BAB IV. HASIL DAN PEMBAHASAN
4.5. Evaluation
4.5.1. Hasil Evaluasi dengan metode SVM
Hasil evaluasi dataset dengan algoritma SVM dengan model evaluasi validasi partitioningmenunjukan nilai akurasi sebesar 84,43%. akurasi yang diperoleh ditunjukkan dengan confussion matrix yang terbentuk sebagai berikut:
Tabel 4.13. Confussion matrix dengan metode SVM Partitioning
Document Positif Negatif Precision
Positif 127 34 0,907
Negatif 13 126 0,787
Recall 0,789 0,906
Sumber: hasil penelitian
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Tabel 4.13. menunjukkan hasil evaluasi menggunakan algoritma SVM Partitioning sebesar 84,43%.. confussion matrix yang terbentuk dari proses pengolahandata review aplikasi. Confusion matrix memberikan penilaian performance klasifikasi berdasarkan objek benar dan salah.
Selain confussion matrix tingkat akurasi juga didukung oleh kurva ROC, Berikut di bawah ini memampilkan kurva ROC dari algoritma SVM:
Sumber: hasil penelitian
Gambar 4.21. ROC curve dari algoritma SVM Partitioning
Kurva ROC SVM yang terbentuk dari hasil pengolahan dataset review aplikasi, Nilai AUC yang dihasilkan dari gambar 4.21 adalah sebesar 0,9305.
Berdasarkan uraian di atas maka dapat di simpulkan bahwa pengolahan data dengan menggunakan metode SVM dengan model validasi partitioning pada review aplikasi Tiok-Tok mendapatkan nilai accuracy 84,43%., Recall 0,789, precision 0,907dan AUC 0,9305.
2. Hasil evaluasi dengan Cross Validation
Hasil evaluasi dataset dengan algoritma SVM dengan model evaluasi Cross validation menunjukan nilai akurasi sebesar 87,26%. akurasi yang diperoleh ditunjukkan dengan confussion matrix yang terbentuk sebagai berikut:
Tabel 4.14. Confussion matrixdengan metode SVM Cross Validation
Document Positif Negatif Precision
Positif 417 82 0,903
Negatif 45 453 0,847
Recall 0,836 0,91
Sumber: hasil penelitian
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Tabel 4.14. menunjukkan hasil evaluasi menggunakan algoritma SVM Cross Validation menunjukkan nilai akurasi sebesar 87,26%. confussion matrix yang terbentuk dari proses pengolahandata review aplikasi. Confusion matrix memberikan penilaian performance klasifikasi berdasarkan objek benar dan salah.
Selain confussion matrix tingkat akurasi juga didukung oleh kurva ROC, Berikut di bawah ini memampilkan kurva ROC dari algoritma SVM:
Sumber: hasil penelitian
Gambar 4.22. ROC curve dari algoritma SVM Cross Validation
Kurva ROC SVM yang terbentuk dari hasil pengolahan dataset review aplikasi, Nilai AUC yang dihasilkan dari gambar 4.22. adalah sebesar 0,9716.
Berdasarkan uraian di atas maka dapat di simpulkan bahwa pengolahan data dengan menggunakan metode SVM dengan metode cross validation pada review aplikasi Tiok-Tok mendapatkan nilai accuracy 87,26%, Recall 0,836, precision 0,903 dan AUC 0,9716.
4.5.2. Hasil evaluasi dengan metode Naive Bayes 1. Hasil evaluasi dengan Partitionong
Hasil evaluasi dataset dengan algoritma NB dengan model evaluasi validasi partitioning menunjukan nilai akurasi sebesar 53,67 % diperoleh ditunjukkan dengan confussion matrix yang terbentuk sebagai berikut:
Tabel 4.15. Confussion matrix dengan metode Naive Bayes partitioning
Document Positif Negatif Precision
Positif 161 0 0,537
Negatif 139 0 0
Recall 1 0
Sumber: hasil penelitian
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Tabel 4.15. menunjukkan hasil evaluasi menggunakan algoritma Naive Bayes partitioning menunjukkan nilai akurasi sebesar 53,67 % .confussion matrix yang terbentuk dari proses pengolahandata review aplikasi. Confusion matrix memberikan penilaian performance klasifikasi berdasarkan objek benar dan salah.
