Article Per Year (5 Year)
p-Index From 2019 - 2024
2.33
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Seminar Nasional Teknologi Informasi Komunikasi dan Industri Jurnal Nasional Komputasi dan Teknologi Informasi INFORMASI (Jurnal Informatika dan Sistem Informasi) Jurnal Computer Science and Information Technology (CoSciTech)
Elvia Budianita
Universitas Islam Negeri Sultan Syarif Kasim Riau
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 16 Documents
Search

 1   2 
Pengelompokan Tingkat Kecanduan Game Online Menggunakan Algoritma Fuzzy C-Means Ammar Muhammad; Elvia Budianita
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 4 (2022): Agustus 2022
Publisher : Program Studi Teknik Informatika, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i4.4511

Abstract

Abstrak - Game online  merupakan aplikasi permainan yang berupa petualangan, pengaturan strategi, simulasi dan bermain peran yang memiliki aturan main dan tingkatan-tingkatan tertentu. Bermain game online  membuat pemain merasa senang karena mendapat kepuasan psikologis. Kepuasan yang diperoleh dari game tersebut akan membuat pemain semakin tertarik dalam memainkannya.Kecanduan game online merupakan aktifitas yang dilakukan secara terus menerus dan berkepanjangan yang menimbulkan sikap yang cenderung menarik diri dari kehidupan sosial.  Penerapan data mining dengan menggunakan metode clustering untuk meneliti tingkat kecanduan game online  dengan menggunakan algoritma Fuzzy C-Means. Dengan menggunakan metode ini kita dapat menentukan jumlah clustering dan dapat diatur  keragaman tingkat kecanduan berdasarkan clusternya, metode ini juga dapat mendeteksi cluster tingkat tinggi serta hubungan antar cluster yang berbeda. Pengujian pada metode menggunakan metode Silhouette Coefficient. Data kecanduan game online didapatkan dari Pengumpulan data melalui kuisioner yang mengacu kepada  skala Game addict scale (GAS). Dari hasil pengujian didapatkan hasil yaitu  148 record pada cluster 1, 50 record pada cluster 2 dan 102 record pada cluster 3.Kata Kunci: Candu, Clustering, Data Mining, Fuzzy C-Means, Game Online Abstract - Online games are game applications in the form of adventure, strategy setting, simulation and role playing that have certain rules and levels. Playing online games makes players feel happy because they get psychological satisfaction. The satisfaction obtained from the game will make players more interested in playingit. Online game addiction is an activity that is carried out continuously and for a long time which causes an attitude that tends to withdraw from social life. Application of data mining using the clustering to examine the level of online game addiction using the Fuzzy C-Means algorithm. By using this method we can determine the number , and can adjust the diversity of addiction levels based on the clusterthis method can also detect clusters high-level clusters . Testing on the method using the Silhouette Coefficient method. Data on online game addiction is obtained from collecting data through a questionnaire that refers to the Game addict scale (GAS). From the test results, the results obtained are  148 records in cluster 1, 50 records in cluster 2 and 102 records in cluster 3.Keywords: Opium, Clustering, Data Mining, Fuzzy C-Means, Online Game 
Penerapan Algoritma Hash Based Untuk Analisis Pola Pemilihan Mata Kuliah Pilihan Jurusan Teknik Informatika UIN Sultan Syarif Kasim Riau Desra Rizki Riyandi; Elvia Budianita; Zulkarnain Zulkarnain
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 4 (2022): Agustus 2022
Publisher : Program Studi Teknik Informatika, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i4.4449

