Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data akademik di Sistem Informasi Akademik Universitas Indonesia (SIAK UI) saat ini belum dapat dimanfaatkan secara maksimal untuk keperluan analisis, karena data tersebut dirancang untuk menghindari data redundancy yang menghasilkan banyak tabel, yang membutuhkan proses join untuk menganalisis data dari berbagai sudut pandang. Karena itu dibutuhkan perancangan terhadap data SIAK, agar data tersebut mempunyai bentuk yang menggambarkan entitas akademik dari berbagai sudut pandang, yang mudah dianalisis. Perancangan itu menghasilkan data warehouse, yang mempunyai definisi salinan data transaksi yang dirancang khusus, sehingga bersifat subject-oriented, terintegrasi, non-volatile, dan time variant, untuk mendukung kebutuhan query, analisis kompleks, penemuan knowledge dan pengambilan keputusan dari pihak manajemen. Perancangan tersebut dilakukan dalam tiga tahap, yaitu tahap data source, data staging, dan data target. Perancangan tersebut menggunakan data model dimensional model yang diimplementasikan dengan menggunakan Oracle Warehouse Builder sebagai tools. Perancangan data warehouse terhadap data SIAK, dengan menggunakan Oracle Warehouse Builder, dilakukan berdasarkan pada laporan kebutuhan Fakultas Ilmu Komputer Universitas Indonesia (Fasilkom UI). Perancangan yang dilakukan dimulai dari perancangan proses import ke modul SIAK Source pada Oracle Warehouse Builder, perancangan pemetaan dari tahap sumber ke tahap staging, dan perancangan pemetaan dari tahap staging ke target. Berdasarkan tahapan dan kebutuhan tersebut, dirancang dua buah cubes Enrollment dan Academic Record. Selanjutnya dilakukan implementasi dengan menggunakan Oracle Warehouse Builder, dimulai dari instalasi Warehouse Builder, konfigurasi perancangan pada Warehouse Builder, dan implementasi rancangan dengan OWB. Ada tiga langkah instalasi yang harus dilakukan setelah OWB di-install untuk menjalankan Oracle Warehouse Builder, yaitu instalasi Design Repository menggunakan Repository Assistant, instalasi Runtime Repository menggunakan Runtime Assistant, dan instalasi Target Schema. Konfigurasi perancangan dengan OWB terdiri dari memberikan akses Design Client dan mempersiapkan proses perancangan pada OWB. Beberapa hambatan dalam proses implementasi, iii antara lain eksekusi dari proses mapping terhadap sebuah tabel harus dilakukan secara manual, koneksi dari warehouse builder ke basis data tidak dapat dilakukan dari warehouse builder, dan dokumentasi dari warehouse builder yang masih sangat minim sekali. Implementasi dari data warehouse tersebut diuji konsistensi datanya untuk membuktikan bahwa isi dari data transaksi akan konsisten pada setiap tahap pengembangan. Pengujian dilakukan terhadap tahap sumber ke tahap staging dan tahap staging ke tahap target dan membandingkan hasil pemetaan query dengan hasil pemetaan pada Oracle Warehouse Builder. Pengujian ini berhasil membuktikan bahwa data yang dihasilkan tetap konsisten. Kesimpulan yang dapat diambil ialah: tugas akhir ini berhasil melakukan implementasi data warehouse SIAK UI dengan menggunakan Oracle Warehouse Builder, yang memudahkan implementasi ini. Implementasi data warehouse yang dilakukan secara bertahap membuat perubahan data pada sumber data tidak memerlukan perubahan perancangan seluruhnya. Selain itu, Oracle Warehouse Builder merupakan tools yang menjaga konsistensi data, sekalipun tidak mendukung proses update untuk setiap pemetaan, yang menghasilkan satu tabel saja untuk setiap pemetaan. Ketidakberhasilan implementasi terhadap Dosen dimension disebabkan karena keterbatasan tabel SIAK yang tidak menjelaskan mengenai dosen pengajar mata kuliah."

