Mochammad Ali Fauzi, Mochammad Ali
Unknown Affiliation

Published : 71 Documents
Articles

Identifikasi Tweet Cyberbullying pada Aplikasi Twitter menggunakan Metode Support Vector Machine (SVM) dan Information Gain (IG) sebagai Seleksi Fitur Purnamasari, Ni Made Gita Dwi; Fauzi, Mochammad Ali; Indriati, Indriati; Dewi, Liana Shinta
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 11 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1030.214 KB)

Abstract

Cyberbullying merupakan salah satu tindakan yang melanggar UU ITE dimana kejahatan ini dilakukan di media sosial salah satunya aplikasi Twitter. Tindakan ini sulit terdeteksi jika tidak ada yang me-report tweet tersebut. Identifikasi tweet cyberbullying bertujuan untuk mengklasifikasikan tweet yang mengandung konten bullying. Klasifikasi dilakukan dengan menggunakan metode Support Vector Machine dimana metode bertujuan mencari hyperplane pemisah antara kelas negatif dan positif. Penelitian ini merupakan klasifikasi teks dimana semakin banyak datanya semakin banyak fitur yang dihasilkan, oleh karena itu penelitian ini juga menggunakan seleksi fitur Information Gain untuk menyeleksi fitur yang tidak relevan terhadap klasifikasi. Proses sistem dimulai dari text preprocessing dengan tahapan tokenisasi, filtering, stemming dan pembobotan kata. Kemudian melakukan seleksi fitur information gain dengan menghitung nilai entropy tiap kata. Setelah itu melakukan proses klasifikasi berdasarkan fitur yang telah diseleksi dan hasil keluaran sistem berupa identifikasi apakah tweet termasuk bully atau bukan bully. Hasil yang didapatkan dengan metode SVM adalah accuracy 75%, precision 70,27%, recall 86,66% dan f-measure 77,61% pada percobaan nilai iterMax = 20, λ = 0,5, ???? = 0,001, ???? = 0,000001, dan C = 1. Nilai threshold terbaik seleksi fitur information gain adalah 90%, dengan nilai accuracy 76,66%, precision 72,22%, recall 86,66% dan f-measure 78,78%.
Pengenalan Entitas Bernama untuk Identifikasi Transaksi Akuntansi Menggunakan Hidden Markov Model Rizqiyah, Rika Raudhotul; Muflikhah, Lailil; Fauzi, Mochammad Ali
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 7 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (906.78 KB)

Abstract

Akuntansi merupakan suatu pekerjaan yang memiliki peranan penting dalam mendukung kelancaran ekonomi, karena pencatatan setiap proses bisnis yang terjadi dilakukan dalam akuntansi. Namun, pencatatan transaksi keuangan dalam akuntansi untuk dapat dilakukan identifikasi ke dalam bentuk jurnal masih dilakukan secara manual, sehingga dibutuhkan klasifikasi dan ekstraksi informasi yang terdapat pada teks transaksi akuntansi. Named Entity Recognition (NER) atau pengenalan entitas bernama merupakan langkah awal yang dibutuhkan untuk melakukan proses ekstraksi informasi. Untuk menyelesaikan masalah tersebut, dilakukan pengenalan entitas bernama untuk identifikasi transaksi akuntansi. Pada penelitian ini digunakan metode Hidden Markov Model (HMM), karena HMM dapat menyelesaikan pelabelan serta dikenal handal dalam melakukan pengenalan entitas bernama. Proses utama dalam pengenalan entitas bernama ini dibagi menjadi dua, yaitu proses pemodelan menggunakan Hidden Markov Model dan proses decoding menggunakan Viterbi Algorithm. Pada penelitian ini akan dilakukan pengenalan terhadap 12 entitas, antara lain DATE, TITLE, PER, TRANS, EXP_MON, TYP_COMP, FIRST_ORG, SECOND_ORG, EXP_DATE, NO_DATE, MONTH dan YEAR. Secara keseluruhan pengenalan entitas yang dilakukan pada penelitian ini menghasilkan nilai rata-rata precision, recall dan f-measure berturut-turut yaitu 81.75%, 87.88% dan 82.39%.
Analisis Sentimen Kurikulum 2013 pada Twitter menggunakan Ensemble Feature dan Metode K-Nearest Neighbor Irfan, M. Rizzo; Fauzi, Mochammad Ali; Tibyani, Tibyani
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 9 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (368.047 KB)