Selain confussion matrix tingkat akurasi juga didukung oleh kurva ROC, Berikut di bawah ini memampilkan kurva ROC dari algoritma Naive Bayes:
Sumber: hasil penelitian
Gambar 4.23. ROC curve dari algoritma Naive Bayes partitioning
Kurva ROC Naive Bayesyang terbentuk dari hasil pengolahan dataset review aplikasi, Nilai AUC yang dihasilkan dari gambar 4.23. adalah sebesar 0,5000.
Berdasarkan uraian di atas maka dapat di simpulkan bahwa pengolahan data dengan menggunakan metode Naive Bayes pada review aplikasi Tiok-Tok mendapatkan nilai accuracy 53,67 %, Recall 1, precision 0,537 dan AUC 0,5000.
2. Hasil evaluasi dengan Cross Validation
Hasil evaluasi dataset dengan algoritma NB dengan model evaluasi Cross validation menunjukan nilai akurasi sebesar 51,96%. akurasi yang diperoleh ditunjukkan dengan confussion matrix yang terbentuk sebagai berikut:
Tabel 4.16. Confussion matrixdengan metode NB Cross Validation
Document Positif Negatif Precision
Positif 499 0 0,51
Negatif 479 19 1
Recall 1 0,038
Sumber: hasil penelitian
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Tabel 4.16. menunjukkan hasil evaluasi menggunakan algoritma NB Cross Validation menunjukkan nilai akurasi sebesar 51,96%. confussion matrix yang terbentuk dari proses pengolahandata review aplikasi. Confusion matrix memberikan penilaian performance klasifikasi berdasarkan objek benar dan salah.
Selain confussion matrix tingkat akurasi juga didukung oleh kurva ROC, Berikut di bawah ini memampilkan kurva ROC dari algoritma NB:
Sumber: hasil penelitian
Gambar 4.24. ROC curve dari algoritma Naive Bayes Cross Validation Kurva ROC Naive Bayes yang terbentuk dari hasil pengolahan dataset review aplikasi, Nilai AUC yang dihasilkan dari gambar 4.24. adalah sebesar 0,5000.
Berdasarkan uraian di atas maka dapat di simpulkan bahwa pengolahan data dengan menggunakan metode Naive Bayes pada review aplikasi Tiok-Tok mendapatkan nilai accuracy 51,96%, Recall 1, precision 0,51 dan AUC 0,5000.
4.5.3. Hasil evaluasi dengan metode KNN 1. Hasil evaluasi dengan Partitionong
Hasil evaluasi dataset dengan algoritma KNN dengan mencari nilai K terbaik dengan melakukan percobaan pada nilai k=3, k=5, k=7, k=9, k=11, k=13, k=15, k=17, k=19, k=21, k=23, k=25, k=27, k=29, dan k=31 dengan model evaluasi validasi partitioning menunjukan nilai akurasi terbaik dengan nilai k=3 sebesar 77,33% diperoleh ditunjukkan dengan confussion matrix yang terbentuk sebagai berikut:
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Tabel 4.17. Confussion matrix dengan metode KNN Partitioning
k 3
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Tabel 4.17 menunjukkan hasil evaluasi menggunakan algoritma KNN Partitioning dengan nilai k=3 menunjukkan nilai akurasi sebesar 77,33%
confussion matrix yang terbentuk dari proses pengolahan data review aplikasi.
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Confusion matrix memberikan penilaian performance klasifikasi berdasarkan objek benar dan salah.
