Publication Search

Deteksi nyeri secara objektif merupakan tantangan penting dalam dunia medis, terutama bagi pasien yang tidak mampu menyampaikan rasa sakitnya secara verbal, seperti bayi, lansia, atau penderita gangguan komunikasi. Teknologi non- invasif berbasis sensor menjadi solusi potensial untuk mengatasi keterbatasan metode subjektif. Penelitian ini bertujuan meninjau secara sistematis literatur terkini mengenai penerapan Radar MIMO dan algoritma kecerdasan buatan dalam deteksi nyeri non-invasif. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan pedoman PRISMA 2020, melalui penelusuran basis data IEEE Xplore, ScienceDirect, PubMed, Google Scholar, dan SpringerLink untuk periode 2021– 2025. Dari hasil seleksi diperoleh 17 artikel inklusi yang mencakup penggunaan Radar MIMO, UNBC-McMaster, BioVid, Medical Imaging (CT/MRI), Radar SISO, serta studi review, survey, bibliometrik, dan teoretis. Dari sisi algoritma, CNN dan SVM menjadi pendekatan paling dominan, diikuti Neural Network dan metode lain, dengan tren yang mengarah pada penggunaan multimodal untuk meningkatkan akurasi. Hasil penilaian kualitas dengan GRADE menunjukkan mayoritas studi berkualitas sedang, dengan keterbatasan utama pada ukuran sampel kecil, pelabelan nyeri yang belum konsisten, bias populasi, serta kurangnya validasi klinis nyata. Kesimpulannya, Radar MIMO dan algoritma deep learning memiliki potensi besar untuk deteksi nyeri non-invasif. Namun, penelitian lanjutan perlu difokuskan pada pembangunan dataset yang lebih inklusif, standarisasi pelabelan nyeri, serta pengujian dalam konteks klinis, dengan memperhatikan aspek etika dan privasi agar teknologi ini dapat diimplementasikan secara luas dalam layanan kesehatan.

Penelitian ini bertujuan untuk mengimplementasikan sistem Supply Chain Management (SCM) dalam pengelolaan persediaan sembako di Toko Grosir Rohman guna meningkatkan efisiensi operasional dan mengatasi permasalahan kehabisan atau kelebihan stok. Metode penelitian yang digunakan adalah kualitatif dengan pendekatan studi kasus, melalui observasi, wawancara, dan dokumentasi. Sistem SCM yang dirancang berbasis website menggunakan PHP dan MySQL, dengan pemodelan UML untuk menganalisis kebutuhan dan perancangan sistem. Hasil dari implementasi sistem menunjukkan peningkatan akurasi data stok, efisiensi dalam proses pemesanan, serta tersedianya informasi real-time yang membantu pengambilan keputusan. Dengan sistem ini, Toko Grosir Rohman mampu mengelola persediaan sembako secara lebih optimal, meningkatkan kepuasan pelanggan, dan memperkuat daya saing usaha.

Aritmia merupakan gangguan irama jantung yang umum terjadi pada lansia dan dapat menimbulkan risiko kesehatan serius jika tidak terdeteksi secara dini. Penelitian yang dilakukan bertujuan untuk mengidentifikasi aritmia pada lansia menggunakan algortima K- Nearest Neighbor (KNN) berdasarkan data elektrokardiogram (EKG). Data yang digunakan berjumlah 105 data EKG lansia yang diperoleh dalam format CSV. Proses awal melibatkan pembersihan dan normalisasi data menggunakan metode StandardScaler, serta pelabelan awal menggunakan algoritma K-Means Clustering untuk mengelompokkan data ke dalam dua kelas: Normal dan Sangat Berpotensi Aritmia. Data kemudian dibagi menjadi 70% data latih dan 30% data uji dengan metode stratified split untuk menjaga proporsi label. Model KNN dilatih dengan parameter k = 3, dan dievaluasi menggunakan confusion matrix serta classification report. Hasil pengujian menunjukkan akurasi model sebesar 97% dengan nilai precision dan recall yang tinggi pada kedua kelas. Hasil ini menunjukkan bahwa algoritma KNN efektif dalam mengklasifikasikan kondisi aritmia pada lansia dan memiliki potensi untuk diterapkan dalam sistem pendukung diagnosis berbasis data EKG.

