Claim Missing Document
Check
Articles

Found 3 Documents
Search

KLASTERISASI GENRE CERPEN KOMPAS MENGGUNAKAN AGGLOMERATIVE HIERARCHICAL CLUSTERING- SINGLE LINKAGE Zenal Arifin; Stefanus Santosa; M. Arief Soeleman
Jurnal Teknologi Informasi - Cyberku (JTIC) Vol 13 No 2 (2017): Jurnal Teknologi Informasi CyberKU Vol. 13, no 2
Publisher : Program Pascasarjana Magister Teknik Informatika, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (356.675 KB)

Abstract

Teks merupakan sarana interaksi dalam semua media komunikasi tulisan. Oleh karena peningkatan ukuran dan jenisnya yang sangat cepat, maka proses analisis data teks menjadi sesuatu yang bermakna sangatlah penting. Penggalian teks telah menjadi teknologi yang penting terutama dalam pengolahan dokumen cerpen. Pembaca cerpen saat ini kesulitan untuk memperoleh cerpen yang diinginkan jika cerpen tersebut tidak terkelompok dengan baik. Jika pengelompokan dilakukan secara manual membutuhkan waktu yang sangat lama. Oleh sebab itu, clustering menjadi solusi untuk mengatasi masalah tersebut. Clustering cerpen berfungsi untuk mengelompokkan dokumen cerpen berdasarkan tingkat kemiripan dari dokumen cerpen tersebut. Penelitian ini mengusulkan suatu model klasterisasi berbasis metode Hierarchical Clustering, khususnya Single Linkage Clustering. Metode Hierarchical Aggomerative Clustering terbukti memiliki performansi yang lebih baik daripada pendekatan penelitian sebelumnya yang menggunakan k-Means. Dari 127 dataset cerpen yang telah diujicobakan didapatkan nilai akurasi dari metode Agglomerative Hierarchical Clustering Single Linkage 47,2441 %, sedangkan metode k-Means hanya 37,7953 %.
Latent Semantic Analysis (LSA) Dengan Metode Support Vector Machine (SVM) dan Algoritma Naïve Bayes Pada Identifikasi Berita Palsu Dito, Aliffia Putri; Pulung Nurtantio Andono; M. Arief Soeleman
Journal Scientific of Mandalika (JSM) e-ISSN 2745-5955 | p-ISSN 2809-0543 Vol. 6 No. 10 (2025)
Publisher : Institut Penelitian dan Pengembangan Mandalika Indonesia (IP2MI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36312/10.36312/vol6iss10pp3837-3850

Abstract

Berita palsu atau disebut hoax banyak beredar di masyarakat. Penyebaran berita palsu dapat mudah menyerap masyarakat terlebih melalui media sosial. informasi yang tersebar melalui platform media sosial sangat mudah terserap bagi masyarakat. Para pengguna media sosial biasanya menjadi pembuat konten dengan jumlah penyebaran informasi yang cukup luas, dan memungkinkan adanya misinformasi yang tidak dapat diabaikan. Kredibilitas dari sumber informasi tersebut juga sangat penting untuk menghindari resiko mengkonsumsi berita palsu. Menurut data statistik yang diterbitkan oleh Stanford University academics, sebanyak 72,3 persen berita palsu berasal dari outlet berita sosial dan platform media sosial online. Identifikasi dalam berita palsu tersebut semakin meningkat penggunaannya namun pemeriksaan fakta dalam banyak kasus cukup sulit, memakan waktu dan memerlukan biaya yang besar. Penelitian ini dilakukan dengan menggunakan latent semantic analysis dengan metode support vector machine dan algoritma naïve bayes dalam identifikasi berita palsu. Hasil pengujian ini menghasilkan nilai akurasi sebesar 82,28% dengan metode support vector machine dan 81,39% pada algoritma naïve bayes.
Optimasi Hyperparameter Convolutional Neural Network untuk Klasifikasi Jenis Penyakit Daun Jagung menggunakan CLAHE Al-Fatih, Gilang Fajar; Pulung Nurtantio Andono; M. Arief Soeleman
Tech-E Vol. 9 No. 1 (2025): The Tech-E Journal Vol. 9 No. 1 publishes research papers in such informatics:
Publisher : Fakultas Sains dan Teknologi-Universitas Buddhi Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31253/te.v9i1.3541

Abstract

Corn plays an important role as one of the main food sources in Indonesia and around the world. Diseases in corn plants are often visible through their leaves. However, problems arise when farmers have difficulty detecting diseases that attack corn plants, making it difficult to take appropriate action to control them. Diseases in corn plants can lead to reduced photosynthesis, disrupt agricultural productivity, and cause financial losses for farmers. Therefore, a digital approach that can detect various types of diseases in corn plants is highly needed. In recent years, the emergence of machine learning algorithms has provided support systems for classifying corn leaf diseases. This research aims to classify types of corn leaf diseases using the Optimization of Convolutional Neural Network (CNN) Method for Classifying Types of Corn Leaf Diseases Using Contrast Limited Adaptive Histogram Equalization (CLAHE). The research stages include data collection, image enhancement with CLAHE, data augmentation, data preprocessing, classification, and evaluation. The Optimization of the CNN Method for Classifying Types of Corn Leaf Diseases Using CLAHE resulted in an accuracy of 94%, indicating that this experiment is capable of classifying corn leaf diseases effectively.