Hasil Pencarian  ::  Simpan CSV :: Kembali

"Analisis sentimen merupakan proses memahami, mengekstrak dan mengolah data tekstual secara otomatis untuk mendapatkan informasi. Pada penelitian ini, analisis sentimen diterapkan pada media sosial, yaitu Twitter. Pada dasarnya analisis sentimen merupakan masalah klasifikasi. Support Vector Machine SVM adalah salah satu metode machine learning untuk menyelesaikan masalah klasifikasi. Pada pendekatan SVM model dibangun dengan data dari domain yang sama. Namun, ketika terjadi perubahan domain, maka model machine learning harus dibangun kembali dari awal dengan menggunakan data pelatihan yang baru. Data pelatihan yang baru membutuhkan proses pelabelan yang dilakukan secara manual. Dalam kasus ini, akan lebih efektif dan efisien jika dilakukan transfer learning agar dapat menggunakan data pelatihan dari domain yang sudah tersedia untuk menangani masalah klasifikasi pada domain yang berbeda. Data pelatihan dari sebuah domain digunakan untuk melakukan klasifikasi pada domain yang berbeda. Dalam penelitian masalah analisis sentimen untuk tweets berbahasa Indonesia ini, nilai akurasi transfer learning masih lebih rendah dari pada metode SVM tanpa transfer learning. Penggunaan fitur bi-gram dapat meningkatkan kinerja transfer learning.

---

Sentiment analysis is the process of understanding, extracting and processing textual data automatically to obtain information. In this experiment, sentiment analysis applied to social media, Twitter. Basically, sentiment analysis is a classification problem. Support Vector Machine SVM is one of machine learning method to solve two class classification problem. In the SVM approach the model is built with data from the same domain. However, when domain changes occur, the machine learning model must be rebuilt from scratch using new training data. New training data requires manual labeling process.

In this case, it would be more effective and efficient to transfer learning to use the training data from an already available domain to deal with classification problems on different domains. Training data from a domain will be used to classify on different domains. In the research problem of sentiment analysis for tweets in Bahasa, the value of transfer learning accuracy is still lower than the SVM method without transfer learning. Use of bi gram feature can improve the performance of transfer learning."

"ABSTRAKPerdagangan dan hubungan antar negara menyebabkan pertukaran mata uang antar negara atau lebih dikenal dengan forex atau foreign exchange. Pasar mata uang memiliki kapitalisasi yang sangat besar,sehingga perdagangan mata uang ini telah menjadi salah satu pilihan investasi. Meskipun investasi dalam pasar mata uang adalah investasi yang beresiko tinggi atau high risk, akan tetapi investasi ini juga menjanjikan hasil yang tinggi atau high return. Banyak faktor yang mempengaruhi pergerakan mata uang, salah satu faktor utamanya adalah berita fundamental. Berita fundamental adalah berita tentang kondisi perekonomian suatu negara.Kesuksesan dalam perdagangan mata uang, para pelaku perdagangan mata uang harus memiliki kemampuan dalam melakukan analisis pergerakan mata uang. Pedagang mata uang harus menguasai analisis teknis dan analisis fundamental dalam melakukan analisis pergerakan mata uang. Namun pada kenyataannya banyak pelaku perdagangan mata uang mengalami kerugian besar yang disebabkan perbedaan persepsi antara pasar mata uang dengan analisis teknis maupun analisis fundamental yang telah dilakukan. Hal ini disebabkan karena analisis teknis dan analisis fundamental yang dilakukan bersifat konvensional dengan beberapa periode waktu saja. Dan disamping itu pedagang mata uang belum menguasai emosi dalam melakukan transaksi perdagangan mata uang.Penelitian ini bertujuan membuat model pengambilan keputusan jual atau beli dengan menggunakan model data mining yang melibatkan data historis perdagangan masa lampu dan waktu dimana berita fundamental dikeluarkan oleh lembaga berwenang suatu negara. Dengan menggunakan data historis ini akan dibuatkan model data mining dalam pengambilan keputusan perdagangan tanpa melibatkan manusia. Metode data mining yang dipergunakan adalah Support Vector Machine (SVM) dalam melakukan klasifikasi dan pengenalan pola. SVM ini akan dipergunakan untuk mengambil keputusan jual atau beli berdasarkan indikator teknis dan waktu pengumuman berita fundamental dikeluarkan.

