Analisis Sentimen dan Pemodelan Topik Untuk Mengidentifikasi Topik Pandemi Covid-19 Pada Media Sosial Twitter menggunakan Naïve Bayes Classifier dan Latent Dirichleat Allocation

Virus Corona atau Covid-19 menjadi perhatian khusus diseluruh dunia. Banyak masyarakat membicarakan virus ini melalui unggahan komentar dan opini di Media Sosial.Twitter merupakan salah satu media sosial yang saat ini masih banyak digunakan masyarakat untuk menyampaikan opini berupa kumpulan kata yang disebut tweets. Tweets yang berkaitan dengan topik covid-19 ini dapat di klasifikasikan menggunakan metode Topic Modeling untuk menghasilkan sebuah data topic yang sering dibicarakan pengguna twitter. Salah satu algoritma yang digunakan untuk melakukan Topic Modeling adalah menggunakan Latent Dirichlet Alocation (LDA). Pada penelitian ini LDA digunakan untuk mengetahui kata-kata apa saja yang banyak muncul pada data tweets tentang Covid-19 yang telah di unggah masyarakat melalui twitter. Sebelum data tweet dimodelkan dengan LDA, dilakukan terlebih dahulu analisis sentiment dengan Naïve Bayes Classifier untuk menghasilkan sentiment Positif, Negati dan Netral. Terdapat 5000 tweets dijadikan dataset untuk diklasifikasikan menggunakan Topic Modeling. Semua tweets yang yang di tambang masih perlu dilakukan preprocessing text yang bertujuan untuk menghapus kata-kata yang tidak baku, menghapus tanda baca, dan menghapus kata penyambung. Tweets yang sudah dilakukan preprocessing text lalu diberikan nilai bobot sehingga diketahui kata apa saja yang banyak muncul dalam tweets yang berkaitan dengan Covid-19. Kata-kata yang banyak muncul dan sudah diberikan bobot akan divisualisasikan menggunakan World Cloud sehingga dapat dilihat pemetaan kata apa saja yang banyak muncul dalam bentuk gambar.

Skrining pranikah untuk pencegahan thalassemia mayor yang efektif dan efisien.

Penyakit thalassaemia merupakan penyakit keturunan yang tidak dapat disembuhkan dan me- merlukan transfusi darah secara terus-menerus bagi penderita mayor. Tindakan pencegahan utama dari thalassaemia adalah dengan cara mengidentifikasi pembawa sifat dan mencegah ke- lahiran bayi thalassaemia mayor lainnya. Analisis data inferensial, dengan pengambilan sampel data terhadap jumlah populasi (data penderita thalassaemia mayor) dan digunakan untuk me- narik suatu kesimpulan. Metode penelitian yang digunakan adalah metode kuantitatif, yakni dengan menghitung jumlah penderita thalassaemia mayor di Indonesia, kemudian mengelompok- an berdasarkan status pernikahan, usia penderita, dan layanan asuransi kesehatan yang sudah digunakan. Hasil penelitian menunjukkan penderita thalassaemia mayor pada usia siap menikah (20-30 tahun) masih sangat tinggi, sehingga kegiatan skrining pranikah perlu dilakukan untuk mencegah penurunan thalassaemia mayor pada anak.

The application of the analytical hierarchy process and simple additive weighting methods in making decisions for high achieving students in vocational high schools.

Vocational High School is a formal education unit that organizes vocational education that prepares students, especially to work in certain fields. In determining students who excel in certain fields, it is necessary to have a decision support system to improve the quality of decisions in determining students who excel from the highest average score. However, using the highest average score does not get optimal results because it is not adjusted to the existing needs in determining outstanding students. In this study, it can be used as a reference in making decisions for outstanding students by applying the Analytical Hierarchy Process and Simple Additive Weighting methods. The steps taken are: Data collection, Data Preprocessing, Ranking and Comparison of Results between Analytical Hierarchy Process, Simple Additive Weighting with manual weighting results. The results of the ranking comparison show that there are 6 students with the top ranking who are recommended to be outstanding students in the linguistic group.

The application of the analytical hierarchy process and simple additive weighting methods in making decisions for high achieving students in vocational high schools.

Vocational High School is a formal education unit that organizes vocational education that prepares students, especially to work in certain fields. In determining students who excel in certain fields, it is necessary to have a decision support system to improve the quality of decisions in determining students who excel from the highest average score. However, using the highest average score does not get optimal results because it is not adjusted to the existing needs in determining outstanding students. In this study, it can be used as a reference in making decisions for outstanding students by applying the Analytical Hierarchy Process and Simple Additive Weighting methods. The steps taken are: Data collection, Data Preprocessing, Ranking and Comparison of Results between Analytical Hierarchy Process, Simple Additive Weighting with manual weighting results. The results of the ranking comparison show that there are 6 students with the top ranking who are recommended to be outstanding students in the linguistic group.

