BAB 9 112
B. Tahapan Pembuatan Aplikasi Pipeline Dan Datalake
Langkah 1 : Pemasangan Perangkat Lunak yang dibutuhkan 1.1. Memasang Anaconda Navigator
1. Download Anaconda dengan mengunjungi websitenya, lalu pilih installer yang sesuai dengan platform anda (Windows, OSX, atau Linux)
2. Klik ganda pada file installer Anaconda yang sudah di download.
3. Klik next dan pilih I Agree.
117
4. Pilih salah satu untuk siapa Anaconda ini diinstall dan yang menggunakan nantinya lalu klik next.
5. Tentukan lokasi untuk menginstall Anaconda.
118
6. Lalu pada langkah Advance Installation Options, terdapat beberapa pilihan yaitu jika ingin menggunakan Anaconda melewati command prompt (git bash, cmder, powershell, dll) bisa centang di bagian box “Add Anaconda to my Path eniroment variable”. Dengan arti singkat, ketika mencentang box tersebut, maka secara otomatis Anaconda akan membuat “Path” sendiri di Environment Variables. Jika tidak bisa dibiarkan kosongkan lanjut install.
119
7. Jika sudah selesai/complete install pilih next dan akan muncul Microsoft VSCode, bisa diinstall jika mau (Opsional) atau skip untuk melewati tahap ini.
120
8. Gambar dibawah adalah tampilan jika instalasi sudah selesai dan bisa dilanjutkan dengan klik finish.
121
9. Langkah selanjutnya adalah mengecek apakah Anaconda sudah berhasil terinstall di komputer dengan cara mencari Anaconda di Start Menu.
10. Buka Anaconda Prompt dan coba untuk mengecek versi Anaconda Python yang dipakai.
11. Buka Anaconda Navigator untuk mengecek fitur – fitur atau aplikasi yang ada pada Distribusi Anaconda.
122 1.2. Memasang Apache Solr
User dengan bebas menginstal Apache Solr di sistem apa pun dengan persyaratan sistem minimum dan Java yang sesuai. Solr saat ini mendukung sistem operasi Linux, MacOS / OS X, dan Microsoft Windows. Instalasi Solr 7.x.x terbaru membutuhkan Java 8+.
5. Unduh versi Apache Solr terbaru dari situs web resmi. Pada pembuatan Datalake ini apache solr yang digunakan adalah 7.3.0.
123
6. Ekstrak solr-7.3.0.zip ke folder, maka Anda dapat melihat direktori berikut.
7. Masuk ke direktori bin dari command prompt dan jalankan perintah untuk memulai Solr.
124
8. Akses Apache Solr dari browser web dengan membuka link http://localhost: 8983/solr
Ini adalah dashboard Solr, user dapat melihat banyak detail konfigurasi default seperti versi solr-spec, detail JVM, prosesor, fisik, memori tumpukan yang ditempati oleh solr dan lain-lain.
1.3. Memasang Banana Dashboard
125
6. Download file Banana Dashboard pada https://github.com/lucidworks/banana
7. Buka folder webapp dalam instance Solr Anda yang ada
8. Ekstrak dan salin folder banana dashboard yang sudah di download ke Solr_Home/solr-7.3.0/server/solr- webapp/webapp
9. Jalankan Solr untuk melihat direktori webapp/banana- release
10. Jelajahi ke http://localhost:8983/solr/banana- release/src/index.html
Langkah 2 : Pemasangan Package/Module yang dibutuhkan Pada Python
126
2.1. Memasang Package/Module Pada Python
Selain paket yang sudah terinstal saat instalasi Python, user dapat menginstal sendiri paket yang diinginkan dari internet. Pada pembuatan Datalake Data Crawling Job Posting dari Internet, paket yang digunakan adalah scrapy, beautifulsoup4 dan pysolr yang digunakan untuk proses scraping. Install paket dengan menggunakan program pip yang menjadi bawaan Python. Berikut ini contoh untuk menginstal paket scrapy dengan mudah menggunakan pip.
