Garuda - Garba Rujukan Digital

p-Index From 2019 - 2024

14.589

P-Index

This Author published in this journals

All Journal Journal of Enviromental Engineering and Sustainable Technology Jurnal Teknologi Informasi dan Ilmu Komputer JURNAL PENGABDIAN KEPADA MASYARAKAT Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Indonesian Journal of Electrical Engineering and Computer Science Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi (JUST-SI)

Indriati Indriati

Fakultas Ilmu Komputer, Universitas Brawijaya

Author-ID : 2841777

Arts Humanities Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Social Sciences

Published : 170 Documents Claim Missing Document

Claim Missing Document

Articles

1 2 3 4 5

SENTIMENT ANALYSIS FOR REVIEW MOBILE APPLICATIONS USING NEIGHBOR METHOD WEIGHTED K-NEAREST NEIGHBOR (NWKNN) Indriati Indriati; Achmad Ridok
Journal of Environmental Engineering and Sustainable Technology Vol 3, No 1 (2016)
Publisher : Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Brawijaya

Indonesia a potential market for business because of a large number of smartphone users, especially developers of mobile applications. Each application stores allow the user to provide a review of the application used. The review is not only beneficial for prospective users of the application but also beneficial for the application developer. Review of the applications that are influenced by emotion (sentiment) are grouped or classified to determine positive and negative polarization. Therefore, it is necessary to have an application that can perform sentiment analysis for the mobile app reviews using Neighbor-Weighted K-Nearest Neighbor (NWKNN) classification method with high accuracy results. NWKNN method is able to classify mobile application review documents on the balanced data with current value of k = 20 gives the best f-measure average value of 0.9 with ratio of training data and test data 80%: 20%. However, for the imbalanced data with value of k = 45 gives the best f-measure average value of 0.797 with a ratio of training data and test data 80%: 20%. Based on the results, the effect of imbalanced data to the accuracy of the NWKNN methods by comparing NWKNN and KNN methods, it was found that the value of F-Measure NWKNN method is better than KNN method with gap of 0,27, due to the added weight on class minority overcome misclassification problem on minority class.

Klasifikasi Ulasan Palsu Menggunakan Borderline Over Sampling (BOS) dan Support Vector Machine (SVM) (Studi Kasus : Ulasan Tempat Makan) Aisyah Awalina; Fitra Abdurrachman Bachtiar; Indriati Indriati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 2: April 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022925692

Kemudahan memperoleh informasi saat ini telah banyak membantu manusia, salah satu mencari ulasan untuk tempat makan baru. Pencarian ulasan ini dipicu karena pengunjung tidak mengetahui layanan dari tempat tersebut. Ulasan juga dapat menguntungkan penjual, karena mereka mengetahui pengalaman yang dimiliki pengunjungnya. Oleh karena itu, ulasan palsu dimanfaatkan banyak orang untuk membuat ulasan palsu. Ulasan palsu bisa secara efektif dibedakan menggunakan machine learning. Namun, banyak dari dataset ulasan palsu ini tidak seimbang (imbalanced dataset) sehingga dapat mempengaruhi hasil klasifikasi. Oleh karena itu, penelitian ini menggunakan metode BOS untuk mengatasi tidak seimbangnya data dan melakukan klasifikasi dengan metode SVM. Adapun tahapan dari penelitian yaitu preprocessing, lalu pembobotan kata dengan TF-IDF dan fitur sentimen menggunakan lexicon-based features, dilanjutkan proses menyeimbangkan dataset dengan BOS, setelah itu proses klasifikasi oleh SVM. Adapun langkah dalam pengujian BOS dan SVM yaitu pembagian data latih dan uji dengan 80%:20%, setelah itu pencarian parameter terbaik pada data latih dengan 5-fold cross validation, dan dievaluasi dengan data uji. Adapun nilai parameter terbaik pada BOS dan SVM yaitu N dengan nilai 400% dimana hasil evaluasi akurasi dengan nilai 78,6%; precision dengan nilai 19,7%; recall dengan nilai 17,1%; f-measure dengan nilai 14,4%; dan g-mean dengan nilai 32%. Oleh karena itu, penggunaan BOS dapat meningkatkan hasil evaluasi dari terhadap klasifikasi ulasan palsu.AbstractThe convenience of obtaining information nowadays has helped many people such as looking for reviews for new places to eat. The search for reviews was triggered because visitors were not aware of the services of the place. Reviews can also benefit sellers, because they know the experience their visitors have had. Therefore, many people abuse reviews to create spam reviews. Spam reviews can be effectively resolved using machine learning. However, many of these spam review datasets are imbalanced and thus may affect classification results. In this study, BOS algorithm was used to overcome data imbalances, and SVM algorithm for the classification of spam reviews. The stages of the research are preprocessing, then weighting words with TF-IDF and sentiment features using lexicon-based features, followed by the process of balancing the dataset with BOS, and classification process with SVM. Step in testing BOS and SVM are split data of training and test data with 80%:20%, after that the search for the best parameters in the training data with 5-fold cross-validation, and evaluated with test data. The best parameter values for BOS and SVM were N with a value of 400% where the results of the accuracy evaluation were 78.6%; precision with a value of 19.7%; recall with a value of 17.1%; f-measure with a value of 14.4%; and g-mean with a value of 32%. Therefore, use of BOS can improve the evaluation results from the classification of spam reviews.

