AICOM: Artificial Intelligence and Computing

Analisis Sentimen E-Commerce di Indonesia dengan Algoritma Naive Bayes (Studi Kasus Pada Platform Shopee, Tokopedia, Bukalapak, dan Lazada)

Dede Prabowo Wiguna, Sakaria Efrata Ginting — Mon, 30 Mar 2026 00:00:00 +0000

Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pelanggan pada platform e-commerce (Shopee, Tokopedia, Bukalapak, dan Lazada) guna mengevaluasi tingkat kepuasan pengguna secara otomatis. Metode yang digunakan adalah algoritma Naive Bayes dengan pembobotan kata TF-IDF, yang diimplementasikan pada dataset sebanyak 40.000 ulasan dari Kaggle Dataset. Proses penelitian mencakup tahapan preprocessing yang terdiri dari cleaning, case folding, tokenizing, filtering, dan stemming. Hasil penelitian menunjukkan bahwa model pada algoritma Naive Bayes mampu mencapai tingkat akurasi sebesar 84,88%. Berdasarkan analisis distribusi sentimen, aplikasi Shopee memperoleh ulasan positif terbanyak (6.769 ulasan), sedangkan Bukalapak menerima ulasan negatif tertinggi (4.365 ulasan). Meskipun sangat efektif dalam membedakan sentimen positif dan negatif, model ini belum mampu mengidentifikasi sentimen netral, sehingga disarankan penggunaan teknik oversampling pada penelitian selanjutnya untuk menangani ketidak-seimbangan data.

Analisis Vulnerability Assessment Menggunakan OWASP ZAP untuk Mengidentifikasi Celah Keamanan Website

Permadi Kusuma, Ryan Alghazali Pakkaja — Mon, 30 Mar 2026 00:00:00 +0000

Website sekolah berperan penting sebagai media penyampaian informasi akademik dan administrasi kepada siswa, guru, serta masyarakat. Namun, banyak website sekolah masih memiliki potensi kerentanan keamanan yang dapat dimanfaatkan oleh pihak yang tidak bertanggung jawab. Penelitian ini bertujuan untuk menganalisis tingkat keamanan website sekolah melalui proses vulnerability assessment guna mengidentifikasi potensi celah keamanan pada aplikasi web. Penelitian ini menggunakan sampel tiga website sekolah, yaitu SMA Negeri 1 Palopo, SMK Negeri 1 Palopo, dan SMP Negeri 1 Tomoni yang berada di wilayah Kota Palopo dan Kabupaten Luwu Timur. Proses analisis kerentanan dilakukan menggunakan perangkat lunak OWASP ZAP (Open Web Application Security Project Zed Attack Proxy) yang digunakan untuk melakukan pemindaian terhadap potensi kerentanan keamanan pada website. Metode penelitian meliputi tahap pengumpulan sampel website, proses pemindaian kerentanan, analisis hasil pemindaian, serta pengelompokan tingkat risiko kerentanan yang ditemukan. Hasil penelitian menunjukkan bahwa ketiga website sekolah masih memiliki potensi kerentanan keamanan dengan tingkat risiko yang berbeda, seperti kesalahan konfigurasi keamanan, potensi serangan cross-site scripting, dan paparan informasi sensitif. Klasifikasi tingkat risiko pada penelitian ini mengacu pada standar bawaan OWASP ZAP, yaitu High, Medium, Low, dan Informational. Temuan tersebut menunjukkan bahwa keamanan website sekolah masih perlu ditingkatkan melalui penerapan konfigurasi keamanan yang lebih baik, validasi input yang tepat, serta pembaruan sistem secara berkala.

Optimasi Pengelompokan Progress Proyek Klien Menggunakan Algoritma K-Means pada Dashboard Monitoring Berbasis Web

Yudi Wiharto, Mufti Mufti, Anita Diana, Djati Kusdiarto — Mon, 30 Mar 2026 00:00:00 +0000

Manajemen progres proyek pada perusahaan penyedia jasa seringkali menghadapi kendala dalam memantau efisiensi pengerjaan layanan terhadap banyak klien secara simultan. Latar belakang sektor dan industri klien menyebabkan variasi pola pelaporan yang sulit diukur secara manual. Penelitian ini bertujuan untuk mengoptimalkan pengelompokan progres proyek klien menggunakan algoritma K-Means Clustering yang diintegrasikan ke dalam sebuah dashboard monitoring berbasis web. Dataset yang digunakan mencakup 8 perusahaan klien dari 3 sektor BUMN, Pemerintah, dan Private serta mencakup 8 kategori industri utama Transportasi Publik, Ride Hailing, Ritel, Food, Perbankan, ICT, Asuransi Sosial, dan E-Commerce. Atribut pengelompokan didasarkan pada intensitas data laporan harian, mingguan, bulanan, dan status laporan selesai. Metodologi yang digunakan adalah Knowledge Discovery in Database (KDD), yang meliputi tahap seleksi data, pra-pemrosesan, transformasi, penambangan data menggunakan algoritma K-Means, hingga evaluasi hasil yang merepresentasikan tingkat kemajuan proyek tinggi, sedang, dan rendah. Hasil klasterisasi menunjukkan bahwa optimasi ini mampu mengidentifikasi klien dengan progres paling aktif dan klien yang membutuhkan intervensi khusus. Informasi ini disajikan melalui antarmuka dashboard website penyedia jasa yang menampilkan tabel data laporan serta grafik performa interaktif untuk masing-masing klien. Evaluasi kualitas pengelompokan diukur menggunakan Davies-Bouldin Index (DBI) yang menghasilkan nilai optimal, menunjukkan pemisahan klaster yang jelas. Penelitian ini memberikan dasar bagi penyedia jasa untuk meningkatkan transparansi dan kualitas manajemen layanan secara objektif.