Abstract

Kurikulum 2013 merupakan kurikulum baru dalam sistem pendidikan Indonesia yang telah diberlakukan oleh pemerintah untuk menggantikan kurikulum 2006 atau Kurikulum Tingkat Satuan Pendidikan (KTSP). Diberlakukannya kurikulum ini pada beberapa tahun terakhir memicu berbagai kontroversi dalam dunia pendidikan Indonesia, seperti siswa yang dituntut lebih aktif, jam pelajaran yang ditambah dan hal-hal lainnya yang menyebabkan muncul berbagai opini yang berkembang di masyarakat terutama pada Twitter. Diperkirakan sekitar 200 juta pengguna Twitter melakukan posting 400 juta tweet per hari. Dalam penelitian ini, dilakukan analisis sentimen untuk mengetahui opini yang berkembang tersebut yang dibagi ke dalam opini positif atau opini negatif. Fitur dan metode yang digunakan adalah ensemble feature dan metode klasifikasi K-Nearest Neighbor (K-NN). Ensemble feature merupakan fitur gabungan, berupa fitur statistik Bag of Words (BoW) dan semantik (twitter specific, textual features, PoS features, lexicon based features). Berdasarkan serangkaian pengujian, kombinasi fitur berdampak dalam meningkatkan akurasi metode K-Nearest Neighbor (K-NN) untuk menentukan opini positif atau negatif. Penggabungan fitur ini dapat melengkapi kelemahan masing-masing fitur, sehingga hasil akhir akurasi yang didapatkan dengan menggabungkan kedua fitur tersebut mecapai 96%. Berbeda hal jika hanya menggunakan fitur secara independen saja, akurasi yang didapatkan hanya mencapai 80% pada fitur Bag of Words (BoW) dan 82% pada fitur ensemble tanpa Bag of Words (BoW).
Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking Fanissa, Shima; Fauzi, Mochammad Ali; Adinugroho, Sigit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 8 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (779.689 KB)

Abstract

Pariwisata merupakan salah satu sektor usaha untuk memajukan suatu kota. Kota Malang pada saat ini memiliki sebuah branding city yang bernama “Beautiful Malang”. Masyarakat  Indonesia memilih pariwisata Kota Malang sebagai destinasi dan mengulasnya pada website salah satunya adalah  TripAdvisor. Dengan demikian penelitian ini mencoba menganalisis ulasan dari masyarakat tentang pariwisata Kota Malang melalui analisis sentimen dan diklasifikasikan menjadi dua kelas yaitu positif dan negatif. Pada penelitian ini metode yang digunakan adalah Naive Bayes dengan seleksi fitur Query Expansion Ranking untuk mengurangi jumlah fitur pada proses klasifikasi. Proses dari analisis sentimen terdiri dari preprocessing, seleksi fitur dengan metode Query Expansion Ranking, dan klasifikasi dengan Naive Bayes. Pengujian pada penelitian ini adalah uji akurasi dengan menggunakan variasi rasio seleksi fitur, hasilnya seleksi fitur 75% memiliki akurasi terbaik sebesar 86.6%.    
Penentuan Penerima Bantuan Ternak Menggunakan Algoritma K-Means & Naïve Bayes Asikin, Moh Fadel; Ratnawati, Dian Eka; Fauzi, Mochammad Ali
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 2 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (745.515 KB)