"Automated test adalah otomatisasi dari aktivitas software testing menggunakan testing tool. Namun, pada kenyataannya, testing tool untuk melakukan automated test masih memiliki kekurangan. Berdasarkan wawancara dengan Tim Research and Development (Tim RnD) PT. Global Digital Niaga (Blibli), automated test pada Blibli dieksekusi secara berkala dengan bantuan automation server sehingga menghasilkan report yang terpisah-pisah. Hal tersebut disebabkan testing tool membuat satu report setiap kali test cases dieksekusi. Berdasarkan masalah tersebut, tim pengembang merealisasikan project “Error Book”, sebuah dashboard automated test error. Error Book memanfaatkan custom maven plugin dan Elastic Stack untuk mengelola data dari automated test secara real-time sehingga dapat disajikan pada aplikasi front-end dashboard. Dengan Error Book, Tim RnD akan lebih mudah untuk mendapatkan informasi mengenai error yang terjadi pada automated test secara keseluruhan. Informasi tersebut akan menjadi acuan untuk melakukan improvement. QA engineer akan lebih mudah mengidentifikasi error yang sering terjadi pada automated test milik divisinya sehingga perbaikan preventif dan represif untuk error tersebut dapat dilakukan dengan cepat. Tim pengembang telah melakukan user acceptance testing (UAT) kepada Tim RnD Blibli, QA engineer Blibli, dan QA engineer perusahaan lain.

---

Automated test is the automation of software testing activities using testing tools. However, in reality, testing tools to perform automated tests still have drawbacks. Based on interviews with the Research and Development Team (RnD Team) at PT. Global Digital Niaga (Blibli), automated tests at Blibli are executed periodically with the help of an automation server. Hence, it generates separate reports. This is because the testing tool creates one report each time a test case is executed. Based on this problem, we develop the “Error Book” project, an automated test error dashboard. Error Book utilizes a custom maven plugin and Elastic Stack to manage data from automated tests in real-time so that it can be presented in front-end dashboard application. With Error Book, the RnD team can get information about errors that occur in the automated test as a whole easier. This information will serve as a reference for making improvements. QA engineers can easily identify errors that often occur in their division's automated tests so that preventive and repressive repairs for these errors can be carried out quickly. We have carried out user acceptance testing (UAT) to Blibli RnD team, QA engineers at Blibli, and QA engineers at other companies."

"Indonesia merupakan negara yang cukup aktif terlibat dalam berbagai forum kerjasama internasional. Salah satunya adalah dengan mengikuti South-South and Triangular Cooperation (SSTC), yakni sebuah kerangka kerjasama di bidang politik, ekonomi, sosial, budaya dan teknis yang diikuti oleh minimal dua negara berkembang (atau lebih) dan satu negara maju. Guna mendukung program SSTC tersebut, pemerintah kemudian membentuk National Coordination Team on SSTC Government of Indonesia (NCT). Dalam implementasinya, National Coordination Team on SSTC hingga kini belum menampakkan hasil memuaskan karena kurangnya koordinasi antar Kementerian yang ada di dalamnya. Alhasil program kerjasama yang ada selama ini masih bersifat terpisah, tidak berkelanjutan dan belum menunjukkan dampak optimal / signifikan bagi kemajuan Indonesia. Salah satu cara dalam mempermudah koordinasi di dalam NCT adalah membuat suatu sistem informasi terintegrasi untuk men-support/mendukung proses kerjasama. Penelitian ini berusaha untuk merancang software sistem informasi yang terintegrasi guna mendukung program SSTC (South-South and Triangular Cooperation) di Indonesia dengan menggunakan RUP (Rational Unified Process). Hasil penelitian akan disajikan dalam bentuk draft spesifikasi sistem yang siap menjadi desain awal sebuah software. Diharapkan dengan pengimplementasian software sistem informasi ini, program-program kerjasama yang dilakukan Indonesia dapat saling terintegrasi, berkelanjutan dan membawa dampak optimal bagi kemajuan bangsa.

---

In international society, Indonesia is one of the country that quite active involved in international cooperation forums. One of them is South-South and Triangular Cooperation (SSTC), a new cooperation framework in political, economic, social, cultural and technical area between at least 2 (or more) developing countries and one developed country. In order to support this program (SSTC), Government of Indonesia formed National Coordination Team on SSTC. In its implementation, the National Coordination Team on SSTC have not shown satisfactory results due to the lack of coordination among the Ministry in it. As a result the cooperation programs that exist today mostly not connected each other, not sustainable, and not demonstrated maximum impact for Indonesia.

