Articles
<![CDATA[Firefox Extension untuk Klasifikasi Komentar Spam pada Instagram Berbasis REST Services ]]>
<![CDATA[Chrismanto, Antonius Rachmat]]>;
<![CDATA[Raharjo, Willy Sudiarto]]>;
<![CDATA[Lukito, Yuan]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 5, No 2 (2019): Volume 5 No 2 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (5207.571 KB)
|
DOI: 10.26418/jp.v5i2.33010
<![CDATA[Klasifikasi komentar spam pada Instagram (IG) hanya dapat digunakan oleh pengguna melalui sistem yang berjalan di sisi client, karena data IG tidak dapat dimanipulasi dari luar IG. Dibutuhkan sistem yang dapat memanipulasi data dari sisi client dalam bentuk browser extension. Penelitian ini berfokus pada pengembangan browser extension untuk Firefox yang memanfaatkan web services REST pada layanan cloud dengan platform Amazon Web Services (AWS). Browser extension yang dikembangkan menggunakan 2 algoritma klasifikasi, yaitu KNN dan Distance-Weighted KNN (DW-KNN). Extension ini mampu menandai komentar spam dengan mengubah Document Object Model (DOM) IG menjadi berwarna merah dengan dicoret (strikethrough). Metode pengembangan extension dilakukan dengan metode Rapid Application Development (RAD). Pengujian pada penelitian ini dilakukan pada hasil implementasi browser extension dan pengukuran akurasi web service (algoritma KNN & DW-KNN). Pengujian implementasi browser extension menggunakan metode pengujian fungsionalitas, dimana setiap fitur yang telah diimplementasikan diuji apakah sudah sesuai dengan spesifikasi yang telah ditentukan sebelumnya. Pengujian akurasi web service dilakukan dengan bantuan tool SOAPUI. Hasil pengujian extension adalah: (1) pengujian extension pada sembarang halaman web berhasil 100%, (2) pengujian pada halaman awal (default) IG berhasil 100%, (3) pengujian pada halaman profile suatu akun IG berhasil 100%, (4) pengujian pada suatu posting IG dan komentarnya, tidak selalu berhasil karena dipengaruhi oleh kemampuan algoritma pada web services, (5) pengujian untuk bahasa bukan Indonesia tidak selalu berhasil karena bergantung pada library bahasa, (6) pengujian untuk load more comments pada IG tidak selalu berhasil karena bergantung pada algoritma pada web services, dan (7) pengujian pilihan algoritma pada options extension berhasil 100%. Hasil akurasi rata-rata tertinggi algoritma KNN adalah 80% untuk k=1, sedangkan DW-KNN adalah 90% untuk k=2.]]>
<![CDATA[IMPLEMENTASI ALGORITMA NAÃVE BAYES MENGGUNAKAN ISEAR UNTUK KLASIFIKASI EMOSI LIRIK LAGU BERBAHASA INGGRIS ]]>
<![CDATA[Astuti, Laksmita Widya]]>;
<![CDATA[Rachmat C., Antonius]]>;
<![CDATA[Lukito, Yuan]]>
<![CDATA[ Jurnal Informatika Vol 14, No 1 (2017): MAY 2017 ]]>
Publisher : <![CDATA[Institute of Research and Community Outreach - Petra Christian University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (306.62 KB)
|
DOI: 10.9744/informatika.14.1.16-21
<![CDATA[Lirik lagu merupakan suatu ungkapan perasaan seseorang terhadap sesuatu hal yang sudah dilihat, didengar maupun dialaminya sehingga tidak jarang emosi menjadi salah satu kriteria user dalam melakukan pencarian. Pencarian lirik melekat pada kategori yang tidak hanya terbatas berdasarkan genre atau judul lagu, namun juga melalui emosi dari lirik lagu yang diungkapkan. Agar dapat mencapai tujuan tersebut, diperlukan suatu sistem pengkategori yang mengenali lirik lagu secara otomatis dengan salah satu metode klasifikasi yaitu Naïve Bayes. Faktor yang mendorong tingginya tingkat akurasi bukan hanya terletak pada metode klasifikasi saja, namun proses sebelum menuju tahap klasifikasi juga berpengaruh pada hasil yang didapatkan. Maka dari itu, penulis melakukan penelitian melalui beberapa tahap yaitu preprocessing berupa tokenisasi, stopword dan stemming, kemudian feature selection yang digunakan adalah TF-IDF dengan bantuan ISEAR karena mengandung 7 emosi dasar. Dari ketujuh emosi dasar tersebut, tiga diantaranya merupkan emosi yang akan digunakan dalam penelitian ini yaitu anger, sadness dan joy. Hasil dari penelitian ini menunjukkan dengan menggunakan ISEAR akurasi tertinggi terdapat pada feature set 60% dan 100% yaitu sebesar 82,2%. Perbedaan signifikan dihasilkan pada penggunaan ISEAR dengan akurasi rata-rata keseluruhan porsi featureset sebesar 77% sedangkan tanpa menggunakan ISEAR rata-rata akurasi sebesar 53%. Dokumen paling relevan untuk pengujian menggunakan ISEAR terdapat pada kategori angry dengan rata-rata f-measure sebesar 0.7267.]]>