Penelitian ini dilakukan untuk menganalisis dan membandingkan sentimen pelanggan terhadap lima restoran Sunda di Kota Bogor menggunakan metode Aspect-Based Sentiment Analysis (ABSA) berbasis Fine-Tuning IndoBERT. Ulasan pelanggan di platform digital seperti Google Review berpengaruh besar terhadap citra dan keputusan konsumen, sementara jumlah ulasan yang besar sulit dijelaskan secara manual. Data penelitian diperoleh dari 3.232 ulasan Google Review dan diproses menjadi 3.010 data yang dikelompokkan berdasarkan lima aspek utama, yaitu makanan, pelayanan, harga, suasana, dan fasilitas. Metode Fine-Tuning IndoBERT digunakan untuk mengklasifikasikan sentimen positif, netral, dan negatif, dengan evaluasi melalui metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model memiliki performa sangat baik dengan akurasi tertinggi sebesar 97,51% pada aspek pelayanan dan terendah 92,52% pada aspek makanan, serta nilai F1-score makro di atas 0,91. Analisis menunjukkan bahwa Bumi Aki unggul pada aspek makanan dan fasilitas, Saung Abah pada pelayanan, Saung Kuring pada harga, dan Gumati pada suasana. Hasil penelitian ini menunjukkan bahwa Fine-Tuning IndoBERT efektif dalam memahami opini pelanggan berbahasa Indonesia dan dapat menjadi acuan bagi pelaku usaha kuliner dalam meningkatkan kualitas layanan.

Penyakit jantung merupakan salah satu penyakit dengan angka kematian tertinggi di negara maju bahkan dunia. Penyakit jantung dapat mengancam jiwa jika tidak ditangani dengan serius. Jumlah penderita penyakit jantung meningkat setiap tahunnya. Penyakit jantung dapat disebabkan oleh beberapa faktor, yang utama adalah konsumsi alkohol berlebihan, kebiasaan merokok, dan faktor keturunan. Penelitian ini bertujuan untuk memprediksi dan mencegah penyakit jantung sejak dini menggunakan algoritma pembelajaran mesin, yaitu regresi logistik. Data yang digunakan untuk pelatihan dan pengujian algoritma regresi logistik sebanyak 1.190 data, yang terbagi menjadi 80% data pelatihan dan 20% data pengujian. Hasil pengujian menunjukkan bahwa model dapat memprediksi dengan akurasi sebesar 86%. Setelah model dibuat, model tersebut diimplementasikan ke dalam situs web. Penelitian ini diharapkan dapat berkontribusi pada diagnostik yang dapat membantu deteksi dini penyakit jantung.

Deteksi nyeri objektif merupakan tantangan dalam dunia medis, terutama bagi pasien yang tidak mampu mengungkapkan rasa sakit secara verbal. Dengan kemajuan teknologi sensor dan kecerdasan buatan, sistem otomatis untuk mendeteksi nyeri berbasis sinyal fisiologis dan ekspresi wajah mulai dikembangkan. Studi ini bertujuan mengidentifikasi tren, metode, dan kualitas metodologis dari penelitian yang menggunakan database publik seperti BioVid Heat Pain, UNBC-McMaster, dan SenseEmotion dalam pengembangan sistem deteksi nyeri berbasis sensor. Penelitian dilakukan dengan pendekatan Systematic Literature Review (SLR) berdasarkan protokol PRISMA 2020 melalui pencarian artikel di Google Scholar dalam rentang tahun 2015–2024. Setelah seleksi berdasarkan kriteria inklusi dan eksklusi, 26 studi dimasukkan ke dalam sintesis naratif. Data dianalisis berdasarkan jenis sensor, metode algoritma, akurasi, dan ukuran sampel, serta dievaluasi menggunakan pendekatan GRADE. Hasil menunjukkan bahwa BioVid dan UNBC-McMaster adalah database paling sering digunakan, dengan sensor EDA, EMG, dan ekspresi wajah sebagai modalitas dominan. Metode klasifikasi umum mencakup CNN, SVM, dan Random Forest. Studi menyimpulkan bahwa pendekatan multimodal dan deep learning meningkatkan akurasi deteksi nyeri, namun validasi klinis dan perhatian terhadap keragaman demografis masih dibutuhkan.

