Claim Missing Document
Check
Articles

Found 15 Documents
Search

KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani
Seminar Nasional Informatika (SEMNASIF) Vol 1, No 4 (2009): Intelligent System dan Application
Publisher : Jurusan Teknik Informatika

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

Abstract

Data mining merupakan suatu proses pengekstrakan informasi penting pada data yang berukuran besar. Salah satu fungsionalitas yang sering digunakan pada data mining adalah klasifikasi, yang berfungsi menemukan sekumpulan model/fungsi sehingga dapat mambedakan kelas data untuk keperluan prediksi. Jaringan Syaraf Tiruan (JST), merupakan salah satu teknik klasifikasi yang cukup handal dikarenakan kemampuannya dalam memprediksi. JST mempunyai toleransi yang tinggi terhadap data yang mengandung noise serta bersifat adaptive, dimana jaringannya mampu belajar dari data yang dilatihkan kepadanya. Oleh karena itu penelitian ini menganalisis pengklasifikasian data dengan menggunakan JST Backpropagation Momentum dengan adaptive learning rate untuk mendapatkan hasil yang optimal. Sebelum memasuki tahap klasifikasi, proses yang dilakukan adalah feature selection. Feature selection merupakan tahap preprocessing yang bertujuan untuk mencari atribut yang relevan terhadap label kelas. Dengan kata lain, feature selection dapat dikatakan sebagai teknik mereduksi dimensi sebagai usaha untuk meningkatkan performansi dari sebuah classifier. Metode feature selection yang digunakan adalah information gain. Setelah dilakukan preprocessing data, kemudian dilakukan tahap klasifikasi menggunakan JST Backpropagation Momentum dengan adaptive learning rate.. Hasil pengujian menunjukkan bahwa dengan adanya konstanta momentum dan adaptive learning rate mempercepat kecepatan belajar jaringan. Selain itu juga berpengaruh terhadap nilai keakuratan sehingga dapat mencapai tingkat akurasi sebesar 96%.
Sentiment Analysis of Depression Detection on Twitter Social Media Users Using the K-Nearest Neighbor Method Arianti Primadhani Tirtopangarsa; Warih Maharani
Seminar Nasional Informatika (SEMNASIF) Vol 1, No 1 (2021): Inovasi Teknologi dan Pengolahan Informasi untuk Mendukung Transformasi Digital
Publisher : Jurusan Teknik Informatika

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

Abstract

Every day, millions of people suffer from depression and only a small percentage of them receive proper treatment. Depression is one of the most common mental health disorders. Mental health is very important for humans as well as physical health in general. Not infrequently media users often provide information about themselves and the complaints they experience on burdensome social media. At this time the detection can be detected from the activities of social media users themselves. Because, not infrequently Twitter social media users often provide information about themselves and the complaints they are experiencing on Twitter social media which is burdensome. Therefore, social media Twitter is an option to detect the level of mental health that is being experienced by someone. In this study, the author aims to analyze the application of the K-Nearest Neighbor method in detecting depression in Twitter social media users and see the accuracy value. Based on tests on the KNN classification using the stages of the confusion matrix, the accuracy obtained is 78.18%.
ANALISIS KLASIFIKASI SENTIMEN DAN PERINGKASAN PADA REVIEW PRODUK MENGGUNAKAN METODE UNSUPERVISED Warih Maharani; Anisa Herdiani; Muhammad Husein Adnan
Indonesia Symposium on Computing Indonesia Symposium on Computing (IndoSC) 2016
Publisher : Indonesia Symposium on Computing

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

Abstract

Peningkatan transaksi e-commerse telah membuat para pelaku pasar mengalihkan proses jual-beli ke arah modernisasi melalui internet. Banyak Website penyedia layanan jual-beli online yang bermunculan hingga memudahkan juga bagi konsumen untuk mengutarakan opininya mengenai produk yang dia beli serta produsen dalam mengetahui opini konsumen tersebut. Sayangnya opini mengenai review suatu produk yang dijumpai, jumlah nya sangat banyak dan menyulitkan untuk ditarik kesimpulan. Pada penelitian ini dilakukan analisis untuk membuat sebuah sistem yang dapat memberikan klasifikasi dan ringkasan atas review produk tersebut. Review tehadap suatu produk, umumnya tidak hanya kepada produk itu sendiri namun lebih banyak kepada fiturfiturnya. Untuk itu dilakukan juga analisis untuk dapat mengambil fitur-fitur dari produk dan kata opininya menggunakan metode Noun Phrase Chunking dan Double Propagation. Klasifikasi ditingkat aspek dilakukan untuk menentukan opini–opini pada review produk kedalam opini positif dan negatif. Ada banyak metode untuk melakukan klasifikasi tersebut, pada penelitian ini digunakan metode Unsupervised berbasis kesamaan polarity pada setiap kata opini yang muncul bersamaan yang dihubungkan dengan sebuah konjungsi “and” yang mampu memberikan orientasi opini dengan tepat.
Isolated Word Recognition Using Ergodic Hidden Markov Models and Genetic Algorithm Nyoman Rizkha Emillia; Suyanto Suyanto; Warih Maharani
TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 10, No 1: March 2012
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/telkomnika.v10i1.769