Abstract

Indonesia adalah negara yang luas yang memiliki banyak kepulauan yang cocok untuk dikembangkan bisnis peternakan. Pada kenyataannya sektor peternakan belum mampu mendorong partisipasi masyarakat dan swasta. Untuk mengatasi permasalahan tersebut, maka sebagian anggaran Kementerian Pertanian dialokasikan dalam bentuk belanja bantuan sosial, diantaranya untuk pemberdayaan masyarakat dan penanggulangan kemiskinan dalam bentuk barang kepada kelompok tani. Salah satu bentuk bantuan yang dialokasikan ke kelompok petani adalah pemberian ternak. Penentuan calon penerima masih belum efektif dan kadang menimbulkan pemberian bantuan ternak menjadi tidak tepat sasaran, sehingga setiap pembelanjaan uang negara tidak memberikan manfaat yang maksimal bagi masyarakat. Pada penelitian ini digunakan metode K-Means Naïve Bayes (KMNB) yang dianggap mampu memberikan hasil klasifikasi yang akurat pada penentuan penerima bantuan ternak. Pendekatan pembelajaran KMNB dibentuk dengan menggabungkan teknik clustering dan klasifikasi. K-Means digunakan sebagai komponen pra-klasifikasi untuk mengelompokkan data yang sama pada tahap awal. Selanjutnya di tahap kedua data akan diklasifikasikan berdasarkan kategori diterima atau tidaknya menggunakan Naïve Bayes. Dengan demikian, data dengan kelompok yang salah selama tahap pertama akan diklasifikasikan sesuai dengan kategori di tahap kedua. Berdasarkan hasil pengujian dengan membandingkan hasil pengelompokkan pada metode K-Means konvensional terbukti bahwa KMNB memberikan akurasi tertinggi sebesar 100% sedangkan K-Means konvensional memiliki akurasi sebesar 95.91.
PENGELOMPOKAN DOKUMEN PETISI ONLINE DI SITUS CHANGE.ORG MENGGUNAKAN ALGORITME HIERARCHICAL CLUSTERING UPGMA Ferdiansyah, Irwin Deriyan; Adinugroho, Sigit; Fauzi, Mochammad Ali
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 10 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Change.org merupakan salah satu website yang sering digunakan oleh masyarakat untuk sarana penyampaian petisi dan kampanye sosial secara online. Kampanye lewat media sosial terbukti dapat menghasilkan perubahan. Aliran informasi petisi online yang berupa dokumen diperbarui setiap harinya dalam jumlah yang besar, membuat clustering dokumen menjadi sangat penting. Clustering dokumen adalah proses pengelompokan dokumen yang memiliki kesamaan topik. Tujuannya untuk membagi dokumen berdasarkan kesamaan, sehingga memudahkan dalam proses pencarian. Metode yang digunakan adalah hierarchical clustering UPGMA atau Unweighted Pair-Group Method using Arithmetic averages dengan menambahkan reduksi fitur menggunakan metode latent semantic indexing hasil pemecahan matrik singular value decomposition. Hasil penelitian menyimpulkan bahwa latent semantic indexing dapat mengatasi permasalahan pada data berdimensi tinggi. Data yang digunakan berjumlah 100 petisi. Dari hasil pengujian performansi  menggunakan cophenetic correlation coefficient diperoleh nilai cophenetic sebesar 0,75959 pada rank matrik LSI sebanyak 10% dan silhouette coefficient sebesar 0,36862 dengan jumlah cluster sebanyak 2 cluster.
Peringkasan Literatur Ilmu Komputer Bahasa Indonesia Berbasis Fitur Statistik dan Linguistik menggunakan Metode Gaussian Naïve Bayes Fhadli, Muhammad; Fauzi, Mochammad Ali; Afirianto, Tri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 1 No 4 (2017)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (953.144 KB)

Abstract

Di tengah era dengan kebutuhan data yang besar ini, peringkasan teks merupakan suatu kebutuhan. Dengan peringkasan teks, setiap orang bisa mendapatkan informasi yang mendeskripsikan keseluruhan data teks yang besar hanya dengan beberapa kalimat. Permasalahan dalam peringkasan teks adalah kualitas hasil ringkasan. Salah satu metode untuk meringkas teks yang dikenal adalah metode TF-IDF, metode ini merupakan metode peringkasan dengan pendekatan statistik. Pendekatan lain untuk meringkas teks adalah pendekatan linguistik. Pada umunya, ringkasan dari sebuah teks terdiri atas kalimat-kalimat yang memiliki fitur-fitur linguistik seperti jumlah kata, jumlah kata kunci, dan posisi kalimat pada teks asli. Fitur-fitur tersebut dapat digunakan untuk mengklasifikasikan suatu kalimat baru kedalam kelas ringkasan atau kelas bukan ringkasan. Hasil peringkasan diperoleh dari kumpulan kalimat pada kelas ringkasan. Pada penelitian ini, penulis melakukan penggabungan fitur statistik dan fitur linguistik untuk melakukan peringkasan teks. Hasil pengujian penelitian ini menunjukkan peringkasan dengan fitur statistik dan linguistik menggunakan metode Naïve Bayes memiliki nilai rata-rata f- score 0,206538 dan nilai rata-rata relative utility 0,116657.
Klasifikasi Teks Bahasa Indonesia Pada Dokumen Pengaduan Sambat Online Menggunakan Metode K-Nearest Neighbors (K-NN) dan Chi-Square Suharno, Claudio Fresta; Fauzi, Mochammad Ali; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 1 No 10 (2017)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (961.194 KB)