Selain confussion matrix tingkat akurasi juga didukung oleh kurva ROC, Berikut di bawah ini memampilkan kurva ROC dari algoritma KNN:
Sumber:hasil penelitian
Gambar 4.25. ROC curve dari algoritma KNN Partitioning
Kurva ROC Naive Bayesyang terbentuk dari hasil pengolahan dataset review aplikasi, Nilai AUC yang dihasilkan dari gambar 4.25 adalah sebesar 0,8821.
Berdasarkan uraian di atas maka dapat di simpulkan bahwa pengolahan data dengan menggunakan metode Naive Bayes pada review aplikasi Tiok-Tok mendapatkan nilai accuracy 77,33% Recall 0.652, Precision 0.897, dan AUC 0,8821.
2. Hasil evaluasi dengan Cross Validation
Hasil evaluasi dataset dengan algoritma KNN dengan model evaluasi Cross validation menunjukan nilai akurasi terbaik dengan melakukan percobaan pada nilai k=3, k=5, k=7, k=9, k=11, k=13, k=15, k=17, k=19, k=21, k=23, k=25, k=27, k=29, dan k=31 dengan menghasilkan nilai terbaik jumlah k=3 sebesar 81,363 %.. akurasi yang diperoleh ditunjukkan dengan confussion matrix yang terbentuk sebagai berikut:
Tabel 4.18. Confussion matrixdengan metode KNN Cross Validation
k 3
Accuracy 81,946% AUC: 0,8574
True P True N Class Precision
Pred, P 364 135 0,89
Pred, N 45 453 0,77
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
k 21
Accuracy 74,223% AUC: 0,913
True P True N Class Precision
Pred, P 257 242 0,945
Pred, N 15 483 0,666
Class Recall 0,515 0,97
k 23
Accuracy 74,122% AUC: 0,8742
True P True N Class Precision
Pred, P 256 243 0,945
Pred, N 15 483 0,665
Class Recall 0,513 0,97
k 25
Accuracy 73,521% AUC: 0,917
True P True N Class Precision
Pred, P 250 249 0,943
Pred, N 15 483 0,66
Class Recall 0,501 0,97
k 27
Accuracy 73,42% AUC: 0,8445
True P True N Class Precision
Pred, P 247 252 0,95
Pred, N 13 485 0,658
Class Recall 0,495 0,974
k 29
Accuracy 72,818% AUC: 0,9031
True P True N Class Precision
Pred, P 241 258 0,949
Pred, N 13 485 0,653
Class Recall 0,483 0,974
k 31
Accuracy 72,818% AUC: 0,934
True P True N Class Precision
Pred, P 238 261 0,96
Pred, N 10 488 0,652
Class Recall 0,477 0,98
Sumber: hasil penelitian
Tabel 4.18 menunjukkan hasil evaluasi menggunakan algoritma KNN Cross Validation menunjukkan nilai akurasi sebesar 81,946%. confussion matrix yang terbentuk dari proses pengolahan data review aplikasi. Confusion matrix memberikan penilaian performance klasifikasi berdasarkan objek benar dan salah.
Selain confussion matrix tingkat akurasi juga didukung oleh kurva ROC, Berikut di bawah ini memampilkan kurva ROC dari algoritma KNN:
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Sumber: hasil penelitian
Gambar 4.26. ROC curve dari algoritma KNN Cross Validation
Kurva ROC KNN yang terbentuk dari hasil pengolahan dataset review aplikasi, Nilai AUC yang dihasilkan dari gambar 4.26. adalah sebesar 0,8574.
Berdasarkan uraian di atas maka dapat di simpulkan bahwa pengolahan data dengan menggunakan metode Naive Bayes pada review aplikasi Tiok-Tok mendapatkan nilai accuracy 81,946% Recall 0,729, Precision 0,89, dan AUC 0,8574.
