Garuda - Garba Rujukan Digital

Klasifikasi Buah dan Sayuran Multi-Label Menggunakan CNN: Mengatasi Class Imbalance dengan Focal Loss Syafarina, Gita Ayu; Purnomo, Indu Indah; Hasbi, Muhammad
Computer Science and Information Technology Vol 6 No 3 (2025): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v6i3.10116

Investigates the effectiveness of Focal Loss as a solution to the problem of class imbalance in multi-label fruit and vegetable classification tasks. Using a ResNet50-based Convolutional Neural Network (CNN) architecture, two models were trained and evaluated: one using Focal Loss and another using Binary Cross-Entropy (BCE) Loss as a baseline. To address the availability of multi-label datasets, a synthetic multi-label dataset was created by combining images from existing single-label datasets. Experimental results show that the model trained with Focal Loss achieved an accuracy of 0.9390 and an F1-score of 0.9863, outperforming the BCE Loss model which only reached an accuracy of 0.8850 and an F1-score of 0.9718. The comparative analysis indicates that Focal Loss, with its ability to focus the training process on difficult examples, effectively addresses class imbalance and produces superior performance. This study concludes that Focal Loss is an effective tool for multi-label classification tasks and highlights the existing limitations, including the synthetic nature of the dataset and the limited training duration, which underscore the need for further research

Perbandingan Tree-Based Ensemble (Random Forest, XGBoost, LightGBM) dan Deep Learning untuk Prediksi Klik Iklan Online Syafarina, Gita Ayu; Amin, Muhammad; Zaenuddin, Zaenuddin
Technologia : Jurnal Ilmiah Vol 17, No 1 (2026): Technologia (Januari)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v17i1.21627

Implementasi dan evaluasi komparatif model tree-based ensemble (Random Forest, XGBoost, LightGBM) dan model deep learning (Multi-Layer Perceptron (MLP), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN-LSTM)) untuk prediksi klik iklan online. Tujuan utama adalah untuk mengidentifikasi model yang paling efektif dalam menangani data tabular yang tidak seimbang. Metodologi penelitian mencakup pra-pemrosesan data yang komprehensif, termasuk penanganan nilai yang hilang dan penyeimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model-model dilatih pada dataset iklan online dan dievaluasi menggunakan metrik Akurasi, Presisi, Recall, F1-Score, dan Area Under the Curve (AUC). Hasil menunjukkan bahwa model tree-based ensemble secara konsisten memberikan kinerja yang lebih seimbang dan kemampuan diskriminatif yang lebih tinggi (AUC), dengan XGBoost mencapai AUC tertinggi (0.7513) dan LightGBM menunjukkan Akurasi (0.7020) serta F1-Score (0.7791) yang kompetitif. Meskipun model deep learning mencapai Recall dan F1-Score yang tinggi, nilai AUC mereka secara signifikan lebih rendah, menyoroti tantangan adaptasi arsitektur deep learning untuk data tabular murni. Penelitian ini menegaskan keunggulan model tree-based ensemble untuk prediksi klik iklan pada data tabular.

Perbandingan Tree-Based Ensemble (Random Forest, XGBoost, LightGBM) dan Deep Learning untuk Prediksi Klik Iklan Online Gita Ayu Syafarina; Muhammad Amin; Zaenuddin Zaenuddin
Technologia : Jurnal Ilmiah Vol 17 No 1 (2026): Technologia (Januari)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v17i1.21627

Implementasi dan evaluasi komparatif model tree-based ensemble (Random Forest, XGBoost, LightGBM) dan model deep learning (Multi-Layer Perceptron (MLP), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN-LSTM)) untuk prediksi klik iklan online. Tujuan utama adalah untuk mengidentifikasi model yang paling efektif dalam menangani data tabular yang tidak seimbang. Metodologi penelitian mencakup pra-pemrosesan data yang komprehensif, termasuk penanganan nilai yang hilang dan penyeimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model-model dilatih pada dataset iklan online dan dievaluasi menggunakan metrik Akurasi, Presisi, Recall, F1-Score, dan Area Under the Curve (AUC). Hasil menunjukkan bahwa model tree-based ensemble secara konsisten memberikan kinerja yang lebih seimbang dan kemampuan diskriminatif yang lebih tinggi (AUC), dengan XGBoost mencapai AUC tertinggi (0.7513) dan LightGBM menunjukkan Akurasi (0.7020) serta F1-Score (0.7791) yang kompetitif. Meskipun model deep learning mencapai Recall dan F1-Score yang tinggi, nilai AUC mereka secara signifikan lebih rendah, menyoroti tantangan adaptasi arsitektur deep learning untuk data tabular murni. Penelitian ini menegaskan keunggulan model tree-based ensemble untuk prediksi klik iklan pada data tabular.

