Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal IJIIS: International Journal of Informatics and Information Systems Jurnal Pendidikan dan Teknologi Indonesia
Turino, Turino
Unknown Affiliation
Computer Science & IT Education Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Optimasi Logistic Regression dan Random Forest untuk Deteksi Berita Hoax Berbasis TF-IDF Wahid, Arif Mu'amar; Turino, Turino; Nugroho, Khabib Adi; Maharani, Titi Safitri; Darmono, Darmono; Utomo, Fandy Setyo
Jurnal Pendidikan dan Teknologi Indonesia Vol 4 No 8 (2024): JPTI - Agustus 2024
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.602

Abstract

Penyebaran berita hoax di era digital menjadi tantangan serius yang memerlukan solusi berbasis teknologi untuk mengidentifikasi dan meminimalkan dampaknya. Penelitian ini bertujuan untuk mengevaluasi performa Logistic Regression (LR) dan Random Forest (RF) dalam mendeteksi berita hoax menggunakan representasi teks berbasis Term Frequency-Inverse Document Frequency (TF-IDF). Hyperparameter tuning diterapkan pada kedua algoritma untuk meningkatkan akurasi, precision, recall, dan F1-score. Dataset yang digunakan terdiri dari berita hoax dan valid dalam bahasa Indonesia, yang telah melalui tahapan preprocessing, termasuk pembersihan teks, penghapusan stopwords, dan stemming. Hasil evaluasi menunjukkan bahwa Logistic Regression, setelah tuning, mencapai akurasi sebesar 95.20%, precision 95.71%, recall 94.48%, dan F1-score 95.09%. Random Forest menunjukkan akurasi sebesar 92.39%, precision 94.39%, recall 89.87%, dan F1-score 92.08%. Logistic Regression unggul dalam keseimbangan antara precision dan recall, sementara Random Forest menunjukkan kekuatan pada precision dengan kemampuan menangani pola data yang lebih kompleks. Teknik TF-IDF terbukti efektif dalam memberikan bobot pada kata-kata yang relevan, membantu algoritma klasifikasi dalam mengenali pola dalam data teks. Penelitian ini juga memiliki dampak praktis dalam memberikan fondasi bagi pengembangan sistem deteksi hoax yang dapat digunakan di aplikasi berbasis NLP, baik untuk kebutuhan akademis maupun implementasi di industri. Penelitian ini berkontribusi pada pengembangan sistem deteksi hoax berbasis Natural Language Processing (NLP), khususnya untuk bahasa Indonesia. Untuk pengembangan lebih lanjut, disarankan memperluas dataset dengan sumber berita yang lebih beragam dan mengeksplorasi algoritma berbasis deep learning seperti LSTM atau Transformer. Secara ilmiah, penelitian ini memberikan kontribusi penting dengan menguji efektivitas hyperparameter tuning dalam meningkatkan akurasi model deteksi hoax. Hasil penelitian ini diharapkan dapat menjadi acuan dalam membangun sistem deteksi hoax yang lebih akurat dan andal.
Penerapan Model Ensemble Learning dengan Random Forest dan Multi-Layer Perceptron untuk Prediksi Gempa Turino, Turino; Saputro, Rujianto Eko; Karyono, Giat
Jurnal Pendidikan dan Teknologi Indonesia Vol 5 No 2 (2025): JPTI - Februari 2025
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.667

Abstract

Penelitian ini mengusulkan model hybrid yang menggabungkan metode Random Forest (RF) dan Multi-Layer Perceptron (MLPRegressor) untuk memprediksi magnitudo gempa bumi. Model ini bertujuan untuk meningkatkan akurasi prediksi dengan memanfaatkan kekuatan kedua algoritma tersebut, yang masing-masing memiliki keunggulan dalam menangani hubungan non-linier dan mengenali pola kompleks dalam data seismik. Evaluasi model menggunakan tiga metrik utama, yaitu Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan R-squared (R²). Hasil evaluasi menunjukkan bahwa model hibrida ini mampu memprediksi magnitudo gempa dengan akurasi yang cukup baik, dengan MAE sebesar 0,0738, RMSE 0,1078, dan R² 0,4204. Penerapan praktis dari model ini sangat relevan untuk sistem peringatan dini gempa bumi yang dapat membantu masyarakat untuk mengambil langkah-langkah pencegahan, seperti evakuasi dan penguatan infrastruktur di wilayah yang berisiko tinggi. Penelitian ini juga membuka peluang untuk mengembangkan model lebih lanjut dengan memperkenalkan data seismik real-time, algoritma pembelajaran mesin yang lebih canggih, dan penggunaan data geofisik serta pengamatan satelit untuk meningkatkan akurasi prediksi gempa bumi di masa depan. Dengan terus melakukan inovasi, ada potensi untuk mengembangkan sistem prediksi gempa bumi yang lebih akurat dan dapat diandalkan, yang pada akhirnya dapat meningkatkan kesiapsiagaan dan ketahanan terhadap bencana alam.
An Efficient Sampling Approach for Village Elections: Quick Count Using Stratified Systematic Cluster Sampling Nugroho, Khabib Adi; Turino, Turino
International Journal of Informatics and Information Systems Vol 8, No 1: January 2025
Publisher : International Journal of Informatics and Information Systems

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47738/ijiis.v8i1.245

Abstract

Quick counts are widely used to estimate election outcomes before official results are announced. However, their accuracy depends on the quality of the sampling method used. This study applies the Stratified Systematic Cluster Random Sampling method in the 2019 village head election in Panembangan Village, Indonesia, to provide an efficient and statistically sound quick count process suitable for rural contexts with limited resources. The method integrates stratification (dividing voters by hamlet), clustering (grouping by polling stations), and systematic sampling (selecting polling stations at fixed intervals). Out of 10 polling stations, 5 were systematically selected after stratification. All valid votes from these polling stations were used for estimation. The results show that candidate Untung Sanyoto received 59.16% of the vote, while his opponent received 40.84%. The margin of error was ±0.69% at a 95% confidence level, and the estimates closely matched the official election results, demonstrating the method’s reliability. This study shows that combining statistical rigor with practical sampling strategies can produce fast, accurate, and cost-effective results. It provides a scalable model for local elections, especially in regions facing geographic or logistical challenges, and contributes to the development of transparent and trustworthy democratic practices.
Co-Authors Darmono Fandy Setyo Utomo Giat Karyono Maharani, Titi Safitri Nugroho, Khabib Adi Rujianto Eko Saputro Wahid, Arif Mu'amar