4.5.4. Rangkuman
Hasil dari percobaan dengan menggunakan 3 metode dengan menghasilkan accuracy, precision, recall dan AUC antara algoritma SVM, Naive Bayes, dan KNN yang telah dilakukan dengan penggunaan model pratitioning dan cross validation dapat di tarik kesimpulan sebagai berikut:
1. Hasil Evaluasi Dengan Metode Partitioning
Tabel 4.19. Perbandingan Accuracy, Precision, Recall dan AUC Partitioning
Algoritma Sentimen Accuracy Precision Recall AUC SVM Positif
84,43% 0,907 0,789
0,9305
Negatif 0,787 0,906
NB Positif
53,67 % 0,537 1
0,5000
Negatif 0 0
KNN (K-3) Positif
77,33% 0.897 0.652
0,8821
Negatif 0.694 0.914
Sumber: Hasil Penelitian
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
2. Hasil Evaluasi Dengan Menggunakan Model Cross Validation
Tabel 4.20. Perbandingan Accuracy, Precision, Recall dan AUC Cross Validation
Algoritma Sentimen Accuracy Precision Recall AUC SVM Positif
3. Grafik Perbandingan Hasil Evaluasi
Gambar 4.27. Grafik Perbandingan Hasil Evaluasi
Dalam penelitian ini, hasil perhitungan dengan menggunakan ketiga metode yang pertama dengan menggunakan model Partitionong hasil dengan metode SVM mendapatkan nilai akurasi 84,43%. dengan nilai AUC sebesar 0,9305, perhitungan dengan metode KNN nilai akursinya 77,33% dengan nilai AUC sebesar 0,8821 dan perhitungan dengan metode Naive Bayes mendapatkan nilai akurasi sebesar 51,00% dengan nilai AUC sebesar 0,5000, Sedangkan untuk pengolahan data dengan model Cross validation dengan metode SVM menghasilkan akurasi sebesar 87,26% dengan nilai AUC sebesar 0,9716,
0.00%
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
perhitungan dengan menggunakan metode KNN nilai akurasinya sebesar 81,946%
dengan nilai AUC sebesar 0,899 dan dengan metode NB nilai akurasinya sebesar 51,96% dengan nilai AUC sebesar 0,5000.
Dapat disimpulkan bahwa pengolahan data dengan menggunakan metode SVM, KNN dan NB dengan menggunakan model Partitioning dan Cross Validation dapat di ketahui bahwa metode SVM dengan model Cross Validation menghasilkan nilai accuracy terbaik dibandingkan dengan menggunakan metode NB dan KNN dengan nilai accuracy sebesar 87,26% karena metode ini mengenali persebaran pola kata dalam kalimat berdasarkan data komentar yang diolah menggunakan tools KNIME Analytics Platform sehingga digunakan untuk mengetahui komentar tersebut positif atau negatif. Sedangkan untuk accuracy terendah dengan menggunakan algortima Naive Bayes karena metode ini berbasis probabilitas munculnya kata dalam setiap kalimat sehingga menghasilkan accuracy terendah.
4.6. Deployment
Berdasarkan hasil evaluasi dari proses pengujian dengan algoritma SVM, KNN, NB dengan percobaan dua model yaitu Partitioning dan Cross Validation maka dapat dilihat bahwa hasil pengujian model tertinggi dari seluruh hasil pengujian algoritma adalah SVM dengan model Partitioning. Maka dari itu bobot yang akan digunakan dalam tahap deployment ini yaitu berdasarkan dari hasil pengujian algoritma SVM Partitioning.
Setelah didapatkan korpus datad ari hasil evaluasi, korpus data tersebut dapat dimasukkan ke dalam database untuk proses deployment aplikasi analisis sentimen Aplikasi Tik-Tok. Berikut adalah tampilan Flowchart dari Aplikasi Analisis Sentimen Tik-Tok yang dibuat:
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Gambar 4.28. Flowchart Aplikasi Sentimen Aplikasi Tik-Tok
Berdasarkan flowchart pada gambar 4.28 di atas dapat dilihat bahwa dalam aplikasi Sentimen Aplikasi Tik-Tok dalam melakukan input analisis teks yaitu dengan cara manual yaitu teks review diketik atau diinput secara manual dan yang kemudian akan dilakukan proses text preprocessing.