Abstract

Abstrak - Mata kuliah pilihan merupakan sebuah cara yang digunakan oleh jurusan dalam rangka meningkatkan mutu dan skill mahasiswa. Namun, tidak sedikit mahasiswa yang salah mengambil mata kuliah pilihan karena tidak menyadari potensi dalam dirinya yang mengakibatkan menurunnya prestasi akademik mahasiswa tersebut. Selama ini juga belum ada penyimpanan data yang digunakan sebagai history atau bahan pertimbangan bagi mahasiswa. Asosiasi menjadi salah satu solusi  pencarian pola pada data mining dengan bantuan algoritama hash bashed. Algoritma ini mampu memperbaiki kelemahan algoritma apriori dalam menentukan frequent itemset. Algoritma Hash-based merupakan algoritma yang  menggunakan teknik hashing untuk menyaring keluar itemset yang tidak penting untuk pembangkitan itemset selanjutnya.Aturan pola yang didapatkan dari total data sejumlah 530 data menghasilkan pola akhir 3 itemset dengan pola faktor dosen pengampu, minat tersendiri dan, topik tugas akhir (DS,MN,TA) dengan nilai confidence tertinggi senilai 73%, sehingga menjadi faktor yang paling mepengaruhi mahasiswa dalam memilih mata kuliah pilihan.Kata Kunci: Akademik, Asosiasi, Mahasiswa, Mata Kuliah Pilihan, Hash Bashed Abstract - Elective courses are a method used by majors in order to improve the quality and skills of students. However, not a few students take the wrong elective courses because they do not realize their potential which results in a decline in the student's academic achievement. So far, there is no data storage that is used as history or consideration for students. Association is one of the solutions for finding patterns in data mining with the help of hash bashed algorithms. This algorithm is able to improve the weaknesses of the a priori algorithm in determining frequent itemset. Hash-based algorithm is an algorithm that uses a hashing technique to filter out itemsets that are not important for the next itemset generation. The pattern rules obtained from a total of 530 data produce a final pattern of 3 itemsets with a pattern of supporting lecturer factors, special interests and, the topic of the final project (DS, MN, TA) with the highest confidence value of 73%, so that it becomes the most influencing factor for students in choosing elective courses.Keywords: Academic, Association, Student, Elective Course, Hash Based
Perbandingan Pembobotan Kata Menggunakan Naïve Bayes Classifier Terhadap Analisa Sentimen Permendikbud No 30 Tahun 2021 Jeki Dwi Arisandi; Elvia Budianita; Eka Pandu Cynthia; Febi Yanto; Yusra Yusra
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 5, No 4 (2022): Agustus 2022
Publisher : Program Studi Teknik Informatika, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v5i4.4420

