Applied Information Technology and Computer Science

Analisis Sentimen Komentar Twitter Tentang Perfoma Manchester United Dengan Menggunakan Algoritma Support Vector Machine

2024-05-29T18:09:40+00:00

Manchester United adalah salah satu klub terbesar di liga inggris yang memiliki sejarah yang sangat baik di persepakbolaan eropa bahkan di dunia.Pada musim 2023/2024 Manchester United mengalami musim yang sangat buruk hal ini menimbulkan berbagai sentimen negatif dan positif dari para penggemarnya terutama pada sosial media. Data sentimen yang di dapatkan dari sosial media twitter dimana para penggemar Manchester United mengeluarkan pendapat mereka mengenai peforma Manchester United di liga inggris.Penelitian ini menggunakan metode Support Vector Machine (SVM) data yang di kumpulkan dari twitter dan di proses sebelum di klasifikasikan ini bertujuan untuk menganalisis sentimen penggemar Manchester United berdasarkan komentar mereka di sosial media. Bedasarkan hasil yang didapatkan bahwa kemampuan kerja Support Vector Machine mempunyai hasil yang kurang baik yaitu 58,73% akurasi di karenakan dataset hanya menggunakan satu kata kunci yang membuat data kurang optimal dan kompleks sehingga membuat Support Vector Machine (SVM) menghasilkan akurasi yang cukup rendah.

Sentiment Analysis of Land Partner Applications Using the Naive Bayes Classifier and K-Nearest Neighbor Algorithms

2024-06-15T15:11:21+00:00

The transportation industry is now an important element as the times develop, especially for today's young generation. Mitra Darat itself is also one of these industries. An application that allows users to easily find out the bus departure schedule that they will take anywhere and anytime on their mobile device. Reviews are definitely given for every app available both positive and negative. With this, we are trying to conduct sentiment analysis research for the Mitra Darat application through reviewing comments from the Google Play Store so that we can identify sentiments related to the use of the Mitra Darat application, as well as provide valuable insights to land transportation service providers to understand user views and improve user services. from the results of our sentiment analysis. The algorithms we use are KNN and NBC. These two algorithms are commonly used by many people because of their expertise in classifying sentiment analysis data and are also popular among researchers. Based on our test results, it can be concluded that our sentiment analysis model designed using the NB algorithm displays higher accuracy performance than KNN. The accuracy of the NB model reached 99.28%, while KNN achieved an accuracy of 80%. This shows that the naïve Bayes algorithm is more suitable to obtain maximum accuracy compared to using k-nearest neighbors.

Pengembangan sistem informasi pembangunan daerah berbasis website menggunakan metode waterfall

2023-12-13T13:02:45+00:00

Pembangunan daerah merupakan aspek krusial dalam mewujudkan kemajuan dan kesejahteraan masyarakat. Sistem Informasi Pembangunan Daerah (SIPD) menjadi instrumen penting dalam mendukung perencanaan, pengelolaan, dan pemantauan proyek-proyek pembangunan. Penelitian ini membahas pengembangan SIPD berbasis website dengan. menggunakan metode pengembangan perangkat lunak Waterfall. Metode Waterfall dipilih karena memberikan kerangka kerja yang terstruktur dan linier, dengan tahapan yang jelas dari analisis ke desain, implementasi, pengujian, hingga pemeliharaan. Studi ini berfokus pada desain dan implementasi sistern yang dapat menyajikan informasi pembangunan daerah secara transparan dan akurat kepada masyarakat. Pengembangan SIPD ini melibatkan langkah-langkah mulai dari analisis kebutuhan, perancangan antarmuka pengguna yang responsif integrasi fitur pemantauan proyek, hingga pengujian untuk memastikan kehandalan dan keamanan sistem. Implementasi website sebagai platform utama memungkinkan akses yang mudah bagi pernangku kepentingan, termasuk pemerintah daerah, masyarakat, dan pihak terkait. Hasil penelitian ini menunjukkan bahwa pengembangan SIPD berbasis website menggunakan metode Waterfall dapat memberikan solusi yang efisien dan terstruktur. Sistem ini memfasilitasi akses cepat dan mudah terhadap informasi pembangunan daerah, meningkatkan transparansi, dan memperkuat keterlibatan masyarakat dalam proses pembangunan Oleh karena itu, penerapan metode Waterfall dalam pengembangan SIPD berbasis website diharapkan dapat menjadi landasan yang kokoh untuk meningkatkan efektivitas perencanaan dan pengelolaan pembangunan daerah

Classification of Public Opinion Regarding the Naturalization of Football Players Using KNN and SMOTE