Analisis Tingkat Kepuasan Mahasiswa Pengguna Aplikasi Dompet Digital Menggunakan Metode System Usability Scale (SUS)

Sirilus Yulius Halawa, Analisa Zebua — Sun, 30 Mar 2025 00:00:00 +0000

Dompet Digital (DANA) merupakan perusahaan penyedia Finansial Technology (fintech) yang menyediakan berbagai layanan dompet digital berbasis server dengan menjadi salah satu pihak yang terlibat dalam penyelenggaraan pemrosesan transaksi pembayaran secara mobile. Meskipun demikian, terdapat sejumlah mahasiswa pengguna Dompet Digital khususnya aplikasi DANA mengatakan bahwa aplikasi yang digunakan memerlukan waktu yang sangat lama untuk menampilkan halaman dan proses transaksi yang dilakukan oleh pengguna, serta optimasi yang sangat buruk. dari penelitian ini kita akan mengetahui bagaimana tingkat kepuasan mahasiswa terhadap penggunaan Dompet Digital terutama pada aplikasi (DANA) menggunakan metode (SUS). Hasil dari SUS dapat dipakai untuk membandingkan tingkat kepuasan mahasiswa pengguna (DANA) yang berbeda. Setelah diperoleh hasil kuesioner, dilakukan perhitungan untuk sampai pada skor akhir SUS. Penelitian ini mempunyai peran penting dalam menentukan sejauh mana Dompet Digital (DANA) dimanfaatkan dan dapat digunakan melalui metode (SUS). Temuan penelitian menunjukkan bahwa aplikasi DANA dibedakan berdasarkan atribut yang unik. 73,34 nilai “B” yang menyatakan bahwa aplikasi DANA masuk dalam kategori “Sangat Baik”, dan mempunyai rentang yang relevan dengan kategori “Tinggi”, hal ini dikarenakan terbatasnya respon pada koesioner yang menyatakan bahwa aplikasi DANA mudah digunakan. Oleh karena itu, penerapan DANA harus meningkatkan fungsionalitas aplikasi DANA dan memperjelasnya.

Analisis Sentimen Masyarakat terhadap Pembangunan Ibu Kota Nusantara (IKN) menggunakan Algoritma Multinomial Naive Bayes dan SMOTE

Mon, 30 Mar 2026 00:00:00 +0000

Penelitian ini membahas analisis sentimen masyarakat terhadap pembangunan Ibu Kota Nusantara (IKN) di Indonesia yang menjadi salah satu isu besar dan banyak diperbincangkan di media sosial. Berbagai opini yang muncul menunjukkan respons yang beragam, mulai dari dukungan, harapan, hingga kritik dan penolakan. Kondisi ini menjadikan analisis sentimen sebagai pendekatan yang relevan untuk memahami persepsi publik secara lebih sistematis dan berbasis data. Penelitian ini bertujuan untuk mengidentifikasi dan mengklasifikasikan sentimen masyarakat terhadap IKN menggunakan pendekatan Machine Learning dengan algoritma Multinomial Naive Bayes yang berbasis pada Teorema Bayes. Data yang digunakan berupa komentar pengguna media sosial yang kemudian diproses melalui beberapa tahapan, yaitu preprocessing (pembersihan teks), pelabelan data berbasis kata kunci, ekstraksi fitur menggunakan metode TF-IDF untuk mengubah data teks menjadi bentuk numerik, serta penyeimbangan data menggunakan metode SMOTE untuk mengatasi ketidakseimbangan jumlah data antar kelas. Hasil penelitian menunjukkan bahwa model Machine Learning yang dibangun mampu mengklasifikasikan sentimen dengan cukup baik, terutama dalam mendeteksi sentimen positif, meskipun masih terdapat beberapa kesalahan dalam mengidentifikasi sentimen negatif. Secara keseluruhan, penelitian ini menunjukkan bahwa penerapan Machine Learning menggunakan algoritma Naive Bayes efektif dalam analisis sentimen dan berpotensi menjadi alat bantu dalam memahami opini publik terhadap kebijakan pemerintah, khususnya terkait pembangunan Ibu Kota Nusantara (IKN).