Perkembangan teknologi layanan internet di Indonesia memengaruhi berbagai sektor industri, termasuk sektor makanan di PT Sarimelati Kencana Tbk. Perusahaan awalnya menggunakan layanan IndiHome, namun menghadapi tantangan seperti tingginya biaya dan ketidakstabilan jaringan yang berdampak pada efisiensi operasional. Sebagai alternatif, layanan Starlink hadir dengan jaringan satelit yang menjangkau wilayah luas dan mendapat respons publik yang lebih positif. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap IndiHome dan Starlink menggunakan metode Naïve Bayes yang dievaluasi melalui K-Fold Cross Validation. Data dikumpulkan dari media sosial X (sebelumnya Twitter) dengan total 14.200 tweet (7100 tweet untuk IndiHome dan 7100 untuk Starlink), yang kemudian diproses melalui tahapan preprocessing seperti cleansing, tokenizing, stopword removal, dan stemming. Hasil pengujian menunjukkan bahwa metode Naïve Bayes memberikan akurasi terbaik pada data Starlink sebesar 83,74%, sedangkan pada IndiHome sebesar 73,31%. Analisis preferensi menunjukkan bahwa sentimen positif terhadap IndiHome sebesar 34%, sedangkan Starlink mencapai 47%.Temuan ini menunjukkan bahwa Starlink lebih unggul dalam persepsi publik dibandingkan IndiHome. Oleh karena itu, hasil penelitian ini dapat menjadi dasar pertimbangan strategis bagi PT Sarimelati Kencana Tbk. dalam memilih penyedia layanan internet yang lebih stabil, efisien, dan mendukung kelancaran operasional perusahaan.

Gangguan tidur pada mahasiswa merupakan permasalahan yang dapat berdampak pada kesehatan jantung, khususnya melalui perubahan aktivitas listrik jantung yang terekam dalam sinyal EKG. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis untuk mendeteksi kondisi jantung berdasarkan sinyal EKG menggunakan algoritma K-Nearest Neighbor (KNN) dan reduksi fitur dengan Principal Component Analysis (PCA). Dataset yang digunakan terdiri dari 159 citra sinyal EKG yang dibagi menjadi dua kelas, yaitu Good Heart dan Bad Heart. Citra diproses melalui tahap preprocessing, reduksi dimensi menggunakan PCA, dan diklasifikasikan menggunakan KNN dengan berbagai nilai parameter. Model terbaik diperoleh pada kombinasi 20 komponen PCA dan nilai K = 6, dengan akurasi mencapai 96,23%, precision 98,46%, recall 92,75%, dan f1-score 95,50%. Hasil penelitian menunjukkan bahwa metode ini mampu mengenali kondisi jantung dengan baik dan efisien. Sistem ini berpotensi dikembangkan sebagai alat bantu deteksi dini gangguan jantung, khususnya pada kelompok mahasiswa yang mengalami gangguan tidur.