Abstract

Speech to text was one of speech recognition applications which speech signal was processed, recognized and converted into a textual representation. Hidden Markov model (HMM) was the widely used method in speech recognition. However, the level of accuracy using HMM was strongly influenced by the optimalization of extraction process and modellling methods. Hence in this research, the use of genetic algorithm (GA) method to optimize the Ergodic HMM was tested. In Hybrid HMM-GA, GA was used to optimize the Baum-Welch method in the training process. It was useful to improve the accuracy of the recognition result which is produced by the HMM parameters that generate the low accuracy when the HMM are tested. Based on the research, the percentage increases the level of accuracy of 20% to 41%. Proved that the combination of GA in HMM method can gives more optimal results when compared with the HMM system that not combine with any method.
Analisis dan Klasifikasi Opini pada Porduct Review Menggunakan Metode Semi-Supervised Mochammad Arif Bijaksana; annisa Imadi Puti; Warih Maharani
Indonesia Symposium on Computing Indonesia Symposium on Computing (IndoSC) 2016
Publisher : Indonesia Symposium on Computing

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

Abstract

Review produk merupakan informasi penting bagi konsumen dan produsen. Bagi konsumen, review sering dijadikan sebagai referensi dan acuan untuk mengambil keputusan. Jumlah review produk yang banyak membuat isi review tidak dapat disimpulkan dengan cepat dan tepat. Untuk mengatasi masalah tersebut, diperlukan suatu sistem yang secara otomatis dapat mengidentifikasi fitur-fitur dan review dan mengklasifikasikannya ke dalam polaritas positif atau negatif. Penilitian tugas akhir ini dilakukan untuk menganalisis klasifikasi dari review produk. Sebelum memasuki analisis klasifikasi, penelitian dimulai dari proses ekstraksi fitur menggunakan metode type dependency parser, identifikasi noun phrase parser dan AER. Fitur hasil ekstraksi kemudian dilihat polaritas opininya menggunakan metode semi-supervised dengan melakukan pembangunan graph berbasis lexicon berisi kata-kata opini positif-negatif yang dikembangkan sinonimnya.
Analisis Performansi Algoritma Rough Adaptive Neuro-Fuzzy Inference System Warih Maharani
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2008
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

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

Abstract

Rough adaptive neuro-Fuzzy Inference System (RANFIS) merupakan suatu metode yang menggabungkanantara teori rough set, sistem fuzzy dan sistem jaringan syaraf tiruan (JST). Sistem ini memiliki berbagaiparameter yang berperan dalam menghasilkan evaluasi prediksi yang cukup baik. Paper ini menjelaskantentang performansi learning dari algoritma JST, kemampuan prediksi dari algoritma fuzzy serta kemampuanrough set dalam menurunkan nilai error dari keluaran JST untuk memprediksi nilai saham. Hasil pengujianmenunjukkan bahwa algoritma RANFIS yang melibatkan jaringan syaraf tiruan, sistem fuzzy dan Rough Set,mampu membangun suatu sistem peramalan nilai saham yang baik dengan kontribusinya masing-masing..Keywords: Rough adaptive neuro-Fuzzy Inference System (RANFIS), rough set, fuzzy, jaringan syaraf.
Implementation and Analysis Optimal Flexible Frequency Discretization (OFFD) Method to Minimize Classification Error at Naïve Bayes Classification Dita Martha Pratiwi; Warih Maharani; Intan Nurma Yunita
Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2011: SNTIKI 3
Publisher : UIN Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (821.419 KB)