3. Buka cmd kemudian cd / change directory (Sesuai dengan direktori pip)
4. Kemudian ketik pip install nama_package tunggu proses instalasi sampai selesai. Pada contoh ini pip install scrapy.
Jika sudah berhasil lakukan kembali untuk install beautifulsoup4
5. Cara cek nya dengan cara Import package tadi import nama_package (pada contoh: import pandas) pada shell
127
python command. Jika tidak terjadi error berarti proses import berhasil
Langkah 3 : Pembuatan Datalake Data Crawling Job Posting dari Internet
5.1. Scraping data lowongan kerja
1. Sebelum memulai melakukan scraping, siapkan proyek Scrapy baru. Masukkan direktori tempat Anda ingin menyimpan kode dan jalankan
2. Buka aplikasi spyder pada anaconda navigator dan import package untuk scraping.
128
3. Deklarasikan alamat website, atribut yang akan di scraping serta direktori untuk menyimpan data hasil scraping. Setelah code dibuat simpan python file pada direktori_project/spiders/name_file.py
4. Setelah file dibuat jalankan file pada command prompt dengan perintah seperti gambar dibawah
5.2. Import Data kedalam Apache Solr 1. Buat core pada apache solr
129
2. Buka jupyter notebook untuk import data kedalam apache solr
3. Import package pysolr dan deklarasikan direktori data hasil scraping
4. Deklarasikan atribut yang akan di input ke solr dan alamat apache solr
5. Data yang sudah diimport ke apache solr dapat dilihat pada query dalam core yang sudah dibuat
130
5.3. Membangun Data Visualisasi dengan Banana Dashboard
1. Buka http://localhost:8983/solr/banana- release/src/index.html#/dashboard kemudian klik new dan pilih time-series dashboard
2. Masukkan collection name dengan nama core yang telah dibuat dan time field dengan atribut waktu seperti yang sudah di scraping
131
3. Klik add row untuk menambahkan row baru
4. Klik “panel to empty row” untuk menambahkan panel baru dalam pembuatan visualiasasi
5. Kemudian pilih “add panel” dan pilih panel type “terms”
untuk visualisasi data
6. Isi Title sesuai dengan field yang akan divisualisasikan, tentukan length dan span sesuai dengan kebutuhan. Pada tahap ini dapat ditentukan tipe diagram yang akan digunakan (diagram batang, diagram lingkaran, dan tabel), kemudian klik “add panel
132
7. Jika ingin menambahakan lebih dari 1 diagram dapat mengkilk tanda “+” untuk menambahkan panel atau ulangi dari tahap 3 sampai tahap 6.
133
DAFTAR PUSTAKA
Adianto J, Fedryansyah M. 2018. Peningkatan Kualitas Tenaga Kerja Dalam Menghadapi Asean Economy Community.
Pekerjaan Sosial. 1(2): 77 - 86
http://jurnal.unpad.ac.id/focus/article/view/18261/8554. 2 Mei 2019
Agustina, Fenni., R, Agushinta Dewi., Purnamasari, Esty., Wijayanti, Helen., Alqadri, Yosfik. 2012. User Interface Design of Mobile Web Application for Job Vacancies Information: in Comparison with JobsDB™ Mobile.
International Journal of Computer Science and Information Technology & Security. 2(2) : 402 – 407.
Alatas, Secha, Rudi Bambang, T. 2011. Ketenagakerjaan dan Solusinya. BPFE. Jakarta
Bening, Herwijayanti., Ratnawati, D.E., Muflikhah, Lailil. 2018.
Klasifikasi Berita Online dengan menggunakan Pembobotan TF-IDF dan Cosine Similarity. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 2(1): 306-312.
Cahyadin, Malik, Sutomo, L. Ratwianingsih. 2017. Industri Perdagangan Di Indonesia: Perkembangan Dan Kinerja.
JIEP. 17(2) : 78 – 88
Delta, Evin Novia., Asmunin. 2016. Performance Test Dan Stress Website Menggunakan Open Source Tools. Jurnal Manajemen Informatika. 6(1) : 208-215.