Abstrak Penelitian ini mengembangkan sistem deteksi aritmia pada lansia menggunakan sinyal elektrokardiogram (EKG) 5-lead dan algoritma Support Vector Machine (SVM). Data EKG yang diperoleh melalui perangkat Smart Holter direkam secara kontinu dan diproses melalui tahapan praproses, meliputi koreksi baseline, filtering dengan metode Butterworth, ekstraksi fitur, normalisasi, serta pelabelan manual oleh dokter spesialis jantung untuk validitas klinis. Model SVM kemudian dilatih dan diuji dengan hasil akurasi sebesar 95,80% pada data pelatihan dan 94,57% pada data pengujian. Evaluasi performa model menggunakan confusion matrix, nilai presisi, recall, dan kurva ROC menunjukkan kemampuan klasifikasi empat kategori aritmia secara akurat dan seimbang dengan nilai AUC antara 0,98 hingga 1,00. Hasil ini menunjukkan potensi sistem sebagai alat bantu diagnosis dini aritmia khususnya pada pasien lansia. Untuk penelitian selanjutnya, disarankan peningkatan variasi data, perbandingan dengan metode lain seperti CNN atau LSTM, peningkatan kualitas sinyal dan fitur, serta pengujian di lingkungan klinis guna mengoptimalkan penerapan sistem dalam praktik medis.    Kata Kunci: Elektrokardiogram (EKG), Aritmia, Support Vector Machine (SVM), Lansia

Tingkat keberhasilan deteksi penyakit jantung sangat bergantung pada akurasi model klasifikasi yang digunakan. Penelitian ini bertujuan membandingkan kinerja dua algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dalam mendeteksi penyakit jantung menggunakan dataset berjumlah 1025 sampel dengan dua kelas target, yakni sehat dan penyakit jantung. Proses pra-pemrosesan data meliputi pembersihan dan normalisasi fitur medis seperti usia, tekanan darah, serta kadar kolesterol. Evaluasi performa model dilakukan menggunakan metode Confusion Matrix, K-Fold Cross Validation, kurva Receiver Operating Characteristic (ROC), dan kurva Precision-Recall untuk mengukur akurasi, presisi, recall, serta keseimbangan antara presisi dan recall. Hasil pengujian menunjukkan bahwa algoritma KNN unggul dalam menghasilkan akurasi tinggi yaitu 99% dengan AUC ROC sempurna 1.00 dan presisi yang hampir konsisten sepanjang recall, sementara SVM menunjukkan performa stabil dengan akurasi 91%, AUC ROC 0.97, dan AP Precision-Recall sebesar 0.96. Penelitian ini menegaskan efektivitas KNN dalam menghasilkan prediksi penyakit jantung yang sangat akurat dengan potensi risiko overfitting pada parameter k kecil, sedangkan SVM memberikan kestabilan model dengan kemampuan generalisasi yang lebih baik. Temuan ini diharapkan dapat menjadi referensi dalam pemilihan algoritma klasifikasi yang sesuai untuk mendukung diagnosis penyakit jantung secara klinis.

Instagram merupakan salah satu media sosial paling populer di Indonesia dengan jumlah unduhan dan ulasan yang sangat tinggi di Google Play Store. Penelitian ini dilakukan untuk menganalisis sentimen dari ulasan bintang lima terhadap aplikasi Instagram guna mengkaji lebih lanjut apakah seluruh ulasan dengan rating tertinggi benar-benar mencerminkan sentimen positif. Data dikumpulkan melalui tahap scraping, kemudian dilakukan pembersihan data dengan teknik normalisasi sederhana seperti penghapusan URL, karakter khusus, angka, dan spasi berlebih, serta tahap preprocessing menggunakan metode tokenisasi. Model IndoBERT digunakan sebagai alat klasifikasi untuk mendeteksi sentimen dari setiap ulasan ke dalam tiga kategori: positif, netral, dan negatif. Hasil klasifikasi menunjukkan bahwa 59,7% ulasan tergolong positif, 11,2% netral, dan 29,1% negatif. Model evaluasi dilakukan melalui perbandingan hasil prediksi dengan pelabelan manual dan otomatis yang menghasilkan f1-score sebesar 0,901 untuk sentimen positif, 0,834 untuk negatif, dan 0,449 untuk netral, dengan akurasi keseluruhan sebesar 83,2%. Visualisasi word cloud ditampilkan setelah proses klasifikasi sentimen untuk menggambarkan kata-kata yang dominan di masing-masing kategori. Temuan ini menunjukkan bahwa rating numerik tidak selalu selaras dengan isi ulasan, serta pentingnya analisis sentimen dalam memahami persepsi pengguna secara lebih mendalam.