Analisis Sentimen terhadap Kebijakan Kuliah Daring Selama Pandemi Menggunakan Pendekatan Lexicon Based Features dan Support Vector Machine Natasya Eldha Oktaviana; Yuita Arum Sari; Indriati Indriati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 2: April 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022925625

Adanya virus baru yaitu COVID-19 atau SARS-CoV-2 yang berasal dari Wuhan, China pada awal tahun 2020 telah menggemparkan seluruh warga dunia salah satunya Indonesia dan memiliki tingkat penularan yang tinggi. Sehingga untuk meminimalisir penyebaran COVID-19, pemerintah Indonesia menetapkan salah satu kebijakan dalam dunia pendidikan yaitu pembelajaran/perkuliah online. Kebijakan tersebut mengakibatkan seluruh penyebaran informasi berubah menjadi online dan memberikan dampak yang luas bagi keberlanjutan pendidikan di Indonesia. Hal tersebut menimbulkan kontroversi pada kalangan masyarakat dan banyak yang akhirnya beropini pada media sosial, salah satunya Twitter. Analisis sentimen berguna untuk mengetahui ketepatan komputasi sistem dalam mengenali pembicaraan pada Twitter mengenai kebijakan pembelajaran online cenderung bersentimen negatif atau positif dengan menggunakan metode Support Vector Machine dan Lexicon Based Features. Penggunaan Lexicon Based Features berpengaruh terhadap objek penelitian yang menghasilkan nilai accuracy 0,6, nilai precision 0,56, nilai recall 0,75, dan fmeasure 0,64 dengan parameter optimal dalam mencapai konvergensi yaitu ???? (Lambda) = 0,7, nilai parameter ???? (gamma) = 0,0001, nilai parameter ???? (Kompleksitas) = 0,0001, iterasi = 50, dan ???? (Epsilon) = 0,00000001. Hal tersebut menunjukkan bahwa metode yang digunakan pada penelitian ini dapat mengenali pembicaraan data komentar pada Twitter karena dibuktikan dengan nilai accuracy yang cukup tinggi.AbstractThe existence of a new virus, namely COVID-19 or SARS-CoV-2, that come from Wuhan, China, in early 2020, has shocked all citizens of the world, including Indonesia, and has a high transmission rate. So to minimize the spread of COVID-19, the Indonesian government has set one policy in online learning/lectures. This policy resulted in all information dissemination being online and had a broad impact on education in Indonesia. This policy caused controversy among the public, and many ended up giving opinions on social media, one of which was Twitter. Sentiment analysis is useful for determining the timeliness of system computing in discussions on Twitter regarding online learning policies that tend to have negative or positive sentiments using the Support Vector Machine and Lexicon Based Features methods. The use of Lexicon Based Features affects the object of research which produces an accuracy value of 0.6, a precision value of 0.56, a recall value of 0.75, and a size of 0.64 with the optimal parameter in achieving convergence, namely (Lambda) = 0.7, the parameter value (gamma) = 0.0001, the parameter value (Complexity) = 0.0001, iterations = 50, and (Epsilon) = 0.00000001. This evaluation value shows that the method used in this study can recognize the conversation of comment data on Twitter because a fairly high accuracy value evidences it.