Berikut di bawah ini pada gambar 4.29 adalah menu index atau halaman Home dari aplikasi analisis Sentimen aplikasi Tik-Tok ketika pertama kali dibuka:
Gambar 4.29. Halaman Home Aplikasi Analisa Sentimen Tik-Tok
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Setelah masuk kedalam Halaman Home, untuk masuk ke menu utama diperlukan login terlebih dahulu dengan menggunakan user dan password. Klik menu login pada tombol kanan atas, akan muncul tampilan login inputkan user dan password seperti pada gambar 4.30 di bawah ini:
Gambar 4.30. Halaman Login
Setelah dilakukan Input User dan Password dan klik tombol login maka akan masuk ke halaman menu utama yang sekaligus menampilkan menu Dashboard di mana dalam menu dashboard terdapat tampilan Pie Chart dan tabel Sentimen Analisis Tik-Tok seperti pada gambar 4.31 dibawah ini:
Gambar 4.31. Tampilan Menu Dashboard
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Pada gambar 4.31. di atas merupakan tampilan menu utama sekaligus tampilan menu dashboard yang menampilkan pie chart jumlah berbandingan review aplikasi tik-tok dengan kategori positif dan negatif yang sudah dilakukan analisis di bagan kiri halaman. Pada bagan kanan halaman terdapat tabel yang menunjukan hasil dari analisa sentimen review aplikasi tik-tok. Analisi tersebut berasal dari input secara manual yang menghasilkan prediksi kategori beserta dengan bobot nilai dari masing-masing kategori.
Gambar 4.32. Tampilan Halaman Input Review Sentime
Pada gambar 4.32 di atas menampilkan halaman menu input teks sentimen secara manual dengan cara memasuka teks yang akan di analisis untuk di prediksi kategorinya apakah masuk kategori positif atau negatif. Seteah di masukan teks secara manual yang ingin dilakukan prediksi lalu klik tombol analysis seperti pada gambar di bawah ini:
Gambar 4.33. Tampilan Halaman Hasil Prepocessing
Pada gambar 4.33 merupakan tampilan halaman hasik teks Prepocessing yang terdiri dari Stop Word Removal, Indonesian Stemming, Transformation: Remove URL, Tokenization:Regexp, @Anotation Removal, Normalization, Transformation Not Negative yang terhubung dengan GATA Framework.
Gambar 4.34. Tampilan Halaman Hasil Sentimen
Pada gambar 4.34. di atas merupakan tampilan Halaman hasil sentimen , dimana pada gambar di atas menunjukan pembobotan kata dari kategori negatif dan kategori positif serta probabilitas kata yang mengakumulasikan setiap bobot kata, apabila jumlah bobot kata negative lebih besar dari bobot kata positive maka text yang di analisa termasuk kategori Negative, namun apabila jumlah bobot kata positive lebih besar daripada negative maka text yang dianalisa merupakan kategori Positive.
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
81 BAB V PENUTUP 5.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan dengan menggunakan tools KNIME versi 4.1.2 terhadapa dataset review aplikasi tik-tok yang ada pada playstore, Penelitian di lakukan dengan menggunakan 3 metode yaitu SVM, KNN dan Naive Bayes dalam menganalisis sentimen komentar pengguna aplikasi.
Model yang di gunakan menggunakan Partitioning dan Cross Validation dari hasil penelitian dapat di simpulkan bahwa algortima Support Vector Machine (SVM) dengan model Validasi Cross Validation merupakan algortima terbaik dibandingkan dengan K-Nearest Neighbor (KNN) dan Naive Bayes (NB).
Algoritma SVM pada review aplikasi Tik-Tok mendapatkan nilai accuracy 87,26%.
5.2 Saran
Adapun saran yang diberikan berdasarkan penelitian ini sebagai berikut:
1. Perbandingan metode dapat dilakukan dengan berbagai macam metode lainya seperti Decision tree agar dapat diketahui nilai akurasi yang berbeda dari penelitian ini.
