Claim Missing Document
Check
Articles

Found 34 Documents
Search

Hybrid Fourier Descriptor Naïve Bayes dan CNN pada Klasifikasi Daun Herbal Backar, Sunarti Passura; Purnawansyah, Purnawansyah; Darwis, Herdianti; Astuti, Wistiani
Jurnal Informatika: Jurnal Pengembangan IT Vol 8, No 2 (2023)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v8i2.5186

Abstract

Plants are vital to human life on earth, and the leaves and their whole parts have many benefits. These parts of the plant can help distinguish between different species. The leaf identification can be performed at any time, while the other parts of the plants can only be identified at a certain time. The study aims to classify two types of herbs i.e. saur-opus androgynous and moringa oleifera, implementing the Fourier Descriptor method to extract the shape and texture features. In the process of classification using the Naïve Bayes method with three types of nuclei (Gaussian, Bernoulli, and Multinomial) and a Convolutional Neural Network. The testing process was carried out using two scenarios, dark and light, where each scenario consisted of 240 images for a total of 480 images divided into 20% of the data testing and 80% of the training data. The Fourier Descriptor-Bernoulli Naive Bayes method gives the lowest accuracy in both light and dark scenarios, at 46% and 52%, respectively. As for the classification of herbal leaves using a combination of the Fourier Descriptor-Convolutional Neural Network method, it is recommended to be used in light image scenarios and Fourier Descriptor-Gaussian Naive Bayes in the dark scenarios because it is able to detect herbal leaf types with 100% accuracy.
Comparative Machine Learning Models for Dementia Prediction Using SMOTE Puspitasari, Rahma; Amaliah, Tazkirah; Darwis, Herdianti
International Journal of Artificial Intelligence in Medical Issues Vol. 3 No. 2 (2025): International Journal of Artificial Intelligence in Medical Issues
Publisher : Yocto Brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijaimi.v3i2.351

Abstract

Dementia is a progressive neurodegenerative disorder that leads to cognitive decline and significantly affects patients' quality of life. Early detection is crucial for determining appropriate medical interventions and slowing disease progression. This study aims to develop a machine learning-based dementia prediction model and compare the performance of three algorithms: Support Vector Machine (SVM), Random Forest (RF), and XGBoost. The dataset, obtained from the Kaggle platform, consists of 373 MRI-based patient records categorized into three diagnosis groups: Converted, Demented, and Nondemented. To address class imbalance, the Synthetic Minority Oversampling Technique (SMOTE) was applied. Experimental results show that the XGBoost algorithm achieved the best performance, with an accuracy of 93.86%, precision of 94%, recall of 94%, and F1-score of 94%, outperforming SVM and Random Forest. The application of SMOTE improved the model’s sensitivity to minority classes. The combination of XGBoost and SMOTE demonstrates high accuracy in dementia prediction and holds potential for integration into clinical decision support systems (CDSS) to assist early diagnosis.
Analisis Sentimen Masyarakat Terhadap Sistem Pembayaran Mypertamina dengan Metode Random Forest, SVM, dan Naïve Bayes Amelia, Ayu; Hayati, Lilis Nur; Darwis, Herdianti
LINIER: Literatur Informatika dan Komputer Vol 1, No 1 (2024)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v1i1.2269

Abstract

PT. Pertamina (PERSERO), sebagai perusahaan BUMN terkemuka di Indonesia di bidang perminyakan, memiliki peran vital dalam pengolahan dan pemasaran minyak bumi, terutama bahan bakar minyak (BBM). Penelitian ini menerapkan tiga metode analisis sentimen yaitu Random Forest, SVM, dan Naïve Bayes untuk mengevaluasi ulasan pengguna terhadap aplikasi MyPertamina. Dengan mengumpulkan data melalui web scraping dari Google Play Store sebanyak 3360 ulasan dianalisis dari 2018 hingga 01 Desember 2023. klasifikasi sentimen terbagi menjadi tiga kategori: positif, negatif, dan netral. Penggunaan Google Colab sebagai alat utama dalam pengolahan data dan implementasi model klasifikasi menawarkan efisiensi dalam eksperimen. Hasil evaluasi menunjukkan bahwa ketiga metode analisis sentimen Random Forest, SVM, dan Naïve Bayes mencapai akurasi tinggi pada evaluasi ulasan aplikasi MyPertamina. Random Forest menonjol dengan akurasi 99.77%, sementara SVM dan Naïve Bayes juga memberikan performa yang baik, masing-masing mencapai 99.31% dan 90.24%. Nilai Precision, Recall, dan F1-Score yang optimal pada ketiga metode mengindikasikan keefektifan mereka dalam menganalisis sentimen ulasan pengguna.
Identifying key patterns of college student’s background through exploratory data analysis Jabir, Sitti Rahmah; Darwis, Herdianti
Journal of Intelligent Decision Support System (IDSS) Vol 9 No 1 (2026): March: Intelligent Decision Support System (IDSS)
Publisher : Institute of Computer Science (IOCS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35335/idss.v9i1.332