Analisis Sentimen Mengenai Moda Raya Terpadu (MRT) Jakarta dengan Metode BM25 dan K-Nearest Neighbor Indriati - Indriati; Bayu Rahayudi; Candra Dewi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 2: April 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021824508

Moda Raya Terpadu (MRT) Jakarta merupakan alat transportasi berkecepatan tinggi berupa kereta rel listrik yang ada di ibukota Jakarta . Adanya banyak tanggapan positif maupun negatif dari masyarakat dapat dipergunakan sebagai masukan bagi operator layanan MRT Jakarta untuk terus bisa memperbaiki pelayanan demi terwujudnya angkutan massal yang berguna bagi masyarakat. Proses pengumpulan data tanggapan dapat diperoleh dari sosial media maupun komentar-komentar di setiap pemberitaan mengenai MRT Jakarta. Data-Data tersebut akan diolah dulu dengan melewati tahapan preprocessing untuk diklasifikasikan menjadi sentimen yang bersifat positif maupun sentimen yang bersifat negatif. Metode untuk mengklasifikasikan tanggapan adalah K-Nearest Neighbor dengan menggunakan metode BM25 sebagai metode untuk mengetahui kesamaan antar data. Proses pengujian yang digunakan pada penelitian ini yaitu cross validation dengan k-fold sebanyak 5. Pengujian dilakukan dengan jumlah data data uji sebanyak 130 dokumen dan data latih sebanyak 520 dokumen untuk setiap fold. Berdasarkan rata-rata hasil pengujian diperoleh hasil terbaik pada nilai k=11 dengan nilai f-measure sebesar 0,89088, recall sebesar 0,934286, dan precision sebesar 0,852351. Hasil pengujian menunjukkan nilai k yang semakin besar menghasilkan nilai f-measure yang semakin kecil karena proses klasifikasi berjalan kurang baik dengan banyaknya tetangga yang tidak sama kelasnya dengan data uji digunakan untuk menentukan kelas data uji.

Identifikasi Jenis Attention Deficit Hyperactivity Disorder (ADHD) Pada Anak Usia Dini Menggunakan Metode Neighbor Weighted K-Nearest Neighbor (NWKNN) Putri Nur Fadila; Indriati .; Dian Eka Ratnawati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 3 No 3: September 2016
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