<![CDATA[Implementasi Distance Weighted K-Nearest Neighbor Untuk Klasifikasi Spam & Non-Spam Pada Komentar Instagram ]]>
<![CDATA[Chrismanto, Antonius Rachmat]]>;
<![CDATA[Lukito, Yuan]]>;
<![CDATA[Susilo, Anton]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 6, No 2 (2020): Volume 6 No 2 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v6i2.39996
<![CDATA[Instagram (IG) menjadi salah satu sosial media yang sering dipakai untuk membagikan momen dari para penggunanya. Banyak pula public figure, termasuk artis yang menggunakan sosial media ini sebagai media berbagi mereka. Namun, popularitas dari artis tersebut membuat beberapa kalangan mengirimkan komentar spam, sehingga membuat komentar itu menjadi membingungkan saat dibaca. Tujuan penelitian ini adalah mengimplementasikan dan mengetahui akurasi algoritma DWKNN untuk deteksi komentar spam pada IG. Metode DWKNN digunakan sebagai perbaikan dari metode KNN melalui pelatihan sistem dengan data latih acak. Setelah proses pelatihan, dilakukan pengujian berdasarkan data uji dan latih dengan parameter nilai k dan persentase fitur yang akan digunakan untuk menguji dan membandingkan metode KNN maupun DWKNN berdasarkan hasil klasifikasinya. Kontribusi penelitian ini menunjukkan bahwa akurasi metode DWKNN lebih baik daripada KNN, perbedaan nilai k ini tidak memiliki dampak yang terlalu berarti dalam klasifikasi komentar spam, dan seleksi fitur (Features Selection) memiliki hasil success rate yang baik pada penggunaan FS antara 80% - 100%. Akurasi optimal dari KNN adalah 82.36% sedangkan menggunakan DWKNN mencapai 91.08% pada FS 80%.]]>
<![CDATA[Sistem Kendali Terpusat Penjadwalan Perangkat Air Conditioner Berbasis Internet of Things ]]>
<![CDATA[Setiawan, Daniel Felix]]>;
<![CDATA[Saputra, Laurentius Kuncoro Probo]]>;
<![CDATA[Lukito, Yuan]]>
<![CDATA[ Jurnal Teknik Informatika dan Sistem Informasi Vol 7 No 2 (2021): JuTISI ]]>
Publisher : <![CDATA[Maranatha University Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.28932/jutisi.v7i2.3448
<![CDATA[Air Conditioner (AC) devices in Duta Wacana Christian University 2nd floor Agape computer laboratory are turned on in the morning and turned off in the evening manually by the computer laboratory officer every day after all the classes are over. Whereas there are sessions when laboratory rooms are not used, but the AC is still on. So, there is a waste of electricity. It wastes time and energy in vain. Therefore, the implementation of AC control and scheduling can be the solution. The implementation includes a program for PC that is used to control the AC and IR module that is attached to the computer laboratory’s AC. IR module consists of NodeMCU ESP8266 microcontroller and IR LED. All microcontrollers are connected to the internet over a WiFi network. The microcontroller substitutes conventional remote control. From the result, it can be concluded that the AC control and scheduling system is successfully implemented and worked well with good performance. After the system is implemented, computer laboratory officers no longer need to turn on and off the AC manually every day. Therefore, it can save energy and time. Besides that, waste of electrical energy can be minimized, because AC will turn off automatically when the laboratory room is not used.]]>
<![CDATA[Implementasi Metode TwoStep Clustering untuk Klasterisasi Karakteristik Akademik Mahasiswa ]]>
<![CDATA[Santosa, Raden Gunawan]]>;
<![CDATA[Lukito, Yuan]]>;
<![CDATA[Chrismanto, Antonius Rachmat]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 2 (2021): Volume 7 No 2 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i2.47735