2. Menggunakan metode pemilihan fitur seperti PSO, atau SMOTE untuk mngetahui seberapa berpengaruhnya terhadap hasil akurasi.
3. Pada penelitian selanjutnya di harapkan menambah jumlah data yang di olah lebih banyak dari data sebelumnya
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
82
DAFTAR PUSTAKA
[1] M. Zhang and W. Wang, “Study on public opinion propagation in self media age based on time delay differential model,” Procedia Comput. Sci., vol. 122, pp. 486–493, 2017.
[2] A. Peng, J. Liu, and Q. Gao, “Public Opinion Analysis Strategy of Short Video Content Review in Big Data Environment,” no. May, pp. 100–104, 2020.
[3] S. Susilowati, “Pemanfaatan Aplikasi Tiktok Sebagai Personal Branding Di Instagram (Studi Deskriptif Kualitatif Pada Akun
@bowo_allpennliebe),” J. Komun., vol. 9, no. 2, pp. 176–185, 2018.
[4] Muljono, D. P. Artanti, A. Syukur, A. Prihandono, and D. R. I. M. Setiadi,
“Analisa Sentimen Untuk Penilaian Pelayanan Situs Belanja Online Menggunakan Algoritma Naïve Bayes,” Konf. Nas. Sist. Inf. 2018 STMIK Atma Luhur Pangkalpinang, 8 – 9 Maret 2018 Anal., pp. 8–9, 2018.
[5] I. N. Kabiru and P. K. Sari, “Analisa Konten Media Sosial E-Commerce Pada Instagram Menggunakan Metode Sentimen Analysis Dan LDA-Based Topic Modeling (Studi Kasus:Shopee Indonesia),” e-Proceeding Manag., vol. 6, no. 1, pp. 12–19, 2019.
[6] G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,” Integer J. Maret, vol. 1, no. 1, pp. 32–41, 2017.
[7] W. Medhat, A. Hassan, and H. Korashy, “Sentiment analysis algorithms and applications: A survey,” Ain Shams Eng. J., vol. 5, no. 4, pp. 1093–
1113, 2014.
[8] H. Hashimi, A. Hafez, and H. Mathkour, “Selection criteria for text mining approaches,” Comput. Human Behav., vol. 51, pp. 729–733, 2015.
[9] S. Andini, “Klasifikasi Dokumen Teks Menggunakan Algoritma Naive Bayes dengan Bahasa Pemprograman Java,” Teknol. Inf. Pendidik., vol. 6, no. 2, pp. 140–147, 2013.
[10] M. North, Data Mining for the Masses. 2012.
[11] A. Chandra, “Penerapan Data Mining Menggunakan Pohon Keputusan Dengan Algoritma C4.5 Dalam Menentukan Kecelakaan Penerbangan,”
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
Semin. Nas. Teknol. Inf. dan Multimed. 2017, vol. 5, no. 1, pp. 91–96, 2017.
[12] A. Darmawan, N. Kustian, and W. Rahayu, “Implementasi Data Mining Menggunakan Model Svm,” J. String, vol. 2, no. 3, pp. 299–307, 2018.
[13] S. Raharjo and E. Winarko, “Klasterisasi, klasifikasi dan peringkasan teks berbahasa indonesia,” Kommit 2014, vol. 8, no. Kommit, pp. 391–401, 2014.
[14] E. Indrayuni, “Analisa Sentimen Review Hotel Menggunakan Algoritma Support Vector Machine Berbasis Particle Swarm Optimization,” J. Evolusi Vol. 4 Nomor 2 - 2016, vol. 4, no. 2, pp. 20–27, 2016.
[15] H. Jiang, W. K. Ching, K. F. C. Yiu, and Y. Qiu, “Stationary Mahalanobis kernel SVM for credit risk evaluation,” Appl. Soft Comput. J., vol. 71, pp.