AbstrakFase pertumbuhan dan perkembangan merupakan fase terpenting pada manusia, khususnya pada anak usia dini. Pertumbuhan dan perkembangan pada anak mempengaruhi bagaimana seorang anak tersebut ketika mencapai dewasa baik dari segi mental, fisik, maupun kecerdasaannya. Tentunya tidak semua anak mengalami perkembangan yang normal, bisa saja ada yang mengalami gangguan perkembangan. Salah satu gangguan perkembangan yang sering dialami pada anak usia dini adalah ADHD (Attention Deficit Hyperactivity Disorder). Untuk ADHD sendiri terdapat tiga jenis yaitu Inattention, Impulsif, dan Hyperactivity. Pada penelitian ini akan dilakukan identifikasi jenis ADHD berdasarkan gejala yang muncul menggunakan metode klasifikasi Neighbor Weigted K-Nearest Neighbor (NWKNN). Metode NWKNN merupakan metode perkembangan dari metode KNN, yang membedakan adalah pada NWKNN terdapat proses pembobotan terhadap setiap jenis yang akan di klasifikasikan. Pada penelitian ini akan dilakukan identifikasi jenis yang terdiri atas 4 jenis meliputi Inattention, Impulsif, Hyperactivity, dan Tidak ADHD. Hasil dari penelitian ini menunjukkan bahwa metode NWKNN dapat melakukan identifikasi jenis ADHD dengan baik ketika data latih yang digunakan sebanyak 80 data dengan data uji sebanyak 20 data, nilai K=10, dan nilai E=4 dengan hasil akurasinya mencapai 95%. Pada penelitian ini juga membuktikan bahwa metode NWKNN memiliki rata-rata akurasi 2% lebih baik dibandingkan metode KNN dalam melakukan identifikasi jenis ADHDKata Kunci: Perkembangan, Anak Usia Dini, ADHD, dan Metode NWKNNAbstractGrowth and development are the most important fase for human, especially for early age children. Growth and development indeed give an influence on how the child in mentalism, physical and shrewdness aspect when they are getting older. Not every children has a normal development, some of them can have development disruption. One of development disruptions that happen often for early age children is ADHD (Attention Deficit Hyperactivity Disorder). For ADHD, it has three kinds, which are inattention, impulsif and hyperactivity. In this research, the researcher will detect the kind of ADHD based on symptom arise using Neighbor Weigted K-Nearest Neighbor (NWKNN) method. NWKNN method is one of development methods from KNN method, the different is on NWKNN there is integrity process on every kind which being classified. In this research, there will be done some identification kind which consist of 4 kinds, Inattention, Implusif, Hyperactivity and not ADHD. The result of this research shows that NWKNN method able to done the ADHD identification well when data consist of 80 data training, 20 data testing, K score=10, and E score=4 with accuracy result that reach 95%. In this research also prove that NWKNN method have an accuracy of 2% better than KNN method to detect kind of ADHD.Keywords: Development, Early Age Children, ADHD, and NWKNN Method

PENINGKATAN MANAJEMEN DATA MELALUI SISTEM APLIKASI POSYANDU DI KECAMATAN LOWOKWARU MALANG Lailil Muflikhah; Daneswara Jauhari; Indriati Indriati
JURNAL PENGABDIAN KEPADA MASYARAKAT Vol 23, No 4 (2017): OKTOBER - DESEMBER
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/jpkm.v23i4.8606

AbstrakPos Pelayanan Terpadu (Posyandu) merupakan upaya dari masyarakat dalam meningkatkan kesehatan masyarakat dengan memberikan layanan kesehatan dasar secara mudah dan ekonomis.Namun kurangnya partisipasi dari masyarakat akan pentingnya Posyandu mendorong dilakukannya kegiatan pengabdian masyarakat ini dengan membuat sistem aplikasi berbasis android. Sistem ini ditujukan untuk pencatatan selama kegiatan posyandu dan pemberian informasi seputar kegiatan informasi serta perkembangan balita. Adapun tahapan kegiatan dimulai dengan surveykegiatan terkait dengan analisis kebutuhan sistem, perancangan dan implmementasi sistem, tahapan selanjutnya adalah pelatihan terhadap pemakai aplikasi, baik bagi kader posyandu maupun ibu balita. Tahap akhir merupakan evaluasi terhadap tingkat kegunaan sistem bagi petugas dan peserta posyandu. Berdasarkan hasil kuisioner diperoleh bahwasannnya sistem aplikasi tersebut telahmemenuhi kebutuhan untuk dioperasikan secara efektif (83.67% responden), efisien (65% responden) dengankemudahan (89.3% responden) serta 79% menyatakan tingkat kepuasan yang relatif tinggi.Kata kunci: android, kader, kesehatan, posyandu, sistemAbstractIntegrated Service Post (Posyandu) is an effort of the community in improving public health by providing basic health services in effective and efficient. However, the lack of participant on the importanceof Posyandu encourages this community service to develop application system based on android. Thissystem is intended for reserving the data information including cadre of Posyandu and children under five. First, survey activities related to system requirements analysis, design and implementation of the system. The next stage is training on application users, eithercadre orchildren’s parent. The final stage is usability evaluation of application system. Based on questionnaire, the evaluation result is effectively rate of 83.6%, efficiently rate of 65%, easily rate of 89.3%, and satisfaction rate of 79.3%.Keywords: android, cadre, health, posyandu,system

