Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : JCOSIS (Journal Computer Science and Information Systems)

Integrasi Transfer Learning pada Inception v3 untuk Identifikasi Otomatis Jenis Buah Tropis Fitri purwaningtias
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 2 (2025): Oktober
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i2.256

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem identifikasi otomatis jenis buah tropis berbasis citra digital menggunakan model Inception v3 dengan pendekatan transfer learning. Dataset terdiri dari 12 jenis buah tropis dengan total 18.600 citra yang telah melalui proses augmentasi. Model dilatih menggunakan optimizer Adam dengan teknik fine-tuning terbatas untuk meningkatkan kemampuan generalisasi. Hasil pengujian menunjukkan bahwa model Inception v3 mampu mencapai akurasi sebesar 98,9% dan F1-score sebesar 99,1%, yang mengungguli model CNN konvensional dan ResNet50. Kinerja tinggi ini didukung oleh kombinasi strategi augmentasi data, dropout layer, dan optimasi parameter yang efektif dalam mencegah overfitting. Berdasarkan hasil tersebut, model Inception v3 terbukti mampu mengenali berbagai jenis buah tropis dengan presisi tinggi dan berpotensi diimplementasikan dalam sistem klasifikasi otomatis di sektor pertanian berbasis visi komputer.
Deteksi Berita Hoaks Menggunakan Model Random Forest Natural Language Processing Fitri purwaningtias
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 1 (2025): Mei
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i1.228

Abstract

Abstrak. Tujuan : Berita hoaks sering kali dibuat dengan tujuan tertentu, seperti manipulasi politik, penipuan finansial, atau sekadar menyebarkan ketakutan di kalangan masyarakat. Oleh karena itu, diperlukan metode yang efektif untuk mendeteksi dan mengklasifikasikan berita yang valid dan yang bersifat hoaks. Metode/Design/Pendekatan: Natural Language Processing (NLP) telah menjadi salah satu solusi yang banyak digunakan dalam mendeteksi berita hoaks dengan menganalisis pola bahasa yang terkandung dalam teks. Berbagai teknik NLP seperti tokenisasi, stemming, analisis sentimen, dan word embeddings dapat membantu dalam memahami karakteristik linguistik dari berita hoaks. Selain itu, model pembelajaran mesin seperti Random Forest juga dapat digunakan untuk mengklasifikasikan berita berdasarkan fitur-fitur yang diekstrak dari teks. Hasil/Temuan: Berdsarkan masalah penelitian yang telah dibahas pada penelitian ini yaitu berita hoaks sering kali dibuat dengan tujuan tertentu, seperti manipulasi politik, penipuan finansial, atau sekadar menyebarkan ketakutan di kalangan Masyarakat. Maka dibutuhkannya analisis deteksi berita hoaks yang beredar pada media sosial dimana pada penelitian ini model deteksi berita hoaks menggunakan Random Forest dan teknik NLP (TF-IDF) menunjukkan performa yang tinggi dengan akurasi di atas 90%. Model ini mampu membedakan berita hoaks dan valid secara efektif dan dapat dijadikan dasar untuk pengembangan sistem deteksi otomatis di platform berita atau media sosial. Kebaharuan/Originalitas/Nilai: Menggunakan model Random Forest pada Natural Language Processing untuk mendeteksi berita hoaks yang beredar pada media social, dengan menggunakan data public.