Fitri, Meisya. 2013. Perancangan Sistem Temu Balik Informasi Dengan Metode Pembobotan Kombinasi Tf-Idf Untuk Pencarian Dokumen Berbahasa Indonesia. Universitas Tanjungpura : Semarang.
Ghufron, M.A. 2018. Revolusi Industri 4.0:Tantangan, Peluang dan Solusi Bagi Dunia Pendidikan. Seminar Nasional dan Diskusi Panel Multidisiplin Hasil Penelitian & Pengabdian kepada Masyarakat. Universitas Indraprasta PGRI, Jakarta, 2 Agustus 2018. Hlm. 332-337.
Handojo, A. 2015. Aplikasi Search Engine Perpustakaan Petra Berbasis Android dengan Apache SOLR. Skripsi. Jurusan Teknik Informatika. Universitas Kristen Petra.
134
Heimerl, Florian, Steffen Lohmann, Simon Lange, Thomas Ertl.
Word Cloud Explorer : Text Analytics basedon Word Clouds. Proc. IEEE Computer Society, pp 1833 – 1842, 2014.
Informatikalogi. 2017. Text Preprocessing.
https://informatikalogi.com/text-preprocessing/. Diakses pada 5 Mei 2019 pukul 14:25
Inmon, B. 2016. Data Lake Architecture. New Jersey USA: Technics Publications.
JPayroll. 2018. Fungsi Golongan / Grade Dalam Perumusan Career Path. http://www.jpayroll.com/2018/09/25/fungsi- golongan-grade-dalam-perumusan-career-path/. Diakses pada 23 September 2019 Pukul 11.22
Kemenperin. 2016. Untuk Menghindari Duplikasi Data Statistik Industri Menperin dan Kepala BPS Tanda Tangani Piagam Kerjasama www.kemenpertin.go.id 22 April 2019
Khine, P.P. 2015. Data Lake: A New Ideology in Big Data Era.
Department of Computer Science and Technology, School of Computer and Communication Engineering. University of Science and Technology Beijing China
Magnadi, Rizal Hari. 2016. Studi Eksploratori Terhadap Profesi Pemasar Dan Kaitannya Lowongan, Posisi, Deskripsi Dan Persyaratan Pekerjaan Pemasar (Studi pada situs pencari kerja karir.com dan loker.id). Prosiding Seminar Nasional Multi Disiplin Ilmu & Call For Papers UNISBANK, Semarang : 28 Juli 2016. Hal : 837 -843
Miloslavskaya, Natalia., T. Alexander. 2016. Big Data, Fast Data and Data Lake Concepts. 7th Annual International Conference on Biologically Inspired Cognitive Architectures. 88 : 300–305.
Musfiroh, N., Hamdani., Astuti, I.F. 2013. Penerapan Algoritma Term Frequency-Inverse Document Frequency (Tf-Idf) Untuk Text Mining. Jurnal Informatika Mulawarman. 8(3) : 110 – 113
Nomleni, P., M. Hariadi, I Ketut Eddy Purnama. 2014. Sentiment Analysis Berbasis Big Data. Seminar Nasional ke-9:
Rekayasa Teknologi Industri dan Informasi. Yogyakarta.
Hal. 142-149
135
Pramudiono, I. 2007. Pengantar Data Mining : Membangun Permata
Pengetahuan di Gunung
Data.http://www.ilmukomputer.org/wp-
content/uploads/2006/08/iko-datamining.zip. Diakses pada 24 April 2019 Pukul 10.05
Qerja. 2015. Pendidikan vs Pengalaman Kerja, Mana yang Lebih Penting?. https://www.qerja.com/journal/view/137- pendidikan-vs-pengalaman-kerja-mana-yang-lebih- penting/. Diakses pada 26 September 2019 Pukul 08:47 Riyadi. 2013. Rancang Bangun REST Web Service untuk
Perbandingan Harga Pengiriman dengan Metode Web Scrapping. Skripsi. Teknik Informatika AMIKOM.
Yogyakarta.
Robertson, S. 2004, "Understanding inverse document frequency: on theoretical arguments for IDF", Journal of Documentation, Vol. 60 No. 5, pp. 503-520.