Abstract

Naive Bayes is one of the classification techniques in data mining that apply Bayes Theorem in its processing and provide optimal result when each attributes in dataset is independent. But generally, a dataset has numeric attributes and nominal attributes are dependence so that if considered independent, it can cause classification error problems. Therefore, it needs a method to minimize the error rate, the method is discretize strategy. Discretization is a method that maps some numerical values (X) into an interval of nominal value (X*) based on the frequency setting in one interval so it can get number of interval formed in one numeric attribute. One of discretization method adopted in this research is Optimal Flexible Frequency Discretization (OFFD) based on sequential search and wrapper based supervised for incremental learning. This method will be carried out wrapper feature selection to get optimal attributes based on its fMeasure parameter. Then, optimal dataset will de discrete in sequential search for the minimum frequency on each interval. Based on the results of testing, showed that the OFFD influenced by the process of selecting attributes of Best First Search on the Wrapper Feature Selection, so that influence the decline in the value of the error. Keywords : wrapper based, Feature Selection, discretization, sequential search, Naïve Bayes, Optimal Flexible Frequency Discretization,  interval frequency
Analisis Performansi Framework Prado dan Cakephp pada Aplikasi Web Ajax Yanuar Firdaus AW; Warih Maharani
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2008
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

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

Abstract

Framework berbasis PHP memberi solusi dengan menyertakan dukungan penerapan Ajax pada fiturframeworknya. Dua framework yang banyak digunakan, PRADO dan CakePHP menerapkan dukungan Ajaxdengan cara yang berbeda. PRADO dengan ciri khas arsitektur event-driven dan component based, mendukungpenerapan Ajax melalui penggunaan Active Controls. Sedangkan CakePHP dengan arsitektur Model-View-Controller, menerapkan Ajax melalui penggunaan kelas Helpers, yaitu Ajax Helpers. Paper inimemrbandingkan penerapan aplikasi web Ajax dengan menggunakan framework PRADO dan CakePHP.Parameter yang dibandingkan adalah kemudahan proses pembangunan aplikasi, ketersediaan fitur-fitur Ajax,dan juga kehandalan dari sisi performansi aplikasi web yang dihasilkan. Hasil pengujian menunjukkanperformansi aplikasi web yang dihasilkan dengan CakePHP lebih baik dari pada framework PRADO.Keywords: framework, PRADO, CakePHP, Ajax.
Analisis Semantic Similarity pada Item Based Recommender System Warih Maharani; Yanuar Firdaus AW
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2008
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

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

Abstract

Recommender system merupakan sebuah program yang dapat digunakan untuk memprediksi sebuahitem berdasarkan informasi yang diperoleh dari user[1].Collaborative filtering merupakan allgoritma yangtelah banyak digunakan dalam melakukan proses filtering. Paper ini menjelaskan tentang analisis akurasiprediksi yang diperoleh dari recommender system berdasarkan perbandingan training set dengan test set,ukuran neighborhood, ukuran model, serta nilai variabel α sebagai parameter dalam menghitung similarity.Hasil pengujian menunjukkan bahwa akurasi prediksi yang dihasilkan oleh algoritma adjusted cosine similaritydan semantic similarity relatif lebih lebih rendah jika dibandingkan dengan adjusted cosine similarity tanpasemantic similarity .Keywords: Recommender system, semantic similarity, adjusted cosine similarity.
Big five personality prediction based in Indonesian tweets using machine learning methods Warih Maharani; Veronikha Effendy
International Journal of Electrical and Computer Engineering (IJECE) Vol 12, No 2: April 2022
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijece.v12i2.pp1973-1981

Abstract

The popularity of social media has drawn the attention of researchers who have conducted cross-disciplinary studies examining the relationship between personality traits and behavior on social media. Most current work focuses on personality prediction analysis of English texts, but Indonesian has received scant attention. Therefore, this research aims to predict user’s personalities based on Indonesian text from social media using machine learning techniques. This paper evaluates several machine learning techniques, including naive Bayes (NB), K-nearest neighbors (KNN), and support vector machine (SVM), based on semantic features including emotion, sentiment, and publicly available Twitter profile. We predict the personality based on the big five personality model, the most appropriate model for predicting user personality in social media. We examine the relationships between the semantic features and the Big Five personality dimensions. The experimental results indicate that the Big Five personality exhibit distinct emotional, sentimental, and social characteristics and that SVM outperformed NB and KNN for Indonesian. In addition, we observe several terms in Indonesian that specifically refer to each personality type, each of which has distinct emotional, sentimental, and social features.