Kebakaran masih menjadi masalah serius dengan dampak besar, baik secara materi maupun korban jiwa. Deteksi yang lambat dan alarm konvensional yang tidak responsif menjadi penyebab utama tingginya tingkat kerusakan. Penelitian ini mengusulkan sistem deteksi kebakaran berbasis Internet of Things (IoT) yang mengintegrasikan multi-sensor dengan platform IFTTT (If This, Then That). Sistem ini menggabungkan sensor asap (MQ5, MQ9), suhu (DHT22), dan api, dengan NodeMCU ESP8266 sebagai pusat kendali, serta mengirim notifikasi real-time melalui WhatsApp. Tujuannya adalah meningkatkan akurasi deteksi dan mengurangi alarm palsu. Pengujian dilakukan dengan membandingkan sistem konvensional dan sistem IoT pada berbagai skenario kebakaran. Hasil menunjukkan bahwa sistem IoT memiliki keunggulan dalam kecepatan notifikasi (kurang dari 10 detik) dan kemampuan menyampaikan lokasi secara akurat. Meskipun memerlukan biaya awal lebih tinggi, efektivitas sistem ini dalam meningkatkan respons darurat menjadikannya solusi yang layak. Sistem ini cocok diterapkan di rumah, kantor, maupun fasilitas industri, serta memiliki potensi besar dalam pengembangan sistem keselamatan kebakaran yang lebih adaptif dan efisien di masa depan

Bitcoin sebagai salah satu cryptocurrency paling populer yang menawarkan peluang investasi besar namun disertai dengan volatilitas harga yang tinggi. Penelitian ini bertujuan untuk memprediksi harga Bitcoin menggunakan model Support Vector Machine (SVM) dan menganalisis risiko pasar yang melekat. Dataset historis Bitcoin digunakan untuk melatih model dengan fitur seperti harga pembukaan, harga tertinggi, harga terendah, dan volume perdagangan. Penelitian menggunakan model SVM yang dioptimalkan melalui tuning parameter untuk meningkatkan akurasi prediksi. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan performa model yang baik dengan MAE sebesar 0,0036 dan RMSE sebesar 0,0050. Korelasi fitur menunjukkan hubungan yang kuat antara harga penutupan dengan variabel harga lainnya, sementara volume memiliki hubungan moderat. Analisis risiko menggunakan pengembalian harian mengidentifikasi volatilitas signifikan, yang menjadi tantangan dalam pengambilan keputusan investasi. Penelitian ini menyimpulkan bahwa model SVM efektif dalam memprediksi tren harga Bitcoin. Namun, analisis risiko tetap penting untuk mendukung strategi investasi yang lebih bijaksana.    

Perkembangan teknologi informasi telah meningkatkan kebutuhan akan sumber daya manusia yang kompeten di bidang analitik data dan pemrograman, khususnya bagi mahasiswa Program Studi Sistem Informasi. Penelitian ini bertujuan untuk membangun model klasifikasi guna mengidentifikasi kecenderungan mahasiswa sebagai Data Analyst atau Programmer menggunakan algoritma Naive Bayes. Sebanyak 220 data dikumpulkan melalui kuesioner daring, dengan indikator penilaian yang dikelompokkan dalam dua dimensi: kemampuan analis data dan kemampuan pemrograman. Data kemudian dilabeli berdasarkan skor per dimensi dan diolah menggunakan model Complement Naive Bayes pada platform Google Colab. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan dua kelas mayoritas (Data Analyst dan Programmer) dengan baik, ditandai dengan akurasi keseluruhan sebesar 80,30% dan nilai precision, recall, serta f1-score yang tinggi. Namun, performa model terhadap kelas minoritas (Netral) masih rendah akibat ketidakseimbangan distribusi data. Penelitian ini menyarankan penggunaan teknik lanjutan seperti resampling, class weight, atau model ensemble untuk mengatasi bias terhadap kelas mayoritas. Temuan ini dapat digunakan sebagai dasar dalam pembimbingan akademik dan pengembangan kurikulum berbasis potensi mahasiswa.

