Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Embedded Systems, Security and Intelligent Systems Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi
Murni Kassa
Universitas Negeri Manado
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Text Classification of 2024 Regional Head Elections Logistics Distribution in Online News Using Support Vector Machine Murni Kassa; Irene Realyta Haldy Trosi Tangkawarow; Audy Aldrin Kenap
Journal of Embedded Systems, Security and Intelligent Systems Vol 7 No 2 (2026): June 2026
Publisher : Program Studi Teknik Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/jessi.v7i2.2619

Abstract

Purpose – This study aims to classify online news related to logistics distribution issues in the 2024 Indonesian Regional Head Elections using Support Vector Machine and imbalance handling strategies. Design/methods/approach – A total of 1,355 online news articles were collected from nine national news portals through web scraping. The research workflow involved data preprocessing, rule-based weak supervision, manual validation, TF–IDF feature extraction, oversampling using SMOTE and ADASYN, class-weighted learning, and SVM classification with Linear, RBF, Polynomial, and Sigmoid kernels. Model performance was evaluated using macro-averaged F1-score, 5-fold cross-validation, classification report, and confusion matrix analysis. Findings - The results show that Linear and RBF kernels produced more consistent performance than Polynomial and Sigmoid kernels for sparse TF–IDF representations. The RBF kernel with class-weighted learning achieved the highest hold-out macro F1-score of 0.641, although cross-validation results showed only marginal differences among top-performing configurations. The model performed well in classifying “No Issues” and “Damaged” categories but still struggled with the minority “Late” class. Research implications/limitations – The findings indicate that machine learning can support preliminary election logistics monitoring, but the model should not yet be used as a fully automated early-warning system due to minority-class limitations and weak-labeling constraints. Originality/value – This study contributes empirical evidence on SVM-based imbalanced text classification for election logistics news monitoring in the Indonesian Pilkada context.
Studi Literatur: Analisis Penggunaan Support Vector Machine dalam Klasifikasi Teks Berita Distribusi Logistik Pilkada 2024 Murni Kassa; Irene Realyta Haldy Trosi Tangkawarow
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 6 No. 1 (2026): EduTIK : Februari 2026
Publisher : Jurusan PTIK Universitas Negeri Manado

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pelaksanaan Pemilihan Kepala Daerah (Pilkada) tahun 2024 menuntut pengelolaan distribusi logistik yang akurat dan tepat waktu. Di sisi lain, masifnya produksi berita pada media daring menyebabkan proses pemantauan dan pengelolaan informasi menjadi sulit apabila dilakukan secara manual. Situasi ini menuntut penerapan metode otomatis berbasis text mining dan natural language processing untuk mengidentifikasi serta mengklasifikasikan berita yang relevan. Penelitian ini bertujuan untuk menelaah secara sistematis pemanfaatan algoritma Support Vector Machine (SVM) dalam klasifikasi teks berita daring, khususnya yang berkaitan dengan distribusi logistik Pilkada 2024. Metode yang digunakan adalah Systematic Literature Review (SLR) terhadap artikel ilmiah yang diterbitkan pada rentang tahun 2020–2025 dan membahas penerapan SVM dalam klasifikasi teks berita. Analisis dilakukan secara deskriptif kualitatif dengan meninjau perbedaan pendekatan metodologis, tahapan prapemrosesan, teknik representasi fitur, serta capaian kinerja algoritma yang dilaporkan pada penelitian sebelumnya. Hasil kajian menunjukkan bahwa algoritma SVM, terutama ketika dikombinasikan dengan pembobotan fitur Term Frequency–Inverse Document Frequency (TF-IDF), mampu memberikan performa klasifikasi yang stabil dan tinggi pada berbagai domain berita daring, dengan tingkat akurasi yang umumnya melampaui 85%. Meskipun demikian, kajian yang secara khusus berfokus pada klasifikasi berita terkait distribusi logistik Pilkada masih relatif terbatas. Oleh sebab itu, penelitian ini menegaskan adanya celah penelitian yang dapat dikembangkan lebih lanjut melalui penerapan SVM untuk klasifikasi berita distribusi logistik Pilkada 2024 secara lebih spesifik dan kontekstual.
Co-Authors Audy Aldrin Kenap Irene Realyta Haldy Trosi Tangkawarow