Analisis sentimen merupakan pemrosesan bahasa alami yang bertujuan untuk menemukan opini, mengidentifikasi sentimen apa yang diungkapkan, dan mengklasifikasikannya berdasarkan nilai yang terkandung. Teknologi pembelajaran mesin, seperti Klasifikasi Naïve Bayes banyak digunakan dalam klasifikasi sentimen karena memiliki tingkat akurasi dan kecepatan yang tinggi. Pembelajaran mesin dapat dipadukan dengan metode seleksi fitur untuk meningkatkan efisiensi model. Salah satu metode seleksi fitur adalah metode Information Gain yang dapat digunakan untuk menentukan atribut paling efektif. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap aplikasi PeduliLindungi dan menghitung evaluasi performa model berdasarkan nilai metrik F1-Score. Pada penelitian ini analisis sentimen dilakukan menggunakan metode Klasifikasi Naïve Bayes dengan penggabungan metode seleksi fitur Information Gain untuk meningkatkan performa model dan mempercepat komputasi. Hasil analisis sentimen menggunakan metode klasifikasi Naïve Bayes dan seleksi fitur Information Gain menunjukkan bahwa pengguna cenderung memberikan ulasan positif terhadap aplikasi PeduliLindungi. Performa model untuk analisis sentimen pengguna terhadap aplikasi PeduliLindungi ditentukan berdasarkan rata-rata F1-Score dengan 10-fold cross validation diperoleh sebesar 95.1%; artinya model yang diperoleh mempunyai presisi dan recall yang baik.

Klasifikasi teks adalah salah satu cabang Natural Languange Processing (NLP) yang memungkinkan komputer untuk memahami, menginterpretasi, dan merespon teks ke dalam bahasa yang dapat dipahami. Pengklasifikasian teks berdasarkan tujuan SDGs penting dilakukan karena pemantauan kemajuan SDGs masih menjadi tantangan. Studi sebelumnya menunjukkan teknik klasifikasi teks berdasarkan tujuan SDGs menggunaka Bert model terbukti efektif dalam mengklasifikasikan teks berdasarkan tujuan SDGs. Penelitian ini menggunakan data yang bersumber dari website komunitas OSDG. Metode yang digunakan adalah model Support Vector Machine Multiclass (SVM) dan representasi kata TF-IDF. Penelitian ini bertujuan untuk mengklasifikasikan teks berdasarkan Tujuan Pembangunan Berkelanjutan (SDGs) pada tujuan ke tiga, empat, dan enam, mendapatkan evaluasi performa model berdasarkan metrik F1-Score, serta mendapatkan nilai hyperparameter regularized constant (C) dan gamma terbaiknya pada kernel rbf. Hasil dari penelitian ini diperoleh F1-Score default yaitu 97,95% dan F1-Score setelah tuning yaitu 97,95% dengan nilai terbaik dari C=1, gamma=1, dan kernel=rbf

The existence of outliers on multiple linear regression analysis causes the Gaussian assumption to be unfulfilled. If the Least Square method is forcedly used on these data, it will produce a model that cannot represent most data. For that, we need a robust regression method against outliers. This paper will compare the Minimum Covariance Determinant (MCD) method and the TELBS method on secondary data on the productivity of phytoplankton, which contains outliers. Based on the robust determinant coefficient value, MCD method produces a better model compared to TELBS method.

Peramalan harga saham yang tepat diperlukan oleh para investor. Beberapa metode dapat dilakukan dalam peramalan harga saham, seperti model trend, Autoregressive Integrated Moving Average, Double Moving Average, dan Exponential Smoothing. Selain itu, terdapat pula model yang lebih kompleks, seperti model Gerak Brown Geometrik (GBG) dan model Gerak Brown Fraksional Geometrik (GBFG). Model GBG dan GBFG memiliki beberapa keunggulan, diantaranya dapat meramalkan harga saham dengan periode waktu pendek, kesesuaian model dengan pergerakan harga saham yang selalu bernilai positif dan tidak memerlukan banyak pengujian data. Selain itu, model GBFG juga dapat mengatasi masalah data aktual saham yang sebagian besar tidak saling bebas. Penelitian ini bertujuan melakukan peramalan harga saham PT Indofood Sukses Makmur Tbk (INDF) mengunakan model Gerak Brown Fraksional Geometrik (GBFG). Indeks Hurst pada model GBFG diestimasi menggunakan Rescaled Range (R/S) dengan bantuan pemrograman Python. Hasil dari peramalan pergerakan harga saham PT Indofood Sukses Makmur Tbk (INDF) menggunakan model GBFG memberikan nilai yang sangat akurat berdasarkan nilai MAPE.

Peramalan deret waktu adalah penggunaan model untuk memprediksi nilai masa depan berdasarkan nilai yang diamati sebelumnya. Model Seasonal Autoregressive Integrated Moving Average (SARIMA) merupakan salah satu model yang digunakan untuk peramalan ketika deret waktu univariat menunjukkan variasi musiman. Model SARIMA merupakan bentuk khusus dari model ARIMA yang terdiri dari tiga bagian, yaitu; ‘AR’ yang berarti Autoregressive, ‘I’ yang merupakan bagian differencing, dan ‘MA’ yang berarti Moving Average.Penelitian ini bertujuan untuk memperoleh model SARIMA terbaik melalui beberapa tahap, yaitu; preparasi, identifikasi, penaksiran nilai parameter, dan uji diagnostik. Performa model peramalan diuji menggunakan mean absolute percentage error (MAPE).