Jurnal Analisis Komputasi Digital

CLASSIFICATION GAME GENRE USING TF-IDF AND NAÏVE BAYES

Aditya Nugraha Irwan, Hasanul Fahmi — Thu, 30 Jan 2025 00:00:00 +0000

Penelitian ini mengklasifikasikan genre game berdasarkan deskripsi teks game yang tersedia di platform Steam. Penelitian ini bertujuan untuk mengklasifikasikan tiga genre game: Adventure, Casual, dan Sports. Metode yang digunakan adalah Term Frequency-Inverse Document Frequency (TF-IDF) untuk merepresentasikan teks dan algoritma Naïve Bayes untuk klasifikasi. Penelitian ini mencakup pengumpulan dataset dari platform Steam, melakukan preprocessing data, mengukur kata-kata signifikan dalam dataset, dan melakukan klasifikasi menggunakan Naïve Bayes. Tingkat akurasi yang dicapai berdasarkan deskripsi teks game adalah 64,79%, dengan skor precision, recall, dan F1 yang seimbang di semua genre. Untuk meningkatkan akurasi, peneliti menggunakan pipeline dan GridSearchCV. Akurasi klasifikasi meningkat menjadi 74,65%, menunjukkan efektivitas kombinasi TF-IDF dan Naïve Bayes dalam klasifikasi genre game.

This study classifies game genres based on the text descriptions of games available on the Steam platform. The research aims to classify three game genres: Adventure, Casual, and Sports. It employs Term Frequency-Inverse Document Frequency (TF-IDF) to represent text and uses the Naïve Bayes algorithm for classification. The study involves collecting datasets from the Steam platform, conducting data preprocessing, measuring significant words within the dataset, and classifying using Naïve Bayes. The achieved accuracy rate based on game text descriptions is 64.79%, with balanced precision, recall, and F1-scores across all genres. In an effort to improve accuracy, the researcher employed a pipeline and GridSearchCV. The classification accuracy increased to 74.65%, demonstrating the effectiveness of combining TF-IDF and Naïve Bayes for game genre classification.

IMPLEMENTASAI DESIGN THINGKING PADA UI/UX APLIKSAI PEMESANAN MAKANAN MELALUI WHATSAPP BUSINESS

Nila Shofiyatul Karima, Lukie Perdanasari — Thu, 30 Jan 2025 00:00:00 +0000

Metode Design Thinking diterapkan dalam perancangan sistem pemesanan makanan berbasis WhatsApp Business untuk memenuhi kebutuhan pelanggan sekaligus meningkatkan efisiensi kerja internal. Dengan integrasi alur kerja mulai dari pelanggan, admin, kasir, dapur, hingga kurir, sistem ini dirancang untuk menyederhanakan proses pemesanan sekaligus meningkatkan kepuasan pelanggan secara keseluruhan. Fitur tambahan seperti sistem rating digunakan untuk memantau dan menjaga kualitas layanan. Melalui pendekatan Design Thinking yang berpusat pada manusia (human-centered), perancangan sistem ini didasarkan pada pemahaman mendalam terhadap kebutuhan pengguna, menghasilkan solusi inovatif yang tidak hanya relevan tetapi juga efektif untuk diimplementasikan.

EVALUASI MODEL ANN, CNN, DAN SVM UNTUK KLASIFIKASI GAMBAR CIFAR-10

Thu, 30 Jan 2025 00:00:00 +0000

Penelitian ini mengevaluasi bagaimana tiga algoritma machine learning yaitu Artificial Neural Network (ANN), Convolutional Neural Network (CNN), dan Support Vector Machine (SVM) bekerja dalam klasifikasi dataset CIFAR-10. Dataset CIFAR-10 terdiri dari 60.000 gambar berwarna dengan resolusi 32 x 32 piksel, dan dibagi ke dalam sepuluh kelas. Setiap algoritma diuji dengan metrik akurasi, presisi, recall, dan skor F1. Hasil eksperimen menunjukkan bahwa CNN memiliki akurasi terbaik sebesar 70% dibandingkan dengan ANN dan SVM. Selain itu, teknik regulasi seperti regularisasi L2 dan PCA terbukti meningkatkan kinerja model. Studi ini menunjukkan keunggulan CNN dalam pengolahan data citra serta kelemahan SVM dan ANN saat menangani dataset berskala besar.