Irfan Wahyudin, Eneng Tita Tosida, Fredi Andria

Judul	:	Teori dan Panduan Praktis Data Science dan Big Data
Abstrak	:	Dunia industri saat ini sedang bereforia menyambut masuknya era industri 4.0, yaitu era di mana hampir semua kegiatan manusia, baik yang berorientasi pada bisnis ataupun tidak, dipengaruhi dan mulai mempunyai ketergantungan terhadap teknologi digital. Perkembangan teknologi digital pada era industri 4.0 ini tidak hanya terbatas pada teknologi komputasi saja, namun juga sudah merambah pada teknologi mekanik - elektronika (mekantronik), sebagai contoh seperti robot humanoid yang dikembangkan oleh Boston Dynamics, pesawat drone yang dapat dibeli dengan harga murah di toko-toko online, sampai dengan teknologi CCTV yang dipasang oleh banyak dinas lalu lintas dan angkutan jalan di Indonesia untuk implementasi tilang elektronik. Buzzword industri 4.0 sendiri baru diperkenalkan pada tahun 2012 pada Hannover Fair di Jerman, terbilang cukup telat dikarenakan sebenarnya era internet dan keterhubungan antar personal sudah dimulai dari awal tahun 2000 an, ditandai dengan munculnya era Internet 3.0. Era Internet 3.0 sendiri adalah masa di mana konten yang ada di internet 80 persen disumbang oleh penggunanya sendiri. Pada kisaran tahun 2003-2004 muncul beberapa platform media sosial dan blogging seperti Friendster, Multiply, dan Blogspot memulai era di mana pengguna internet dapat mengunggah informasi dan pengetahuan yang dimilikinya untuk bisa dikonsumsi oleh pengguna internet lainnya. Di Indonesia sendiri pemerintah saat ini sedang gencar untuk mendorong semua pelaku sektor industri untuk  mengadopsi teknologi digital dalam program Making Indonesia 4.0 yang dimulai sejak bulan Oktober 2018. Di dunia Pendidikan sendiri di banyak kampus berlomba-lomba untuk memasukkan materi tentang implementasi teknologi untuk industri 4.0 ke dalam kurikulumnya. Materi tentang Data Science, Big Data, Internet of Things sudah diadopsi menjadi beberapa mata kuliah tersendiri, dan bahkan menjadi sebuah program studi di beberapa universitas.
Tahun	:	2019	Media Publikasi	:	Buku
Kategori	:	Buku	No/Vol/Tahun	:	1 / 1 / 2019
ISSN/ISBN	:	978-623-9196-1-9
PTN/S	:	Universitas Pakuan	Program Studi	:	ILMU KOMPUTER
Bibliography	:	Adianto J, Fedryansyah M. 2018. Peningkatan Kualitas Tenaga Kerja Dalam Menghadapi Asean Economy Community. Pekerjaan Sosial. 1(2): 77 - 86 http://jurnal.unpad.ac.id/focus/article/view/18261/8554. 2 Mei 2019 Agustina, Fenni., R, Agushinta Dewi., Purnamasari, Esty., Wijayanti, Helen., Alqadri, Yosfik. 2012. User Interface Design of Mobile Web Application for Job Vacancies Information: in Comparison with JobsDB™ Mobile. International Journal of Computer Science and Information Technology & Security. 2(2) : 402 – 407. Alatas, Secha, Rudi Bambang, T. 2011. Ketenagakerjaan dan Solusinya. BPFE. Jakarta Bening, Herwijayanti., Ratnawati, D.E., Muflikhah, Lailil. 2018. Klasifikasi Berita Online dengan menggunakan Pembobotan TF-IDF dan Cosine Similarity. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 2(1): 306-312. Cahyadin, Malik, Sutomo, L. Ratwianingsih. 2017. Industri Perdagangan Di Indonesia:  Perkembangan Dan Kinerja. JIEP. 17(2) : 78 – 88 Delta, Evin Novia., Asmunin. 2016. Performance Test Dan Stress Website Menggunakan Open Source Tools. Jurnal Manajemen Informatika. 6(1) : 208-215. Fitri, Meisya. 