<![CDATA[Salah satu algoritma clustering yang paling banyak dipakai adalah K-Means dimana algoritma ini membutuhkan masukan jumlah klaster yang ingin dibentuk. Pada kenyataannya jumlah klaster yang tepat tidak bisa diketahui sehingga pemilihan nilai k bergantung pada subyektifitas peneliti. Kemudian algoritma K-Means hanya bisa menangani atribut dalam bentuk numerik kontinyu padahal ada atribut dalam bentuk kategorikal atau campuran keduanya. Pada penelitian ini dilakukan pengelompokkan data akademik mahasiswa dengan menggunakan algoritma twostep clustering yang dapat menentukan jumlah klaster secara otomatis dan dapat menangani atribut dalam bentuk kategorikal, numerik kontinyu atau campuran keduanya. Metode twostep clustering diterapkan pada data mahasiswa angkatan 2008-2019 dengan analisis diterapkan pada setiap angkatannya. Penelitian ini menghasilkan klaster-klaster yang mencerminkan tingkat heterogenitas setiap angkatan mahasiswa. Klaster-klaster yang didapat merupakan klaster yang optimal setelah diukur menggunakan Bayesian Information Criterion dan Ratio Distance Measure.]]>
<![CDATA[Chrome Extension untuk Data Grabber Media Sosial Twitter dengan Metode XPath Selector ]]>
<![CDATA[Erinda Resha Astanti]]>;
<![CDATA[Antonius Rachmat C.]]>;
<![CDATA[Yuan Lukito]]>
<![CDATA[ Techno.Com Vol 19, No 4 (2020): November 2020 ]]>
Publisher : <![CDATA[LPPM Universitas Dian Nuswantoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.33633/tc.v19i4.4006
<![CDATA[Kebutuhan dataset sebagai sumber penelitian untuk analisis oleh data scientist terus meningkat seiring dengan semakin meningkatnya rasa keingintahuan manusia. Misalnya seperti suatu perusahaan ingin mengetahui tanggapan konsumennya tentang produk yang baru saja diluncurkan, sehingga mereka dapat menyusun langkah selanjutnya yang akan diambil oleh perusahaan tersebut. Tentu saja untuk mengetahui hal tersebut, perlu dilakukan analisis terhadap tanggapan konsumen terlebih dahulu. Analisis dilakukan menggunakan sumber data yang dapat ditemukan salah satunya pada sosial media seperti Twitter. Penelitian ini dimaksudkan untuk menyediakan aplikasi yang dapat digunakan menjadi data grabber untuk mengumpulkan data dari media sosial Twitter. Aplikasi data grabber dirancang sebagai Chrome Extension dengan implementasi metode XPath Selector diharapkan dapat mengumpulkan data tanpa terbatasi oleh batasan akses API Twitter. Sebagai gantinya dengan menerapkan metode ini, aplikasi perlu mengakses halaman web Twitter. Pemasangan aplikasi sebagai Chrome Extension memudahkan untuk menjalankan aplikasi sembari mengakses halaman web Twitter pada browser. Aplikasi TweetGrabberERA berhasil dibangun pada penelitian ini sesuai kebutuhan yang diharapkan. Pengujian yang dirancang telah menunjukkan bahwa aplikasi data grabber dengan mengimplementasikan metode XPath Selector berjalan dengan baik dan membuktikan bahwa aplikasi dapat menghasilkan dataset yang untuk keperluan keperluan analisis oleh data scientist.]]>
<![CDATA[PENERAPAN SENTIMENT ANALYSIS PADA HASIL EVALUASI DOSEN DENGAN METODE SUPPORT VECTOR MACHINE ]]>
<![CDATA[Valonia Inge Santoso]]>;
<![CDATA[Gloria Virginia]]>;
<![CDATA[Yuan Lukito]]>
<![CDATA[ Jurnal Transformatika Vol 14, No 2 (2017): January 2017 ]]>
Publisher : <![CDATA[Jurusan Teknologi Informasi Universitas Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26623/transformatika.v14i2.439
<![CDATA[The quality of lectures can be determined by some feedbacks from students. From the feedbacks, we can give appreciations for those lectures who get good feedback from students, and evaluations for those who get bad feedback. The problem is classifying large size of feedbacks manually isn’t effective and took a lot of time. Therefore, we need a system that can classify feedbacks automatically. These feedbacks will be classified into positive, negative, and neutral, usually called as sentiment analysis. Sentiment analysis implementation can be done by several methods, one of them that has a good accuracy is Support Vector Machine (SVM). SVM performance in this research is measured with the level of accuracy. The number of accuracy indicate the success level of system. The conclusion of this research is factors that affects the accuracy. The factors are the range of each classes and number of unique words in the training document.]]>
<![CDATA[Classification and Prediction of Students’ GPA Using K-Means Clustering Algorithm to Assist Student Admission Process ]]>
<![CDATA[Raden Gunawan Santosa]]>;
<![CDATA[Yuan Lukito]]>;
<![CDATA[Antonius Rachmat Chrismanto]]>