One of the ways to make coordination in NCT easier is create an integrated information system that supports all of cooperation process. This research try to design an integrated information system software that can support SSTC program in Indonesia, using RUP (Rational Unified Process) theory.

The results of this research will be presented as a draft of system specification, and ready to use as an initial design of a software. With the implementation of integrated information system software, we expect that all cooperation programs which conducted by Indonesia can connected each other, sustainable, and bring maximum impact for Indonesian progress. "

"Laporan ini merupakan hasil proyek mahasiswa yang telah dilaksanakan penulis dengan topik ?Pengembangan Online Analytical Processing (OLAP) berbasis Oracle 10g untuk Sistem Informasi Akademik?. Latar belakang pengembangan proyek ini adalah diperlukannya suatu sistem yang dapat digunakan untuk melakukan analisis terhadap data akademik, dimana pihak manajemen dapat melakukan konfigurasi untuk menghasilkan laporan-laporan yang sesuai dengan kebutuhannya masing-masing.Proyek ini dilaksanakan dengan menggunakan tools OLAP Oracle yakni Analytic Workspace Manager dan Oracle Discoverer. Analytic Workspace Manager merupakan tools yang berguna untuk membuat Analytic Workspace yaitu objek penyimpanan data multidimensi pada basis data Oracle. Oracle Discoverer merupakan tools yang dapat digunakan untuk membantu pengguna memperoleh informasi langsung dari basis data, baik relational data maupun data multidimensi.Hasil dari proyek mahasiswa ini berupa sistem pelaporan SIAK untuk manajemen fakultas. Sistem pelaporan dapat diakses dengan menggunakan web browser. Dengan laporan tersebut, pihak manajemen dapat melakukan analisis terhadap data akademik"

"Industri telekomunikasi Indonesia saat ini sedang berada pada tahap pertumbuhan yang sangat pesat seiring dengan berkembangnya teknologi informasi yang terkait dengan telekomunikasi. Di tengah persaingan industri ini yang sangat ketat, strategi untuk mempertahankan pelanggan untuk tetap loyal menggunakan layanan lebih baik daripada strategi untuk mengakuisisi pelanggan baru (Yeshwanth, Raj, & Saravanan, 2011). Oleh sebab itu, PT XL Axiata Tbk (XL) menjalankan kegiatan churn retention dalam upaya menjaga pelanggan mereka untuk tetap setia. Namun demikian, tingkat churn pelanggan di lima bulan terakhir pada tahun 2012 tidak mencapai KPI yang telah ditetapkan. Salah satu penyebabnya adalah rendahnya akurasi dari model yang digunakan untuk memprediksi pelanggan yang akan churn. Penambahan variabel-variabel baru yang lebih relevan dapat meningkatkan akurasi dari model. Penelitian terdahulu seperti yang dilakukan oleh S. Rossett & E. Neumann (2012) dengan memperhitungkan customer value, dan penelitian yang dilakukan oleh W. Gruszczynski & P. Arabas (2011) yang memasukan variabel social network ke dalam model, terbukti dapat meningkatkan akurasi dari churn model. Hasil kegiatan modeling dalam penelitian ini menghasilkan churn model baru untuk pelanggan low value dengan menambahkan variabel social network, dan churn model baru untuk pelanggan high value tanpa menambahkan variabel social network.

---

Currently, telecommunication industry in Indonesia growing fastly, inline with the growth of information technology related to telecommunications. It is always better to retain a customer than having to find a new customer in the present competitive environment (Yeshwanth, Raj, & Saravanan, 2011). To align with that, PT XL Axiata Tbk (XL) do churn retention to keep their subscriber. But in last five months of 2012, subscriber churn rate is higher than targeted. One of the reason for this is accuracy of churn prediction model getting worst. Addition of relevan variable can increase model accuracy.