Pemodelan basis data untuk laporan penjualan wholesale kendaraan mobil.

GAIKINDO atau Gabungan Industri Kendaraan Bermotor Indonesia adalah sebuah perusahaan atau organisasi nirlaba yang bergerak di bidang industri otomotif. Sebuah perusahaan bisa di- katakan sukses atau tidaknya bisa dilihat dari salah satu sudut pandang iaitu penjualan pada perusahaan tersebut. Penjualan merupakan salah satu hal penting bagi perusahaan karena dapat menunjang pertumbuhan perusahaan. Karena semakin berkembangnya zaman maka persaingan antar perusahaan semakin ketat, perusahaan dituntut untuk lebih kreatif dalam memasarkan produknya, salah satu caranya adalah dengan melakukan sebuah kegiatan promosi kepada ma- syarakat untuk menyampaikan keberadaan mengenai produk di pasar. Setiap produk yang dijual harus memiliki ciri khas produk sehingga dapat menarik perhatian pembeli. Penelitian ini bertu- juan menganalisis data penjualan pada perusahaan GAIKINDO untuk mengetahui hal manakah diantara kategori, merk, spesifikasi dan lainnya yang menjadi alasan pembeli dalam membeli sebuah mobil di masa pandemi pada bulan Januari sampai bulan Desember tahun 2020. Selain itu, penelitian ini juga bertujuan untuk melakukan pemodelan data menggunakan data wholesa- les penjualan mobil yang didapatkan dari GAIKINDO pada bulan Januari 2020 sampai dengan Desember 2020. Serta untuk mempermudah pencarian informasi penjualan mobil berdasarkan spesifikasi, brand dan kategori - kategori lainnya. Dalam analisis data menggunakan beberapa teknik data modelling yaitu sitemap dan data flow diagram modeling untuk mendesain alur dari data yang akan dimodelkan.

Penerapan transfer learning pada convolutional neural networks dalam deteksi covid-19.

Pandemi Covid-19 menjadi masalah serius di Dunia termasuk Indonesia sampai saat ini, virus yang muncul pada akhir tahun 2019 ini masih menjadi masalah serius. Jumlah kasus orang yang terinfeksi terus meningkat dan mencapai angka lebih dari dua ratus juta kasus di seluruh dunia. Untuk melakukan tes cepat ini tidak langsung berjalan dengan lancar tetapi mengalami banyak kendala yang dialami oleh tim Medis, salah satunya keterbatasan kit tes Covid-19, sehingga ilmuwan mengambil langkah diagnosis lainnya. Dalam bidang informatika ilmuwan banyak menggunakan beberapa diagnosis salah satunya gambar X-ray pada paru-paru. Gambar CXR pada saat ini sering digunakan untuk proses deteksi menggunakan algoritma CNN. Penelitian ini menggunakan metode transfer learning yang akan diuji dalam dataset skala besar dan kecil. Hasil terbaik dari semua model yang dicoba yaitu MobileNet dengan hasil akurasi 98.11% yang diuji pada dataset skala besar dan paling rendah didapat oleh ResNet50 yang diuji pada dataset skala kecil dengan akurasi 41.94%. Dataset dalam skala besar juga menjunjukkan peningkatan akurasi pada semua model transfer learning yang diuji.

Analisis Sentimen dan Pemodelan Topik Untuk Mengidentifikasi Topik Pandemi Covid-19 Pada Media Sosial Twitter menggunakan Naïve Bayes Classifier dan Latent Dirichleat Allocation

Virus Corona atau Covid-19 menjadi perhatian khusus diseluruh dunia. Banyak masyarakat membicarakan virus ini melalui unggahan komentar dan opini di Media Sosial.Twitter merupakan salah satu media sosial yang saat ini masih banyak digunakan masyarakat untuk menyampaikan opini berupa kumpulan kata yang disebut tweets. Tweets yang berkaitan dengan topik covid-19 ini dapat di klasifikasikan menggunakan metode Topic Modeling untuk menghasilkan sebuah data topic yang sering dibicarakan pengguna twitter. Salah satu algoritma yang digunakan untuk melakukan Topic Modeling adalah menggunakan Latent Dirichlet Alocation (LDA). Pada penelitian ini LDA digunakan untuk mengetahui kata-kata apa saja yang banyak muncul pada data tweets tentang Covid-19 yang telah di unggah masyarakat melalui twitter. Sebelum data tweet dimodelkan dengan LDA, dilakukan terlebih dahulu analisis sentiment dengan Naïve Bayes Classifier untuk menghasilkan sentiment Positif, Negati dan Netral. Terdapat 5000 tweets dijadikan dataset untuk diklasifikasikan menggunakan Topic Modeling. Semua tweets yang yang di tambang masih perlu dilakukan preprocessing text yang bertujuan untuk menghapus kata-kata yang tidak baku, menghapus tanda baca, dan menghapus kata penyambung. Tweets yang sudah dilakukan preprocessing text lalu diberikan nilai bobot sehingga diketahui kata apa saja yang banyak muncul dalam tweets yang berkaitan dengan Covid-19. Kata-kata yang banyak muncul dan sudah diberikan bobot akan divisualisasikan menggunakan World Cloud sehingga dapat dilihat pemetaan kata apa saja yang banyak muncul dalam bentuk gambar.