Evaluasi Performasi Ruang Warna pada Klasifikasi Diabetic Retinophaty Menggunakan Convolution Neural Network Candra Dewi; Andri Santoso; Indriati Indriati; Nadia Artha Dewi; Yoke Kusuma Arbawa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834459

Semakin meningkatnya jumlah penderita diabetes menjadi salah satu faktor penyebab semakin tingginya penderita penyakit diabetic retinophaty. Salah satu citra yang digunakan oleh dokter mata untuk mengidentifikasi diabetic retinophaty adalah foto retina. Dalam penelitian ini dilakukan pengenalan penyakit diabetic retinophaty secara otomatis menggunakan citra fundus retina dan algoritme Convolutional Neural Network (CNN) yang merupakan variasi dari algoritme Deep Learning. Kendala yang ditemukan dalam proses pengenalan adalah warna retina yang cenderung merah kekuningan sehingga ruang warna RGB tidak menghasilkan akurasi yang optimal. Oleh karena itu, dalam penelitian ini dilakukan pengujian pada berbagai ruang warna untuk mendapatkan hasil yang lebih baik. Dari hasil uji coba menggunakan 1000 data pada ruang warna RGB, HSI, YUV dan L*a*b* memberikan hasil yang kurang optimal pada data seimbang dimana akurasi terbaik masih dibawah 50%. Namun pada data tidak seimbang menghasilkan akurasi yang cukup tinggi yaitu 83,53% pada ruang warna YUV dengan pengujian pada data latih dan akurasi 74,40% dengan data uji pada semua ruang warna. AbstractIncreasing the number of people with diabetes is one of the factors causing the high number of people with diabetic retinopathy. One of the images used by ophthalmologists to identify diabetic retinopathy is a retinal photo. In this research, the identification of diabetic retinopathy is done automatically using retinal fundus images and the Convolutional Neural Network (CNN) algorithm, which is a variation of the Deep Learning algorithm. The obstacle found in the recognition process is the color of the retina which tends to be yellowish red so that the RGB color space does not produce optimal accuracy. Therefore, in this research, various color spaces were tested to get better results. From the results of trials using 1000 images data in the color space of RGB, HSI, YUV and L * a * b * give suboptimal results on balanced data where the best accuracy is still below 50%. However, the unbalanced data gives a fairly high accuracy of 83.53% with training data on the YUV color space and 74,40% with testing data on all color spaces.

Analisis Sentimen Kebijakan Kampus Merdeka Menggunakan Naive Bayes dan Pembobotan TF-IDF Berdasarkan Komentar pada Youtube Dhaifa Farah Zhafira; Bayu Rahayudi; Indriati Indriati
Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi Vol 2 No 1 (2021): Agustus
Publisher : Fakultas Ilmu Komputer Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/justsi.v2i1.24

