Jurnal Buana Informatika
Not a member yet
274 research outputs found
Sort by
Importance of Feature Selection for Multiple Disease Classification
Full text linkThe performance of machine learning in disease classification heavily depends on effective feature selection. This study explores feature selection methods—Boruta and Recursive Feature Elimination (RFE)—with ensemble models like Random Forest, Decision Tree, Gradient Boosting, LightGBM, and XGBoost using Electronic Health Records (EHR) data. Results show that combining Boruta with LightGBM achieves the highest accuracy of 99%. Feature selection enhances precision by focusing on relevant variables and removing unnecessary ones. Further analysis reveals that features such as Red Blood Cells, Insulin, Heart Rate, and Cholesterol significantly influence the classification of specific diseases. These findings highlight the importance of feature selection in multi-disease classification and medical data analysis, improving the efficiency of machine learning systems. Future research should develop more flexible feature selection methods and test models on diverse disease datasets
Ekstraksi Pengetahuan dari Ulasan Aplikasi CapCut Menggunakan Metode Aspect-Based Sentiment Analysis dan Klasifikasi
Full text linkIndonesia mengalami perkembangan teknologi yang pesat, khususnya dalam penggunaan internet dan platform editing seperti CapCut. Platform ini memungkinkan pengeditan video di berbagai perangkat, namun kepuasan pengguna tidak selalu terjamin karena perbedaan pengalaman individu. Penelitian ini bertujuan untuk mengidentifikasi sentimen pengguna terhadap aplikasi CapCut berdasarkan aspek.Dengan menggunakan pendekatan Aspect-Based Sentiment Analysis (ABSA) yang didukung oleh algoritma Machine Learning untuk tugas klasifikasi sentimen berdasarkan aspek. Algoritma yang digunakan dalam proses klasifikasi adalah Support Vector Machine. Data yang digunakan adalah ulasan aplikasi CapCut dari Google Play Store sebanyak 22.668 data. Hasil penelitian menunjukkan bahwa algoritma Support Vector Machine (SVM) memiliki performa yang baik untuk masing-masing aspek dengan nilai akurasi untuk aspek fitur 0,88 dan aspek user experience 0,87. Hasil ekstraksi pengetahuan yang diperoleh berupa XML yang memuat informasi sentimen pengguna terhadap dua aspek utama, yaitu fitur dan user experience.
Penerapan Algoritma Gradient Boosting dalam Mendiagnosa Penyakit Kucing dan Anjing
Full text linkRoyal Canin selaku lembaga riset hewan domestik mengungkapkan bahwa hewan peliharaan di Indonesia jarang sekali melakukan pemeriksaan rutin ke klinik hewan, jika dipersentasekan hanya berada di angka 29,5%. Dengan persentase tersebut, semakin khawatir hewan dapat menularkan penyakit ke manusia atau disebut sebagai zoonosis, jika hewan sama sekali tidak mendapatkan perawatan dan identifikasi dini penyakit yang dialami. Pada penelitian ini menggunakan metode gradient boosting sebagai fokus utama untuk memprediksi penyakit berdasarkan gejala-gejala yang dialami hewan peliharaan. Melalui proses hyperparameter tuning menggunakan gridsearch, diperoleh model terbaik dengan kombinasi parameter: learning_rate 0,05, max_depth 7, min_samples_leaf 1, min_samples_split 2, n_estimators 200, dan subsample 0,9. Dari hasil hyperparameter tuning, model tersebut menunjukkan performa terbaik dengan accuracy 88%, precision 97%, recall 96%, f1-score 96%, dan hamming loss 0,29%. Hasil tersebut menunjukkan bahwa model memiliki kemampuan memprediksi multilabel yang akurat
Peningkatan Akurasi Rekomendasi Dokter pada Kondisi Data Sparsity Menggunakan Algoritma Content-Based Filtering