In the previous research, S. Rossett & E. Neumann (2012) proving that customer value variable can improve their churn prediction model. W. Gruszczynski & P. Arabas (2011) also tried to improve their churn model by adding some variable related to social network. This research produce new and better churn model comparing to previous XL’s churn model. This new model predicting churn for low value subscriber and high value subscriber with different model. Also, the social network variable included in the new churn model. "

"Perkembangan implementasi teknologi informasi dan komunikasi TIK di bidang kepemerintahan saat ini semakin meningkat pesat baik untuk peningkatan kinerja internal organisasi maupun untuk peningkatan kualitas layanan publik Kementerian Keuangan merupakan salah satu lembaga pemerintah yang melakukan banyak perbaikan dalam penerapan TIK untuk mendukung pencapaian pengelolaan keuangan yang kredibel dan akuntabel Untuk mendukung hal tersebut Pusat Sistem Informasi dan Teknologi Keuangan Pusintek yang merupakan unit TIK pusat di lingkungan Kementerian Keuangan melakukan banyak proyek TIK Penelitian ini dilakukan untuk mengevaluasi dan menganalisis tingkat kematangan pelaksanaan manajemen proyek di Pusintek Kementerian Keuangan Model kematangan yang digunakan adalah Project Management Maturity Model PMMM yang disesuaikan dengan Project Management Body of Knowledge PMBoK Hasil dari penelitian ini menunjukkan bahwa tingkat kematangan manajemen proyek di Pusintek Kementerian Keuangan adalah tingkat 2 Hal ini menunjukkan bahwa Pusintek telah memiliki kebijakan dan standar dalam pelaksanaan manajemen proyek Namun berdasarkan pemeriksaan dan observasi dokumen yang dilakukan penelitian ini pelaksanaan manajemen proyek belum sepenuhnya mengacu pada kebijakan tersebut Menurut PMMM tingkat 2 menunjukkan belum adanya konsistensi dalam pemahaman dan pelaksanaan manajemen proyek Penelitian ini juga memberikan beberapa rekomendasi yang dapat dilakukan oleh Pusintek Kementerian Keuangan untuk dapat mencapai kematangan tingkat 3 Rekomendasi mencakup beberapa aspek yaitu aspek kebijakan yang terdiri dari melakukan sosialisasi kebijakan dan menyusun beberapa prosedur yang dibutuhkan aspek sumber daya manusia yang terdiri dari memberikan pelatihan manajemen proyek evaluasi manajemen proyek dan manajemen program serta melakukan evaluasi dan pengukuran kinerja tim proyek serta aspek teknologi yang terdiri dari pemanfaatan tools atau sistem manajemen proyek.

---

The implementation of information and communication technology ICT in government today is growing rapidly both to improve the internal performance of the organization and to improve the quality of public services The Ministry of Finance is one of the government agencies that make a lot of improvements in the implementation of ICT to encourage the achievement of credible and accountable financial management To support this Pusat Sistem Informasi dan Teknologi Keuangan Pusintek which is the IT department of the Ministry of Finance did a lot of ICT projectsThis study was conducted to evaluate and analyze the maturity level of project management implementation in Pusintek Ministry of Finance Maturity model used is Project Management Maturity Model PMMM which is adapted to the Project Management Body of Knowledge PMBOK The result of this study indicates that the project management maturity level in Pusintek Ministry of Finance is level 2 It means that Pusintek already have policies and standards in the implementation of project management However based on the evaluation and documents observation conducted by this study the implementation of project management have not been fully based on the policies According to PMMM level 2 shows the lack of consistency in the understanding and implementation of project management This study also provides some recommendations that can be done by Pusintek to achieve the maturity level 3 The recommendations are grouped into three aspects policy by disseminating the policy and developing the necessary procedures human resource by providing project management project management evaluation and management program training and evaluating and measuring the performance of the project team and technology by more using the project management tools and systems Keywords Project Management Maturity Level PMMM PMBOK."

