Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal PINTER : Jurnal Pendidikan Teknik Informatika dan Komputer JURNAL INSTEK (Informatika Sains dan Teknologi)
Khairul Hudha Nasution
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Library & Information Science

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

Found 2 Documents
Search

 1 
SISTEM DETEKSI TOPIK POLITIK PADA TWITTER MENGGUNAKAN ALGORITMA LATENT DIRICHLET ALLOCATION Khairul Hudha Nasution; Widodo; Bambang Prasetya Adhi
PINTER : Jurnal Pendidikan Teknik Informatika dan Komputer Vol. 5 No. 1 (2021): Jurnal PINTER
Publisher : PTIK Fakultas Teknik UNJ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21009/pinter.5.1.10

Abstract

Tahun 2019 Indonesia melaksanakan tahun politik, banyak terjadi peristiwa politik yang membuat masyarakat Indonesia menyikapi dengan berbagai macam tanggapan dari berbagai banyak tanggapan tersebut beberapa dituliskan dalam media sosial Twitter dan data tersebut dapat diolah untuk menggambarkan bagaimana pendapat masyarakat akan suatu kejadian politik. Penelitian ini bertujuan untuk mendapatkan analisis dari implementasi algoritma LDA untuk menentukan topik politik pada Twitter. Metode yang digunakan adalah dengan algoritma LDA yang digunakan untuk menghitung kemungkinan topik yang ada untuk setiap tweet-nya, LDA merupakan model probabilistik yang dapat menggambarkan topik tanpa perlu melakukan proses klasifikasi sebelumnya, sistem akan otomatis mendeteksi topik-topik yang ada. Hasil penelitian dengan pengujian 3 kali dengan jumlah data masing-masing 100, 1000 dan 6000 dengan menggunakan setingan LDA bawaan dari library Genism dan jumlah topik 10 menghasilkan rata-rata nilai kebenaran 90%. Sehingga dapat disimpulkan bahwa LDA dapat digunakan dan memiliki nilai kebenaran yang tinggi dalam mendeteksi topik politik pada Twitter.
KLASIFIKASI TINGKAT PEMROSESAN MAKANAN BERBASIS TEKS KOMPOSISI MENGGUNAKAN STRATEGI WEIGHTED ENSEMBLE LARGE LANGUAGE MODELS Khairul Hudha Nasution; Indra Budi
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.64305

Abstract

Klasifikasi tingkat pemrosesan makanan merupakan langkah krusial dalam mitigasi risiko kesehatan global akibat konsumsi makanan ultra-proses. Meskipun label komposisi tersedia pada kemasan, penulisan yang kecil, tidak terstruktur, typo serta terminologi kimia yang kompleks memiliki kecenderungan menyulitkan penilaian manual oleh konsumen. Pemanfaatan Large Language Models (LLM) menawarkan potensi efisiensi deteksi otomatis, namun mengandalkan satu arsitektur model tunggal memiliki risiko tinggi akibat variabilitas performa. Penelitian ini bertujuan untuk mengevaluasi efektivitas strategi Weighted Ensemble Learning dibandingkan model tunggal dalam memprediksi skor pemrosesan makanan (FPro) pada dataset GroceryDB. Eksperimen dilakukan menggunakan lima arsitektur LLM dengan skala parameter kecil hingga sedang (Gemma-3-4B, Llama-3.2-3B, Qwen3-4B, R1-Distill-1.5B, dan Phi-2) melalui pendekatan Weighted Voting berbasis kinerja historis. Hasil evaluasi menunjukkan adanya disparitas ekstrem pada kinerja model tunggal, di mana model berkapasitas rendah (Phi-2) mengalami kegagalan penalaran dengan F1-score hanya 10%, sementara model dengan kemampuan instruksi tinggi (Gemma) mencapai 68%. Penerapan strategi Ensemble berhasil memitigasi kelemahan model individual melalui mekanisme koreksi silang, meningkatkan akurasi F1-score menjadi 70% dan menghasilkan prediksi yang lebih stabil serta robust dibandingkan jika hanya mengandalkan satu model terbaik sekalipun.
Co-Authors Adhi, Bambang Prasetya Indra Budi Widodo