Samal, BR., M. Panda. 2017. Real Time Product Feedback Review and Analysis Using Apache Technologies and NOSQL Database. International Journal of Engineering and Computer Science. 6(1) : 22551-22558.
Santoso, B. 2007. Data Mining Teknik Pemanfaatan Data unutk Keperluan Bisnis. Graha Ilmu, Yogyakarta.
Simanjuntak, P. 2010. Pengantar Ekonomi Sumber Daya Manusia.
BPFE UI. Jakarta
Tosida E.T, K. B Seminar & Y. Herdiyeni. 2015. Attribute Selection Of Indonesian Telematic Services MSMEs Feasibility Assistance, Using AHP. J. KURSOR 8(2), Desember 2015, Hal: 97-106
Tosida, E.T, H. Thaheer & S. Maryana. 2015. Strategi Peningkatan Daya Saing Melalui Framework Rantai Nilai Untuk Kompetensi Usaha Jasa Telematika Indonesia. J. Pen. Pos.
Infor. 5(1): 1-18
Tosida, E.T, H. Thaheer & S. Maryana. 2014. Potensi Kelompok Usaha Jasa Telematika Di Indonesia. Staf Pengajar Jurusan Ilmu Komputer, FMIPA, Universitas Pakuan Bogor.
Utomo, D. C., 2015. Automatic Essay Scoring (AES) Menggunakan Metode N-Gram dan Cosine Similarity. Universitas Brawijaya, Malang.
136
Wardana, Andriansyah Dwi. 2017. Penerapan Teknik Webscraping dan Vector Space Model pada Mesin Pencari Lowongan Kerja. Journal of Information and Technology. 5(1): 114- 118.
Wikipedia. 2017. Pipeline.
https://en.wikipedia.org/wiki/Pipeline_(computing).
Diakses pada 29 April 2019 pukul 14:15
Witten, I. H., Frank, E., & Hall, M. A. 2005. Data Mining:
Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher.
Zein, A.W., Parikesit, D., Hasto Gesang W. 2011. Pipeline. Paper Organisasi Komputer. Universitas Budi Luhur
Adiyana, Imam, Fajriya Hakim. 2015. Implementasi Text Mining Pada Mesin Pencarian Twitter Untuk Menganalisis Topik – Topik Terkait KPK dan Jokowi. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UMS 2015.
Agusmidah. “Hukum Ketenagakerjaan Indonesia”. Ghalia Indonesia: Bogor, 2010.
Agustina, Ari. 2017. Nalisis Dan Visualisasi Suara Pelanggan Pada Pusat Layanan Pelanggan Dengan Pemodelan Topik Menggunakan Latent Dirichlet Allocation (LDA) Studi Kasus: Pt.Petrokimia Gresik. Skripsi. Jurusan Sistem Informasi FTI ITSN, Surabaya.
Bramantya, I. M.K. & R. P. Kusumawardani. 2017. “Analisis Topik Informasi Publik Media Sosial di Surabaya Menggunakan Pemodelan Latent Dirichlet Allocation (LDA)”. JURNAL TEKNIK ITS, Vol. 6, No. 2 : 2337-3520.
Fajriyanto, M. 2018. Penerapan Metode Bayesian Dalam Model Latent Dirichlet Allocation Di Media Sosial. Jurnal Pendidikan Matematika dan Sains Edisi TAS Tahun Mei 2018.
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Pakuan. 2019. Buku Panduan Skripsi Program Studi Ilmu Komputer, Bogor.
Halim, Stevani. 2018. Revolusi Industri 4.0 di Indonesia.
https://medium.com/revolusi-industri-4-0-di-indonesia. 1 Juli 2019.
137
Herwanto, G. Budi. 2017. Latent Dirichlet Allocation.
https://datascience.mipa.ugm.ac.id/id/latent-dirichlet- allocations/. 1 Agustus 2019
Karimah, S. K. Aditya., S. T. Gardini. 2017. Pemodelan Topik Data Twitter BMKG Menggunakan Metode Pemodelan Latent Dirichlet Allocation (LDA). Universitas Islam Indonesia.