"[ABSTRAKPT. XYZ merupakan perusahaan telekomunikasi di Indonesia yang sedangberusaha mentransformasikan bisnisnya menuju layanan broadband dan bisnisdigital. Banyak peluang bisnis di layanan broadband dan bisnis digital yang dapatdiidentifikasi dengan memproses dan menganalisis data dengan cepat, tepat, danmenyeluruh. Saat ini PT. XYZ telah memiliki kemampuan dalam mengolahbeberapa sumber data yang terstruktur dengan ukuran data yang terbatas. Untukmembuat perhitungan dan keputusan yang jitu, terutama di layanan broadband danbisnis digital, PT. XYZ dituntut juga untuk bisa memproses dan menganalisis datayang memiliki karakteristik 3V (Velocity, Volume, Variety) atau dikenal dengan bigdata. Penelitian ini bertujuan untuk merancang arsitektur sistem pemrosesan bigdata di PT. XYZ. Kerangka arsitektur (framework) enteprise yang digunakan dalampenelitian ini adalah TOGAF. Hasil yang diperoleh dari penelitian ini adalahrancangan arsitektur sistem pemrosesan big data yang mampu mengolah data yangmemiliki karakteristik 3V, yaitu aliran data yang cepat, berukuran masiv, danberanekaragam (terstruktur maupun tidak terstruktur) dengan biaya lebih rendahdari sistem pemrosesan data yang dimiliki PT. XYZ saat ini. Saran untuk penelitianini kedepannya adalah sistem pemrosesan big data di PT. XYZ dapatdiimplementasikan dengan baik jika mendapat dukungan penuh dari manajemenperusahaan, dimulai dengan kasus bisnis yang spesifik (specific business case) yangingin disasar. Hasil yang maksimal dari kasus bisnis tersebut dapat dijadikanlandasan untuk investasi sistem pemrosesan big data yang lebih menyeluruh dalammendukung transformasi bisnis menuju layanan broadband dan bisnis digital.

---

ABSTRACTPT. XYZ is a telecommunication company in Indonesia which is transforming it's business to broadband services & digital business. Many business opportunities in broadband services & digital business can be identified by processing and analyzing data quickly, accurately, and completely. Right now PT. XYZ has the capability in processing some structured data sources with limited data size. To make accurate calculations and decisions, especially in broadband services and digital business, PT. XYZ also required to be able to process and analyze the data that has the characteristics of 3V (Velocity, Volume, Variety) or known as big data. This research aims to design the architecture of big data processing system. The enterprise architecture framework used in this study is TOGAF. The results obtained from this study is the design of big data processing system architecture that is capable of processing data which has the characteristics of 3V (the fast dataflow, massive data size, and diverse structured or unstructured data sources) at a lower cost than the current data processing system in PT. XYZ. The suggestion about this study is the big data processing system can be implemented properly in PT. XYZ with the full support of the PT. XYZ management, started with a specific business use case that want targeted. The maximum results from the business use case can be used as a piloting for big data processing system investments morethorough in supporting business transformation toward broadband services and digital business. ;PT. XYZ is a telecommunication company in Indonesia which is transforming it?s business to broadband services & digital business. Many business opportunities inbroadband services & digital business can be identified by processing and analyzing data quickly, accurately, and completely. Right now PT. XYZ has the capability inprocessing some structured data sources with limited data size. To make accuratecalculations and decisions, especially in broadband services and digital business,PT. XYZ also required to be able to process and analyze the data that has thecharacteristics of 3V (Velocity, Volume, Variety) or known as big data. Thisresearch aims to design the architecture of big data processing system. Theenterprise architecture framework used in this study is TOGAF. The resultsobtained from this study is the design of big data processing system architecturethat is capable of processing data which has the characteristics of 3V (the fast dataflow, massive data size, and diverse structured or unstructured data sources) at alower cost than the current data processing system in PT. XYZ. The suggestionabout this study is the big data processing system can be implemented properly inPT. XYZ with the full support of the PT. XYZ management, started with a specificbusiness use case that want targeted. The maximum results from the business usecase can be used as a piloting for big data processing system investments morethorough in supporting business transformation toward broadband services anddigital business. , PT. XYZ is a telecommunication company in Indonesia which is transforming it’s business to broadband services & digital business. Many business opportunities inbroadband services & digital business can be identified by processing and analyzing data quickly, accurately, and completely. Right now PT. XYZ has the capability inprocessing some structured data sources with limited data size. To make accuratecalculations and decisions, especially in broadband services and digital business,PT. XYZ also required to be able to process and analyze the data that has thecharacteristics of 3V (Velocity, Volume, Variety) or known as big data. Thisresearch aims to design the architecture of big data processing system. Theenterprise architecture framework used in this study is TOGAF. The resultsobtained from this study is the design of big data processing system architecturethat is capable of processing data which has the characteristics of 3V (the fast dataflow, massive data size, and diverse structured or unstructured data sources) at alower cost than the current data processing system in PT. XYZ. The suggestionabout this study is the big data processing system can be implemented properly inPT. XYZ with the full support of the PT. XYZ management, started with a specificbusiness use case that want targeted. The maximum results from the business usecase can be used as a piloting for big data processing system investments morethorough in supporting business transformation toward broadband services anddigital business. ]"