Prediksi Klik Iklan Online Menggunakan Regresi Logistik: Studi Empiris Tentang Pendekatan Berbasis Data Gita Ayu Syafarina; Zaenuddin Zaenuddin
Technologia : Jurnal Ilmiah Vol 16 No 2 (2025): Technologia (April)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v16i2.15943

Penelitian ini bertujuan untuk mengembangkan model yang mampu memprediksi apakah pengguna akan mengklik iklan online atau tidak. Model prediksi ini diharapkan dapat membantu para pengiklan untuk mengalokasikan anggaran secara lebih efektif. Dalam penelitian ini, algoritma Random Forest digunakan untuk membangun model prediksi. Data yang digunakan meliputi informasi demografi pengguna, perilaku penjelajahan, serta karakteristik iklan. Hasil pengujian menunjukkan bahwa model Random Forest mampu mencapai akurasi sebesar 53% dalam memprediksi klik iklan. Meskipun hasil ini cukup baik, masih terdapat ruang untuk peningkatan. Beberapa kendala yang dihadapi dalam penelitian ini antara lain adalah kompleksitas data, ketidakseimbangan kelas, serta perubahan perilaku pengguna yang dinamis. Untuk penelitian selanjutnya, disarankan untuk mengeksplorasi algoritma lain, melakukan feature engineering yang lebih mendalam, serta mempertimbangkan konteks sosial dan budaya pengguna

Analisis Prediktif Dan Preprocessing Untuk Kualitas Buah Apel Pendekatan Machine Learning Indu Indah Purnomo; Gita Ayu Syafarina
Technologia : Jurnal Ilmiah Vol 15 No 4 (2024): Technologia (Oktober)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v15i4.15945

Peningkatan prediksi kualitas buah apel melalui pendekatan machine learning dan analisis prediktif. Dengan menggunakan dataset yang mencakup berbagai variabel-variabel tersebut mencakup ukuran, berat, kemanisan, garing, juicy, kematangan, keasaman, dan kualitas sebagai variabel target. Penelitian ini berupaya memanfaatkan teknologi machine learning sebagai solusinya. Melalui pengumpulan data yang komprehensif mengenai berbagai karakteristik fisik dan kimia buah apel, serta penerapan berbagai algoritma klasifikasi seperti K-Nearest Neighbors, Random Forest, dan Extra Gradient Boosting, penelitian ini berhasil membangun model prediksi yang efektif. Setelah mengumpulkan dan memproses data yang relevan, berbagai algoritma klasifikasi, termasuk K-Nearest Neighbors, Random Forest, Decision Tree, Extra Trees Classifier, dan Extra Gradient Boosting, telah diterapkan untuk membangun model. Hasil evaluasi menunjukkan bahwa algoritma K-Nearest Neighbors memberikan akurasi tertinggi dalam memprediksi kualitas apel, yaitu 91,375%. Hal ini mengindikasikan bahwa model mampu mengidentifikasi pola yang kuat antara karakteristik fisik dan kimia buah apel dengan kualitasnya. Algoritma ensemble seperti Extra Gradient Boosting dan Extra Trees Classifier juga menunjukkan kinerja yang sangat baik. Nilai AUC yang tinggi menandakan kemampuan model dalam membedakan kelas dengan akurat. Dengan demikian, penelitian ini menjadi landasan untuk pengembangan lebih lanjut dalam memanfaatkan potensi machine learning dalam meningkatkan produktivitas dan kualitas hasil pertanian.

Title

Found 25 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 25 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 25 Documents
Search