Teknologi informasi dan komunikasi saat ini sangat berkembang pesat, salah satunya Aplikasi Chat atau pesan instan seperti WhatsApp, Line dan Telegram. Pada bulan Oktober 2020, mayoritas pengguna aplikasi pesan instan adalah pengguna aplikasi WhatsApp, dengan total 2 miliar pengguna. Sekalipun aplikasi whatsapp tersebut masuk dalam peringkat teratas dan mendapat skor tertinggi, akan tetapi hal tersebut tidak dapat dijadikan tolak ukur kepuasan karena masih terdapat pandangan yang negatif terhadap aplikasi whatsapp, sebagian pengguna menganggap bahwa whatsapp seringkali eror pada saat digunakan, kemudian masalah lain yang muncul seperti jaringan yang digunakan pengguna tidak stabil. Untuk melakukan analisis mengenai hal tersebut diperlukan pendekatan analisis sentimen guna mengkategorikan komentar pengguna menjadi positif atau negatif. Penelitian ini menggunakan algoritma Naïve Bayes dengan Support Vector Machine dalam menganalisa komentar positif dan negatif terhadap kepuasan pengguna aplikasi Whatsapp di Google Play Store. Dari hasil pengujian yang dilakukan terhadap 1500 data komentar pengguna, evaluasi model menggunakan 10 Fold Cross Validation menunjukan bahwa tingkat keakurasian untuk kepuasan pengguna aplikasi whatsapp berdasarkan algoritma Naïve Bayes adalah sebesar 70,40% dan Support Vector Machine sebesar 77,00%, sedangkan nilai AUC Naïve Bayes sebesar 0,585 dan Support Vector Machine adalah  0,876. Dari hasil tersebut algoritma Support Vector Machine dapat digunakan untuk penelitian dengan karakteristik  data yang sama.

No abstract

Abstrak - Pungutan liar (pungli) merupakan tindakan kejahatan yang dilakukan oleh pihak yang tidak bertanggung jawab atau seseorang atau pegawai negeri atau pejabat negara dengan cara meminta pembayaran uang yang tidak termasuk kedalam aturan administrasi yang dibutuhkan. Metode K-Means dapat membantu mengklasifikasikan daerah pungutan liar di kabupaten Sukabumi pada dinas kependudukan dan pencatatan sipil. Variabel yang digunakan dalam penelitian ini E-KTP, AKTA dan Kartu Keluarga Setiap variabel memiliki nilai bobot yang berbeda. Data yang akan digunakan dalam penelitian ini adalah data laporan pada bulan Januari 2019 berbentuk SQL. Penelitian ini hanya akan membahas tentang berapa banyak kejadian pungli yang terjadi di setiap kecamatan yang ada di kabupaten Sukabumi tentang kependudukan dan pencatatan sipil. Adapun tujuan dari penelitian ini adalah untuk menentukan cluster tingkat pungutan liar tinggi, sedang dan rendah. Hasil dari penelitian ini memperoleh data indeks kecamatan dengan tingkat jumlah laporan masyarakat daerah terhadap pungutan liar, data dengan klasifikasi tingkat tinggi yaitu Cireunghas, Gegerbitung, Kalapa Nunggal, Kalibunder, Purabaya, Simpenan, Parung Kuda, Sukaraja, Nagrak, Nyalindung, Pelabuhanratu, Surade, Warungkiara. Data tingkat pungutan liar sedang terdapat pada 19 kecamatan dan 15 tingkat pungutan liar rendah. Hal ini dapat menjadi masukan kepada dinas kependudukan dan pencatatan sipil, kecamatan yang menjadi tindakan pungutan liar paling tinggi diprioritas untuk melakukan penyuluhan kepada kecamatan tersebut. Abstract - Illegal Levies is a criminal offensse done by someone or civil servant and the government by demanding a specific amount of money outside the right protocols or policy that does not related with the official administration fees. K-Means method will be able to help for classifying the illegal levies area in sukabumi district at The Department of Population and Civil Registration. Variables that used in this research are electronic ID card, birth certificate and family card. Meanwhile, data that will be used in this research are report data on January 2016. The purpose of this research is to determine the rate of illegal levies. The result that have been collected based on the high extortion rate from each sub-districts are Cireunghas, Gegerbitung, Kalapa Nunggal, Kalibunder, Purabaya, Simpenan, Parung Kuda, Sukaraja, Nagrak, Nyalindung, Pelabuhanratu, Surade, Warungkiara, 19 sub-districts with medium rate of illegal levies and 15 sub-district with low rate of illegal levies. This can become a recommendation for The Department of Population and Civil Registration, sub-districts with the highest rate of illegal levies will be prioritized in counseling for the certrain sub-districts.

No abstract

Bantuan rumah tidak layak huni adalah salah satu program pemerintah untuk menekan angka kemiskinan di Indonesia, namun permasalahan yang ada bahwa proses yang selama ini dilakukan oleh pihak Kelurahan masih dilakukan secara subyektif dengan hanya mempertimbangkan hasil survey. Oleh karena itu, bagi pihak kelurahan diperlukan suatu sistem pendukung keputusan agar seleksi dapat dilakukan secara efisien secara sistemik.  Adanya metode Multiple Attribute Decission Making, menjawab semua permasalahan tersebut. Dari beberapa metode Multiple Attribute Decission Making, Simple Addictive Weighting dipilih untuk diterapkan kedalam sistem pendukung keputusan. Sistem pendukung keputusan dibuat menggunakan metode air terjun. Tujuan penelitian ini agar pihak kelurahan dapat menyalurkan bantuannya kepada yang berhak menerimanya, sehingga dengan adanya sistem pendukung keputusan berbasis web untuk memilih penerima bantuan perumahan sesuai dan objektif.  Penelitian ini memberikan hasil yang cukup akurat dimana proses penyaluran yang tepat sasaran dengan data yang diperoleh dari pihak kelurahan. Sistem yang dibuat cukup memnatu pihak kelurahan dengan nilai sekitar 73.6% yang diuji oleh 10 orang responden.   Kata Kunci: Rumah Tidak Layak Huni, Multiple Attribute Decission Making, Simple Addictive Weighting, Sistem Pendukung Keputusan.     Abstract The help of the home is not habitable is one of the government programs to suppress the poverty rate in Indonesia, but the problem exists that the process that was done by the village is still in subjectively Consider the survey results. Therefore, the town needs a decision support system so that the selection can be made by systemic efficiency. There is a method of Multiple Attribute Decision Making, answering all the problems. Of the multiple Attribute Decision-Making methods, Simple Addictive Weighting is chosen to be applied to the decision support system. The decision support system was made using a waterfall method. The purpose of this research is so that the village can distribute its help to the right to receive it, so it is expected by the Web-based decision support system to select the recipient of appropriate and objective housing assistance. This research provides entirely accurate results were the right distribution process targets with data obtained from the village. The system was made enough to inform the town with a value of about 73.6% tested by ten respondents.   Keywords: Unqualified Houses, Multiple Attribute Decision Making, MADM, Simple Additive Weighting, Decision Support Systems.