2013. Perancangan Sistem Temu Balik Informasi Dengan Metode Pembobotan Kombinasi Tf-Idf Untuk Pencarian Dokumen Berbahasa Indonesia. Universitas Tanjungpura : Semarang. Ghufron, M.A. 2018. Revolusi Industri 4.0:Tantangan, Peluang dan Solusi Bagi Dunia Pendidikan. Seminar Nasional dan Diskusi Panel Multidisiplin Hasil Penelitian & Pengabdian kepada Masyarakat. Universitas Indraprasta PGRI, Jakarta, 2 Agustus 2018. Hlm. 332-337. Handojo, A. 2015. Aplikasi Search Engine Perpustakaan Petra Berbasis Android dengan Apache SOLR. Skripsi. Jurusan Teknik Informatika. Universitas Kristen Petra.   Heimerl, Florian, Steffen Lohmann, Simon Lange, Thomas Ertl. Word Cloud Explorer : Text Analytics basedon Word Clouds. Proc. IEEE Computer Society, pp 1833 – 1842, 2014. Informatikalogi. 2017. Text Preprocessing. https://informatikalogi.com/text-preprocessing/. Diakses pada 5 Mei 2019 pukul 14:25 Inmon, B. 2016. Data Lake Architecture. New Jersey USA: Technics Publications. JPayroll. 2018. Fungsi Golongan / Grade Dalam Perumusan Career Path. http://www.jpayroll.com/2018/09/25/fungsi-golongan-grade-dalam-perumusan-career-path/. Diakses pada 23 September 2019 Pukul 11.22 Kemenperin. 2016. Untuk Menghindari Duplikasi Data Statistik Industri Menperin dan Kepala BPS Tanda Tangani Piagam Kerjasama www.kemenpertin.go.id 22 April 2019 Khine, P.P. 2015. Data Lake: A New Ideology in Big Data Era. Department of Computer Science and Technology, School of Computer and Communication Engineering. University of Science and Technology Beijing China Magnadi, Rizal Hari. 2016. Studi Eksploratori Terhadap Profesi Pemasar Dan Kaitannya Lowongan, Posisi, Deskripsi Dan Persyaratan Pekerjaan Pemasar (Studi pada situs pencari kerja karir.com dan loker.id). Prosiding Seminar Nasional Multi Disiplin Ilmu & Call For Papers UNISBANK, Semarang : 28 Juli 2016. Hal : 837 -843 Miloslavskaya, Natalia., T. Alexander. 2016. Big Data, Fast Data and Data Lake Concepts. 7th Annual International Conference on Biologically Inspired Cognitive Architectures. 88 : 300–305. Musfiroh, N., Hamdani., Astuti, I.F. 2013. Penerapan Algoritma Term Frequency-Inverse Document Frequency (Tf-Idf) Untuk Text Mining. Jurnal Informatika Mulawarman. 8(3) : 110 – 113 Nomleni, P., M. Hariadi, I Ketut Eddy Purnama. 2014. Sentiment Analysis Berbasis Big Data. Seminar Nasional ke-9: Rekayasa Teknologi Industri dan Informasi. Yogyakarta. Hal. 142-149   Pramudiono, I. 2007. Pengantar Data Mining : Membangun Permata Pengetahuan di Gunung Data.http://www.ilmukomputer.org/wp-content/uploads/2006/08/iko-datamining.zip. Diakses pada 24 April 2019 Pukul 10.05 Qerja. 2015. Pendidikan vs Pengalaman Kerja, Mana yang Lebih Penting?. https://www.qerja.com/journal/view/137-pendidikan-vs-pengalaman-kerja-mana-yang-lebih-penting/. Diakses pada 26 September 2019 Pukul 08:47 Riyadi. 2013. Rancang Bangun REST Web Service untuk Perbandingan Harga Pengiriman dengan Metode Web Scrapping. Skripsi. Teknik Informatika AMIKOM. Yogyakarta. Robertson, S. 2004, "Understanding inverse document frequency: on theoretical arguments for IDF", Journal of Documentation, Vol. 60 No. 5, pp. 503-520. Samal, BR., M. Panda. 2017. Real Time Product Feedback Review and Analysis Using Apache Technologies and NOSQL Database. International Journal of Engineering and Computer Science. 6(1) : 22551-22558. Santoso, B. 2007. Data Mining Teknik Pemanfaatan Data unutk Keperluan Bisnis. Graha Ilmu, Yogyakarta. Simanjuntak, P. 2010. Pengantar Ekonomi Sumber Daya Manusia. BPFE   UI. Jakarta Tosida E.T, K. B Seminar & Y. Herdiyeni. 