PT PLN (Persero) mengembangkan aplikasi PLN Mobile untuk menyediakan layanan kelistrikan melalui aplikasi mobile. Ulasan di Google Play Store diberi peringkat dari 1 hingga 5, tetapi pengguna sering memberikan peringkat yang tidak sesuai dengan ulasan mereka, jadi ini tidak cukup menggambarkan kualitas aplikasi. Aplikasi PLN Mobile berisi begitu banyak ulasan atau data ulasan yang membaca semuanya akan sulit dan memakan waktu. Sistem klasifikasi digunakan untuk mengukur sentimen publik. Analisis sentimen dilakukan terhadap 1000 sampel review yang dikumpulkan melalui PLN Mobile App antara Januari hingga Juni 2022. Langkah-langkah dalam penelitian ini dilakukan dengan meninjau teknik pengumpulan data seperti web scraping, machine translation, data labeling, text preprocessing, TF-IDF , klasifikasi teks, dan evaluasi model. Hasil untuk pendekatan klasifikasi teks berbasis Lexicon, yang akan menggunakan pendekatan berbasis kamus Vader Lexicon, adalah 489 sentimen positif, 145 sentimen negatif, dan 366 netral. Berdasarkan hasil perbandingan kelas positif, netral, dan negatif terhadap 1000 sampel data dari Vader Lexicon, kelas positif mendapat rating 67%, kelas netral mendapat rating 6%, dan kelas negatif mendapat rating. dari 27%. Metode Naive Bayes juga digunakan dalam proses klasifikasi. Untuk distribusi data uji dan data latih, penulis menggunakan rasio data split 90:10. Proses evaluasi matriks konfusi memiliki tingkat akurasi 70%.
Eye disease today is no longer a rare disease suffered by humans. Many symptoms encountered makes people become confused if the types of eye diseases from which they suffer. Type of eye disease that often affects people of Indonesia according to the Ministry of Health is conjunctivitis, Pterygium, Cataract and Glaucoma. It's no secret if in a meeting with the ophthalmologist will cost not less. Expert systems are computer-based systems that use knowledge, facts and reasoning techniques in solving problems that normally can only be solved by an expert in the field. Forward chaining inference engine used in this study to chronicling the symptoms are inconclusive, then the certainty factor method so that we can determine what percentage of the disease in the suffering of patients through the results of the count in the method. Application web-based expert system created to provide information to people with eye disease illness is entered in accordance with the symptoms.
<span>Automatic meter reading (AMR) is a reading system result the measurement of electrical energy consumen, both locally and remotely. The problems faced is the high non-technical shrinkage of AMR customers due to installation, maintenance errors as well as dishonest actions some consumers, this has a major influence on electrical power losses. PT. PLN Disjaya currently faces difficulties having to choose which customers should be checked first, so the field can only find a little damage. The K-means method based on historical electric power usage and determine the most optimal number of groups the davies-bouldin index (DBI) method. Based on the results of testing with 2-6 sets of clusters, the cluster set results are the most optimal is set cluster 4 because it has the smallest DBI value 0.893. The set of 4 clusters has the best performance in data grouping of historical power usage of AMR customers the business class, each centroid of each cluster is used as an attribute and value of the AMR customer power usage business chart. The testing phase is customers who categorized as customers with un-normal usage electricity power. The test is, by determining the distance data testing each centroid in the cluster 4 set.</span>
Automatic Meter Reading (AMR) adalah sistem pembacaan atau pengambilan data hasil pengukuran energi listrik pada konsumen, baik secara lokal maupun jarak jauh. Salah satu fungsi sistem ini adalah untuk menghitung kerugian atau penyusutan distribusi. Salah satu masalah yang dihadapi oleh PLN adalah penyusutan non-teknis yang tinggi dari pelanggan AMR potensial karena kesalahan pemasangan dan pemeliharaan serta tindakan tidak jujur yang dilakukan oleh beberapa konsumen, ini memiliki pengaruh besar pada kerugian daya listrik. PT. PLN Disjaya saat ini memiliki 34.000 pelanggan dan menghadapi kesulitan dalam memilih pelanggan mana yang harus diperiksa terlebih dahulu, karena jumlah personel di lapangan sekitar 5 orang, sehingga petugas yang melakukan sweep di lapangan hanya dapat menemukan sedikit kerusakan. Ini memotivasi penulis untuk melakukan pengelompokan yang dapat digunakan untuk memfasilitasi analisis dan evaluasi data. Metode K-Means digunakan dalam penelitian ini untuk mengelompokkan data berdasarkan riwayat penggunaan daya listrik dan untuk menentukan jumlah kelompok yang paling optimal digunakan metode Davies-Bouldin Index (DBI). Berdasarkan hasil pengujian dengan 2-6 set cluster, hasil