Abstract

K-Nearest Neighbors (K-NN) merupakan metode klasifikasi yang mudah untuk dipahami. Akan tetapi metode tersebut memiliki beberapa kekurangan, salah satunya adalah metode ini menggunakan semua fitur pada perhitungan klasifikasi. Hal ini dapat mengakibatkan rendahnya nilai akurasi yang dihasilkan yang disebabkan banyaknya fitur tidak penting yang masuk dalam perhitungan klasifikasi. Oleh karena itu, seleksi fitur digunakan sebagai salah satu cara untuk mengatasi kekurangan tersebut. Teknik seleksi fitur mengurangi jumlah fitur yang tidak relevan dalam klasifikasi teks. Metode seleksi fitur yang digunakan adalah menggunakan metode Chi-Square untuk menghitung tingkat dependensi fitur. Proses yang dilakukan adalah mengumpulkan dokumen latih dan dokumen uji, melakukan tahap preprocessing dan seleksi fitur, kemudian dilakukan klasifikasi, dan pada tahap akhir dilakukan pengujian dan analisis terhadap hasil klasifikasi oleh sistem terkait nilai precision, recall, dan F-Measure. Dari 16 hasil pengujian, didapatkan nilai precision dan recall terbaik didapatkan dengan nilai masing-masing adalah 90% dan 78% pada k = 15 dengan seleksi fitur sebesar 25%. Sedangkan hasil dari F-Measure terbaik didapatkan dengan nilai 78% pada k = 15 dan k = 5 dengan seleksi fitur sebesar 25%. Dari penelitian ini dihasilkan bahwa seleksi fitur dapat meningkatkan nilai F-Measure dalam klasifikasi teks berbahasa Indonesia pada dokumen pengaduan SAMBAT Online dengan menggunakan metode klasifikasi K-Nearest Neighbors.
Named Entity Recognition Menggunakan Hidden Markov Model dan Algoritma Viterbi pada Teks Tanaman Obat Setiyoaji, Agung; Muflikhah, Lailil; Fauzi, Mochammad Ali
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 1 No 12 (2017)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (850.949 KB)

Abstract

Media untuk menyampaikan informasi dapat melalui televisi, radio, social media, dan website. Website merupakan karya tulis dari seseorang terletak pada sebuah domain yang mengandung informasi. Perkembangan website semakin banyak dan informasi semakin tidak terbendung sehingga muncul permasalahan sulitnya mencari informasi yang sesuai dengan kebutuhan pengguna internet, sehingga dibutuhkan klasifikasi dan ekstraksi informasi untuk informasi yang ada dalam website. Named Entity Recognition (NER) yang merupakan turunan dari ekstraksi informasi, bertujuan untuk memudahkan mencari informasi dengan cara pemberian nama entitas pada setiap kata dalam sebuah teks. Pada penelitian ini akan dilakukan pengenalan empat entitas yaitu NAMA, TEMPAT, ZAT, dan KEGUNAAN dari teks tanaman obat. Algoritma pada penelitian ini menggunakan Hidden Markov Model (HMM) dan algoritma Viterbi. Secara keseluruhan pengenalan entitas menghasilkan nilai yang paling rendah dengan f-measure 0.41, dan yang paling tinggi dengan f-measure 0.72.
Penerapan Named Entity Recognition Untuk Mengenali Fitur Produk Pada E-commerce Menggunakan Rule Template Dan Hidden Markov Model Dirgantara, M Yusron Syauqi; Fauzi, Mochammad Ali; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 10 (2018)
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (741.155 KB)