2015. Attribute Selection Of Indonesian Telematic Services MSMEs Feasibility Assistance, Using AHP. J. KURSOR 8(2), Desember 2015, Hal: 97-106 Tosida, E.T, H. Thaheer & S. Maryana. 2015. Strategi Peningkatan Daya Saing Melalui Framework Rantai Nilai Untuk Kompetensi Usaha Jasa Telematika Indonesia. J. Pen. Pos. Infor. 5(1): 1-18  Tosida, E.T, H. Thaheer & S. Maryana. 2014. Potensi Kelompok Usaha Jasa Telematika Di Indonesia. Staf Pengajar Jurusan Ilmu Komputer, FMIPA, Universitas Pakuan Bogor. Utomo, D. C., 2015. Automatic Essay Scoring (AES) Menggunakan Metode N-Gram dan Cosine Similarity. Universitas Brawijaya, Malang.   Wardana, Andriansyah Dwi. 2017. Penerapan Teknik Webscraping dan Vector Space Model pada Mesin Pencari Lowongan Kerja. Journal of Information and Technology. 5(1): 114-118. Wikipedia. 2017. Pipeline. https://en.wikipedia.org/wiki/Pipeline_(computing). Diakses pada 29 April 2019 pukul 14:15 Witten, I. H., Frank, E., & Hall, M. A. 2005. Data Mining: Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher. Zein, A.W., Parikesit, D., Hasto Gesang W. 2011. Pipeline. Paper Organisasi Komputer. Universitas Budi Luhur Adiyana, Imam, Fajriya Hakim. 2015. Implementasi Text Mining Pada Mesin Pencarian Twitter Untuk Menganalisis Topik – Topik Terkait KPK dan Jokowi. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UMS 2015. Agusmidah. “Hukum Ketenagakerjaan Indonesia”. Ghalia Indonesia: Bogor, 2010. Agustina, Ari. 2017. Nalisis Dan Visualisasi Suara Pelanggan Pada Pusat Layanan     Pelanggan     Dengan     Pemodelan     Topik Menggunakan   Latent   Dirichlet   Allocation   (LDA) Studi Kasus: Pt.Petrokimia Gresik. Skripsi. Jurusan Sistem Informasi FTI ITSN, Surabaya. Bramantya, I. M.K. & R. P. Kusumawardani. 2017. “Analisis Topik Informasi Publik Media Sosial di Surabaya Menggunakan Pemodelan Latent Dirichlet Allocation (LDA)”. JURNAL TEKNIK ITS, Vol. 6, No. 2 : 2337-3520. Fajriyanto, M. 2018. Penerapan Metode Bayesian Dalam Model Latent Dirichlet Allocation Di Media Sosial. Jurnal Pendidikan Matematika dan Sains Edisi TAS Tahun Mei 2018. Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Pakuan. 2019. Buku Panduan Skripsi Program Studi Ilmu Komputer, Bogor. Halim, Stevani. 2018. Revolusi Industri 4.0 di Indonesia. https://medium.com/revolusi-industri-4-0-di-indonesia. 1 Juli 2019. Herwanto, G. Budi. 2017. Latent Dirichlet Allocation. https://datascience.mipa.ugm.ac.id/id/latent-dirichlet-allocations/. 1 Agustus 2019 Karimah, S. K. Aditya., S. T. Gardini. 2017. Pemodelan Topik Data Twitter BMKG Menggunakan Metode Pemodelan Latent Dirichlet Allocation (LDA). Universitas Islam Indonesia. Kemenperin. 2016. Penerapan Industry 4.0 Buka Peluang Kerja Baru. https://kemenperin.go.id/artikel/18835/Penerapan-Industry-4.0-Buka-Peluang-Kerja-Baru. 30 September 2019. Kurniawan, Wisnu. 2018. Sistem Monitoring Percakapan Pada Toko Online Menggunakan Metode Latent Dirichlet Allocation (LDA). Skripsi. Jurusan Teknik Informatika FTI UII, Yogyakarta. Li, Susan. 2018. Topic Modeling and Latent Dirichlet Allocation (LDA) in Python. https://towardsdatascience.com/topic-modeling-and-latent-dirichlet-allocation-in-python-9bf156893c24. 15 Juni 2019. Listari. 2019. Topic Modeling Menggunakan Latent Dirchlect Allocation (Part 1): Pre-processing Data dengan Python. https://medium.com/@listari.tari/topic-modelling-menggunakan-latent-dirchlect-allocation-part-1-pre-processing-data-dengan-python-87bf5c580923. 