Full text linkPerkembangan aplikasi layanan kesehatan seperti Halodoc, Alodokter, dan Klikdokter telah menyediakan sistem rekomendasi yang memudahkan pasien untuk menentukan dokter yang relevan. Namun, rekomendasi dokter yang relevan masih menjadi tantangan. Salah satu permasalahannya adalah data sparsity, yaitu kelangkaan atribut data yang menyebabkan akurasi sistem rekomendasi bekerja kurang akurat. Penelitian ini mengembangkan sistem rekomendasi dokter menggunakan pendekatan Content-Based Filtering (CBF) untuk melakukan rekomendasi dokter sesuai dengan preferensi pasien dengan mempertimbangkan lima atribut utama: spesialisasi, rating, biaya konsultasi, lama praktik, dan jenis kelamin. Aturan imputasi data dan pembobotan atribut telah diimplementasikan untuk meningkatkan akurasi sistem rekomendasi. Hasil dari analisis data menunjukan teknik tersebut telah menurunkan Mean Absolute Error (MAE) dari 0,142 menjadi 0,102 dan Root Mean Squared Error (RMSE) dari 0,205 menjadi 0,150, sehingga teknik yang diimplementasikan meningkatkan sistem rekomendasi dokter dengan kondisi data sparsity
Deteksi Informasi Kadar Natrium pada Label Produk Kemasan Menggunakan FPN, Faster R-CNN, dan OCR
Full text linkInformasi nilai gizi, khususnya kandungan natrium, berperan penting dalam mendorong masyarakat memilih makanan yang lebih sehat. Namun, kesadaran terhadap label gizi masih rendah sehingga sering diabaikan. Sistem otomatis dikembangkan untuk mendeteksi dan mengekstraksi informasi kadar natrium dari citra kemasan produk. Sistem menggunakan pendekatan deteksi objek berbasis Feature Pyramid Network (FPN) dan Faster R-CNN melalui framework Detectron2. Ekstraksi teks kadar natrium dilakukan menggunakan Tesseract OCR. Sebanyak 3.028 gambar digunakan dalam proses pelatihan, validasi, dan pengujian FPN. Pada tahap pelatihan diperoleh akurasi deteksi 98,90% (AP50) dan (AR) 85,00%. Sementara itu, pengujian OCR terhadap 400 gambar berbeda dari data pelatihan FPN, menghasilkan rata-rata akurasi ekstraksi teks 85,13%. Kesalahan pengenalan umumnya disebabkan kualitas citra rendah, seperti gambar blur, orientasi label miring, pantulan cahaya, atau teks terlalu tebal. Meskipun terdapat keterbatasan, sistem menunjukkan potensi kuat sebagai alat otomatis membaca informasi gizi, khususnya kandungan natrium, dengan catatan diperlukan penyempurnaan lebih lanjut agar konsisten di kondisi nyata
Pengaruh Faktor Adaptasi Model UTAUT terhadap Intensi Adopsi Sistem Hijau pada Bank Indonesia
Full text linkBank Indonesia (BI) berperan penting dalam transisi menuju sistem keuangan hijau, namun BI masih menghadapi tantangan penerapan teknologi yang lebih hijau secara internal. Hal ini tercermin dari skor rendah pada aspek “leading by example” dalam Green Central Banking Scorecard. Penelitian ini menggunakan model UTAUT yang dimodifikasi dengan faktor keterlibatan stakeholder untuk mengevaluasi intensi adopsi green Information System (IS) di BI. Hasil PLS-SEM menunjukkan bahwa keterlibatan stakeholder berpengaruh signifikan terhadap adopsi green IS (β = 0,792; p < 0,001), dan ekspektasi kinerja berpengaruh positif terhadap niat perilaku (β = 0,420; p = 0,014). Sebaliknya, kondisi fasilitasi berdampak negatif (β = –0,374; p = 0,027), menandakan kurangnya dukungan sumber daya. Walaupun terdapat pengaruh positif, faktor harapan usaha dan faktor sosial berada pada nilai yang tidak signifikan. Secara keseluruhan, BI menempati tahap awal maturitas model green IT (level 1: incipient), sehingga diperlukan strategi lanjutan dalam mendorong transformasi digital yang lebih hijau.