Kemenperin. 2016. Penerapan Industry 4.0 Buka Peluang Kerja Baru. https://kemenperin.go.id/artikel/18835/Penerapan- Industry-4.0-Buka-Peluang-Kerja-Baru. 30 September 2019.
Kurniawan, Wisnu. 2018. Sistem Monitoring Percakapan Pada Toko Online Menggunakan Metode Latent Dirichlet Allocation (LDA). Skripsi. Jurusan Teknik Informatika FTI UII, Yogyakarta.
Li, Susan. 2018. Topic Modeling and Latent Dirichlet Allocation (LDA) in Python. https://towardsdatascience.com/topic- modeling-and-latent-dirichlet-allocation-in-python- 9bf156893c24. 15 Juni 2019.
Listari. 2019. Topic Modeling Menggunakan Latent Dirchlect Allocation (Part 1): Pre-processing Data dengan Python.
https://medium.com/@listari.tari/topic-modelling- menggunakan-latent-dirchlect-allocation-part-1-pre- processing-data-dengan-python-87bf5c580923. 1 Agustus 2019.
Listari. 2019. Topic Modeling Menggunakan Latent Dirchlect Allocation (Part 2): Topic Modeling with Gensim (Python).
https://medium.com/@listari.tari/topic-modeling- menggunakan-latent-dirchlect-allocation-part-2-topic- modeling-with-gensim-c9ffd196cb87. 1 Agustus 2019.
Marsudi, Almatius Setya., Y. Widjaja. 2019. Industri 4.0 Dan Dampaknya Terhadap Financial Technology Serta Kesiapan Tenaga Kerja Di Indonesia. IKRAITH EKONOMIKA, Vol.2, No 2, Juli 2019.
Naskar, Anindya. 2019. Latent Dirichlet Allocation Explained.
https://www.thinkinfi.com/2019/01/lda-algorithm- steps.html. 1 April 2019.
Naskar, Anindya. 2019. Latent Dirichlet Allocation for Beginners A
high Level Overview.
138
https://www.thinkinfi.com/2019/02/lda-theory.html. 18 Agustus 2019.
Naskar, Anindya. 2019. Guide to Build Best LDA model using Gensim Python. https://www.thinkinfi.com/2019/08/LDA- Gensim-Python.html. 18 Agustus 2019.
Prabhakaran, Selva. 2018. Topic Modeling with Gensim (Python).
https://www.machinelearningplus.com/nlp/topic-modeling- gensim-python/?source=post_page---c9ffd196cb87--- ---. 30 September 2018.
Priyanto, A., M. R. Maarif. 2018. Implementasi Web Scraping dan Text Mining Untuk Akuisisi dan Kategori Informasi Laman Web Tentang Hidroponik. Indonesian Journal of Information (IJIS), Vol.1, No.1, Agustus 2018.
Suhartono, Derwin. 2018. Latent Dirichlet Allocation (LDA).
https://socs.binus.ac.id/2018/11/29/latent-dirichlet- allocation-lda/. 25 Sepetember 2019.
Tosida, E. T., I. Anngraeni, F. Amirudin. 2016. Implementasi Algoritma Clasification And Regression Tree (Cart) Untuk Klasifikasi Bantuan Usaha Mikro Kecil Menengah (Umkm) Jasa Telematika Indonesia. Bogor. Universitas Pakuan.
Tosida, E.T, H. Thaheer , S. Maryana. 2014. Potensi Kelompok Usaha Jasa Telematika Di Indonesia. Staf Pengajar Jurusan Ilmu Komputer, FMIPA, Universitas Pakuan Bogor.
Wang, Xikui., Yang Liu., Donghui Wang. 2013. Cross media Topic Mining on Wikipedia. College of Computer Science.
Zhejjang University.
Xie, Ting., Ping Qin., Libo Zhu. 2018. Study on The Topic Mining and Dynamic Visualization in View of LDA Model.
Economics and Management. Nanjing University.
Yudiarta, N. Gede., M. Sudarma., W. G. Ariastina. 2018.
Penerapan Metode Clustering Text Mining Untuk Pengelompokan Berita Pada Unstructured Textual Data.
