Kemajuan teknologi informasi dan komunikasi membuat informasi terkait bencana alam menjadi lebih cepat tersebar, salah satu soial media yang banyak digunakan yaitu twitter. Pada penelitian ini mengklasifikasikan teks terkait analisis sentimen terhadap bencana alam yang terjadi. Metode klasifikasi yang digunakan adalah Deep Neural Network (DNN),. Jadi untuk mempercepat proses klasifikasi digunakan teknik seleksi fitur yaitu Information Gain (IG) untuk memilih fitur-fitur yang terbaik dari hasil ekstrasi. Kemudian evaluasi dan validasi dilakukan untuk mengetahui hasil kinerja klasifikasi. Digunakan confusion matrix dan 10 fold validasi sebagai proses evaluasi dan validasi didalam penelitian ini. Pada penelitian ini menggunakan beberapa metode yaitu Naïve bayes, Random Forest, Decision Tree dan Support Vector Machine. Hasil akurasi dari metode Deep Neural Network dengan Information Gain lebih besar dari metode yang lain.

Sebuah industri sangat berpotensi untuk di kembangkan dalam negeri karena negara indonesia sendiri mempunyai sumber daya insani yang kreatif dan inovatif, serta di dukung dengan sumberdaya alamnya yang juga sangat bagus. Sehingga bisa bersaing dalam dunia industri nasional maupun internasional. Harus ada support dari pemerintah setempat. Salah satunya adalah mengelompokkan industri-industri yang harus di perhatikan oleh pemerintah, dalam penelitian ini akan di eksperimen dengan ilmu komputer data mining K-Means dengan tambahan metode penentuan jumlah k nya memakai ELBOW. Dalam penelitian ini akan bereksperimen menggunakan data sentra industri yang di peroleh dari DISPERINDAG dari tahun 2011 sampai tahun 2017. Dengan memakai pendekatan clustering nantinya akan terbentuk cluster-cluster yang satu sama lain dalam klaster sama datanya hampir berdekatan, karena k-means sendiri memilih data yang terdekat dan dikelompok dalam suatu cluster. Dari eksperimen memakai metode ELBOW untuk menentukan jumlah K nya pada k-means dan dari proses tersebut didapatkan nilai Sum of square error nya, menggunakan 2 klaster 17,65513, menggunakan 3 klaster 11,45285, menggunakan 4 klaster 8,42658, menggunakan 5 klaster 7,98915 setelah dilihat selisih dari masing –masing jumlah tersebut yang paling banyak selisihnya adalah menggunakan 3 klaster. Dengan selisih 6,20229. Nilai DBInya adalah 0,515 elbow dan k-means sedangkan menggunakan K-means saja di ketahui nilai DBI nya lebih besar yaitu 0,635.

No abstract

This research concentrated on fruit image recognition. Fruit recognition in this study can be used to estimate the number of fruits that exist. Data testing is used to classify a fruit image that has been trained to recognize a variety of labels (fruit types). Until the classification process, several processes and methods are used in this research, one of which is the Gaussian filter to improve the quality of fruit image recognition. In addition, the Gabor filter is used in the feature extraction process, and the PCA technique is used in feature selection to select the best features. To classify the chosen feature, deep learning and the k-nearest neighbor (k-NN) method will be used. Furthermore, the processes used improved the accuracy of 92%, a root mean squared error (RMSE) of 0.323, a mean squared error (MSE) of 0.6278.

Komoditas tembakau merupakan salah satu penyumbang pendapatan keuangan terbesar bagi negara, menjadi alasan penting dalam menempatkan komoditas tembakau dan produk olahannya sebagai komoditas yang strategis. namun dalam bidang pertanian, hampir semua aktivitas produksi sering dihadapkan dengan permasalahan fluktuasi harga dan hasil produksi. Untuk itu perlu dilakukan peramalan harga pada masa yang akan datang untuk dijadikan acuan dalam mengambil keputusan agar dapat mengurangi risiko serta meningkatkan keuntungan. Dalam penelitian ini digunakan metode K-NN dengan optimasi PSO. Metode ini merupakan salah satu metode yang baik untuk diterapkan dalam peramalan harga dan hasil penelitian menunjukkan bahwa performa K-NN  meningkat setelah dioptimasi dengan algoritma PSO. Hal ini dibuktikan dengan penurunan nilai eror (RMSE) pada metode K-NN yang semula 0.093 menjadi 0.072 setelah dioptimasi dengan algoritma PSO. Hasil ini membuktikan bahwa metode K-NN dengan optimasi PSO lebih baik dibandingkan dengan metode K-NN saja.