Kebijakan Kampus Merdeka merupakan salah satu kebijakan baru yang digagas oleh Menteri Pendidikan dan Kebudayaan Republik Indonesia (Mendikbud RI). Kebijakan tersebut tengah ramai disorot publik khususnya pada platform Youtube berkaitan dengan video unggahan Mendikbud di kanalnya. Pada Youtube, opini masyarakat dapat membanjiri kolom komentar dalam sekejap karena kemunculannya sebagai platform pertama yang menawarkan fasilitas konten audio visual. Penelitian ini mencoba menganalisis opini masyarakat yang tertampung dalam kolom komentar Youtube ke dalam klasifikasi sentimen positif dan negatif. Klasifikasi diimplementasikan pada Google Colaboratory yang berbasis bahasa Python dan Jupyter Notebook dengan algoritme Naive Bayes Classifier serta pembobotan kata Term Frequency Inverse Document Frequency (TF-IDF). 5 proses utama dalam penelitian ini yang meliputi pelabelan manual, text preprocessing, pembobotan TF-IDF, validasi data menggunakan k-fold cross validation, dan klasifikasi. Hasil akurasi terbaik sebesar 97% yang didapat dengan menggunakan 900 data latih, 100 data uji, menerapkan pembobotan TF-IDF, dan 10-fold cross validation. Rata-rata akurasi yang didapat dari 10 iterasi pada k-fold cross validation yaitu sebesar 91.8% dengan nilai precision, recall, f-measure sebesar 90.35%, 93.6%, 91.95%. Berdasarkan hasil tersebut, Naive Bayes Classifier cukup baik sebagai alternatif untuk analisis sentimen.

Cyberbullying identification in twitter using support vector machine and information gain based feature selection Ni Made Gita Dwi Purnamasari; M. Ali Fauzi; Indriati Indriati; Liana Shinta Dewi
Indonesian Journal of Electrical Engineering and Computer Science Vol 18, No 3: June 2020
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijeecs.v18.i3.pp1494-1500

Cyberbullying is one of the actions that violate the ITE Law where the crime is committed on social media applications such as Twitter. This action is difficult to detect if no one is reporting the tweet. Cyberbullying tweet identification aims to classify tweets that contain bullying. Classification is done using Support Vector Machine method where this method aims to find the dividing hyperplane between negative and positive class. This study is a text classification where more data is used, the more features are produced, therefore this research also uses Information Gain as feature selection to select features that are not relevant to the classification. The process of the system starts from text preprocessing with tokenizing, filtering, stemming and term weighting. Then perform the information gain feature selection by calculating the entropy value of each term. After that perform the classification process based on the terms that have been selected, and the output of the system is identification whether the tweet is bullying or not. The result of using SVM method is accuracy 75%, precision 70.27%, recall 86.66% and f-measure 77.61% on experiment maximum iteration = 20, λ = 0.5, γ = 0.001, ε = 0.000001, and C = 1. The best threshold of information gain is 90%, with accuracy 76.66%, precision 72.22%, recall 86.66% and f-measure 78.78%.

Analisis Sentimen Kebijakan New Normal dengan Menggunakan Automated Lexicon Senti N-Gram Rifki Akbar Siregar; Yuita Arum Sari; Indriati Indriati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231015006

