Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Teika Journal of Artificial Intelligence and Engineering Applications (JAIEA)
Sumarlin
STIKOM Uyelindo Kupang
Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Languange, Linguistic, Communication & Media

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

Found 2 Documents
Search

 1 
Klasifikasi Judul Berita Online Menggunakan BERT dan IndoBERT Diorrani Katemba; Franki Bisilisin; Heni; Sumarlin
TeIKa Vol 16 No 1 (2026): Jurnal TeIKa
Publisher : Fakultas Teknologi Informasi - Universitas Advent Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36342/3sqzca39

Abstract

Perkembangan berita online di wilayah Nusa Tenggara Timur (NTT) semakin pesat. Meningkatnya volume berita yang dipublikasikan setiap hari menimbulkan tantangan dalam proses pengelompokan dan analisis konten yang selama ini masih dilakukan secara manual. Oleh karena itu, diperlukan suatu sistem yang mampu mengklasifikasikan judul berita secara otomatis dan akurat agar pengelolaan informasi dapat dilakukan dengan lebih efisien. Penelitian ini menggunakan pendekatan berbasis deep learning dengan menerapkan model Bidirectional Encoder Representations from Transformers (BERT) dan IndoBERT sebagai teknologi utama dalam sistem klasifikasi berita online berbahasa Indonesia. Bahasa pemrograman yang digunakan adalah Python dengan dukungan pustaka transformers. Dataset yang digunakan dikumpulkan melalui teknik web scraping dari beberapa portal berita lokal di wilayah NTT, kemudian dibagi menjadi 80% data latih dan 20% data uji untuk mengukur performa model. Model BERT dan IndoBERT diterapkan untuk mengenali konteks serta makna semantik dari setiap judul berita guna menghasilkan representasi teks yang lebih bermakna. Hasil pengujian menunjukkan bahwa model dasar BERT mencapai tingkat akurasi sebesar 69%, dengan nilai precision 70,2%, dan recall 66,9%. Sementara itu, penerapan model IndoBERT memperoleh performa yang lebih tinggi dengan tingkat akurasi mencapai 80%, nilai precision 78,2%, dan recall 79%. Kesimpulannya, pemanfaatan model IndoBERT terbukti secara signifikan lebih akurat dan optimal dibandingkan BERT dalam melakukan klasifikasi teks judul berita lokal NTT.
Prediction of Clean Water Quality Using K-Nearest Neighbor (KNN) and Naïve Bayes at PDAM Kupang City Haliim Wila Supardi; Sumarlin
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 5 No. 2 (2026): February 2026
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v5i2.1892

Abstract

Kupang City faces significant challenges in providing clean water due to its dry geographical conditions and extreme climate. Although it has various potential water sources such as watersheds and bore wells, clean water distribution remains suboptimal. This study aims to predict clean water quality using two machine learning algorithms, namely K-Nearest Neighbor (KNN) and Naïve Bayes, based on the Water Quality Dataset which includes parameters such as pH, hardness, total dissolved solids, and turbidity. The process involves data preprocessing, algorithm implementation, and model evaluation using classification metrics. The KNN model achieved an accuracy of 56%, with an F1-score of 0.67 for the “unsafe” class and 0.36 for the “safe” class. Meanwhile, the Naïve Bayes model achieved a higher overall accuracy of 61% but failed to detect the “safe” class, showing a precision and recall of 0.00. Overall, KNN performed more balanced across classes despite its moderate accuracy, while Naïve Bayes was biased toward the majority class. These findings highlight the importance of selecting appropriate algorithms and tuning parameters for water quality prediction. The implementation of predictive models is expected to assist PDAM Kupang in making data-driven decisions to improve clean water management sustainably.
Co-Authors Diorrani Katemba Franki Bisilisin Haliim Wila Supardi Heni