Majalaj Ilmiah Teknologi Elektro, Vol.17, No.3, September – Desember 2018.
Arthur, D., dan S. Vassilvitskii. 2007. k-means++: the advantages of careful seeding. Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. Society for Industrial and Applied Mathematics Philadelphia, PA, USA.
139
Hlm. 1027–1035.
http://ilpubs.stanford.edu:8090/778/1/2006-13.pdf.
Ding, Chris., He, Xiaofeng. 2004. K-Means Clustering via Principal Component Analysis. Proceedings of the 21 st International Conference on Machine Learning. Banff, Canada, 2004 Fikri, C.M., F.E.M. Agustin, F. Mintarsih. 2017. Pengelompokan
Kualitas Kerja Pegawai Menggunakan Algoritma K- Means++ dan Cop-KMeans Untuk Merencanakan Program Pemeliharaan Kesehatan Pegawai di PT. PLN P2B JB Depok. Jurnal Pseudocode. 1(4). Hlm. 9-17.
Ganda, M., E.T. Tosida, D.K. Utami. 2018. Penerapan Hybrid System pada Usaha Jasa Telematika Indonesia dengan Menggunakan Metode K-Means Clustering dan ID3 Classification. Skripsi. Jurusan Ilmu Komputer, Universitas Pakuan, Bogor.
Ghufron, M.A. 2018. Revolusi Industri 4.0:Tantangan, Peluang dan Solusi Bagi Dunia Pendidikan. Seminar Nasional dan Diskusi Panel Multidisiplin Hasil Penelitian & Pengabdian kepada Masyarakat. Universitas Indraprasta PGRI, Jakarta, 2 Agustus 2018. Hlm. 332-337.
Han, J., M. Kamber. 2012. Data Mining: Concepts and Techniques.
Waltham: Elsevier, Inc.
Harsono, Oo. 2010. Pengaruh Strategi Bisnis dan Strategi teknologi Informasi Terhadap Kinerja Lembaga Pendidikan:Studi Kasus Perguruan Islam Al-Izhar Pondok Labu. Jurnal TELEMATIKA MKOM. 1(2). Hlm. 52-58.
Hitka, et al. 2017. Cluster Analysis Used as the Strategic Advantage of Human Resource Management in Small and Medium- sized Enterprises in the Wood-Processing Industry.
BioResources Journal. 12(4). Hlm. 7884-7897.
Hsu, et al. 2014. The impact of industrial clusters on human resource and firms performance. Journal of Modelling in Management. 2(9). Hlm. 141-159.
Irwanto, et al. 2012. Optimasi Kinerja Algoritma Klasterisasi K- Means untuk kuantisasi Warna Citra. Jurnal Teknik ITS.
I(1). Hlm. 197-202.
140
Izzuddin, A. 2015. Optimasi Cluster pada Algoritma K-Means dengan Reduksi Dimensi Dataset Menggunakam Principal Component Analysis Untuk Pemetaan Kinerja Dosen. 1(5).
Jolliffe, I. 2002. Principal component analysis. Springer. 2nd edition.
Madhulatha, T.S., 2012. An Overview On Clustering Methods.
IOSR Journal of Engineering. II(4). Hlm. 719-725.
Merliana, N.P.E., Ernawati, dan Santoso, A.J. 2015. Analisa Penentuan Jumlah Cluster Terbaik pada Metode K-Means Clustering. Prosiding Seminar Nasional Multi Disiplin Ilmu
& Call For Papers UNISBANK (Sendi_U). Universitas Atma Jaya, Yogyakarta. ISBN: 978-979-3649-81-8.
Miarso, Y. 2007. Menyemai Benih Teknologi Pendidikan. Jakarta:
Pranada Media Group.
Muhtadi. Penerapan Principal Component Analysis (PCA) dalam Algoritma K-Means untuk Menentukan Centroid pada Clustering. Jurnal KONSTANTA. 1(1). Hlm. 121-142.
Prasetyo, Eko. 2012. Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi.