Penerapan transfer learning pada convolutional neural networks dalam deteksi covid-19.

Pandemi Covid-19 menjadi masalah serius di Dunia termasuk Indonesia sampai saat ini, virus yang muncul pada akhir tahun 2019 ini masih menjadi masalah serius. Jumlah kasus orang yang terinfeksi terus meningkat dan mencapai angka lebih dari dua ratus juta kasus di seluruh dunia. Untuk melakukan tes cepat ini tidak langsung berjalan dengan lancar tetapi mengalami banyak kendala yang dialami oleh tim Medis, salah satunya keterbatasan kit tes Covid-19, sehingga ilmuwan mengambil langkah diagnosis lainnya. Dalam bidang informatika ilmuwan banyak menggunakan beberapa diagnosis salah satunya gambar X-ray pada paru-paru. Gambar CXR pada saat ini sering digunakan untuk proses deteksi menggunakan algoritma CNN. Penelitian ini menggunakan metode transfer learning yang akan diuji dalam dataset skala besar dan kecil. Hasil terbaik dari semua model yang dicoba yaitu MobileNet dengan hasil akurasi 98.11% yang diuji pada dataset skala besar dan paling rendah didapat oleh ResNet50 yang diuji pada dataset skala kecil dengan akurasi 41.94%. Dataset dalam skala besar juga menjunjukkan peningkatan akurasi pada semua model transfer learning yang diuji.

Pemodelan basis data untuk laporan penjualan wholesale kendaraan mobil.

GAIKINDO atau Gabungan Industri Kendaraan Bermotor Indonesia adalah sebuah perusahaan atau organisasi nirlaba yang bergerak di bidang industri otomotif. Sebuah perusahaan bisa di- katakan sukses atau tidaknya bisa dilihat dari salah satu sudut pandang iaitu penjualan pada perusahaan tersebut. Penjualan merupakan salah satu hal penting bagi perusahaan karena dapat menunjang pertumbuhan perusahaan. Karena semakin berkembangnya zaman maka persaingan antar perusahaan semakin ketat, perusahaan dituntut untuk lebih kreatif dalam memasarkan produknya, salah satu caranya adalah dengan melakukan sebuah kegiatan promosi kepada ma- syarakat untuk menyampaikan keberadaan mengenai produk di pasar. Setiap produk yang dijual harus memiliki ciri khas produk sehingga dapat menarik perhatian pembeli. Penelitian ini bertu- juan menganalisis data penjualan pada perusahaan GAIKINDO untuk mengetahui hal manakah diantara kategori, merk, spesifikasi dan lainnya yang menjadi alasan pembeli dalam membeli sebuah mobil di masa pandemi pada bulan Januari sampai bulan Desember tahun 2020. Selain itu, penelitian ini juga bertujuan untuk melakukan pemodelan data menggunakan data wholesa- les penjualan mobil yang didapatkan dari GAIKINDO pada bulan Januari 2020 sampai dengan Desember 2020. Serta untuk mempermudah pencarian informasi penjualan mobil berdasarkan spesifikasi, brand dan kategori - kategori lainnya. Dalam analisis data menggunakan beberapa teknik data modelling yaitu sitemap dan data flow diagram modeling untuk mendesain alur dari data yang akan dimodelkan.

Skrining pranikah untuk pencegahan thalassemia mayor yang efektif dan efisien.

Penyakit thalassaemia merupakan penyakit keturunan yang tidak dapat disembuhkan dan me- merlukan transfusi darah secara terus-menerus bagi penderita mayor. Tindakan pencegahan utama dari thalassaemia adalah dengan cara mengidentifikasi pembawa sifat dan mencegah ke- lahiran bayi thalassaemia mayor lainnya. Analisis data inferensial, dengan pengambilan sampel data terhadap jumlah populasi (data penderita thalassaemia mayor) dan digunakan untuk me- narik suatu kesimpulan. Metode penelitian yang digunakan adalah metode kuantitatif, yakni dengan menghitung jumlah penderita thalassaemia mayor di Indonesia, kemudian mengelompok- an berdasarkan status pernikahan, usia penderita, dan layanan asuransi kesehatan yang sudah digunakan. Hasil penelitian menunjukkan penderita thalassaemia mayor pada usia siap menikah (20-30 tahun) masih sangat tinggi, sehingga kegiatan skrining pranikah perlu dilakukan untuk mencegah penurunan thalassaemia mayor pada anak.