Article Per Year (5 Year)
p-Index From 2021 - 2026
3.795
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Edulib JOIN (Jurnal Online Informatika) Sistemasi: Jurnal Sistem Informasi Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal Penelitian Pendidikan IPA (JPPIPA) Technomedia Journal Astonjadro J-SAKTI (Jurnal Sains Komputer dan Informatika) Building of Informatics, Technology and Science Jurnal Teknik Informatika (JUTIF) J-SAKTI (Jurnal Sains Komputer dan Informatika) Journal Of World Science International Journal Of Science Education and Technology Management (IJSETM) The Indonesian Journal of Computer Science
Christina Juliane, Christina
STEI-Institut Teknologi Bandung
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Physics Social Sciences

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : The Indonesian Journal of Computer Science

 1 
Analisis Sentimen Putusan Mahkamah Konstitusi terhadap Batas Usia Capres dan Cawapres Menggunakan IndoBERT Septian, Luffi; Aljauza, Teguh; Juliane, Christina
The Indonesian Journal of Computer Science Vol. 12 No. 6 (2023): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i6.3614

Abstract

Putusan Mahkamah Konstitusi nomor 90/PUU-XXI/2023 tentang batas usia calon presiden dan wakil presiden telah memicu perbincangan masyarakat. Hal ini ditandai dengan kata kunci ‘Putusan MK” pada media sosial Twitter/X menduduki peringkat tiga trending topik Nasional selama pertengahan bulan Oktober. Putusan tersebut dinilai kontroversial karena berkaitan dengan momentum Pemilihan Presiden 2024. Peneliti tertarik untuk memanfaatkan data dari media sosial twitter/X dalam menganalisis respon masyarakat terhadap Putusan Mahkamah Konstitusi dengan cara mengklasifikasikan respon tersebut ke dalam sentimen. Model yang digunakan dalam penelitian ini adalah IndoBERT, sebuah arsitektur transformer BERT yang dikembangkan oleh tim IndoNLU. Metode ini dipilih berdasarkan efektivitasnya dalam memproses teks berbahasa Indonesia untuk mengidentifikasi dan mengategorikan opini publik menjadi positif, negatif, atau netral terkait dengan keputusan Mahkamah Konstitusi. Hasil awal menunjukkan model IndoBERT tanpa augmentasi data mencapai akurasi 0.81 dan F1 skor 0.58. Selanjutnya, penggunaan teknik Synthetic Minority Over-sampling Technique (SMOTE) meningkatkan F1 skor namun tidak berdampak signifikan pada akurasi. Eksperimen selanjutnya dengan augmentasi random swap, menghasilkan peningkatan performa yang substansial, dimana model IndoBERT mencapai akurasi dan F1 skor sama-sama pada angka 0.90.
Optimalisasi Metode Naive Bayes Classifier Untuk Prediksi Persetujuan Kredit Syakur, Achmad; Purwandi Putra, Rendri; Juliane, Christina
The Indonesian Journal of Computer Science Vol. 13 No. 1 (2024): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i1.3622

Abstract

Kredit adalah bentuk pembiayaan yang banyak orang ajukan ke bank atau perusahaan penyedia kredit. Dalam proses pengajuan kredit, dilakukan analisis untuk menentukan apakah kredit yang diajukan layak atau tidak. Penelitian ini bertujuan untuk membantu bank atau perusahaan penyedia kredit dalam melakukan persetujuan kredit dengan efektif dan akurat dalam menentukan status pengajuan. Penelitian ini menggunakan teknik data mining dan kumpulan dataset yang berasal dari kaggle.com. Terdapat 12 atribut dan 2 kelas yang digunakan dalam penelitian ini. Dalam penelitian ini, metode klasifikasi Naive Bayes dan optimasi kelompok partikel (PSO) digunakan. Prediksi persetujuan kredit dengan metode naïve bayes classifier menghasilkan nilai akurasi sebesar 80,00% dengan nilai AUC 0,884. Sebaliknya, prediksi persetujuan kredit dengan metode particle swarm optimization (PSO) menghasilkan nilai akurasi sebesar 96,67% dengan nilai AUC 0,69.
Co-Authors AA Sudharmawan, AA Adjani, Kannisa Aji, Tri Wahyu ALAM Alana, Divi Adiffia Freza Alfian, Iqbal Amirulloh, Moch Mumin Anwari, Hidayat Azhar, Rizaldi Bani Riyan, Ade Damayunita, Aina Ernawan Fathah, Adittia Fauzia, Fathia Alisha Fikri Rifai, Mochamad Geo Ginantaka, Prafangasta Hadi Winarto, Hadi Haryanto Haryanto Hermawan, Sari Hikmawati, Nina Kurnia Imron Rosyadi, Iim Indra Gunawan, Gun Gun Irawan Irawan Karsa, Koko Kurniawan, Debby Lesmana, Agrian Dwi Luffi Septian Marlia, Sari Mutia, Acep Sandi NG, Wijaya Nugraha, Anwar Nurhadits, Fitri Nurwijayanti Pascalina, Donna Prasakti, Lukito Angga Pratama, Denni Purwandi Putra, Rendri Ridian Gusdiana Rifqi Syamsul Fuadi Saepulloh, Yusep Setiawan, Kiki SRI RAHAYU Sudartha, Doddi Sukma, Robby Surahman, Adi Syakur, Achmad Teguh Aljauza Widhiastono, Raymondhus Yayan Sopyan Yosep Bustomi