---

ABSTRACTTrade relations between the state and led to cross-border currency exchange or better known as foreign exchange. The currency market has a very large capitalization, so that currency trading has become one of the investment options. Although the investment in the currency market is a high risk investment, but these investments also promises high yield or high return. Many factors affect currency movements, one of the main factors is the fundamental news. Fundamental news is news about the condition of the economy of a country. Currency traders use fundamental news as an indicator to predict the economic conditions of a country and its effect on the country's currency.Success in currency trading, currency traders should have the ability to perform analysis of currency movements. Currency traders must master the technical analysis and fundamental analysis in the analysis of currency movements. But in fact many currency traders suffered huge losses due to the difference in perception between the currency markets with technical analysis and fundamental analysis has been done. This is due to the technical analysis and fundamental analysis is conventional with some periods of time. And besides that currency traders have not mastered the emotion in the transaction currency trading.This research aims to create a model of selling or buying decisions using data mining models that involve historical data and trading period of time where the fundamental news issued by the authority of a country. By using this historical data will be creating data mining models in decision making without human involvement. The data mining method used is the Support Vector Machine (SVM) to do classification and pattern recognition. SVM will be used to make a decision to sell or buy based on technical indicators and fundamental news announcements released time."

"Salah satu media sosial yang berkembang saat ini adalah twitter, twitter menjadi salah satu tempat bagi masyarakat untuk memberikan opini atau pendapat terhadap hal-hal yang menarik bagi masyarakat, sehingga opini-opini dan pendapat yang tertuang di dalam twitter dapat menjadi acuan bagi orang yang membutuhkan. Sehingga dibutuhkan metode otomatis untuk menganalisis hal tersebut yaitu dengan analisis sentiment sentiment analysis. Secara umum, masalah sentimen analisis merupakan suatu masalah klasifikasi, yaitu bagaimana mengklasifikasikan suatu data tekstual ke dalam kelas sentimen positif atau negatif. Salah satu metode klasifikasi yang dapat digunakan adalah Support vector machine SVM. Pada proses klasifikasi sentimen dari data tekstual, data tekstual tersebut umunya direpresentasikan dalam vektor dengan fitur atau dimensi berupa kata. Disamping fitur kata, saat ini ada metode untuk mendeteksi topik pada suatu data tekstual yaitu dengan Nonnegative Matrix Factorization NMF. Pada penelitian yang dianalisis adalah menggunakan fitur topik untuk analisis sentimen dengan cara menggabungkan metode Nonnegative Matrix Factorization NMF dan Support vector machine SVM . Nilai akurasi dari metode penggabungan ini menunjukkan hasil yang lebih baik.

---

One social media developed at this time is twitter, twitter became one of the places for the public to give opinions or views on matters of interest to the public, so that the opinions and views expressed in twitter can be a reference for people in need. So it takes an automatic method for analyzing it is by analysis of sentiment sentiment analysis. In general, sentiment analysis problem is a problem of classification., Namely how to classify a class of textual data into a positive or negative sentiment.

One method of classification that can be used is Support vector machine SVM. In the process of sentiment classification of textual data, textual data are generally represented by a vector with a feature or dimension in the form of words. Besides the features of the word, at this time there is a method for detecting a topic in a textual data that is with nonnegative Matrix Factorization NMF.

In the study are analyzed using the feature topic for sentiment analysis by combining methods nonnegative Matrix Factorization NMF and Support vector machine SVM. Rated accuracy of this incorporation method showed better results."