Abstract

Abstrak - Kekerasan seksual di lingkungan Pendidikan mengalami peningkatan kasus dari tahun ke tahun. Menurut data dari Komnas Perempuan periode 2015-2020 kasus kekerasan seksual di lingkungan Pendidikan menunjukkan bahwa lingkungan Pendidikan sudah tidak menjadi tempat yang aman bagi peserta didik. Berdasarkan data kasus yang diadukan kepada komnas perempuan pada tahun 2015-2020 kasus kekerasan seksual tertinggi terjadi di lingkungan Universitas sebanyak 27%, lalu diikuti oleh Pesantren atau Pendidikan berbasis agama sebanyak 19% dan sisanya terjadi di tingkat SMU/SMK sebanyak 15%, SMP 7%, di tingkat TK,SD,SLB dan Pendidikan berbasis Kristen masing-masing sebanyak 3%. Bentuk kekerasan seksual yang terjadi di lingkungan Pendidikan tersebut berupa pemerkosaan, pencabulan, dan pelecehan seksual serta kekerasan psikis dan diskriminasi dengan mengeluarkan siswa dari sekolah. Berbagai kasus tersebut mendorong pihak Kementrian Pendidikan, Kebudayaan, Riset, dan Teknologi Republik Indonesia membuat Peraturan Menteri No 30 Tahun 2021 dengan tujuan untuk menangani berbagai kekerasan seksual yang selama ini masih terjadi di lingkungan Pendidikan. Namun setelah diterbitkannya Peraturan Menteri nomor 30 Tahun 2021 tersebut memunculkan beragam sentimen positif dan negatif dari masyarakat baik itu dari organisasi HAM dan organisasi keagamaan. Opini dari masyarakat tersebut dapat dijadikan bahan evaluasi bagi pemerintah untuk menilai kebijakan yang telah dibuat. Dalam penelitian ini membahas mengenai analisa sentimen Permendikbud no 30 tahun 2021 dengan melakukan perbandingan pembobotan kata menggunakan metode Naïve Bayes Classifier. Langkah awal yang penulis lakukan yaitu pengumpulan data dari media sosial Twitter sebanyak 468 data, kemudian memberikan pelabelan kelas data yang terdiri dari positif, negatif, dan netral lalu melakukan proses pembobotan menggunakan TF-IDF dan TF-RF yang bertujuan untuk melihat perbandingan proses pembobotan kedua metode tersebut. Berdasarkan dari proses dan hasil pengujian Confusion Matrix didapatkan akurasi terbaik dengan rasio 70:30 sebesar 73,94% dengan pembobotan TF-IDF.Kata Kunci: PERMENDIKBUD No 30 Tahun 2021, Kekerasan Seksual, Analisa Sentimen, Twitter, Naïve Bayes Classifier.Abstract - Sexual violence in the educational environment has increased in cases from year to year. According to data from Komnas Perempuan for the 2015-2020 period, cases of sexual violence in the educational environment show that the educational environment is no longer a safe place for students. Based on case data that was reported to Komnas Perempuan in 2015-2020 the highest cases of sexual violence occurred in universities as much as 27%, then followed by Islamic boarding schools or religion-based education as much as 19% and the rest occurred at the high school/vocational level as much as 15%, SMP 7 %, at the level of TK, SD, SLB and Christian-based education each as much as 3%. The forms of sexual violence that occur in the educational environment are in the form of rape, sexual abuse, and sexual harassment as well as psychological violence and discrimination by expelling students from school. These various cases prompted the Ministry of Education, culture, research, and Technology of the Republic of Indonesia to make Ministerial Regulation No. 30 of 2021 with the aim of dealing with various sexual violence that is still happening in the education environment. However, after the issuance of Ministerial regulation number 30 of 2021, it gave rise to various positive and negative sentiments from the community, both from human rights organizations and religious organizations. Public opinion can be used as evaluation material for the government to assess the policies that have been made. This study discusses the sentiment analysis of Minister of Education and Culture No. 30 of 2021 by comparing word weights using the Naïve Bayes Classifier method. The first step that the author took was collecting data from Twitter social media as much as 468 data, then labeling the data classes consisting of positive, negative, and neutral then carrying out a weighting process using TF-IDF and TF-RF which aims to compare the two weighting processes the method. Based on the process and results of the Confusion Matrix test, the best accuracy was obtained with a 70:30 ratio of 73.94% with TF-IDF weighting.Keywords: PERMENDIKBUD No 30 of 2021, Sexual Violence, Sentiment Analysis, Twitter, Naïve Bayes Classifier.
Pendekatan berbasis Machine Learning dan Leksikal Pada Analisis Sentimen Elvia Budianita; Eka Pandu Cynthia
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2022: SNTIKI 14
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pada analisis sentimen terdapat dua pendekatan. Pertama berbasis machine learning dengan melatih data latih pada dataset yang telah dilabelkan secara manual dengan melibatkan seorang pakar atau Annotator. Pendekatan yang kedua adalah berbasis leksikal (Lexicon Based) yang tidak memerlukan pelatihan dataset untuk menemukan polaritas sentiment. Data set komentar yang digunakan adalah mengenai penyedia jasa transportasi online local Maxim di media social Twitter. Data set komentar yang dilabel secara manual akan diklasifikasikan ke dalam kelas positif netral, dan negatif menggunakan metode Support Vector Machine (SVM). Berdasarkan hasil pengujian diperoleh kesimpulan bahwa analisis sentimen untuk kasus Maxim menggunakan pelabelan manual yang dilatih menggunakan metode SVM adalah lebih banyak mengandung kalimat positif sedangkan jika menggunakan pelabelan Lexicon based lebih banyak mengandung kalimat netral
Analisis sentimen larangan penggunaan obat sirup menggunakan algoritma naive bayes classifier Fitri Wulandari; Elin Haerani; Muhammad Fikry; Elvia Budianita
Computer Science and Information Technology Vol 4 No 1 (2023): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v4i1.4781