Abstract

The declining of student interest had forced universities to examine the characteristics of each student. According to higher education statistics on the number of new students, fluctuating values ​​have been found in recent years. Several research used exploratory data analysis (EDA) approach to analyze new student admissions data. EDA is offered a summary of the dataset analysis and preliminary findings. There are variables decided to be dropped because consisted high number of missing values. On the other hand, some data filled with mean and mode because the number of missing not more than 20%. The missing values in each of attribute might be cleaned using another way. The admission team in university might encourage the registrants to complete and input correct data to the system. Based on the visualization, we found that some college students applied to university from several background of area, demographic and etc. The marketing division might apply another strategy is area had small number of college which is Kalimantan. Public health, computer science and insutry technology are major that have potential to be promoted due to the job prospects.
Klasifikasi Penyakit Bawang Merah Menggunakan Naïve Bayes dan Convolutional Neural Network Dian; Purnawansyah; Darwis, Herdianti; Nurhayati, Lilis
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3265

Abstract

Bawang merah rentan terhadap serangan penyakit yang dapat mengganggu pertumbuhan dan mengakibatkan hasil panen yang tidak maksimal bahkan gagal panen, seperti bercak ungu dan moler. Penelitian ini bertujuan untuk mengklasifikasikan penyakit bawang merah dengan mengimplementasikan meetode naïve bayes (gaussian , bernoulli, dan multinomial) dan CNN pada citra bawang merah yang diekstraksi menggunakan fourier descriptor. Metode FD – CNN memperoleh tingkat accuracy 98% dalam mengklasifikasikan penyakut bawang merah, moler dan bercak ungu, sedangkan metode CNN tanpa menggunakan ekstraksi menghasilkan nilai accuracy sebesar 97%. Adapun pada metode naïve bayes, pengklasifikasian yang memiliki accuracy paling tinggi adalah metode gaussian naïve bayes sebesar 95% sedangkan yang paling rendah yaitu metode bernoulli naïve bayes dengan tingkat accuracy sebesar 42%. Dengan demikian, dapat disimpulkan bahwa CNN, FD-CNN, dan FD-GNB efektif untuk meningkatkan performa klasifikasi pada citra daun bawang merah.
Support Vector Machine untuk Analisis Sentimen Masyarakat Terhadap Penggunaan Antibiotik di Indonesia Darwis, Herdianti; Wanaspati, Nugraha; Anraeni, Siska
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3320

Abstract

Peningkatan penggunaan antibiotik secara global termasuk di Indonesia, seringkali irasional dan tanpa resep berpotensi menyebabkan resistensi bakteri. Analisis sentimen data Twitter menggunakan query "antibiotik" dapat membantu mengungkap opini publik. Penelitian ini bertujuan untuk menerapkan algoritma Support Vector Machine (SVM) dengan kernel linear, RBF, dan polynomial, menggabungkan berbagai metode seperti pelabelan dengan RoBERTa, pelatihan dengan 5 cross validation, dan tokenizing bigram. Tiga skenario digunakan dalam penelitian ini dan yang menghasilkan nilai akurasi tertinggi yaitu skenario ketiga yang menggunakan slangword dari ramaprakoso dan stopword dari sastrawi sebagai refrensi library untuk filtering, nilai setiap kernel: akurasi 99,88%, presisi 99,88%, recall 99,88%, dan f1 score 99,88%. Metode SMOTE juga mempengaruhi hasil ini. Dari hasil pengujian, dapat disimpulkan bahwa SVM efektif untuk analisis sentimen.
Metode SVM dan Naive Bayes untuk Analisis Sentimen ChatGPT di Twitter Atmajaya, Dedy; Febrianti, Annisa; Darwis, Herdianti
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3341

Abstract

Pertumbuhan pesat platform media sosial telah memberikan jalur baru bagi individu untuk mengungkapkan pendapat dan sentimen mereka. Analisis sentimen dari konten yang dibuat oleh pengguna di platform seperti Twitter menjadi semakin penting dalam memahami opini publik dan tren sosial. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning, Support Vector Machine (SVM) dan Naive Bayes, dalam menganalisis sentimen pengguna Twitter mengenai ChatGPT, sebuah model bahasa canggih. Sentimen akan diberi label menggunakan dua alat analisis sentimen yang terkenal, Vader dan Roberta. Penelitian ini menggunakan data Twitter sebanyak 1000 dataset yang terkait dengan ChatGPT dan mengevaluasi akurasi, presisi, dan recall dari model SVM dan Naive Bayes. Hasil penelitian ini menunjukkan perbedaan yang jelas dalam kinerja model: SVM yang digabungkan dengan Vader mencapai tingkat akurasi, presisi, dan recall sebesar 59%, dengan F1-score sebesar 55%. Secara signifikan lebih unggul dibandingkan dengan model sebaliknya, dimana SVM dengan label RoBERTa menghasilkan akurasi sebesar 55%, presisi sebesar 58%, recall sebesar 55%, dan F1-score sebesar 52%. Naive Bayes menunjukkan kinerja yang relatif lebih rendah. Dengan menggunakan Vader, Naïve Bayes mencapai tingkat akurasi dan recall sebesar 47%, presisi sebesar 46%, dan F1-score yang lebih rendah sebesar 32%. Sedangkan, menggunakan RoBERTa dengan Naive Bayes menunjukkan penurunan akurasi menjadi 43%, recall sebesar 43%, presisi sebesar 18%, dan F1-score sebesar 26%. Pengendalian SVM dinilai memiliki kinerja yang lebih unggul dalam mengolah analisis sentimen pengguna Twitter mengenai opini tentang ChatGPT.
Klasifikasi Daun Herbal Menggunakan Metode CNN dan Naïve Bayes dengan Fitur GLCM Adela Regita Azzahra; Purnawansyah; Darwis, Herdianti; Widyawati, Dewi
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3362