"Sistem pengenalan wajah telah banyak diaplikasikan dengan menggunakan berbagai metode, diantaranya: metode PCA, metode ICA, metode LDA, metode EP, metode EBGM, metode Kernel, metode 3-D Morphable, metode 3-D Face Recognition, metode Bayesian Framework, metode HMM, metode SVM, dan sebagainya. Pada penelitian ini digunakan metode Local Binary Pattern LBP untuk melakukan ekstraksi fitur citra wajah, serta metode SVM dan KNN untuk mengukur tingkat akurasi sistem pengenalan wajah. Data yang digunakan pada penelitian ini yaitu citra wajah 25 mahasiswa Matematika Universitas Indonesia, masing-masing individu diambil 10 citra wajah yang berbeda terdiri dari 5 citra wajah menggunakan kacamata dan 5 citra lainnya tidak menggunakan kacamata, serta diambil dari sudut yang berlainan. Berdasarkan pengujian yang telah dilakukan, metode KNN dengan memperoleh tingkat akurasi terbaik yaitu sebesar 96.20 pada iterasi 100 dan 90 data training. Hal ini menunjukkan metode KNN lebih baik dibandingkan dengan metode SVM yang hanya memperoleh tingkat akurasi sebesar 94.80 pada iterasi 100 dan 90 data training.

---

Face recognition has been widely applied using various methods, that is PCA, ICA, LDA, EP, EBGM, Kernel, 3 D Morphable, 3 D Face Recognition, Bayesian Framework, HMM, SVM, etc.

In this research, the Local Binary Pattern LBP method is used to perform feature extraction of a facial image, and to measure the accuracy level of face recognition used SVM and knn method. The data used in this research are face images of 25 mathematics students of University of Indonesia, each individual took 10 different facial images consisting of 5 face images are using glasses with 5 different angles and 5 other images aren 39 t using glasses that also taken from the same 5 different angles.

Based on the tests, KNN method with K 1 obtained the best accuracy of 96.20 at 100 iterations and 90 training data. This result shows the KNN method is better than the SVM method which only obtained 94.80 at 100 iterations and 90 of training data."

"Perkembangan teknologi dan digital juga meningkatkan kemudahan mengakses internet. Salah satu aspek kehidupan sehari-hari yang dipengaruhi oleh adopsi teknologi dan internet adalah bidang transaksi pembayaran. Transaksi pembayaran tidak dapat dipisahkan dari kehidupan sehari-hari. Pada saat ini dengan perkembangan teknologi, transaksi pembayaran dapat dilakukan dengan lebih praktis, mudah, aman dan nyaman. Teknologi ini disebut Teknologi Keuangan. Pembayaran mobile adalah layanan yang merupakan bagian dari teknologi keuangan. Aspek yang terkandung dalam pembayaran seluler adalah aplikasi, isi ulang, transfer, penarikan tunai, pembayaran online, dan pembayaran offline. Ketiga sumber ulasan yang digunakan yaitu Google Play Store, App Store, dan Twitter secara umum menunjukkan frekuensi aspek pada ulasan sama, namun tidak semua menunjukkan presentase sentiment yang sama. Tingkat akurasi model klasifikasi yang dihasilkan oleh semua ulasan untuk klasifikasi kombinasi unigram dan bigram menghasilkan tingkat akurasi yang lebih tinggi daripada hanya unigram. Penelitian ini diharapkan dapat bermanfaat bagi perusahaan sebagai bahan evaluasi untuk selalu meningkatkan kualitas layanannya dan juga bagi masyarakat sebagai bahan referensi pemilihan aplikasi mobile payment yang akan digunakan.

---

The development of technology and digital has also increased the ease of accessing the internet. One aspect of daily life that are affected by the adoption of technology and the internet is the field of payment transactions. Payment transactions are inseparable from everyday life. At this time with the development of technology, payment transactions can be done with the more practical, easy, safe and convenient. The technology is called Financial Technology. Mobile payment is a service that is part of financial technology. The aspects contained in the mobile payment are top up, transfers, cash withdrawals, online payment, and offline payments. The three review sources used, namely Google Play Store, App Store, and Twitter generally show the frequency of aspects in the same review, but not all show the same percentage of sentiment. The accuracy of the classification model produced by all the reviews for the classification of unigram and bigram combinations results in a higher level of accuracy than just unigram. This research is expected to be useful for the company as an evaluation material to always improve the quality of its services and also for the community as a reference material for selecting the mobile payment application that will be used."