"ABSTRAKSuhu permukaan, merupakan salah satu unsur meteorologi dan klimatologi yang memegang peranan penting. Informasi temperatur yang disampaikan haruslah akurat. Informasi suhu secara realtime dapat digunakan untuk sistem monitoring lingkunga, penelitian di bidang meteorologi dan klimatologi, dan pekerjaan teknis seperti perencanaan dan produksi terkait energi surya. Untuk dapat memberikan informasi suhu spasial secara realtime, perlu dilakukan analisa kinerja terhadap model yang digunakan.Analisa kinerja model dilakukan terhadap metode pengisian data kosong, model prediksi time-series dan model interpolasi spasial terhadap suhu maksimum harian di Pulau Jawa. Perbandingan pengisian data kosong dilakukan antara metode nilai rata-rata dengan metode spasial co-Kriging. Perbandingan model timeseries untuk prediksi suhu maksimum untuk satu hari kedepan dengan metode ANFIS, Wavelet ANFIS dan ARIMA. Sedangkan interpolasi spasial membandingkan metoda Ordinary Kriging dengan Ordinary Co-Kriging dengan DEM sebagai data sekunder. Kinerja diukur dengan membandingkan nilai error, yaitu RMSE dan ME yang membandingkan antara hasil prediksi dengan nilai observasinya.Hasil pengisian data kosong, metode nilai rata-rata lebih baik dari interpolasi spasial. Hasil prediksi stime-series metode Wavelet ANFIS memiliki kinerja terbaik, selanjutnya ANFIS dan terakhir Arima. Sedangkan secara spasial hasil interpolasi ANFIS terhadap observasi antara metode Kriging dan CoKriging, didapatkan bahwa kedua metode secara general mengandung error di lokasi yang sama.

---

ABSTRACTTemperature is one of important meteorogy and climatology parameter. Accurate information about the future temperature for all region in Indonesia is essential. Real-time information on temperature is useful for environmental monitoring system and researches in meteorology and climatology as well as engineering works such as planning for solar energy production. For these purposes accurate information on the future temperature for all region in Indonesia is essential. However, spatial real-time prediction for temperature in all Indonesia region is not available. Analysis of performance of temperature prediction models therefore is required.This study aims to compare method for imputation missing value, model prediction and spatial analysis. Average value method and Co-Kriging was compare in imputation missing value. ANFIS, Wavelet ANFIS and ARIMA are compare to predict daily maximum temperature in Java. The best model is selected based on its RMSE and ME values. For spatial analysis, this model prediction result is interpolated using Kriging and CoKriging.The results show that the performance of average value is better than CoKriging, Wavelet ANFIS-based model is better than the two other models whereas both Kriging and CoKriging interpolation methods show identical spatial error."

"ABSTRAKJakarta merupakan daerah yang memiliki ciri tersendiri di Indonesia, yakni sebagai ibukota negara.Banyak permasalahan yang dihadapi oleh Pemerintahan Provinsi Daerah Khusus Ibukata Jakarta (Pemprov DKI Jakarta), diantaranya yang paling sering kita dengar adalah kemacetan lalu lintas. Jumlah rata-rata laporan masyarakat tentang kemacetan lalu lintas adalah 343 laporan perbulan, sedangkan penanganan yang dapat diselesaikan hanya 80 laporan perbulan. Banyaknya jumlah laporan masyarakat terhadap masalah kemacetan lalu lintas, maka membutuhkan prioritas terhadap laporan yang harus diutamakan penanganannya.Dalam penelitian ini melakukan analisis sentimen pada media sosial Twitter untuk dapat melakukan prioritas penanganan masalah kemacetan di Jakarta berdasarkan tingkat kepuasan masyarakat terhadap kondisi lalu lintas di Jakarta. Langkah-langkah dalam melakukan analisis sentimen antara lain preprocessing, feature extraction dan classification. Preprocessing data teks yang dilakukan antara lain case folding, tokenisasi, filter token, translate dan stopword removal. Sedangkan feature extraction yang digunakan adalah model unigram dan bigram dengan kamus sentimen, sedangkan pembobotan menggunakan metode Term Frequency - Inverse Document Frequency(TF-IDF). Pembuatan Model klasifikasi sentimen menggunakan dua algoritma yaitu Naïve Bayes dan Support Vector Machine (SVM).Sedangkan mengukur sentimen masyarakat menggunakan Net Sentiment Score dari Netbasedengan visualisasi menggunakan calendar view.Hasil dari pembuatan model klasifikasi sentimen dalam penelitian menunjukkan bahwa algoritma SVM menghasilkan akurasi yang lebih tinggi dari pada algoritma Naïve Bayes. Hasil dari visualisasi dengan calendar view menunjukkan bahwa sentimen masyarakat memiliki nilai Net Sentiment Score yang rendah di hari Kamis dan Jumat pada waktu sore. Sedangkan pada hari Minggu dan awal bulan memiliki nilai net sentiment score yang lebih tinggi. Sehingga pada waktu Kamis dan Jumat pada waktu sore perlu penanganan masalah kemacetan yang lebih utama.