1 Agustus 2019. Listari. 2019. Topic Modeling Menggunakan Latent Dirchlect Allocation (Part 2): Topic Modeling with Gensim (Python). https://medium.com/@listari.tari/topic-modeling-menggunakan-latent-dirchlect-allocation-part-2-topic-modeling-with-gensim-c9ffd196cb87. 1 Agustus 2019. Marsudi, Almatius Setya., Y. Widjaja. 2019. Industri 4.0 Dan Dampaknya Terhadap Financial Technology Serta Kesiapan Tenaga Kerja Di Indonesia. IKRAITH EKONOMIKA, Vol.2, No 2, Juli 2019. Naskar, Anindya. 2019. Latent Dirichlet Allocation Explained. https://www.thinkinfi.com/2019/01/lda-algorithm-steps.html. 1 April 2019. Naskar, Anindya. 2019. Latent Dirichlet Allocation for Beginners A high Level Overview. https://www.thinkinfi.com/2019/02/lda-theory.html. 18 Agustus 2019. Naskar, Anindya. 2019. Guide to Build Best LDA model using Gensim Python. https://www.thinkinfi.com/2019/08/LDA-Gensim-Python.html. 18 Agustus 2019. Prabhakaran, Selva. 2018. Topic Modeling with Gensim (Python). https://www.machinelearningplus.com/nlp/topic-modeling-gensim-python/?source=post_page-----c9ffd196cb87----------------------. 30 September 2018. Priyanto, A., M. R. Maarif. 2018. Implementasi Web Scraping dan Text Mining Untuk Akuisisi dan Kategori Informasi Laman Web Tentang Hidroponik. Indonesian Journal of Information (IJIS), Vol.1, No.1, Agustus 2018. Suhartono, Derwin. 2018. Latent Dirichlet Allocation (LDA). https://socs.binus.ac.id/2018/11/29/latent-dirichlet-allocation-lda/. 25 Sepetember 2019. Tosida, E. T., I. Anngraeni, F. Amirudin. 2016. Implementasi Algoritma Clasification And Regression Tree (Cart) Untuk Klasifikasi Bantuan Usaha Mikro Kecil Menengah (Umkm) Jasa Telematika Indonesia. Bogor. Universitas Pakuan. Tosida, E.T, H. Thaheer , S. Maryana. 2014. Potensi Kelompok Usaha Jasa Telematika Di Indonesia. Staf Pengajar Jurusan Ilmu Komputer, FMIPA, Universitas Pakuan Bogor. Wang, Xikui., Yang Liu., Donghui Wang. 2013. Cross media Topic Mining on Wikipedia.  College of Computer Science. Zhejjang University. Xie, Ting., Ping Qin., Libo Zhu. 2018. Study on The Topic Mining and Dynamic Visualization in View of LDA Model. Economics and Management. Nanjing University. Yudiarta, N. Gede., M. Sudarma., W. G. Ariastina. 2018. Penerapan Metode Clustering Text Mining Untuk Pengelompokan Berita Pada Unstructured Textual Data. Majalaj Ilmiah Teknologi Elektro, Vol.17, No.3, September – Desember 2018. Arthur, D., dan S. Vassilvitskii. 2007. k-means++: the advantages of careful seeding. Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. Society for Industrial and Applied Mathematics Philadelphia, PA, USA. Hlm. 1027–1035. http://ilpubs.stanford.edu:8090/778/1/2006-13.pdf. Ding, Chris., He, Xiaofeng. 2004. K-Means Clustering via Principal Component Analysis. Proceedings of the 21 st International Conference on Machine Learning. Banff, Canada, 2004 Fikri, C.M., F.E.M. Agustin, F. Mintarsih. 2017. Pengelompokan Kualitas Kerja Pegawai Menggunakan Algoritma K-Means++ dan Cop-KMeans Untuk Merencanakan Program Pemeliharaan Kesehatan Pegawai di PT. PLN P2B JB Depok. Jurnal Pseudocode. 1(4). Hlm. 9-17. Ganda, M., E.T. Tosida, D.K. Utami. 