"

Skripsi ini bertujuan mengembangkan model konsumsi bahan bakar dump truck menggunakan machine learning untuk mengoptimalkan efisiensi dan mengurangi biaya operasional pada tahapan hauling dalam industri pertambangan dan penggalian batubara. Tahapan hauling merupakan sumber biaya terbesar, terutama dalam pengoperasian dump truck, di mana pembelian bahan bakar menjadi faktor biaya yang paling signifikan. Penelitian ini menggunakan algoritma Linear Regression (LR), Random Forest (RF), dan Support Vector Machine (SVM) untuk membangun model konsumsi bahan bakar dump truck. Data historis konsumsi bahan bakar dump truck diambil dari 6 area penambangan Perusahaan Kontraktor Penambangan. Hasil penelitian menunjukkan bahwa algoritma Random Forest (RF) memberikan performa terbaik dengan R² sebesar 0,9004, MAE sebesar 0,1909, dan RMSE sebesar 0,3159, serta tingkat akurasi yang lebih tinggi dibandingkan dengan algoritma lainnya. Selanjutnya, penelitian menganalisis variabel input yang paling berpengaruh terhadap model konsumsi bahan bakar dump truck menggunakan teknik permutation feature importance. Hasilnya, variabel input yang paling berpengaruh adalah "accel_pos" atau percepatan atau perlambatan gerakan (acceleration) dump truck yang menunjukkan pentingnya perilaku dan gaya mengemudi dump truck dalam mempengaruhi efisiensi penggunaan bahan bakar.

---

This thesis aims to develop a dump truck fuel consumption model using machine learning to optimize efficiency and reduce operational costs at the hauling stage in the coal mining and quarrying industry. The hauling stages are the largest source of expenses, especially in the operation of dump trucks, where fuel purchases are the most significant cost factor. This research uses Linear Regression (LR), Random Forest (RF), and Support Vector Machine (SVM) algorithms to build a fuel consumption model for dump trucks. Historical data on dump truck fuel consumption was taken from 6 mining areas of the Mining Contractor Company. The results showed that the Random Forest (RF) algorithm provided the best performance with R² of 0.9004, MAE of 0.1909, and RMSE of 0.3159, as well as a higher accuracy rate compared to other algorithms. Furthermore, the researchers analysed the most influential input variables on the dump truck fuel consumption model using the permutation feature importance technique. As a result, the most influential input variable is "accel_pos" or the acceleration or deceleration of the dump truck, which shows the importance of the dump truck's driving behaviour and style in influencing the efficiency of fuel use."

"ABSTRAKA machine learning approach has been used in this work to categorize jewelry images into five different classes. This classification was achieved by using the convolutional neural network (CNN). The objective was to find different approaches that can be competent for the image classification and recognition. The images used in this work are drawn directly from the jewelry industries and companies. The first technique uses support vector machine along with the features that were extracted from the input images using AlexNet. The second method involves the use of Inception v3 model for performing the same. Upon experimenting, it was derived that both the approaches performed well, however, Inception v3 was found to be more successful by 0.9%. The Inception v3 was then further taken to train the dataset from scratch which resulted in better consistency."

"Pada tahun 2020, nilai customer satisfaction index (CSI) PT XYZ yang mempresentasi- kan kepuasan konsumen XYZ berjumlah 83.9. Angka ini gagal mencapai target PT XYZ di tahun tersebut yaitu 87, dan turun dari tahun sebelumnya yaitu 86,5 di tahun 2019. Berdasarkan pengambilan data, diketahui bahwa XYZ mengelola aduan konsumen hanya melalui Twitter. Dari ribuan tweet yang diterima akun resmi customer care PT XYZ (@XYZCares) tiap bulan di Twitter, diperkirakan hanya 1-2% yang dideteksi sebagai aduan dengan proses pengawasan manual. Penelitian ini merancang solusi dua langkah berupa implementasi social media listening dalam bentuk sentiment analysis dan topic modelling, untuk mengetahui isu dalam tweet aduan kepada XYZ. Dataset berupa kum- pulan tweet yang menyebutkan @XYZCares pada kurun waktu 1 Januari 2020 - 31 Desember 2020. Data di-scrape dari Twitter menggunakan script Python. Hasil evaluasi secara cross-validation menunjukkan akurasi rerata sentiment analysis dengan algoritme SVM lebih akurat (77%) untuk kasus ini dibandingkan algoritme RF (75%). Untuk task pemodelan topik, algoritme LDA menghasilkan klaster topik sejumlah 4 dengan rerata TPC sebesar 80%. Diketahui bahwa topik yang dominan adalah isu korupsi dan suap di badan PT XYZ. Dengan mempertimbangkan penemuan tersebut, saran yang dapat diberi- kan berdasarkan penelitian ini adalah memberhentikan staf yang diduga terlibat dalam isu-isu tersebut, serta menerapkan good corporate governance berupa aspek pengawasan dan pencegahan korupsi.