Kemiskinan merupakan salah satu tantangan terbesar yang dihadapi oleh berbagai negara, termasuk Indonesia. Tingginya jumlah penduduk miskin di beberapa wilayah, seperti di Provinsi Jawa Tengah, mencerminkan kompleksitas permasalahan yang dipengaruhi oleh kualitas sumber daya manusia, tingkat kemiskinan, dan pembangunan ekonomi. Provinsi Jawa Tengah, dengan populasi besar, memiliki tingkat kemiskinan yang signifikan, sehingga memerlukan intervensi strategi untuk mengoptimalkan penyaluran program pembangunan. Untuk mendukung pemerintah dalam menentukan prioritas penanganan kemiskinan secara efektif dan efisien, diperlukan sistem pendukung keputusan. Penelitian ini memiliki tujuan untuk merancang sistem pendukung keputusan berbasis TOPSIS yang efisien dan mampu memberikan rekomendasi terbaik berdasarkan beberapa kriteria utama: jumlah penduduk, Tingkat pengangguran, upah minimum, PDRB, dan jumlah penduduk miskin. Hasil analisis menunjukkan bahwa Kota Semarang memiliki tingkat kemiskinan terendah dengan nilai preferensi tertinggi (0,686725), sedangkan Kabupaten Brebes memiliki tingkat kemiskinan tertinggi dengan nilai preferensi terendah (0,154773). Validasi metode TOPSIS yang diterapkan dalam sistem ini mencapai tingkat akurasi sebesar 77,17% yang menunjukkan bahwa hasil pemeringkatan konsisten dengan keselarasan signifikan antara hasil sistem dan kondisi riil. Dengan demikian, sistem pendukung keputusan ini memberikan kontribusi nyata dalam mengklasifikasi wilayah berdasarkan tingkat kemiskinan, sehingga dapat menjadi alat bantu strategi dalam perencanaan program Pembangunan yang lebih tepat sasaran.

Senia, bisnis penjualan bahan bangunan seperti semen, keramik, pasir, dan besi, menghadapi kesulitan dalam memilih pemasok terbaik karena keterbatasan informasi dan metode evaluasi yang subjektif. Hal ini menyebabkan pemilihan pemasok yang tidak optimal, seperti pemasok yang sering terlambat mengirimkan barang atau menyediakan bahan berkualitas rendah. Akibatnya, operasional usaha terhambat, biaya meningkat, dan kepercayaan pelanggan menurun. Persaingan ketat di industri ini membuat layanan buruk akibat pemasok yang tidak tepat berisiko membuat pelanggan beralih ke kompetitor. Dengan menerapkan sistem menggunakan Metode Analytic Hierarchy Process (AHP) dan Multi-Objective Optimization by Ratio Analysis (MOORA) pada sistem rekomendasi berbasis website. AHP membantu merangking kriteria dan subkriteria secara sistematis, sementara MOORA efektif dalam menyeleksi alternatif terbaik. Kombinasi kedua metode ini terbukti meningkatkan efisiensi dan akurasi dalam seleksi pemasok, mengurangi waktu evaluasi manual, dan menghindari subjektivitas dalam pengambilan keputusan. Dengan sistem ini, UD. Senia dapat memastikan ketersediaan bahan berkualitas dengan harga kompetitif, menjaga posisi pasar, dan meningkatkan daya saing.

Penilaian kompetensi softskill calon karyawan dalam seleksi dan rekrutmen tenaga kerja merupakan aspek penting. Namun, proses ini sering kali masih mengandalkan metode subjektif yang dapat mengurangi akurasi keputusan. Oleh karena itu, dibutuhkan pendekatan objektif dalam penilaian yang dapat menghasilkan keputusan yang lebih akurat. Salah satu metode yang dapat digunakan adalah Analytic Hierarchy Process (AHP). Metode ini membangun model hierarki yang mencakup kriteria dan subkriteria dalam penilaian softskill. Penelitian menunjukkan bahwa metode AHP ini dapat digunakan sebagai alat pengambilan keputusan yang sesuai dengan peringkat berdasarkan hasil nilai terbesar. Dengan menggunakan metode ini, proses seleksi dan rekrutmen tenaga kerja dapat menjadi lebih obyektif dan akurat, memungkinkan perusahaan untuk mendapatkan karyawan yang sesuai dengan kebutuhan dan standar yang diharapkan. Selain itu, AHP juga memberikan kerangka kerja yang jelas dan terstruktur untuk mengevaluasi dan memprioritaskan kriteria softskill yang penting dalam konteks penilaian karyawan.