2018. Penerapan Hybrid System pada Usaha Jasa Telematika Indonesia dengan Menggunakan Metode K-Means Clustering dan ID3 Classification. Skripsi. Jurusan Ilmu Komputer, Universitas Pakuan, Bogor. Ghufron, M.A. 2018. Revolusi Industri 4.0:Tantangan, Peluang dan Solusi Bagi Dunia Pendidikan. Seminar Nasional dan Diskusi Panel Multidisiplin Hasil Penelitian & Pengabdian kepada Masyarakat. Universitas Indraprasta PGRI, Jakarta, 2 Agustus 2018. Hlm. 332-337. Han, J., M. Kamber. 2012. Data Mining: Concepts and Techniques. Waltham: Elsevier, Inc. Harsono, Oo. 2010. Pengaruh Strategi Bisnis dan Strategi teknologi Informasi Terhadap Kinerja Lembaga Pendidikan:Studi Kasus Perguruan Islam Al-Izhar Pondok Labu. Jurnal TELEMATIKA MKOM. 1(2). Hlm. 52-58.  Hitka, et al. 2017. Cluster Analysis Used as the Strategic Advantage of Human Resource Management in Small and Medium-sized Enterprises in the Wood-Processing Industry. BioResources Journal. 12(4). Hlm. 7884-7897. Hsu, et al. 2014. The impact of industrial clusters on human resource and firms performance. Journal of Modelling in Management. 2(9). Hlm. 141-159. Irwanto, et al.  2012. Optimasi Kinerja Algoritma Klasterisasi K-Means untuk kuantisasi Warna Citra. Jurnal Teknik ITS. I(1). Hlm. 197-202.   Izzuddin, A. 2015. Optimasi Cluster pada Algoritma K-Means dengan Reduksi Dimensi Dataset Menggunakam Principal Component Analysis Untuk Pemetaan Kinerja Dosen. 1(5). Jolliffe, I. 2002. Principal component analysis. Springer. 2nd edition. Madhulatha, T.S., 2012. An Overview On Clustering Methods. IOSR Journal of Engineering. II(4). Hlm. 719-725. Merliana, N.P.E., Ernawati, dan Santoso, A.J. 2015. Analisa Penentuan Jumlah Cluster Terbaik pada Metode K-Means Clustering. Prosiding Seminar Nasional Multi Disiplin Ilmu & Call For Papers UNISBANK (Sendi_U). Universitas Atma Jaya, Yogyakarta. ISBN: 978-979-3649-81-8. Miarso, Y. 2007. Menyemai Benih Teknologi Pendidikan. Jakarta: Pranada Media Group. Muhtadi. Penerapan Principal Component Analysis (PCA) dalam Algoritma K-Means untuk Menentukan Centroid pada Clustering. Jurnal KONSTANTA. 1(1). Hlm. 121-142. Prasetyo, Eko. 2012. Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi. Putra, S.F. 2016. Feature Selection pada Dataset Faktor Kesiapan Bencana pada Provinsi di Indonesia Menggunakan metode PCA(Principal Componen Analysis). Jurnal Teknik ITS. 2(5). Rahayu, G., Mustakim. 2017. Principal Component Analysis untuk Dimensi Reduksi Data Clustering Sebagai Pemetaan Persentase Sertifikasi Guru di Indonesia. Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI). UIN Sultan Syarif Kasim Riau, Pekanbaru, 18-19 Mei 2017. ISSN (Printed) : 2579-7271. Santosa, Budi. 2007. Data mining. Teknik pemanfatan data untuk keperluan bisnis. Yogyakarta: Graha Ilmu. Setiyadi, M.W.R. 2010. Strategi dan Kebijakan Pembangunan. http://www.insteps.or.id/File/media/kebijakan%20dan%20%20strategi%20telematika.pdf. Diakses 29 Maret 2019. Setyaningsih, S., H. Thaheer, E.T. Tosida. 2013. Pemetaan Kompetensi Sumber Daya Manusia Big Industri Telematika di Indonesia sebagai Kebijakan Investasi. Prosiding Seminar Nasional Matematika & Ilmu Pengetahuan Alam “MIPA Sebagai Landasan Kreasi & Inovasi Teknologi”. IPB International Convention Center Bogor, 23 Oktober 2013. ISBN978-602-14503-0-7. Sirait, Hasanuddin. 2009. Sejarah Perkembangan Teknologi Telematika. http://astie.staff.gunadarma.ac.id/Downloads/files/50020/sejarah-telematika.pdf. Diakses 29 Maret 2019. Siswantari. 2015. Pengembangan Program Studi Keahlian pada SMK Sesuai Kegiatan Ekonomi Utama di Enam Koridor Ekonomi. Jurnal Pendidikan dan Kebudayaan. 