---

The customer satisfaction index (CSI) for the year 2020 is calculated at 83.9. This value fails to reach the company’s target for the year at 87 and is lower than the CSI value for 2019 at 86.5. Data acquired from the company shows that consumer complaints are ac- cepted and processed only through Twitter. It is estimated that of the thousands of tweets processed by PT XYZ’s official customer care account (@XYZCares) each month, only 1-2% of the tweets are considered complaints based on manual searching and classifica- tion. This research proposes a two-step solution by implementing social media listening in the form of sentiment analysis and topic modelling, to detect the most frequent issues addressed to XYZ. The dataset consists of tweets created from January 1st, 2020, to De- cember 31st, 2020 which mentioned @XYZCares. The tweets were scraped from Twitter using Python scripts. The results of cross-validation show that for the task of sentiment analysis, SVM is a more accurate algorithm on average (77%) compared to Random For- est (75%). For the following task of topic modelling, the LDA algorithm model produced 4 topic clusters with an average TPC of 80%. The most dominant topic detected relate to allegations of bribery and corruption within PT XYZ. Taking these finds into considera- tion, this research suggests that PT XYZ immediately dismiss all staff implicated in the aforementioned cases, as well as implementing good corporate governance in the form of tighter supervision and prevention of corrupt dealings."

"Universitas Kristen Krida Wacana (UKRIDA) adalah salah satu perguruan tinggi swasta di Indonesia. UKRIDA secara periodik mengikuti proses akreditasi dan klaster universitas. Salah satu poin penilaian adalah kelulusan tepat waktu. Sayangnya, potensi terjadinya mahasiswa terlambat lulus atau drop out masih menjadi tantangan bagi organisasi. Untuk dapat melakukan tindakan mitigasi dan menyusun strategi retensi, perlu dilakukan prediksi terhadap mahasiswa yang berpeluang drop out (DO) dan terlambat lulus menggunakan data informasi dasar akademik. Hal tersebut dilakukan untuk membantu proses pengecekan mahasiswa DO yang sebelumnya masih manual. Selain itu, faktor informasi dasar akademik apa saja yang memengaruhi hasil prediksinya. Model yang dibangun menggunakan algoritma-algoritma yang diantaranya Logistic Regression, Naïve Bayes, Support Vector Machine (SVM), Decision Tree, Random Forest, dan Gradient Boosting. Kontribusi praktis pada penelitian ini adalah UKRIDA dapat menggunakan hasil penelitian ini untuk diimplementasikan pada sistem sehingga dapat memudahkan Koordinator Pangkalan Data UKRIDA dalam melakukan pengecekan secara otomatis. Kontribusi Teoritis pada penelitian ini, diharapkan dapat memberikan rekomendasi untuk akademis dalam membangun aspek teoritis terkait deteksi mahasiswa DO dan terlambat lulus. Hasilnya data yang digunakan untuk mendeteksi mahasiswa DO berhasil mencapai 99,42% pada metric precision dan 98,58% pada average precision. Data yang digunakan untuk mendeteksi mahasiswa terlambat lulus berhasil mencapai 78,51% pada metric precision dan AUC 82,86%. Faktor-faktor yang memengaruhi mahasiswa DO adalah status bayar karena terdapat mahasiswa yang hutang terprediksi DO, IPK dengan rata-rata dibawah 2 diprediksi DO, jumlah ulang mata kuliah di atas 1, tidak KRS di atas 2. Namun pada deteksi mahasiswa terlambat lulus, faktor-faktor yang memengaruhi hal tersebut adalah terdapat data yang lebih dari 1 Tidak KRS dan 24 kali mengulang mata kuliah serta dengan status bayar Hutang.