Childfree terjadi pada individu atau pasangan yang secara sukarela memilih untuk tidak memiliki anak. Fenomena Childfree semakin menarik perhatian masyarakat modern dan mempengaruhi keputusan hidup banyak individu. Data yang digunakan diperoleh dengan melakukan crawling data pada sosial media twitter. Dalam analisis sentimen kali ini menggunakan metode naïve bayes, data akan diflasifikasikan menjadi dua hasil, yaitu sentimen negatif dan positif. Setelah itu, data tersebut akan dinilai menggunakan pengujian dengan confusion matrix untuk mengukur akurasi, recall, dan precision. Hasil pengujian dengan Rapidminer menunjukan tingkat akurasi naive bayes yang tinggi sebesar 96%, untuk sentimen positif menghasilkan nilai precision 84,13%, dan nilai recall 100%. Sedangkan untuk sentimen negatif menunjukkan nilai precision 94,92%, dan recall 100%. Hasil klasifikasi tersebut menghasilkan 254 tweet negatif, dan 74 tweet positif. Analisis sentimen menggunakan metode Naïve Bayes dapat memberikan wawasan yang berharga tentang pandangan dan sentimen masyarakat terhadap Childfree. Hasil penelitian ini penting untuk memahami dan menghargai keragaman pandangan terkait topik ini. Implikasi penelitian ini dapat digunakan untuk pengambilan keputusan yang lebih baik dalam konteks sosial, budaya, dan kebijakan yang berkaitan dengan keputusan Childfree.

Saat ini proses seleksi lelang elektronik di LPSE Kota Banjarmasin dilakukan dengan memperhatikan masing-masing indikator dan kriteria individu yang telah ditetapkan oleh masing-masing peserta lelang. Hal ini membutuhkan pertimbangan yang cermat dari banyak kriteria, yang membutuhkan waktu dan proses penilaian yang menyeluruh. Selain itu, untuk mendeteksi terjadinya ketidakpuasan di antara peserta, perangkat bantu seperti sistem pendukung keputusan Memanfaatkan metodologi Eckenrode dan The Distance to the Ideal Alternative, penelitian ini berupaya untuk memperbaiki sistem penentuan sebab seleksi pemenang lelang (DIA ). Sekitar 50 sampel data digunakan dalam penelitian untuk menentukan ambang akurasi dan sensitivitas sistem, dan hasilnya menunjukkan bahwa tingkat akurasi dan sensitivitas masing-masing adalah 98% dan 97%. Temuan penelitian ini menunjukkan bahwa metode Eckenrode dan DIA dapat berhasil digunakan untuk pengembangan sistem pemilihan kandidat khusus lelang.

Kontaminasi bakteri patogen dalam produk makanan mahal bagi masyarakat dan industri. Metode tradisional untuk mendeteksi dan mengidentifikasi patogen bawaan makanan seperti Listeria monocytogenes biasanya memakan waktu 3-7 hari. Pada makalah ini, sistem klasifikasi dikembangkan untuk mengidentifikasi pengambilan citra bakteri menggunakan alat optical light scattering dan menghasilkan citra berbentuk grayscale. Algoritma klasifikasi yang diusulkan didasarkan pada Invariant Zernike Moment berbasis Support Vector Machine pada kernel Radial Chebyshev Moments yang dihitung dari dataset citra bakteri apda 4 genus yang digunakan sebagai dataset. Sebanyak 400 citra bakteri dengan 100 citra pada masing-masing jenis genus telah di uji dan menghasilkan akurasi pada proses indetifikasi dengan capaian sebesar 78,33% pada 5-fold Cross Validation.