AbstrakSetiap hari server Twitter menerima data tweet dengan jumlah yang sangat besar, dengan demikian, kita dapat melakukan data mining yang digunakan untuk tujuan tertentu. Salah satunya adalah untuk visualisasi kemacetan lalu lintas di sebuah kota.Naive bayes classifier adalah pendekatan yang mengacu pada teorema Bayes, dengan mengkombinasikan pengetahuan sebelumnya dengan pengetahuan baru. Sehingga merupakan salah satu algoritma klasifikasi yang sederhana namun memiliki akurasi tinggi. Untuk itu, dalam penelitian ini akan membuktikan kemampuan naive bayes classifier untuk mengklasifikasikan tweet yang berisi informasi dari kemacetan lalu lintas di Bandung.Dari hasil uji coba, aplikasi menunjukan bahwa nilai akurasi terkecil 78% dihasilkan pada pengujian dengan sampel sebanyak 100 dan menghasilkan nilai akurasi tinggi 91,60% pada pengujian dengan sampel sebanyak 13106. Hasil pengujian dengan perangkat lunak Rapid Miner 5.1 diperoleh nilai akurasi terkecil 72% dengan sampel sebanyak 100 dan nilai akurasi tertinggi 93,58% dengan sampel 13106 untuk metode naive bayesian classification. Sedangkan untuk metode support vector machine diperoleh nilai akurasi terkecil 92% dengan sampel sebanyak 100 dan nilai akurasi tertinggi 99,11% dengan sampel sebanyak 13106. Kata kunci— Twitter, tweet, klasifikasi, naive bayesian classification, support vector machine AbstractEvery day the Twitter server receives data tweet with a very large number, thus, we can perform data mining to be used for specific purpose. One of which is for the visualization of traffic jam in a city.Naive bayes classifier is an approach that refers to the bayes theorem, is a combination of prior knowledge with new knowledge. So that is one of the classification algorithm is simple but has a high accuracy. With this, in this research will prove the ability naive bayes classifier to classify the tweet that contains information of traffic jam in Bandung.The testing result, the program shows that the smallest value of the accuracy is 78% on testing by using a sample 100 record and generate high accuracy is 91,60% on the testing by using a sample 13106 record. The testing results with Rapid Miner 5.1 software obtained the smallest value of the accuracy is 72% by using a sample 100 records and the high accuracy is 93.58% by using a sample 13.106 records for naive bayesian classification. And for the method of support vector machine obtained the smallest value is 92% accuracy by using a sample 100 records and the high accuracy of 99.11% by using a sample 13.106 records. Keywords—Twitter, tweet, classification, naive bayesian classification, support vector machine
Dalam berkomunikasi atau bertukar informasi didalam jaringan, tidak semua informasi bersifat publik. Tentunya dalam berkomunikasi bisa saja mengandung informasi yang bersifat pribadi atau rahasia sehingga tidak semua orang boleh mengetahuinya. Penelitian ini akan menggunakan tiga algoritma kriptografi, yaitu Diffie-Hellman, Message-Digest 5 dan Rivest Chiper 4. Dimana algoritma DH bertugas untuk menghasilkan kunci rahasia dari P, kunci publik dan kunci privat. Kemudian kunci rahasia yang dihasilkan algoritma DH tersebut dienkripsi menggunakan algoritma MD5, setelah kunci rahasia dienkripsi algoritma MD5,kunci tersebut digunakan sebagai kunci untuk mengenkripsi data teks didalam dokumen menggunakan algoritma RC4. Berdasarkan hasil penelitian didapatkan bahwa waktu yang dibutuhkan untuk dekripsi relatif sedikit lebih lama dibanding proses enkripsi selain itu salah satu faktor yang mempengaruhi waktu pemrosesan adalah ukuran dokumen itu sendiri
SILADDU or the Integrated Data Services Information System is an application to record data of the population of a village. This application is expected to help village officials in administering the settlement. In addition, the application is expected to become the reference in government programs such as direct assistance from the government in providing information about who will be given help, because this application helps classify the population data based on the level of economic ability, educational level, marital status, age, gender and others. This application is relatively new so attracted me as a researcher to examine the level of user satisfaction. Thus the researchers conducted this study in order to become one of the source application developers have to pay attention to the satisfaction of his application.