---

Krida Wacana Christian University (UKRIDA) is one of the private universities in Indonesia. UKRIDA periodically follows the accreditation process and university clusters. One of the points of assessment is graduation on time. Unfortunately, the potential for students to graduate late or drop out is still a challenge for organizations. To be able to take mitigation actions and develop retention strategies, it is necessary to predict students who are likely to drop out (DO) and graduate late using basic academic information data. This was done to help the process of checking DO students which was previously still manual. In addition, what are the basic academic information factors that affect the prediction results. The model is built using algorithms including Logistic Regression, Naïve Bayes, Support Vector Machine (SVM), Decision Tree, Random Forest, and Gradient Boosting. A practical contribution to this research is that UKRIDA can use the results of this research to be implemented in the system so that it can make it easier for the UKRIDA Database Coordinator to check automatically. Theoretical contributions to this research are expected to provide recommendations for academics in developing theoretical aspects related to the detection of dropped out students and late graduation. As a result, the data used to detect DO students managed to reach 99.42% on metric precision and 98.58% on average precision. The data used to detect late graduating students managed to reach 78.51% on metric precision and 82.86% AUC. The factors that affect dropout students are paid status because there are students whose debt is predicted to drop out, GPA with an average of below 2 is predicted to drop out, the number of repeat courses is above 1, not KRS is above 2. What affects this is that there are data that are more than 1 No KRS and repeat courses 24 times as well as with Debt payment status."

"Dunia digital khususnya image processing berkembang seiring waktu berjalan dikarenakan kebutuhan masyarakat dan pentingnya keamanan sistem berbasis digital. Salah satu teknologi yang sangat mengalami kemajuan pesat adalah pengenalan wajah (face recognition) menggunakan artificial intelligence. Wajah seseorang yang sudah terdaftar di dalam database akan dikenali oleh sistem untuk keperluan validasi atau verifikasi. Di dalam penelitian ini dirancang sistem pengenalan wajah (face recognition) menggunakan algoritma machine learning dan Principal Component Analysis (PCA) sebagai pereduksi dimensi. Pengujian dilakukan dengan menggunakan beberapa metode, yakni: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K- NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) dan Convolutional Neural network (CNN). CNN berfokus pada layer dan tidak memerlukan reduksi dimensi, sehingga hasilnya lebih akurat. Model machine learning yang digunakan untuk classifier selain CNN adalah standar/default, sedangkan CNN menggunakan arsitektur LeNet-5, dengan dropout rate sebesar 0.25. Training dilakukan selama 60 epoch dengan loss function crosscategorical entropy, optimizer Adam, dan batch size sebesar 20. Data masukan adalah citra wajah berukuran 64 × 64 × 1 yang diperoleh dari dataset olivetti faces. Akurasi tertinggi metode PCA, SVM, maupun LR sebesar 91.25%, sementara akurasi terbaik CNN mencapai 98.75%. Selain akurasi, pemakaian confusion matrix dan classification report digunakan untuk menguji performa metode yang ada melalui evaluasi model klasifikasi.

---

The digital world, especially image processing, is evolving due to the needs of society and the importance of digital-based system security. One of the technologies that are rapidly progressing is face recognition using artificial intelligence. The system will recognize a person's face already registered in the database for validation or verification purposes. A face recognition system was designed using machine learning algorithms and Principal Component Analysis (PCA) as dimension reduction in this study. Testing is conducted using several methods: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K-NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) and Convolutional Neural network (CNN). CNN focuses on layers and does not require dimensional reduction to increase the accuracy of the result. The machine learning model used for classifiers other than CNN is standard/default settings, while CNN uses the LeNet-5 architecture, with a dropout rate of 0.25. The training was conducted for 60 epochs with loss function cross-categorical entropy, optimizer Adam, and batch size of 20. Input data is a 64 × 64 × 1 facial image obtained from the Olivetti faces database. The highest accuracy of PCA, SVM and LR methods was 91.25%, while CNN's best accuracy reached 98.75%. In addition to accuracy, the use of confusion matrix and classification report is used to test the performance of existing methods through the evaluation of classification models."