Putra, S.F. 2016. Feature Selection pada Dataset Faktor Kesiapan Bencana pada Provinsi di Indonesia Menggunakan metode PCA(Principal Componen Analysis). Jurnal Teknik ITS.
2(5).
Rahayu, G., Mustakim. 2017. Principal Component Analysis untuk Dimensi Reduksi Data Clustering Sebagai Pemetaan Persentase Sertifikasi Guru di Indonesia. Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI).
UIN Sultan Syarif Kasim Riau, Pekanbaru, 18-19 Mei 2017.
ISSN (Printed) : 2579-7271.
Santosa, Budi. 2007. Data mining. Teknik pemanfatan data untuk keperluan bisnis. Yogyakarta: Graha Ilmu.
Setiyadi, M.W.R. 2010. Strategi dan Kebijakan Pembangunan.
http://www.insteps.or.id/File/media/kebijakan%20dan%20
%20strategi%20telematika.pdf. Diakses 29 Maret 2019.
Setyaningsih, S., H. Thaheer, E.T. Tosida. 2013. Pemetaan Kompetensi Sumber Daya Manusia Big Industri Telematika di Indonesia sebagai Kebijakan Investasi. Prosiding Seminar Nasional Matematika & Ilmu Pengetahuan Alam “MIPA Sebagai Landasan Kreasi & Inovasi Teknologi”. IPB
141
International Convention Center Bogor, 23 Oktober 2013.
ISBN978-602-14503-0-7.
Sirait, Hasanuddin. 2009. Sejarah Perkembangan Teknologi Telematika.
http://astie.staff.gunadarma.ac.id/Downloads/files/50020/se jarah-telematika.pdf. Diakses 29 Maret 2019.
Siswantari. 2015. Pengembangan Program Studi Keahlian pada SMK Sesuai Kegiatan Ekonomi Utama di Enam Koridor Ekonomi. Jurnal Pendidikan dan Kebudayaan. 2(21). Hlm.
135-151.
Stahle, L., dan Wold, S., 1989. Analysis of variance (ANOVA).
Chemometrics and Intelligent Laboratory Systems. 6:259- 272.
Supriyanto, A., Basukianto, dan J.A. Rozaq. 2017. Klasterisasi UMKM dan Potensi Wilayah Berbasis Peta Sebagai Strategi Pengembangan Ekonomi Daerah. Jurnal Pekommas. 2(2).
Hlm. 143-150.
Tosida, E.T., S. Maryana, H. Thaheer, dan F.A. Damin. 2015.
Visualization Model of Small and Medium Enterprises (SMEs) Telematics Services Potentiality Map in Indonesia.
International Conference on Information, Communication Technology and System (ICTS). ISBN: 978-1-5090-0096-8.
IEEExplorer, 151-156.
Yoesoef, J. R., & Muawanah, U. 2007. Peran SMK dalam Menunjang Pertumbuhan Ekonomi Daerah; Sebuah Analisis Makroekonomika.
http://www.scribd.com/doc/23783304/Peran-SMK-dalam- Menunjang-Pertu-mbuhan-Ekonomi-Daerah?secret- password=autodown=pdf, diakses 8 September 2019.
Apriandi D, A. M. Irwan & E. D. Wahyuni. 2017. Analisis Sentimen Pelanggan WIFI.ID Pada Media Sosial Twitter dengan Support Vector Machine. Jurnal Sistem Informasi Dan Bisnis Cerdas (SIBC) Vol. 9.
Andreas Handojo. 2015. Aplikasi Search Engine Perpustakaan Petra Berbasis Android dengan Apache SOLR. Skripsi. Jurusan Teknik Informatika. Universitas Kristen Petra.
Bakir, Manning. 2011. Konsep Ketenagakerjaan di Indonesia.
BPFE. Jakarta.
142
D. Mali, M. Abhyankar, dkk. 2016. Sentiment Analysis Of Product Review For E-Commerce Recommendation. International Journal of Management and Applied Science, ISSN: 2394- 7926 Volume-2, Issue-1, Jan.-2016.
Even, Yahir, Zohar. 2002. Introduction to text mining. Automeated Learning Group National Center For Supercomputing
Aplications. University of Illions.