2(21). Hlm. 135-151. Stahle, L., dan Wold, S., 1989. Analysis of variance (ANOVA). Chemometrics and Intelligent Laboratory Systems. 6:259-272. Supriyanto, A., Basukianto, dan J.A. Rozaq. 2017. Klasterisasi UMKM dan Potensi Wilayah Berbasis Peta Sebagai Strategi Pengembangan Ekonomi Daerah. Jurnal Pekommas. 2(2). Hlm. 143-150. Tosida, E.T., S. Maryana, H. Thaheer, dan F.A. Damin. 2015. Visualization Model of Small and Medium Enterprises (SMEs) Telematics Services Potentiality Map in Indonesia. International Conference on Information, Communication Technology and System (ICTS). ISBN: 978-1-5090-0096-8. IEEExplorer, 151-156. Yoesoef, J. R., & Muawanah, U. 2007. Peran SMK dalam Menunjang Pertumbuhan Ekonomi Daerah; Sebuah Analisis Makroekonomika. http://www.scribd.com/doc/23783304/Peran-SMK-dalam-Menunjang-Pertu-mbuhan-Ekonomi-Daerah?secret-password=autodown=pdf, diakses 8 September 2019. Apriandi D, A. M. Irwan & E. D. Wahyuni. 2017. Analisis Sentimen Pelanggan WIFI.ID Pada Media Sosial Twitter dengan Support Vector Machine. Jurnal Sistem Informasi Dan Bisnis Cerdas (SIBC) Vol. 9. Andreas Handojo. 2015. Aplikasi Search Engine Perpustakaan Petra Berbasis Android dengan Apache SOLR. Skripsi. Jurusan Teknik Informatika. Universitas Kristen Petra. Bakir, Manning. 2011. Konsep Ketenagakerjaan di Indonesia. BPFE. Jakarta.   D. Mali, M. Abhyankar, dkk. 2016. Sentiment Analysis Of Product Review For E-Commerce Recommendation. International Journal of Management and Applied Science, ISSN: 2394-7926  Volume-2, Issue-1, Jan.-2016. Even, Yahir, Zohar. 2002. Introduction to text mining. Automeated Learning Group       National Center For Supercomputing Aplications. University of Illions. Han, J., and M. Kamber. 2006. Data Mining : Concepts and Techniques Second Edition. CA: Morgan Kaufmann Publishers, San Francisco. Hidayat, M. A., M. Syafrullah. 2017. Algoritma Naive Bayes Dalam Analisis Sentimen Untuk Klasifikasi Pada Layanan Internet PT.XYZ. Jurnal TELEMATIKA MKOM Vol.9 No.2 Juli 2017. Huq, M., R, et al. 2017.  Sentiment Analysis on Twitter Data using KNN and SVM. IJACSA) International Journal of Advanced Computer Science and Applications, Vol. 8, No. 6, 2017. Kadir, Abdul. 2018. Dasar Pemrograman Python 3 : Panduan untuk mempelajari python dengan cepat dan mudah bagi pemula. Yogyakarta: Penerbit Andi Nugroho. Kuhlman, Dave. 2015. A Python Book: Beginning Python, Advanced Python and Python Exercises. s.l.: MIT, 2015. Kemenperin. 2016. Untuk Menghindari Duplikasi Data Statistik Industri Menperin dan Kepala BPS Tanda Tangani Piagam Kerjasama. www.kemenperin.go.id. 10 Mei 2019. Liu, B. 2012. Sentimen Analysis and Subjectivity. Synthesis Lectures on Human Language Tachnologies. [e-book]. USA: Morgan & Claypool Publishers. Tersedia di:https://www.cs.uic.edu/~liub/FBS/Sentiment-Analysis-and Opinion Mining.pdf (Diakses pada 23 Maret 2019). Indriati, A., Ridok. 2016. Sentiment Analysis For Review Mobile Applications Using Neighbor Method Weight K-Nearest Neighborn (NWKNN).  Journal of Environmental Engineering & Sustainable Technology JEEST Vol. 03 No. 01, July 2016, Pages 23-32 . Muljono. et al. 2017. Analisa Sentimen Untuk Penilaian Pelayanan Situs Belanja Online Menggunakan Algoritma Naïve Bayes.  Konferensi Nasional Sistem Informasi 2018 STMIK Atma Luhur Pangkalpinang, 8 – 9 Maret 2018. Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003). Support Vector Machine dan Aplikasinya Dalam Bioinformatika. Diakses 2 mei, 2019, dari http://www.ilmukomputer.com Rofiqoh, U. et al. 2017. Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexicon Based Features. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1725-1732. Safina, N., M. Aris. 2018. Analisis Sentimen Pada Twitter Terhadap Jasa Transportasi Online di Indonesia Dengan Metode Support Vector Machine. Universitas Dian Nuswantoro Semarang, Jurusan Teknik Informatika, FIK UDINUS, Semarang. Samal R.B , Mrutyunjaya P. 2017. Real Time Product Feedback Review and Analysis Using Apache Technologies and NOSQL Database. International Journal Of Engineering And Computer Science ISSN:2319-7242 Volume 6 Issue 10 October 2017, Page No. 22551-22558. Tan, P., Steinbach, M., & Karpatne, A. 2006. Introduction To Data Mining. USA: Addison-Wesley. Viranda Noratika Anwar. 2019. Implementasi Data Import Apache Solr Untuk Keperluan Indexing Data Buku. Jurnal Manajemen Informatika, Volume 9 Nomor 02 Tahun 2019, 50-59. Aries Saifudin. 2015. Penerapan Teknik Ensemble Untuk Menangani               Ketidakseimbangan Kelas Pada Prediksi Cacat Software, ITS               Surabaya Breiman, L. 1996 Heuristics of instability and stabilization in model selection,               Annals of Statistics, 24, Vol. 24, No. 6, 2350-2383 Culp, M., Michailidis, G., & Johnson, K. (2011). On Adaptive Regularization               Methods in Boosting. Journal of Computational and Graphical Statistics,             20(4), 937–955.   DavidWes. 2004. Neural network en semble strategy for decision & financial               applications, high-quality software  DOI: 10.1016/j.cor.2004.03.017 Fatimah,Moch.abdul mukid,Agus Rusgiyono(2017) analisis credit scoring                   menggunakan metode bagging dan k-nearest neighbor ISSN: 2339-2541           JURNAL GAUSSIAN Volume 6, NOMOR 1 Tahun 2017 Halaman 161-170 Ganda.M 2015  Penerapan Hybrid System Pada Usaha Jasa Telematika Dengan               Menggunakan Metode K-means dClustering ID3 Classification, Universitas          Pakuan Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques. San               Fransisco: Morgan Kauffman. Herrera, Francisco. 2012. Class Imbalance in Boosting Bagging Problems and               Hybrid Based Approaches, Doi  10.1007/s00500-018-3629-4 Rao, S. 2009.Engineering Optimimization. 40.125-205   Sandrine Dudoit1,∗ and Jane Fridlyand2 2003. Bagging to improve the accuracy of               a clustering procedure BIOINFORMATICS  Vol. 19 no. 9 Tosida, E.T., K. Boro, S.Herdiyeni S. 2015. Attribute Selection  of Indonesian Telematic Services MSMEs  Feasibility Assistance, Using AHP  Vol. 8, No. 2, Desember 2015 Turban, E., J.E. Aronson., & T.P. Liang. 2005. Application of data mining               techniques in customer relationship management: A literature review and           classification https://cmapspublic3.ihmc.us/rid=1MSYC3Z3W-1B2W04K-  15MY/DM-usage.pdf (di akses pada tanggal 11 may 2018) X.F. Lei, Wang, Z, Y.T. Li. 2015. The Risk Assessment Model of Small and               MediumSized Enterprises of Science and Technology Based On Boosting.              https://doi.org/10.2991/cisia-15.2015.128  (di akses pada tanggal 11 may    2018) Zhou, Z.-H., & Yu, Y. (2009). The Top Ten Algorithms in Data Mining. (X. Wu, &               V. Kumar, Eds.) Chapman & Hall/CRC DOI 10.1007/s10115-007-0114-2
URL	:	https://scholar.google.co.id/citations?user=HKHhm8MAAAAJ&hl=id&authuser=1&gmla=