Abstract

Tanaman herbal menunjukkan variasi berbagai ukuran dan bentuk yang berbeda untuk setiap jenis. Penelitian ini bertujuan untuk mengklasifikasikan citra daun dari daun katuk (Sauropus Androgynus) dan daun kelor (Moringa). Dalam penelitian ini digunakan Gray Level Co-Occurrence Matrix (GLCM) untuk mengektraksi fitur contrast, correlation, homogeneity, dissimilarity, dan Angular Second Moment (ASM). Adapun pada klasifikasi diterapkan metode Convolutional Neural Network (CNN) dan Naïve Bayes dengan kernel Gaussian, multinomial, dan Bernoulli. Jumlah citra yang digunakan dalam riset ini adalah 480 citra, dengan perincian 80% untuk data training dan 20% sebagai data testing. Berdasarkan hasil pengujian dan perbandingan yang telah dilakukan didapatkan kesimpulan bahwa penerapan metode CNN tanpa ekstraksi fitur terbukti lebih efisien dalam proses klasifikasi citra daun herbal, dengan nilai precision, recall, f1-score dan accuracy mencapai 98% pada situasi cahaya terang.
Fourier Descriptor on Lontara Scripts Handwriting Recognition Umar, Fitriyani; Darwis, Herdianti; Purnawansyah, Purnawansyah
ILKOM Jurnal Ilmiah Vol 15, No 1 (2023)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v15i1.1040.193-200

Abstract

Hal yang kritis dalam proses pengenalan pola adalah ekstraksi fitur. Merupakan suatu metode untuk mendapatkan ciri-ciri suatu citra (image) sehingga dapat dikenali satu sama lain. Pada penelitian ini, metode deskriptor Fourier digunakan untuk mengekstraksi pola aksara Lontara yang terdiri dari 23 huruf. Deskriptor Fourier adalah metode yang digunakan dalam pengenalan objek dan pemrosesan citra untuk merepresentasikan bentuk batas segmen citra. Pengenalan karakter dilakukan dengan menggunakan jarak Euclidean dan Manhattan. Hasil pengujian menunjukkan bahwa tingkat pengenalan tertinggi mencapai akurasi 91,30% dengan menggunakan koefisien Fourier sebesar 50. Pengenalan huruf menggunakan Manhattan dan Euclidean cenderung sama atau menghasilkan akurasi yang cenderung serupa. Akurasi tertinggi dicapai saat menggunakan Manhattan sebesar 91,30%.
Comparative Study of Herbal Leaves Classification using Hybrid of GLCM-SVM and GLCM-CNN Purnawansyah, Purnawansyah; Wibawa, Aji Prasetya; Widyaningtyas, Triyanna; Haviluddin, Haviluddin; Hasihi, Cholisah Erman; Teng, Ming Foey; Darwis, Herdianti
ILKOM Jurnal Ilmiah Vol 15, No 2 (2023)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v15i2.1759.382-389

Abstract

Indonesia is a tropical country with a diverse range of plants that ancient people used for traditional medicines. However, the similarity in shape of the leaves became an obstacle to distinguishing them. Therefore, technological advancements are expected to help identify the herbal leaves to use them right on target according to their efficacy. In this research, image classification of katuk (Sauropus Androgynus) and kelor (Moringa Oleifera) leaves is applied using 3 different algorithms i.e hybrid of Gray Level Co-Occurrence Matrix (GLCM) feature extraction and Support Vector Machine (SVM) implementing 4 kernels namely linear, RBF, polynomial, and sigmoid; hybrid of GLCM and Convolutional Neural Network (CNN); and pure CNN. A dataset of 480 images has been collected with 2 different scenarios, including bright and dark intensities. Based on the result, a hybrid of GLCM and SVM showed the highest accuracy of 96% in the dark intensity test using a linear kernel, while sigmoid obtained the lowest accuracy of 35%. On the other hand, it has been discovered that CNN obtained the highest performance in the bright intensity test with an accuracy of 98%. While in the dark intensity test, a hybrid of GLCM and CNN is superior, obtaining 96% accuracy. In conclusion, CNN is more powerful for image classification with bright intensity. For dark intensity images, both the hybrid of GLCM+SVM (linear) and the hybrid of GLCM+CNN are fairly recommended.