407–417, 2018.
[16] Y. Pristyanto, “Penerapan Metode Ensemble Untuk Meningkatkan Kinerja Algoritme Klasifikasi Pada Imbalanced Dataset,” J. Teknoinfo, vol. 13, no.
1, p. 11, 2019.
[17] H. J. Suryanto, A. R. C., and Y. Lukito, “Indoor Positioning System dengan Algoritma K-Means dan KNN,” J. Tek. Inform. dan Sist. Inf., vol. 2, no. 3, 2016.
[18] H. Heryono and A. Kardianawati, “Implementasi Metode Naive Bayes Untuk Klasifikasi Kredit Motor,” JOINS (Journal Inf. Syst., vol. 3, no. 1, pp. 10–21, 2018.
[19] M. Hasan, “Menggunakan Algoritma Naive Bayes Berbasis,” vol. 9, pp.
317–324, 2017.
[20] O. J. Okesola, K. O. Okokpujie, A. A. Adewale, S. N. John, and O.
Omoruyi, “An Improved Bank Credit Scoring Model: A Naïve Bayesian Approach,” Proc. - 2017 Int. Conf. Comput. Sci. Comput. Intell. CSCI 2017, pp. 228–233, 2018.
[21] D. Syahid, Jumadi, and D. Nursantika, “Sistem Klasifikasi Jenis Tanaman Hias Daun Philodendron Menggunakan Metode K-Nearest Neighboor (KNN) Berdasarkan Nilai Hue, Saturation, Value (HSV),” JOIN, vol. I, no.
1, pp. 20–23, 2016.
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
[22] A. Amalia, M. S. Lydia, S. D. Fadilla, and M. Huda, “Perbandingan Metode Klaster dan Preprocessing Untuk Dokumen Berbahasa Indonesia,”
J. Rekayasa Elektr., vol. 14, no. 1, pp. 35–42, 2018.
[23] B. T. Gael Varoquaux, Pradeep Reddy Raamana, Denis A. Engemann, Andres Hoyos-Idrobo, Yannick Schwartz, “Assessing and tuning brain decoders: cross-validation, caveats, and guidelines,” Neurolmage, vol. 145, pp. 166–179, 2016.
[24] G. James, D. Witten, R. Tibshirani, and T. Hastie, An Introduction to Statistical Learning with Applications in R. New York: Springer US, 2013.
[25] K. J. Grimm, G. L. Mazza, P. Davoudzadeh, K. J. Grimm, G. L. Mazza, and P. Davoudzadeh, “Model Selection in Finite Mixture Models : A k-Fold Cross-Validation Approach Model Selection in Finite Mixture Models : A k -Fold Cross-Validation Approach,” Struct. Equ. Model. A Multidiscip. J., vol. 00, no. 00, pp. 1–11, 2016.
[26] F. Gorunescu, Data Mining Concepts, Models and Techniques, Intelligen.
Springer, 2011.
[27] J. K. and C. R., “Big Data and Clustering Techniques,” in politeknin caltex Riau, Zain, Mahr., O. Riveranda, G. Syahmia, and I. Z. Muhammad, Eds.
Riau: Tim Revolusi Kopi Luwak, 2019, pp. 1–9.
[28] S. Kurniawan, W. Gata, D. A. Puspitawati, I. K. S. Parthama, H. Setiawan, and S. Hartini, “Text Mining Pre-Processing Using Gata Framework and RapidMiner for Indonesian Sentiment Analysis,” IOP Conf. Ser. Mater.
Sci. Eng., vol. 835, no. 1, 2020.
[29] R. Ningsih, Y. Azhar, and Y. Munarko, “Rekomendasi Pekerjaan Dari Portal Bursa Lowongan Kerja Memanfaatkan Fitur Cosine Similarity dan Simple Additive Weighting,” J. Repos., vol. 2, no. 5, pp. 601–609, 2020.