---

ABSTRACTJakarta is an area that has its own characteristics in Indonesia as the nation's capital. Many problems faced by the Jakarta Provincial Government, among the most frequently heard is a traffic congestion. Average number of public complain about the traffic congestion was 343 reports per month, while the handling can be solved only 80 reports per month. A large number of public complain about the problem of traffic congestion, it takes priority over the handling of the complain should come first.In this research perform sentiment analysis on Twitter social media to be able to prioritize the handling of the problem of traffic congestion in Jakarta based on the level of public satisfaction about traffic conditions in Jakarta. Steps in doing sentiment analysis that is preprocessing, feature extraction and classification. Preprocessing text data use in this research is case folding,tokenization, filter token, translate and stopword removal. Feature extraction use an unigram and a bigram models with sentiment dictionary, and then the weighting use Term Frequency - Inverse Document Frequency (TF-IDF) method. To make the Sentiment classification model is using two algorithms, that is Naïve Bayes and Support Vector Machine (SVM). To measure public sentiment using Net Sentiment Score from Netbase with visualization using calendar view.The results of the modeling sentiment classification in the research show that the SVM algorithm produce higher accuracy than Naïve Bayes algorithm. The results of visualization with calendar view shows that public sentiment has low value of Net Sentiment Score Thursday and Friday in the afternoon. Meanwhile, on Sunday and the beginning of the month has high value of Net Sentiment Score. So that at the time of Thursday and Friday in the afternoon need of handling the problem of traffic congestion should first to be solve."

"ABSTRAKKebebasan berpendapat melalui media sosial untuk mengungkapkan pikiran, pendapat dan tanggapan terhadap suatu topik tertentu menimbulkan dampak negatif berupa konten yang menebarkan kebencian. Penelitian ini bertujuan untuk melakukan deteksi sebuah informasi yang merupakan ujaran kebencian di media sosial Twitter. Data yang digunakan berjumlah 4.002 data sentimen terkait topik politik, agama, suku dan ras di Indonesia. Pada pembangunan model, penelitian ini menggunakan metode klasifikasi sentimen dengan algoritma machine learning seperti Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree dan Support Vector Machine SVM . Di samping itu, penelitian ini juga melakukan perbandingan performa model dengan menggunakan unigram, bigram dan unigram-bigram dalam proses fitur ekstraksi dan penggunaan SMOTE untuk mengatasi imbalanced data. Evaluasi dari percobaan yang dilakukan menunjukkan bahwa algoritma AdaBoost menghasilkan model terbaik dengan nilai recall tertinggi yaitu 99.5 yang memiliki nilai akurasi sebesar 70.0 dan nilai F1-score sebesar 82.2 untuk klasifikasi ujaran kebencian apabila menggunakan bigram.

---

ABSTRACTFreedom of expression through social media to express idea, opinion and view about current topic causes negative impact as the rise of hateful content. This study aims to detect a hate speech information through Twitter. Dataset of this study consists of 4.002 sentiment data related to politic, race, religion and clan topic. The model development of this study conducted by sentiment classification method with machine learning algorithm such as Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree and Support Vector Machine SVM . We also conduct a comparison of model performance that used unigram, bigram, unigram bigram feature and SMOTE to handle imbalanced data. Evaluation of this study showed that AdaBoost algorithm resulted the best classification model with the highest recall model which was 99.5 , accuracy score as much as 70.0 and F1 score 82.2 to classify hate speech when using bigram features."