Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal KETIK : Jurnal Informatika Journal of Informatics and Interactive Technology (JIITE)
Ramlia Ramadani Sudin
Universitas Halu Oleo
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media

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

Found 2 Documents
Search

 1 
Analisis Relevansi Judul Skripsi Teknik Informatika Universitas Halu Oleo (UHO) Menggunakan TF-IDF, Cosine Similarity, dan Jaccard Similarity Ramlia Ramadani Sudin; Elisa Wulan Sari; Adha Mashur Sajiah
KETIK : Jurnal Informatika Vol. 3 No. 06 (2026): Juli
Publisher : Faatuatua Media Karya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70404/ketik.v3i06.693

Abstract

Penelitian ini menganalisis kemiripan teks guna mengukur relevansi judul skripsi mahasiswa Program Studi Teknik Informatika Universitas Halu Oleo (UHO) menggunakan pendekatan information retrieval, yaitu TF-IDF, Cosine Similarity, dan Jaccard Similarity. Data berupa 620 judul skripsi UHO diperoleh dari dataset publik Kaggle, kemudian diproses melalui tahapan Case Folding, Cleaning, tokenisasi, penghapusan stopword (standar dan domain akademik), serta Stemming menggunakan PySastrawi. Tahap prapemrosesan berhasil mereduksi dimensi token sebesar 37,7%, meningkatkan efisiensi representasi dokumen. Representasi vektor dibangun menggunakan TF-IDF dengan kombinasi unigram dan bigram. Topik penelitian dikelompokkan menjadi delapan klaster menggunakan algoritma K-Means yang dikombinasikan dengan reduksi dimensi Latent Semantic Analysis (LSA). Evaluasi sistem temu kembali menggunakan 50 Query acak dengan ground truth berbasis klaster menunjukkan bahwa Jaccard Similarity secara konsisten mengungguli Cosine Similarity pada seluruh metrik pengujian (Precision@K, Recall@K, MAP, dan NDCG@K). Hasil ini mengindikasikan bahwa karakteristik judul skripsi yang ringkas menyebabkan sebaran bobot fitur TF-IDF rentan didominasi secara ekstrem oleh satu Term dominan tunggal yang memicu bias pada Cosine Similarity, sedangkan pendekatan kecocokan biner pada Jaccard Similarity terbukti lebih tangguh dan menghasilkan urutan peringkat dokumen yang jauh lebih akurat.
Penerapan Algoritma Naive Bayes Untuk Klasifikasi Sentimen Ulasan Pengguna Game Mobile Legends Di Google Play Store Indah Lestari; Ramlia Ramadani Sudin; Rayhan Permana Putra; Adha Mashur Sajiah
Journal of Informatics and Interactive Technology Vol. 3 No. 2 (2026): Agustus
Publisher : ACSIT

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63547/jiite.v3i2.157

Abstract

Aksara Lontara merupakan representasi kultural masyarakat Sulawesi Selatan yang memerlukan upaya preservasi digital secara berkelanjutan. Convolutional Neural Network (CNN) telah banyak digunakan untuk pengenalan citra karakter aksara daerah, namun performanya sangat bergantung pada ketersediaan data berlabel (labeled data) yang umumnya terbatas dan mahal secara anotasi. Penelitian ini menerapkan Semi-Supervised  Learning (SSL) dengan teknik Pseudo-labeling pada arsitektur CNN untuk mengklasifikasikan 23 kelas aksara Lontara. Dataset yang digunakan berjumlah 7.452 citra yang diperoleh dari repositori publik Kaggle, kemudian dibagi menjadi 1.491 citra data uji (20%), 2.384 citra data berlabel (40% dari sisa data), dan 3.577 citra data tidak berlabel (60% dari sisa data). Arsitektur CNN yang diusulkan terdiri atas tiga blok konvolusi dengan lapisan Batch Normalization, Max Pooling, satu lapisan Dense 256 neuron, dan Dropout  0.5, dengan total 1.279.959 parameter. Model dasar yang dilatih hanya dengan 2.384 citra berlabel mencapai akurasi pengujian sebesar 99.93%. Selanjutnya, model memprediksi 3.577 citra tidak berlabel, dan prediksi dengan probabilitas di atas ambang batas (confidence threshold) τ = 0.95 dikonversi menjadi pseudo-label, menghasilkan 3.537 citra tambahan (98,88% dari total data tidak berlabel). Penggabungan data berlabel dan pseudo-labeled menjadi 5.921 citra digunakan untuk melatih ulang model secara iteratif, sehingga akurasi pengujian akhir meningkat menjadi 100%. Temuan ini menunjukkan bahwa kombinasi regularisasi (augmentasi, Batch Normalization, Dropout) dan SSL berbasis pseudo-labeling sangat efektif untuk pengenalan citra aksara Lontara meskipun hanya menggunakan sebagian kecil data beranotasi manual.
Co-Authors Adha Mashur Sajiah Elisa Wulan Sari Indah Lestari Rayhan Permana Putra