Abstract

The Indonesian government made a policy to stop consuming syrup as a form of prevention against acute kidney failure, which affects many people in Indonesia. However, the policy has caused a lot of comments from the public. These public comments can be found on YouTube, because YouTube has a large data source opportunity to be used as a research material. These comments can be processed directly without using a machine, but it is less effective and efficient. Thus, the comments are processed using machine learning methods. Based on the earlier research, the naive bayes classifier algorithm tends to be simple and easy to use. In addition, this algorithm also has a high accuracy. The amount of data used in this study is 1000 YouTube comment data related to videos regarding the policy of prohibiting the use of syrup medicine, the comments are divided into 2 category, which are positive class and negative class. The results of labeling 1000 comments obtained 704 negative comments and 296 positive comments. Based on the experiments conducted using python programming language, the highest accuracy was obtained at 74% in 70:30 data split. Furthermore, in the balanced dataset (296 positive and 296 negative comments), the highest accuracy was obtained at 64.70% with in 80:20 data split. These results represent that the naive bayes classifier algorithm is good enough at sentiment analysis about the policy of prohibiting the use of syrup drugs.
Analisis Sentimen Review Aplikasi Mypertamina Menggunakan Word Embedding Fasttext Dan Algoritma K-Nearest Neighbor Nanda Sepriadi; Elvia Budianita; Muhammad Fikry; Pizaini
INFORMASI (Jurnal Informatika dan Sistem Informasi) Vol 15 No 1 (2023): INFORMASI (Jurnal Informatika dan Sistem Informasi)
Publisher : LPPM STMIK Indonesia Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37424/informasi.v15i1.222

Abstract

Pertamina adalah’ perusahaan yang dimilik negara bergerak di bidang energi seperti minyak, gas serta energi baru dan energi terbarukan. Pertamina juga telah menciptakan sebuah aplikasi yang dapat diakses secara mobile yang tersedia di Play Store untuk memudahkan konsumen dalam bertransaksi pembayaran bahan bakar minyak (BBM) yang dapat diakses melalui aplikasi MyPertamina yang dapat di download melalui App Store dan Play Store. Playstore adalah platform Google yang menyediakan aplikasi mobile dan fasilitas pengguna untuk berbagi ulasan. Dalam penelitian ini, pendekatan yang digunakan untuk analisis sentimen adalah menggunakan kamus Lexicon Based dan metode K-Nearest Neighbor. Kamus leksikon yang diterapkan yaitu vader yang memberikan label secara otomatis, sementara metode K-Nearest Neighbor digunakan untuk melakukan pengelompokan atau klasifikasi. Maksud penelitian ini dilakukan adalah untuk memahami bagaimana pengelompokan tanggapan masyarakat terhadap aplikasi MyPertamina dan mengetahui performa terbaik metode K-NN dengan 3 perbandingan data latih dan data uji. Penelitian ini menggunakan data berjumlah 8000 data, data ini kemudian dikelompokkan menjadi tiga bagian data latih dan data uji , dengan bagian 90/10, 80/20 dan 70/30. Diperoleh hasil pelabelan menghasilkan 1405 data dengan label positif, 1698 data dengan label netral, dan 4897 data dengan label negatif. Akurasi tertinggi diperoleh dataset B dengan porsi data 80/20 dengan nilai K = 9 yang menghasilkan akurasi sebesar 73%, presision sebesar 70% dan recall sebesar 73% tanpa mengunakan Undersampling. Sedangkan data yang sama menggunakan Undersampling diperoleh akurasi sebesar 57%, presision sebesar 73% dan recall sebesar 57%. Penurunan akurasi ini disebabkan oleh pengurangan jumlah data training akibat menggunakan undersampling.
Co-Authors Agung Syaiful Rahman Alwis Nazir Ammar Muhammad Damayanti, Elok Desra Rizki Riyandi Eka Pandu Cynthia Elin Haerani Fadhilah Syafria Febi Yanto Fitri Astuti Ihlal Hanafi Harahap Iis Afrianty Iwan Iskandar Jeki Dwi Arisandi Muhammad Affandes Muhammad Fikry Nanda Sepriadi Nazruddin Safaat Harahap Pizaini Rahmad Kurniawan Reski Mai Candra Rinaldi Syarfianto Silfia Silfia Suwanto Sanjaya Yusra, Yusra Zulkarnain Zulkarnain