Han, J., and M. Kamber. 2006. Data Mining : Concepts and Techniques Second Edition. CA: Morgan Kaufmann Publishers, San Francisco.
Hidayat, M. A., M. Syafrullah. 2017. Algoritma Naive Bayes Dalam Analisis Sentimen Untuk Klasifikasi Pada Layanan Internet PT.XYZ. Jurnal TELEMATIKA MKOM Vol.9 No.2 Juli 2017.
Huq, M., R, et al. 2017. Sentiment Analysis on Twitter Data using KNN and SVM. IJACSA) International Journal of Advanced Computer Science and Applications, Vol. 8, No. 6, 2017.
Kadir, Abdul. 2018. Dasar Pemrograman Python 3 : Panduan untuk mempelajari python dengan cepat dan mudah bagi pemula.
Yogyakarta: Penerbit Andi Nugroho.
Kuhlman, Dave. 2015. A Python Book: Beginning Python, Advanced Python and Python Exercises. s.l.: MIT, 2015.
Kemenperin. 2016. Untuk Menghindari Duplikasi Data Statistik Industri Menperin
dan Kepala BPS Tanda Tangani Piagam Kerjasama.
www.kemenperin.go.id. 10 Mei 2019.
Liu, B. 2012. Sentimen Analysis and Subjectivity. Synthesis Lectures on Human Language Tachnologies. [e-book]. USA: Morgan
& Claypool Publishers. Tersedia di:https://www.cs.uic.edu/~liub/FBS/Sentiment-Analysis- and Opinion Mining.pdf (Diakses pada 23 Maret 2019).
Indriati, A., Ridok. 2016. Sentiment Analysis For Review Mobile Applications Using Neighbor Method Weight K-Nearest Neighborn (NWKNN). Journal of Environmental Engineering & Sustainable Technology JEEST Vol. 03 No.
01, July 2016, Pages 23-32 .
Muljono. et al. 2017. Analisa Sentimen Untuk Penilaian Pelayanan Situs Belanja Online Menggunakan Algoritma Naïve Bayes.
143
Konferensi Nasional Sistem Informasi 2018 STMIK Atma Luhur Pangkalpinang, 8 – 9 Maret 2018.
Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003). Support Vector Machine dan Aplikasinya Dalam Bioinformatika.
Diakses 2 mei, 2019, dari http://www.ilmukomputer.com Rofiqoh, U. et al. 2017. Analisis Sentimen Tingkat Kepuasan
Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexicon Based Features. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e- ISSN: 2548-964X Vol. 1, No. 12, Desember 2017, hlm.
1725-1732.
Safina, N., M. Aris. 2018. Analisis Sentimen Pada Twitter Terhadap Jasa Transportasi Online di Indonesia Dengan Metode Support Vector Machine. Universitas Dian Nuswantoro Semarang, Jurusan Teknik Informatika, FIK UDINUS, Semarang.
Samal R.B , Mrutyunjaya P. 2017. Real Time Product Feedback Review and Analysis Using Apache Technologies and NOSQL Database. International Journal Of Engineering And Computer Science ISSN:2319-7242 Volume 6 Issue 10 October 2017, Page No. 22551-22558.
Tan, P., Steinbach, M., & Karpatne, A. 2006. Introduction To Data Mining. USA: Addison-Wesley.
Viranda Noratika Anwar. 2019. Implementasi Data Import Apache Solr Untuk Keperluan Indexing Data Buku. Jurnal Manajemen Informatika, Volume 9 Nomor 02 Tahun 2019, 50-59.
Aries Saifudin. 2015. Penerapan Teknik Ensemble Untuk Menangani Ketidakseimbangan Kelas Pada Prediksi Cacat Software, ITS Surabaya
Breiman, L. 1996 Heuristics of instability and stabilization in model selection, Annals of Statistics, 24, Vol. 24, No. 6, 2350-2383
Culp, M., Michailidis, G., & Johnson, K. (2011). On Adaptive Regularization Methods in Boosting. Journal of Computational and Graphical Statistics, 20(4), 937–
955.