Abstract

Teknologi informasi dengan adanya internet memberikan dampak perkembangan perdagangan elektronik atau e-commerce yang memperoleh banyak popularitas. Data APJII tahun 2016 menyatakan sebanyak 130,8 juta penduduk Indonesia menggunakan internet untuk menawarkan barang dan jasa. Di dalam manajemen e-commerce terdapat customer service yang bertugas untuk menangani segala macam pertanyaan yang disampaikan oleh pelanggan. Penyampaian informasi oleh customer service biasanya melalui call center atau aplikasi chatting. Didorong kemampuan intelligent digital assistants chatbot banyak digunakan untuk membantu pekerjaan customer services. Dibutuhkan suatu analisis terhadap bahasa pelanggan pada chatbot agar dapat dikenali informasi apa saja yang terdapat pada pertanyaan tersebut, sehingga dibutuhkan klasifikasi dan ektrasi informasi agar mendapatkan informasi penting yang dibutuhkan oleh chatbot dalam menjawab pertanyaan dari pelanggan. Named Entity Recognition (NER) merupakan bagian dari ekstraksi informasi yang bertugas untuk pengklasifikasi teks dari sebuah dokumen atau korpus yang dikategorikan kedalam beberapa kelas seperti nama orang, lokasi, bulan, tanggal, waktu dan sebagainya. Ekstrasi nama secara otomatis dapat berguna untuk mengatasi beberapa permasalahan seperti pada mesin terjemahan, pencarian informasi, tanya jawab dan peringkasan teks. Pada penelitian ini NER yang dilakukan menggunakan metode Hidden Markov Model dan Rule Template dengan 6 entitas yaitu MEREK, TIPE, HARGA, SPEK, N_SPEK dan N_TAG. Secara keseluruhan pengenalan entitas yang dilakukan pada penelitian ini menghasilkan nilai akurasi pada Rule Template sebesar 97.20% dan nilai akurasi pada Hidden Markov Model sebesar 92.23%.
Co-Authors Adelina, Vina Agnes Rossi Trisna Lestari, Agnes Rossi Agung Setiyoaji, Agung Agus Wahyu Widodo, Agus Wahyu Agustin, Suryani Akaresti, Amalia Kusuma Ananta, Nanda Firizki Andika Indra Kusuma, Andika Indra Annisya Aprilia Prasanti, Annisya Aprilia Antinasari, Prananda Aprilla, Silvia Ardi, Muhammad Khaerul Ardiansyah, Moch. Yugas Ari Kusyanti Asikin, Moh Fadel Attabi', Ahmad Wildan Bachtiar, Fitra Abdurrachman Bagaskoro, Galih Nuring Barokah, Muhammad Khatib Budi Darma Setiawan, Budi Darma Budi Kurniawan Butar Butar, Thio Marta Elisa Yuridis Chusnah Puteri Damayanti, Chusnah Puteri Claudio Fresta Suharno, Claudio Fresta Claudy, Yessivha Imanuela Dewi, Liana Shinta Dian Eka Ratnawati Dirgantara, M Yusron Syauqi Edy Santoso Elisa Julie Irianti Siahaan, Elisa Julie Irianti Eti Setiawati, Eti Fanissa, Shima Fathor Rosi, Fathor Febriana, Resti Ferdiansyah, Irwin Deriyan Ferly Gunawan, Ferly Figgy Rosaliana, Figgy Hakiem, Muhammad Haryanto, Dimas Joko Hudin, Muhammad Sholeh Idris, Hilmy Khairi Imam Cholissodin Indriati Indriati Irfan, M. Rizzo Irfani, Fakhruddin Farid Joda Pahlawan Romadhona Tanjung, Joda Pahlawan Romadhona Kartikasari, Dwi Damara Komang Candra Brata Lailil Muflikhah Laxmi, Mahdarani Dwi Lubis, Wahyuni Muhammad Fhadli, Muhammad Muhammad Tanzil Furqon, Muhammad Tanzil Nurul Dyah Mentari, Nurul Dyah Nurul Hidayat Permatasari, Rosy Indah Prabowo, Dhimas Anjar Pristiyanti, Ria Ine Pujadayanti, Irma Purnamasari, Ni Made Gita Dwi Putra Pandu Adikara Putra, Aditya Kresna Bayu Arda Putro, Robertus Santoso Aji Rachmad Indrianto, Rachmad Rachman, Wildan Aulia Rangkuti, Fachrul Rozy Saputra Ratih Diah Puspitasari, Ratih Diah Razzak, Hasbi Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Rika Raudhotul Rizqiyah, Rika Raudhotul Rizal Setya Perdana Rosyadi, Annam Sabily, Alvandi Fadhil Sakti, Zubaidah Al Ubaidah Sari, Eka Dewi Lukmana Sari, Nur Hijriani Ayuning Satria, Ahmad Galang Satriani, Nining Nahdiah Satrio, Rakhman Halim Sigit Adinugroho Sutrisno sutrisno Tampubolon, Lita Handayani Tibyani Tibyani, Tibyani Tri Afirianto, Tri Trisnawan, Primantara Hari Umi Rofiqoh, Umi Uswatun Hasanah Veronica Kristina Br Simamora, Veronica Kristina Br Widhi Yahya Winda Estu Nurjanah, Winda Estu Winda Fitri Astiti, Winda Fitri Wulandari, Ulfa Lina Yani, Rahmat Yuita Arum Sari Yusron, Moh Iqbal Yusuf, Safier