AbstrakSetiap hari server Twitter menerima data tweet dengan jumlah yang sangat besar, dengan demikian, kita dapat melakukan data mining yang digunakan untuk tujuan tertentu. Salah satunya adalah untuk visualisasi kemacetan lalu lintas di sebuah kota.Naive bayes classifier adalah pendekatan yang mengacu pada teorema Bayes, dengan mengkombinasikan pengetahuan sebelumnya dengan pengetahuan baru. Sehingga merupakan salah satu algoritma klasifikasi yang sederhana namun memiliki akurasi tinggi. Untuk itu, dalam penelitian ini akan membuktikan kemampuan naive bayes classifier untuk mengklasifikasikan tweet yang berisi informasi dari kemacetan lalu lintas di Bandung.Dari hasil uji coba, aplikasi menunjukan bahwa nilai akurasi terkecil 78% dihasilkan pada pengujian dengan sampel sebanyak 100 dan menghasilkan nilai akurasi tinggi 91,60% pada pengujian dengan sampel sebanyak 13106. Hasil pengujian dengan perangkat lunak Rapid Miner 5.1 diperoleh nilai akurasi terkecil 72% dengan sampel sebanyak 100 dan nilai akurasi tertinggi 93,58% dengan sampel 13106 untuk metode naive bayesian classification. Sedangkan untuk metode support vector machine diperoleh nilai akurasi terkecil 92% dengan sampel sebanyak 100 dan nilai akurasi tertinggi 99,11% dengan sampel sebanyak 13106. Kata kunci— Twitter, tweet, klasifikasi, naive bayesian classification, support vector machine AbstractEvery day the Twitter server receives data tweet with a very large number, thus, we can perform data mining to be used for specific purpose. One of which is for the visualization of traffic jam in a city.Naive bayes classifier is an approach that refers to the bayes theorem, is a combination of prior knowledge with new knowledge. So that is one of the classification algorithm is simple but has a high accuracy. With this, in this research will prove the ability naive bayes classifier to classify the tweet that contains information of traffic jam in Bandung.The testing result, the program shows that the smallest value of the accuracy is 78% on testing by using a sample 100 record and generate high accuracy is 91,60% on the testing by using a sample 13106 record. The testing results with Rapid Miner 5.1 software obtained the smallest value of the accuracy is 72% by using a sample 100 records and the high accuracy is 93.58% by using a sample 13.106 records for naive bayesian classification. And for the method of support vector machine obtained the smallest value is 92% accuracy by using a sample 100 records and the high accuracy of 99.11% by using a sample 13.106 records. Keywords—Twitter, tweet, classification, naive bayesian classification, support vector machine
Abstrak -Ujian Nasional (UN) adalah tahapan akhir seorang siswa dalam menyelesaikan studinya pada jenjang pendidikan formal yang sedang dijalani. Setiap tahunnya siswa berupaya mempersiapkan sebaik mungkin dalam menghadapi ujian tersebut. Untuk membantu persiapan siswa dalam menghadapi ujian nasional, umumnya sekolah membuat kegiatan program jam tambahan. Pada kegiatan ini, biasanya dilakukan pembahasan soal ujian tahun-tahun sebelumnya. Dengan demikian, guru memerlukan teknik pemilihan pembahasan soal yang perlu diberikan untuk efisien waktu. Algoritma apriori digunakan untuk analisis ekstraksi pola kesalahan jawaban siswa. Hasil yang didapat dari penelitian ini adalah teknik ekstraksi pola kesalahan jawaban siswa. Pola yang dimaksud adalah hubungan soal kesalahan suatu soal dengan soal yang lain sehingga guru bisa fokus memberikan tambahan materi pada soal-soal yang masih dijawab salah oleh siswa.. Kata kunci -ujian nasional, kesalahan jawaban, ekstraksi pola, apriori, jawaban siswa Abstract -Ujian Nasional (UN) is the final stage of a student in completing his studies at formal education level. Each year students prepare for the exam. To assist the preparation of students in facing the UN, schools generally make extra hour lessons. In this activity, usually the discussion about the test of the previous years. Teachers need the technique of choosing the discussion of the problem that need to be given for time efficiency. Apriori Algorithm is used for the analysis of the student's error response pattern. The result of this research is the technique of wrong answer pattern. The pattern in question is the relationship between wrong answer with another, so that teachers can focus on providing additional material on the questions that are still answered wrong by students.Keywords -ujian nasional (national exam), wrong answer, pattern extraction, apriori, student answer I. PENDAHULUAN Sejak munculnya Ujian Nasional pada tahun 2001/2002 (Ujian Akhir Nasional) yang kemudian diperkuat dengan adanya peraturan pemerintah Republik Indonesia Nomor 19 tahun 2005, tampaknya UN tidak terlepas dari pro dan kontra. Saat ini ujian nasional dilaksanakan dalam rangka pemetaan mutu program satuan pendidikan, dasar seleksi masuk jenjang pendidikan selanjutnya, penentuan kelulusan dan sebagai dasar pemberian bantuan dan binaan dalam rangka peningkatan mutu pendidikan. Berbagai upaya dilakukan oleh pihak sekolah untuk membekali siswa dalam menghadapi ujian nasional diantaranya dilakukan program jam belajar tambahan yang diisi dengan pembahasan soal ujian tahun-tahun sebelumnya. Pemberian jam pelajaran tambahan yang masih memiliki keterbatasan, diantaranya adalah keterbatasan waktu karena kebanyakan dilakukan hanya beberapa bulan menjelang ujian nasional. Sehingga guru memerlukan suatu teknik untuk memilih pembahasan soal yang perlu diberikan kepada siswa dan yang tidak perlu diberikan kepada siswa.Algoritma apriori digunakan untuk mengekstrak pola hubungan satu data dengan data yang lain yang dalam hal ini hubungan antara satu soal de...
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.