<span>2013 curriculum is a new curriculum in the Indonesian education system which has been enacted by the government to replace KTSP curriculum. The implementation of this curriculum in the last few years has sparked various opinions among students, teachers, and public in general, especially on social media twitter. In this study, a sentimental analysis on 2013 curriculum is conducted. Ensemble of several feature sets were used twitter specific features, textual features, Parts of Speech (POS) features, lexicon based features, and Bag of Words (BOW) features for the sentiment classification using K-Nearest Neighbor method. The experiment result showed that the the ensemble features have the best performance of sentiment classification compared to only using individual features. The best accuracy using ensemble features is 96% when k=5 is used.</span>

<p class="Abstrak">Tidak sedikit siswa mengalami kendala untuk keluar dari kebuntuan berpikir saat belajar. Setiap siswa memiliki caranya masing-masing untuk menyelesaikan masalah kebuntuan tersebut, yang disebabkan oleh pola berpikir yang berbeda-beda. Kendati berbeda, pola berpikir tersebut memiliki kemiripan yang dapat dikelompokkan agar pemberian umpan balik dapat dilakukan dengan tepat secara berkelompok. Salah satu cara yang dapat dilakukan untuk mengelompokkan siswa berdasarkan pola berpikirnya adalah <em>clustering</em>. Penelitian untuk pengelompokkan berdasarkan kecerdasan sudah pernah dilakukan menggunakan salah satu teknik <em>clustering</em> yaitu <em>Self Organizing Map </em>(SOM). Namun SOM memiliki keterbatasan dalam menentukan ukuran jaringan karena bersifat statis. Keterbatasan yang ada pada SOM dapat diatasi, penelitian ini mengusulkan <em>Direct Batch Growing Self Organizing Map </em>(DBGSOM) yang bersifat dinamis dalam ukuran jaringan dan lebih cepat dalam proses pelatihannya. Penelitian ini dimulai dengan mengidentifikasi masalah untuk mengetahui kemungkinan penyelesaian permasalahan. Tahap selanjutnya adalah pengumpulan data dan pemilihan data yang digunakan dalam penelitian. Tahap akhir, evaluasi dilakukan terhadap data yang terdiri dari 12 assignment untuk mengetahui performa terbaik dari DBGSOM. Hasil evaluasi yang telah dilakukan menunjukkan bahwa <em>clustering</em> DBGSOM memperoleh performa lebih baik daripada SOM pada 11 <em>assignment</em> dari 12 <em>assignment</em>. Pengukuran signifikansi perbandingan dilakukan dengan metode <em>Wilcoxon </em>yang menghasilkan nilai <em>test stat 8</em> dan <em>critical </em>value 13. Hal ini membuktikan bahwa penerapan DBGSOM mampu memberikan peningkatkan performa <em>clustering</em> yang signifikan dari SOM.</p><p class="Abstrak"> </p><p class="Abstrak"><em><strong>Abstract</strong></em></p><p class="Abstract"><em>A few times, students have difficulty getting out of the deadlock in thinking while studying. Each student has their own way of solving the deadlock problem, which is caused by different thinking patterns. Although different, these thinking patterns have similarities that can be grouped so that giving feedback can be done appropriately in groups. One way that can be done to group students based on their thinking patterns is clustering. Research for grouping based on intelligence has been done using one of the clustering techniques, namely Self Organizing Map (SOM). However, SOM has limitations in determining network size because it is static. The limitations that exist in SOM can be overcome, this study proposes a Direct Batch Growing Self Organizing Map (DBGSOM) which is dynamic in network size and faster in the training process. This research begins by identifying the problem to determine the possibility of solving the problem. The next stage is data collection and data selection used in research. The final stage, evaluation is carried out on the data consisting of 12 assignments to find out the best performance of DBGSOM. The results of the evaluation that have been carried out show that DBGSOM clustering has better performance than SOM on 11 assignments out of 12 assignments. The comparison significance measurement was carried out using the Wilcoxon method which resulted in a test stat value of 8 and a critical value of 13. This proves that the application of DBGSOM is able to provide a significant increase in clustering performance from SOM.</em></p><p class="Abstrak"><em><strong><br /></strong></em></p>

Aktivitas Reminder merupakan bagian dalam proses bisnis servis kendaraan pada PT Astra International Tbk-TSO cabang Sukun Malang. Dalam proses reminder diketahui bahwa Kepala Bengkel harus melakukan pengawasan pekerjaan para karyawan dalam melakukan reminder kepada pelanggan. Pada proses reminder, Kepala Bengkel sulit untuk melakukan pengawasan dikarenakan tidak adanya wadah yang menyediakan informasi langsung terkait kinerja karyawan setiap harinya sehingga menimbulkan beberapa masalah dalam proses reminder. Oleh karena itu, dibutuhkan sebuah sistem yang dapat menyimpan dan mengelola data reminder sehingga proses reminder yang dilakukan oleh karyawan dan Kepala Bengkel menjadi lebih baik. Berdasarkan permasalahan tersebut maka dilakukan pengembangan sistem “AUTO2000 Customer Reminder”. Sistem ini dikembangkan dengan berbasis web yang dapat diakses oleh setiap aktor. Sistem ini dikembangkan menggunakan  framework PHP Laravel serta database MySQL. Sistem ini dikembangkan menggunakan metode waterfall yang terdiri dari tahap studi literatur sampai penarikan kesimpulan dan saran. Implementasi sistem akan mengintegrasikan web dengan notifikasi Telegram BOT API. Sistem ini juga telah dilakukan pengujian blackbox serta pengujian usability menggunakan System Usability Scale (SUS). Dalam pengujian validasi blackbox, sistem ini mendapatkan nilai persentase 100% valid yang berarti sistem memenuhi spesifikasi kebutuhan. Hasil pengujian usability mendapatkan hasil akhir SUS 81 mengartikan sistem termasuk kategori baik, skala nilai B, dan dapat diterima.

No abstract