Pengembangan Chatbot Untuk Layanan Informasi Keanggotaan Guru Metode Support Vector Machine
Full text linkPerkembangan aplikasi chat seperti WhatsApp dan Telegram mendorong pengembangan chatbot untuk mendukung interaksi cerdas antara manusia dan komputer. Chatbot berbasis kecerdasan buatan membantu mengurangi waktu respons dan memberikan akses informasi kapan saja. Salah satu permasalahan, yaitu pertanyaan berulang terkait administrasi keanggotaan guru di PGRI Kabupaten Musi Rawas, dapat diatasi dengan chatbot berbasis AI. Penelitian ini bertujuan mengembangkan chatbot yang mampu menyampaikan informasi dan memberikan respons akurat. Chatbot dirancang dengan algoritma Support Vector Machine (SVM) dan Natural Language Processing (NLP). Hasil pengujian menunjukkan model SVM memiliki akurasi 83,54%, presisi 86,09%, dan recall 83,54%, sehingga layak digunakan sebagai model chatbot. Implementasi pada platform WhatsApp mendukung kemudahan akses informasi. Hasil penelitian membuktikan chatbot dapat merespons pertanyaan sesuai kebutuhan pengguna, sedangkan integrasi dengan WhatsApp membuat layanan informasi lebih mudah diakses serta memberikan solusi yang efisien dan responsif
Analisis Sentimen Terhadap TikTok Shop Dengan K-Nearest Neighbor, Decision Tree, dan Naive Bayes
Full text linkDi era digital yang berkembang dengan cepat, banyak aplikasi yang membantu manusia, salah satunya adalah TikTok. TikTok merupakan aplikasi yang menampilkan video dengan berbagai jenis kategori, TikTok juga terdapat fitur marketplace, yaitu TikTok Shop. TikTok Shop merupakan sebuah fitur yang dapat digunakan untuk berbelanja dalam memenuhi kebutuhan. Hadirnya fitur TikTok Shop membuat orang-orang berpendapat terkait fitur tersebut, ada yang berpendapat positif dan juga negatif. Dengan adanya pendapat dari orang-orang tentang fitur TikTok Shop ini, dilakukan penelitian dengan tiga algoritma, yaitu K-Nearest Neighbor mendapatkan hasil akurasi sebesar 94%, Decision Tree dengan akurasi sebesar 96% dan Naive Bayes dengan akurasi sebesar 98%. Penelitian ini dilakukan untuk menyediakan data yang baik dan mudah dimengerti terkait pendapat pengguna TikTok Shop, sehingga dapat menjadi landasan evaluasi untuk perbaikan fitur TikTok Shop
Male Fertility Classification using Machine Learning and Oversampling Techniques
Full text linkMachine learning methods have been applied to male fertility diagnosis in recent years. Through early infertility case detection, this technology application offers potential benefits to the medical field. This study presents an experimental investigation that examines the prospect of using the oversampling technique and feature selection to enhance the performance of shallow classifiers to classify male fertility on the Fertility Dataset. Two oversampling techniques (SMOTE and ADASYN), two different scalers (MinMax and Standard), and two different feature selection methods (SelectKBest and SelectFromModel) were used to improve the performance of the classifier. The results show that the performance of machine learning models is better on the oversampled dataset than the original dataset. Random Forest performed best on the SMOTE test set with 90% accuracy, 89% and 100% Recall in Normal and Altered classes, respectively. Accidents or trauma, Age, and High Fevers features are selected by SelectKBest, and considered as factors that contribute to male fertility in prior studies
Analisis Sentimen Masyarakat terhadap Tayangan Televisi Nasional menggunakan Metode Deep Learning
Full text linkIndonesia’s television industry faces fierce competition, particularly in chasing ratings and ad revenue. This has ultimately led to declining broadcast quality on some national TV stations. This research aims to understand perceptions towards content quality by focusing on public opinion through sentiment analysis of social media (Twitter) using Bi-LSTM and Word2Vec methods. The research involved data collection, preprocessing, vectorization, data splitting, model training and testing, evaluation to find the best model, sentiment data classification, and finally, sentiment data analysis. Using a dataset of 515,492 sentiment points, the model achieved an accuracy of 96.4%, precision of 72.1%, recall of 72.0%, and f1-score of 72.8%. Analysis of Twitter user sentiment leans towards neutral and positive perceptions. The results of the sentiment analysis of Twitter users tend to be neutral and positive. The results of the public satisfaction trend show a change in the pattern of public satisfaction with the quality of television station content