillhoutte Index (SI) sebesar 0.8629 sedangkan algoritma K-Means mendapatkan nilai validitas SI sebesar 0.8414.
Word embedding vectorization is more efficient than Bag-of-Word in word vector size. Word embedding also overcomes the loss of information related to sentence context, word order, and semantic relationships between words in sentences. Several kinds of Word Embedding are often considered for sentiment analysis, such as Word2Vec and FastText. Fast Text works on N-Gram, while Word2Vec is based on the word. This research aims to compare the accuracy of the sentiment analysis model using Word2Vec and FastText. Both models are tested in the sentiment analysis of Indonesian hotel reviews using the dataset from TripAdvisor.Word2Vec and FastText use the Skip-gram model. Both methods use the same parameters: number of features, minimum word count, number of parallel threads, and the context window size. Those vectorizers are combined by ensemble learning: Random Forest, Extra Tree, and AdaBoost. The Decision Tree is used as a baseline for measuring the performance of both models. The results showed that both FastText and Word2Vec well-to-do increase accuracy on Random Forest and Extra Tree. FastText reached higher accuracy than Word2Vec when using Extra Tree and Random Forest as classifiers. FastText leverage accuracy 8% (baseline: Decision Tree 85%), it is proofed by the accuracy of 93%, with 100 estimators.
Pembangunan institusi pendidikan selama ini telah bertumbuh pesat sesuai dengan kebutuhan masyarakat dan menjadikan sebuah insitusi yang semakin komplek dengan kebutuhan fungsi operasional sistem layanan informasinya. Untuk menjalankan fungsinya, institusi pendidikan didukung oleh infrastruktur sistem layanan teknologi informasi yang sangat kompleks. Dalam penyelenggaraan fungsi operasional layanan tersebut, perguruan tinggi membutuhkan peran sistem teknologi informasi yang handal dalam keberlangsungan kegiatan kerjanya. Semua komponen teknologi informasi merupakan komponen yang rentan terhadap gangguan baik itu dari internal maupun eksternal, untuk itu dalam penyelenggaraan institusi pendidikan, perguruan tinggi dalam hal ini wajib memiliki rencana untuk menanggulangi segala gangguan maupun bencana. Dalam hal ini penanganan penanggulangan ganguan dan bencana memuat beberapa prosedur dan mekanisme tersendiri dalam pengamanan datanya. Disaster Recovery Plan (DRP) merupakan langkah tepat dalam membangun penanganan gangguan dan bencana terhadap infrastruktur sistem layanan teknologi informasi yang ada di perguruan tinggi. Penerapan untuk membangun penanganan bencana ini mengacu pada NIST SP 800-34 Rev.1 yang didalamnya terdapat beberapa tahapan penilaian resiko, menganalisa dampak bisnis, mengidentifikasi pencegahannya dan pengembangan strategi mitigasi. Hasil akhir dari penelitian ini adalah rancangan dokumen DRP berdasarkan NIST SP 800-34 Rev.1 yang disesuaikan dengan kondisi di perguruan tinggi
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.