Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Indonesian Journal Computer Science (ijcs)

Pengembangan Model Klasterisasi Topik Hadis Bukhari Muslim Menggunakan BERT dengan Penambahan Fitur Semantik Asy'ari, Ahmad Hasyim; Hanafi, Muhammad
Indonesian Journal Computer Science Vol. 4 No. 2 (2025): Oktober 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v4i2.8931

Abstract

Klastering hadis merupakan tugas penting dalam studi Islam, mengingat sifat korpus hadis yang luas dan kompleks. Pendekatan pengelompokan tradisional sering kali kesulitan untuk menangkap konteks semantik yang mendalam dalam hadis, yang menyebabkan pengelompokan topik menjadi kurang akurat. Kemajuan terkini dalam Natural Language Processing (NLP), seperti model Bidirectional Encoder Representations from Transformers (BERT), telah menunjukkan hasil yang menjanjikan dalam mengatasi tantangan ini dengan menyediakan penyematan kontekstual yang kaya. Namun, penggunaan BERT secara tunggal dapat mengabaikan fitur linguistik yang penting, yang berpotensi membatasi kinerja pengelompokan. Studi ini mengusulkan model pengelompokan yang disempurnakan untuk koleksi hadis Sahih Bukhari dan Sahih Muslim, yang mengintegrasikan penyematan BERT dengan fitur semantik tambahan, termasuk panjang teks, Term Frequency (TF), dan Inverse Document Frequency (IDF). Dengan menggunakan kerangka BERTopic, pendekatan ini menangkap hubungan yang bernuansa antara hadis, yang memberikan hasil pengelompokan yang lebih akurat secara kontekstual. Eksperimen menunjukkan bahwa metode terintegrasi ini secara signifikan meningkatkan kinerja pengelompokan, seperti yang ditunjukkan oleh silhouette score dengan nilai -0.1 dan davies-bouldin index 2.6. Sedangkan tanpa terintegrasi menunjukkan nilai rendah dengan silhouette score dengan nilai -0.145 dan davies-bouldin index 6.6.  Sehingga pengembangan ini menawarkan metode yang lebih tepat untuk pengelompokan topik dalam studi Islam, yang memfasilitasi organisasi dan pemahaman yang lebih baik tentang teks hadis.
Optimasi Deteksi Penipuan Kartu Kredit Menggunakan Regresi Logistik dengan Particle Swarm Optimization Lopes, David Dos Santos Pinto; Hanafi , Muhammad; Nugraha, Icha Nura
Indonesian Journal Computer Science Vol. 4 No. 2 (2025): Oktober 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v4i2.8984

Abstract

Meningkatnya prevalensi transaksi digital telah menyebabkan lonjakan penipuan kartu kredit, yang memerlukan metode deteksi canggih yang menyeimbangkan akurasi dan efisiensi komputasi. Studi penelitian mengusulkan sistem deteksi penipuan yang dioptimalkan menggunakan Logistic Regression (LR) dengan Particle Swarm Optimization (PSO). Peran untuk mengatasi tantangan ketidakseimbangan kelas dan data berdimensi tinggi, kerangka kerja tersebut menggabungkan Teknik Oversampling Minoritas Sintetis (SMOTE) untuk penyeimbangan data, RobustScaler untuk normalisasi yang tahan terhadap outlier, dan Analisis Komponen Utama (PCA) untuk pengurangan dimensionalitas. Algoritma PSO mengoptimalkan parameter LR (C), meningkatkan generalisasi model dan kinerja deteksi. Eksperimen dilakukan pada kumpulan data Credit Card yang berisi 284.807 transaksi, dengan kasus penipuan hanya mewakili 0,172% dari data ketidakseimbangan kelas yang parah. Model yang diusulkan mencapai akurasi 97,47%, presisi 99,82%, recall 89% (kelas penipuan), dan skor ROC-AUC 0,97, yang menunjukkan kinerja yang unggul dalam membedakan transaksi penipuan. Matriks kebingungan mengungkapkan 110 positif benar (deteksi penipuan yang benar) dengan hanya 13 negatif palsu, yang menunjukkan identifikasi penipuan yang kuat sekaligus meminimalkan alarm palsu. Analisis komparatif di berbagai pemisahan pengujian mengonfirmasi konsistensi model, dengan F1-Score secara konsisten di atas 98,5%. Hasil tersebut menyoroti efektivitas penyetelan hiperparameter berbasis PSO dalam meningkatkan kinerja LR, khususnya dalam kumpulan data yang tidak seimbang. Integrasi SMOTE dan PCA memastikan efisiensi komputasi tanpa mengorbankan kemampuan deteksi. Pendekatan memberi solusi yang dapat diskalakan dan presisi tinggi untuk deteksi penipuan waktu nyata, mengurangi kerugian finansial sekaligus mempertahankan efisiensi operasional.