Novia Ardani
STMIK Bina Patria Magelang

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

Found 2 Documents
Search

Deteksi Sarkasme Implisit pada Teks Berbahasa Indonesia Menggunakan Hybrid IndoBERT dan Knowledge Graph Yakiya Ratna Sari; Novia Ardani; Riska Dwi Handayani
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 2 No. 2 (2026): Juli 2026
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v2i2.146

Abstract

Sarkasme implisit merupakan bentuk ungkapan sindiran yang tidak ditandai secara langsung oleh kata atau frasa sarkastik, sehingga menjadi tantangan dalam proses deteksi otomatis menggunakan teknik pemrosesan bahasa alami. Penelitian ini mengembangkan pendekatan hibrida yang mengombinasikan model bahasa IndoBERT dengan Knowledge Graph yang dibangun berdasarkan leksikon bahasa Indonesia. Knowledge Graph tersebut terdiri atas empat jenis pengetahuan, yaitu leksikon sentimen, indikator sarkasme, pasangan kontradiksi semantik, serta kamus normalisasi bahasa slang. Representasi kontekstual yang dihasilkan oleh IndoBERT kemudian diperkaya melalui mekanisme multi-head attention yang memanfaatkan fitur dari Knowledge Graph, selanjutnya digabungkan menggunakan lapisan fusion sebelum dilakukan proses klasifikasi. Dataset yang digunakan adalah Reddit Indonesia Sarcastic yang tersedia secara publik melalui HuggingFace Datasets. Data dibagi menjadi 70% untuk pelatihan, 15% untuk validasi, dan 15% untuk pengujian. Pelatihan model dilakukan menggunakan optimizer AdamW dengan learning rate sebesar 2×10⁻⁵ selama lima epoch. Hasil pengujian menunjukkan bahwa model yang diusulkan memperoleh akurasi sebesar 79,65%, F1-score sebesar 80,31%, dan ROC-AUC sebesar 85,46%. Temuan ini menunjukkan bahwa pendekatan hibrida mampu meningkatkan kemampuan model dalam mengenali kontradiksi semantik yang menjadi karakteristik utama sarkasme implisit dalam bahasa Indonesia. Penelitian ini memberikan kontribusi terhadap pengembangan sistem deteksi sarkasme berbahasa Indonesia yang lebih efektif melalui integrasi pengetahuan leksikal berbasis graf
Prediksi Churn Pelanggan Spotify Menggunakan XGBoost Berbasis Smote untuk Mengatasi Imbalanced Data Perilaku Streaming Yakiya Ratna Sari; Novia Ardani; Zesi Walikhsani
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 2 No. 2 (2026): Juli 2026
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v2i2.163

Abstract

Persaingan di industri layanan musik streaming sangat ketat, sehingga platform seperti Spotify perlu memahami perilaku konsumen dengan lebih baik, terutama tentang mengapa pelanggan berhenti menggunakan layanan mereka. Penelitian ini berfokus pada membuat model yang dapat memprediksi pelanggan mana yang mungkin berhenti menggunakan Spotify. Untuk membuat model ini, penelitian ini menggunakan algoritma Extreme Gradient Boosting atau XGBoost, yang dikombinasikan dengan metode Synthetic Minority Over-sampling Technique atau SMOTE. SMOTE digunakan untuk mengatasi masalah ketidakseimbangan data, di mana jumlah pelanggan yang berhenti menggunakan layanan sangat sedikit dibandingkan dengan yang tetap menggunakan. Data yang digunakan dalam penelitian ini berasal dari Kaggle dan terdiri dari 50.000 data pengguna dengan 18 atribut perilaku, seperti berapa lama mereka mendengarkan musik setiap minggu, seberapa sering mereka melewatkan lagu, berapa banyak playlist yang mereka buat, jenis langganan mereka, dan informasi demografis. Proses penelitian meliputi memahami data, menentukan target, membersihkan data, membuat fitur baru, dan membagi data menjadi dua bagian untuk pelatihan dan pengujian. SMOTE digunakan untuk membuat data pelatihan lebih seimbang, sehingga model dapat memprediksi dengan lebih akurat. Penelitian ini juga melakukan pengoptimalan parameter model melalui RandomizedSearchCV untuk mendapatkan hasil terbaik. Setelah melakukan evaluasi, model XGBoost dengan SMOTE menunjukkan hasil yang sangat baik, dengan akurasi sebesar 0,9345, presisi sebesar 0,7067, recall sebesar 1,0000, F1-Score sebesar 0,8281, dan AUC-ROC sebesar 0,9610. Hasil cross-validation juga menunjukkan bahwa model ini sangat stabil dan dapat digeneralisasi dengan baik. Analisis lebih lanjut menunjukkan bahwa fitur “inactive_3_months_flag” adalah prediktor terpenting untuk memprediksi pelanggan yang berhenti menggunakan layanan, diikuti oleh “months_inactive” dan “inactive_listen_ratio". Ini berarti bahwa pelanggan yang tidak aktif selama tiga bulan atau lebih memiliki kemungkinan lebih tinggi untuk berhenti menggunakan layanan. Dengan memahami faktor-faktor ini, Spotify dapat mengambil langkah untuk mencegah pelanggan berhenti menggunakan layanan mereka dan meningkatkan kepuasan pelanggan secara keseluruhan.