<![CDATA[ Journal of Information Systems Engineering and Business Intelligence Vol. 7 No. 1 (2021): April ]]>
Publisher : <![CDATA[Universitas Airlangga ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.20473/jisebi.7.1.1-10
<![CDATA[Background: Student admission at universities aims to select the best candidates who will excel and finish their studies on time. There are many factors to be considered in student admission. To assist the process, an intelligent model is needed to spot the potentially high achieving students, as well as to identify potentially struggling students as early as possible.Objective: This research uses K-means clustering to predict students’ grade point average (GPA) based on students’ profile, such as high school status and location, university entrance test score and English language competence.Methods: Students’ data from class of 2008 to 2017 are used to create two clusters using K-means clustering algorithm. Two centroids from the clusters are used to classify all the data into two groups: high GPA and low GPA. We use the data from class of 2018 as test data. The performance of the prediction is measured using accuracy, precision and recall.Results: Based on the analysis, the K-means clustering method is 78.59% accurate among the merit-based-admission students and 94.627% among the regular-admission students.Conclusion: The prediction involving merit-based-admission students has lower predictive accuracy values than that of involving regular-admission students because the clustering model for the merit-based-admission data is K = 3, but for the prediction, the assumption is K = 2. ]]>
<![CDATA[Analisis Kinerja Struktur Data Kd-Tree Pada Metode K-Nearest Neighbors ]]>
<![CDATA[Yuan Lukito]]>
<![CDATA[ RJOCS (Riau Journal of Computer Science) Vol. 2 No. 2 (2016): Riau Journal of Computer Science ]]>
Publisher : <![CDATA[RJOCS (Riau Journal of Computer Science) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (85.654 KB)
|
DOI: 10.30606/rjocs.v2i2.866
<![CDATA[K-Nearest Neighbors is a commonly used classification technique that can be categorized into instance-based classification method. The performance of KNN is mostlydetermined by the size of the training data. This research compared and analyzed KD-Tree andArray data structures on KNN implementation. Dataset used in this research has largemultidimensional features. From the experiment conducted we can conclude that KD-Tree datastructure has better and relatively stable performance compared to Array data structure.]]>
<![CDATA[Identifikasi Komentar Spam Pada Instagram ]]>
<![CDATA[Antonius Rachmat Chrismanto]]>;
<![CDATA[Yuan Lukito]]>
<![CDATA[ Lontar Komputer : Jurnal Ilmiah Teknologi Informasi Vol. 8, No. 3 Desember 2017 ]]>
Publisher : <![CDATA[Institute for Research and Community Services, Udayana University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (476.532 KB)
|
DOI: 10.24843/LKJITI.2017.v08.i03.p08
<![CDATA[Spam on Instagram (IG) is generally a comment that is considered as irritating because it does not relate to the photos or videos which were commented. Spam on comment section can cause some negative impacts such as making it difficult to follow the discussion on the posted status and making someone’s photo or video looks very popular, commented by a lot of followers despite the fact that most of the comments are actually spam. This research tries to build a model that can identify spam comments on IG. The comment on IG is in text format, so in this research, we use text processing methods. We use Support Vector Machine (SVM) for spam identification. The comment data used in this study were collected from Indonesian actors and artists who are the most followed accounts in IG. We have tested the spam identification model using SVM method resulted in 78.49% of accuracy. This result is better than the baseline model using NB method (77.25%). This research also tested some of the different training data proportions and SVM remains better than NB. Another result of this research are some adaptations needed for preprocessing and stemming stages that must be customized to support Unicode characters and unique symbols that commonly found in IG comments section.]]>