[30] J. Carlos, M. Serrano, and S. Hegelich, “Dancing to the Partisan Beat : A First Analysis of Political Communication on TikTok,” 2020.
[31] N. T. Romadloni, I. Santoso, and S. Budilaksono, “Perbandingan Metode Naive Bayes , Knn Dan Decision Tree Terhadap Analisis Sentimen Transportasi Krl,” J. IKRA-ITH Inform., vol. 3, no. 2, pp. 1–9, 2019.
[32] S. A. Aaputra, Didi Rosiyadi, Windu Gata, and Syepry Maulana Husain,
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
“Sentiment Analysis Analisis Sentimen E-Wallet Pada Google Play Menggunakan Algoritma Naive Bayes Berbasis Particle Swarm Optimization,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no.
3, pp. 377–382, 2019.
[33] V. Chandani, “Komparasi Algoritma Klasifikasi Machine Learning Dan Feature Selection pada Analisis Sentimen Review Film,” J. Intell. Syst., vol. 1, no. 1, pp. 56–60, 2015.
[34] L. A. Utami, “Melalui Komparasi Algoritma Support Vector Machine Dan K-Nearest Neighbor Berbasis Particle Swarm Optimization,” vol. 13, no. 1, pp. 103–112, 2017.
[35] D. Sartika and D. Indra, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” J. Tek. Inform. Dan Sist. Inf., vol. 1, no. 2, pp. 151–161, 2017.
[36] J. S. Chou, M. Y. Cheng, Y. W. Wu, and A. D. Pham, “Optimizing parameters of support vector machine using fast messy genetic algorithm for dispute classification,” Expert Syst. Appl., vol. 41, no. 8, pp. 3955–
3964, 2014.
[37] U. Z. Nisa, B. Santosa, and S. E. Wiratno, “Model Prediksi Financial Distress pada Perusahaan Manufaktur Go Public Di Indonesia,” in Prosiding Seminar Nasional Manajemen Teknologi, 2012, vol. 4, no. 2, pp.
1–10.
Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri
86 Foto
3 x 4
DAFTAR RIWAYAT HIDUP
I. Biodata Mahasiswa
NIM : 14002213
Nama Lengkap : Fanny Fatma Wati Tempat & Tanggal Lahir : Banyumas, 08 Mei 1996 Jenis Kelamin : Perempuan
Alamat Lengkap : Bogangin Rt.04/02 Kec.Sumpiuh, Kab.Banyumas Jawa Tengah II. Riwayat Pendidikan
a. Formal
1. TK Pertiwi Bogangin, lulus tahun 2002 2. SD Negeri 1 Bogangin, lulus tahun 2008 3. Mts Negeri Tambak, lulus tahun 2011 4. MA Negeri Sumpiuh,lulus tahun 2014 5. AMIK BSI Purwokerto, lulus tahun 2017 6. Universitas BSI Bandung, lulus tahun 2018 b. Tidak Formal
1. Kursus Bahasa inggris di Brave English Course (BEC), lulus tahun 2012.
III. Pengalaman Berorganisasi
1. Bendahara II OSIS Mts Negeri Tambak Tahun 2010 2. PMR Mts Negeri Tambak Tahun 2010
3. Wakil Ketua IPNU/IPPNU Desa Bogangin Periode 2015/2016 4. OSIS MA Negeri Sumpiuh Tahun 2012/2013
5. Bendahara II SENAT BSI Purwokerto Tahun 2015 IV. Pengalaman Kerja
1. Magang Pada Bagian Kemahasiswaan AMIK BSI Purwokerto 2. Magang Pada Bagian Perpustakaan UBSI Cibitung
3. Asisten Instruktur UBSI Cibitung
4. Karyawan kontrak di Perusahaan Swasta Agrodana Bandung 5. Staff Akademik UBSI PSDKU Tegal
Jakarta, 05 Agustus 2020
Fanny Fatma Wati
Program Studi Ilmu Komputer
Program Studi Ilmu Komputer