p-Index From 2014 - 2019
0.408
P-Index
This Author published in this journals
All Journal Jurnal Informatika
Akbar, Muhammad Faittullah
LPPM Universitas BSI

Published : 2 Documents
Articles

Found 2 Documents
Search

Sentimen Analisis Berinternet Pada Media Sosial dengan Menggunakan Algoritma Bayes fauzi, ahmad; Akbar, Muhammad Faittullah; Asmawan, Yudhi Ferdi Andri
Jurnal Informatika Vol 6, No 1 (2019): JURNAL INFORMATIKA
Publisher : LPPM Universitas BSI

Show Abstract | Original Source | Check in Google Scholar

Abstract

Dalam penelitian analisis sentimen ini  proses klasifikasi dokumen di bagi  dalam dua kelas, yaitu kelas sentimen positif dan negatif. Media sosial telah menyediakan tempat bagi pengguna web untuk mengungkapkan berbagi pemikiran, pendapat dan menyampaikan berita tentang topik yang berbeda dalam sebuah acara . Data diperoleh dari jejaring sosial Instagram berdasarkan komentar yang ada . Penelitian ini bertujuan untuk menentukan sentimen publik terhadap universitas yang disampaikan di Instagram , sehingga membantu usaha untuk melakukan riset marketing atas opini publik. Klasifikasi algoritma seperti Naive Bayes (NB) yang diusulkan oleh banyak peneliti untuk digunakan dalam analisis sentimen teks. Algoritma Naive Bayes dan metodenya, akan diuji dengan dua masukan dengan menggunakan komentar tokenize and Transform Case yang positif (100 teks komentar) dan negatif (100 komentar teks),akurasi yang di dapat algoritma Naive Bayes 76.50%+/-7.76%(mikro:76.50). Hasil penelitian menunjukkan bahwa Naive Bayes (NB) mendapatkan hasil terbaik dan akurat.
Mengatasi Imbalanced Class Pada Software Defect Prediction Menggunakan Two-Step Clustering-Based Undersampling dan Bagging Tehcnique Akbar, Muhammad Faittullah; Kurniawan, Ilham; Fauzi, Ahmad
Jurnal Informatika Vol 6, No 1 (2019): JURNAL INFORMATIKA
Publisher : LPPM Universitas BSI

Show Abstract | Original Source | Check in Google Scholar

Abstract

Ketidakseimbangan kelas seringkali menjadi masalah di berbagai set data dunia nyata, di mana satu kelas (yaitu kelas minoritas) berisi sejumlah kecil titik data dan yang lainnya (yaitu kelas mayoritas) berisi sejumlah besar titik data. Sangat sulit untuk mengembangkan model yang efektif dengan menggunakan data mining dan algoritma machine learning tanpa mempertimbangkan preprocessing data untuk menyeimbangkan set data yang tidak seimbang. Random undersampling dan oversampling telah digunakan dalam banyak penelitian untuk memastikan bahwa kelas yang berbeda mengandung jumlah titik data yang sama. Dalam penelitian ini, kami mengusulkan kombinasi two-step clustering-based random undersampling dan bagging technique untuk meningkatkan nilai akurasi software defect prediction. Metode yang diusulkan dievaluasi menggunakan lima set data dari repositori program data metrik NASA dan area under the curve (AUC) sebagai evaluasi utama. Hasil telah menunjukkan bahwa metode yang diusulkan menghasilkan kinerja yang sangat baik untuk semua dataset (AUC> 0,9). Dalam hal SN, percobaan kedua mengungguli percobaan pertama di hampir semua dataset (3 dari 5 dataset). Sementara itu, dalam hal SP, percobaan pertama tidak mengungguli percobaan kedua di semua dataset. Secara keseluruhan percobaan kedua mengungguli dan lebih baik daripada percobaan pertama karena evaluasi utama dalam klasifikasi kelas yang tidak seimbang seperti SDP adalah AUC Oleh karena itu, dapat disimpulkan bahwa metode yang diusulkan menghasilkan kinerja yang optimal baik untuk set data skala kecil maupun besar.