set cluster yang paling optimal adalah set cluster 4 karena memiliki nilai DBI terkecil, yaitu 0,893, yang berarti set cluster 4 memiliki kepadatan masing-masing objek dengan centroid terbaik dan jarak antar cluster juga dipisahkan dengan baik. Cluster 1 memiliki 12 anggota, klaster 2: 54 anggota, klaster 3: 34 anggota dan klaster 4: 3 anggota. Himpunan 4 cluster memiliki kinerja terbaik dalam pengelompokan data tentang penggunaan daya historis pelanggan AMR (Automatic Meter Reading) di kelas bisnis, setiap titik pusat atau titik pusat dari masing-masing cluster digunakan sebagai atribut dan nilai penggunaan daya pelanggan AMR bagan bisnis di PT. PLN (Persero) Distribusi Jakarta Raya. Tahap pengujian yang diuji adalah data 3 pelanggan yang dikategorikan sebagai pelanggan dengan daya listrik penggunaan tidak normal. Pengujiannya adalah, dengan menentukan jarak dari masing-masing objek pengujian data ke setiap centroid dalam kelompok 4 set. Diharapkan bahwa sistem ini dapat digunakan oleh petugas karyawan di sektor Distribusi, Efisiensi, Pengukuran dan Kualitas Sub Sistem Sistem Distribusi untuk menetapkan target operasi P2TL di kantor distribusi PT. PLN (Pesero) Distribusi Jakarta Rayatau kehilangan listrik adalah salah satu hasil dari penerapan sistem pembacaan daya listrik historis, AMR (Automatic Meter Reading). Salah satu jenis kerugian yang memberi dampak besar terhadap kerugian listrik adalah kerugian Non-Teknis. Saat ini untuk mendeteksi kerugian itu sendiri, petugas masih memeriksa data secara langsung dari setiap pelanggan yang masuk untuk menganalisis dan mengevaluasi data. Terkait hal ini, diperlukan suatu sistem untuk memudahkan analisis dan evaluasi data. Metode K-Means digunakan dalam penelitian ini untuk mengelompokkan data berdasarkan riwayat penggunaan daya listrik dan untuk menentukan jumlah kelompok yang paling optimal digunakan metode Davies-Bouldin Index (DBI). Berdasarkan hasil pengujian aplikasi dengan 2-6 set cluster, hasil set cluster yang paling optimal adalah set cluster 4 karena memiliki nilai DBI terkecil, yaitu 0,893, yang berarti set cluster 4 memiliki kepadatan setiap objek dengan centroid terbaik dan jarak antara cluster juga dipisahkan dengan baik. Cluster 1 memiliki 12 anggota, klaster 2: 54 anggota, klaster 3: 34 anggota dan klaster 4: 3 anggota. Himpunan 4 cluster memiliki kinerja terbaik dalam pengelompokan data tentang penggunaan daya historis pelanggan AMR (Automatic Meter Reading) di kelas bisnis, setiap titik pusat atau titik pusat dari masing-masing cluster digunakan sebagai atribut dan nilai penggunaan daya pelanggan AMR grafik bisnis di PT. PLN (Persero) Distribusi Jakarta Raya. Tahap pengujian yang diuji adalah data 3 pelanggan yang dikategorikan sebagai pelanggan dengan daya listrik penggunaan tidak normal. Pengujiannya adalah, dengan menentukan jarak dari masing-masing objek pengujian data ke setiap centroid dalam kelompok 4 set. Diharapkan aplikasi ini dapat digunakan oleh petugas karyawan di sektor Distribusi, Efisiensi, Pengukuran dan Kualitas Sub Sistem Sistem Distribusi untuk menetapkan target operasi P2TL di kantor distribusi PT. PLN (Pesero) Distribusi Jakarta Raya.
The application of customer disturbance message classifiers is made because of the process of reporting the interruption by the customer must be done by selection of data disorders by one by the admin to be able to follow-up from the existing customer reports. Naive Bayes is one of machine learning methods that uses probability calculations where the algorithm takes advantage of probability and statistical methods that predict future probabilities based on past experience. The application of the naive bayes classifier method with text mining as the initial data processor of the disorder messaging application can be concluded that this study yields an accuracy of probability values of 95 percent and proves that the Naive Bayes method can be used to help classify interference messages sent by customers. ABSTRAKAplikasi pengklasifikasi pesan gangguan pelanggan dibuat karena pada proses pengaduan gangguan oleh pelanggan haruslah dilakukan penyeleksian data gangguan satu persatu oleh admin untuk bisa melakukan tindak lanjut dari laporan pelanggan yang ada. Naive bayes merupakan salah satu metode machine learning yang menggunakan perhitungan probabilitas dimana algoritma ini memanfaatkan metode probabilitas dan statistik yang memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. Penerapan metode naive bayes classifier dengan text mining sebagai pemroses data awal dari aplikasi pengklasifikasian pesan gangguan dapat disimpulkan bahwa penelitian ini menghasilkan akurasi dari nilai probabilitas sebesar 95% dan membuktikan bahwa metode Naive bayes dapat digunakan untuk membantu mengklasifikasikan pesan gangguan yang dikirimkan oleh pelanggan.
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.