Dalam menghadapi pandemi COVID-19 ini, pemerintah Indonesia mengeluarkan beberapa kebijakan di antaranya adalah Pembatasan Sosial Berskala Besar, dan New normal. Kebijakan New normal ini kemudian menjadi ramai diperbincangkan oleh masyarakat. Analisis sentimen dari opini yang beredar terkait isu tersebut dapat dilakukan sehingga pemerintah dapat mengevaluasi kebijakan tersebut. Dalam penelitian ini diusulkan menggunakan Lexicon Senti-N-Gram untuk analisis sentimen dengan tujuan untuk mengetahui pengaruh Lexicon Senti-N-Gram pada analisis sentimen Bahasa Indonesia. Adapun penelitian ini menggunakan data sebanyak 350 data tweet yang terbagi menjadi 229 tweet kelas positif dan 121 tweet kelas negatif. Hasil evaluasi yang diperoleh dengan menggunakan data dengan stemming lebih tinggi dibandingkan dengan data tanpa stemming. Hasil pengujian kinerja sistem terhadap lexicon Senti-N-Gram mendapatkan nilai accuracy sebesar 63,42%, precision sebesar 77%, recall sebesar 62,88%, dan f-measure sebesar 69,23% dengan nilai rata-rata kappa antar Annotator sebesar 0.5395 untuk data yang melalui proses stemming. Berdasarkan hasil pengujian yang telah diperoleh dapat disimpulkan bahwa proses stemming serta proses translasi kata satu per satu yang dilakukan dapat memengaruhi kata berdasarkan konteksnya. AbstractIn dealing with the COVID-19 pandemic, the Indonesian government has issued several policies, including Large-Scale Social Restrictions and New normal. The New normal policy then became widely discussed by the public. Sentiment analysis of the opinions circulating on this issue can be carried out so that the government can evaluate the policy. In this study, it is proposed to use the Lexicon Senti-N-Gram for sentiment analysis in order to determine the effect of the Lexicon Senti-N-Gram on Indonesian sentiment analysis. The research used 350 tweets, which were divided into 229 positive class tweets and 121 negative class tweets. The evaluation results obtained using stemming data were higher than those without stemming. The results of the system performance test of the Lexicon Senti-N-Gram obtained an accuracy value of 63.42%, 77% precision, 62.88% recall, and 69.23% f-measure with an average kappa value between Annotators of 0.5395 for data that goes through the stemming process. Based on the test results that have been obtained, it can be concluded that the stemming process and the process of translating words one by one can affect words based on their context.