2024-06-22T01:01:07+00:00

Penelitian ini menganalisis sentimen masyarakat terhadap naturalisasi pemain sepak bola menggunakan metode K-Nearest Neighbor (KNN) dan Synthetic Minority Oversampling Technique (SMOTE). KNN digunakan untuk klasifikasi sentimen, sedangkan SMOTE menangani ketidakseimbangan kelas dalam dataset. Metodologi mencakup pengumpulan data, pelabelan, pembersihan, preprocessing, klasifikasi, dan evaluasi model dengan Google Colab dan Python. Hasil menunjukkan bahwa tanpa SMOTE, performa model lebih baik dengan presisi, recall, F1 score, dan akurasi tinggi. Sebaliknya, penggunaan SMOTE menurunkan performa, terutama dalam presisi dan F1 score. Model "Manhattan Neighbor 7" dan "Manhattan Neighbor 3" tanpa SMOTE menunjukkan hasil hampir sempurna, sementara SMOTE menurunkan beberapa metrik evaluasi secara signifikan. Selain itu, analisis opini masyarakat di YouTube menunjukkan kecenderungan sentimen negatif terhadap podcast tentang naturalisasi pemain sepak bola yang dipandu oleh Bung Towel dan Anjas Asmara, yang mencerminkan persepsi publik yang kritis dan skeptis terhadap topik tersebut. Penelitian ini memberikan wawasan penting tentang sentimen masyarakat dan efektivitas metode klasifikasi dalam konteks isu olahraga nasional.

Perbandingan Algoritma SVM dan Naïve Bayes Berbasis SMOTE dalam Analisis Sentimen Komentar Tiktok pada Produk Skincare

2024-06-12T08:02:26+00:00

Riset ini membandingkan performa algoritma Support Vector Machine (SVM) dan Naïve Bayes dalam analisis sentimen komentar TikTok tentang produk skincare, dengan menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan data. Hasil evaluasi menunjukkan bahwa SVM memiliki performa yang lebih unggul dibandingkan Naïve Bayes dengan akurasi 59,43% berbanding 47,65%. Selain itu, SVM juga unggul dalam metrik F1 Score (60,37% dibandingkan 54,74%), meskipun Naïve Bayes memiliki presisi yang sedikit lebih tinggi (67,96% berbanding 62,76%). Dengan demikian, SVM lebih efektif dalam mengklasifikasikan sentimen komentar, menjadikannya algoritma yang lebih direkomendasikan untuk tugas analisis sentimen pada domain produk skincare di TikTok.

Perancangan Sistem Informasi Manajamen Pelayanan Pasien Rawat Jalan Berbasis Web Di Puskesmas

2023-12-17T07:43:08+00:00

Sistem Informasi Manajemen Pelayanan Pasien Rawat Jalan Berbasis Web Pada Puskesmas merupakan aplikasi untuk dipakai pada saat proses pelayanan kepada pasien rawat jalan yang melakukan pemeriksaan kesehatan ke Puskesmas, aplikasi ini diharapkan dapat membantu mempermudah petugas Puskesmas dalam melakukan pelayanan kepada pasien. Aplikasi ini juga digunakan sebagai media untuk menyimpan data pasien yang melakukan pemeriksaan kesehatan di Puskesmas. Aplikasi tersebut dibangun menggunakan Hypertext Preprocessor atau biasa disebut PHP sebagai bahasa pemrogamannya, menggunakan metode pengembangan waterfal, dan menggunakan Unified Modeling Language (UML) untuk desain permodelannya. Penelitian ini mendapatkan hasil yaitu aplikasi berbasis web untuk digunakan oleh petugas puskesmas dalam mengelola data pasien, data petugas pemeriksa, data antrian, data kesehatan atau rekam medik pasien, kunjungan pasien, resep, obat, informasi pasien dirujuk, mengelola data pembayaran serta pembuatan laporan-laporan yang dibutuhkan dalam hal pelayanan pasien.

Sentiment Analysis of Indonesian National Team Football Match Results in the U-23 Asian Cup on the YouTube Platform using the Support Vector Machine (SVM) Algorithm

2024-06-11T14:59:00+00:00

Penelitian ini bertujuan untuk menganalisis persepsi pengguna YouTube terhadap pertandingan sepak bola tim nasional Indonesia di Piala Asia U23 AFC 2024. Penelitian ini bertujuan untuk mengetahui perasaan dan sikap pengguna YouTube terhadap hasil pertandingan tim Indonesia apakah positif, negatif, atau netral. Dengan menggunakan data komentar dari platform YouTube, penelitian ini menganalisis reaksi masyarakat terhadap hasil pertandingan sepak bola tim nasional Indonesia di Piala Asia U23. Analisis sentimen terhadap hasil pertandingan sepak bola Piala Asia U23 Indonesia di YouTube menggunakan algoritma Support Vector Machine (SVM). Penelitian ini bertujuan untuk mengetahui perasaan dan sikap pengguna YouTube terhadap hasil pertandingan tim nasional Indonesia, apakah positif, negatif, atau netral. Dengan menggunakan data komentar dari platform YouTube, penelitian ini menganalisis reaksi masyarakat terhadap hasil pertandingan tim nasional sepak bola Indonesia di Piala Asia U23. Dua model klasifikasi berbasis SVM dievaluasi, satu model menggunakan 40% data uji dan model lainnya menggunakan 60%. Hasil penelitian menunjukkan bahwa model pertama, yang menggunakan 40% data uji, memiliki akurasi 65,41%, sedangkan model kedua memiliki akurasi 63,76%. Meskipun model pertama sedikit lebih akurat, model kedua lebih baik dalam hal akurasi (61,65%), recall (63,76%), dan F1-Score (55,68%).