Co-Authors Abdul Azis Adjie Sumanjaya Abel Filemon Haganta Kaban Achmad Arwan Achmad Burhannudin Achmad Ridok Achmad Ridok Ade Wahyu Muntizar Adella Ayu Paramitha Adinugroho, Sigit Afif Musyayyidin Aghata Agung Dwi Kusuma Wibowo Agus Wahyu Widodo Ahmad Afif Supianto Ahmad Fauzan Rahman Ahmad Nur Royyan Aisyah Awalina Aisyah Awalina Alaikal Fajri Nur Alfian Alfita Nuriza Alvin Naufal Wahid Anak Agung Bagus Arisetiawan Andhika Satria Pria Anugerah Andre Rino Prasetyo Andri Santoso Anggara Priambodo Jhohansyah Anjelika Hutapea Annisa Selma Zakia Ardhimas Ilham Bagus Pranata Arief Andy Soebroto Arifin Kurniawan Arinda Ayu Puspitasari Arthur Julio Risa Ashshiddiqi Arya Perdana Avisena Abdillah Alwi Ayu Tifany Novarina Bagus Abdan Aziz Fahriansyah Bayu Rahayudi Benita Salsabila Berlian Bidari Ratna Sari B Beta Deniarrahman Hakim Billy Sabilal Binti Najibah Agus Ratri Binti Robiyatul Musanah Brian Andrianto Budi Darma Setiawan Candra Ardiansyah Candra Dewi Candra Dewi Chandra Ayu Anindya Putri Choirul Anam Daneswara Jauhari Dea Zakia Nathania Deny Stevefanus Chandra Deri Hendra Binawan Desy Andriani Desy Wulandari Dewi Syafira Dhaifa Farah Zhafira Dhony Lastiko Widyastomo Diajeng Ninda Armianti Dian Eka Ratnawati Dina Dahniawati Dinda Adilfi Wirahmi Durrotul Fakhiroh Dwi Suci Ariska Yanti Dyah Ayu Wulandari Edo Ergi Prayogo Edy Santoso Eka Putri Nirwandani Enggar Septrinas Erma Rafliza Fajar Pradana Faradila Puspa Wardani Fardan Ainul Yaqiin Febriana Ranta Lidya Febrina Sarito Sinaga Fera Fanesya Ferdi Alvianda Feri Angga Saputra Firda Oktaviani Putri Firda Priatmayanti Firhad Rinaldi Saputra Fitra Abdurrachman Bachtiar Frans Agum Gumelar Galuh Fadillah Grandis Ghiffary Rizal Hamdhani Guedho Augnifico Mahardika Hilmy Khairi Idris I Made Budi Surya Darma Imam Cholissodin Indah Mutia Ayudita Indriya Dewi Onantya Inosensius Karelo Hesay Jeffrey Junior Tedjasulaksana Jeowandha Ria Wiyani Joda Pahlawan Romadhona Tanjung Junda Alfiah Zulqornain Katherine Ivana Ruslim Khaira Istiqara Khalisma Frinta Kornelius Putra Aditama Ksatria Bhuana Lailil Muflikhah Liana Shanty Wato Wele Keaan Liana Shinta Dewi Liana Shinta Dewi Linda Pratiwi Ludgerus Darell Perwara Lusiyana Adetia Isadi Luthfi Mahendra M. Aasya Aldin Islamy M. Ali Fauzi Mahdarani Dwi Laxmi Mahendra Okza Pradhana Mardji Mardji Marinda Ika Dewi Sakariana Marji Marji Mentari Adiza Putri Nasution Merry Gricelya Nababan Moch Bima Prakoso Mochamad Havid Albar Purnomo Mohamad Alfi Fauzan Mohammad Birky Auliya Akbar Mohammad Fahmi Ilmi Mohammad Imron Maulana Muhammad Abdurasyid Muhammad Fauzan Ziqroh Muhammad Hakiem Muhammad Mauludin Rohman Muhammad Reza Ravi Muhammad Tanzil Furqon Muhammad Yudho Ardianto Nadia Artha Dewi Nadya Oktavia Rahardiani Nana Nofiana Nanda Ajeng Kartini Nanda Cahyo Wirawan Natasya Eldha Oktaviana Ni Made Gita Dwi Purnamasari Ni Made Gita Dwi Purnamasari Nihru Nafi' Dzikrulloh Nirmala Fa'izah Saraswati Novanto Yudistira Novia Agusvina Nur Intan Savitri Bromastuty Nurdifa Febrianti Nurina Savanti Widya Gotami Nurudin Santoso Nurul Hidayat Nurul Muslimah Pengkuh Aditya Prana Prais Sarah Kayaningtias Pratitha Vidya Sakta Puteri Aulia Indrasti Putra Pandu Adikara Putri Nur Fadila Putri Rahma Iriani Putu Amelia Vennanda Widyaswari Putu Rama Bena Putra Rachmad Ridlo Baihaqi Rahma Chairunnisa Rahmat Arbi Wicaksono Rakhman Halim Satrio Randy Cahya Wihandika Rangga Adi Satria Ratih Karika Dewi Ratna Tri Utami Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Rien Difitria Rifki Akbar Siregar Rifki Akbar Siregar Rilinka Rilinka Riska Dewi Nurfarida Riski Nova Saputra Riyant Fajar Riza Cahyani Rizal Aditya Nugroho Rizal Setya Perdana Rizaldy Aditya Nugraha Rizky Haqmanullah Pambudi Rizky Nur Ariyanti Sabrina Hanifah Salsabila Rahma Yustihan Sandra Elanda Aza Permataningrum Sinta Kusuma Wardani Siti Robbana Sutrisno Sutrisno Sutrisno Sutrisno Swandy Raja Manaek Pakpahan Tania Malik Iryana Tania Oka Sianturi Tasya Agiyola Thio Marta Elisa Yuridis Butar Butar Titus Christian Vera Rusmalawati Wayan Firdaus Mahmudy Yane Marita Febrianti Yobel Leonardo Tampubolon Yoke Kusuma Arbawa Yudha Ananda Kresna Yudha Irwan Syahputra Yudha Prasetya Anza Yuita Arum Sari Yuita Arum Sari Yulia Kurniawati Zahra Swastika Putri

Title

Found 170 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 170 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 170 Documents
Search