Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Bulletin of Computer Science Research Jurnal Impresi Indonesia
Tursina Tursina
Universitas Tanjungpura, Pontianak
Religion Computer Science & IT Economics, Econometrics & Finance Education Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementasi Metode Fuzzy Inference System (FIS) Mamdani dalam Pemilihan Bidang Keahlian Mahasiswa Dewi Yanti Klau; Tursina Tursina; Haried Novriando
Jurnal Impresi Indonesia Vol. 2 No. 4 (2023): Jurnal Impresi Indonesia
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/jii.v2i4.2389

Abstract

Tujuan: Tujuan dari penelitian ini yaitu menerapkan metode FIS-Mamdani untuk memilih bidang keahlian dan menghasilkan rekomendasi minat terhadap bidang keahlian. Metode: Metode yang digunakan pada penelitian ini yaitu FIS-Mamdani dengan variabel masukan atau input berjumlah 24, aturan atau rule berjumlah 358, dan 4 keluaran atau output. Logika fuzzy dari metode penelitian sistem yang digunakan adalah fuzzy inference system metode mamdani. Variabel input penelitian yang digunakan dan diolah dengan mamdani dalam penelitian ini adalah nilai mata kuliah wajib semester 1 sampai semester 5 yang termasuk dalam kelompok keahlian. Hasil: Data variabel nilai mata kuliah diproses dengan tahap-tahap perhitungan logika fuzzy dan memberikan output yaitu variabel bidang keahlian yang disarankan. Selama ini untuk mahasiswa memilih bidang keahlian hanya berdasarkan jumlah mahasiswa yang memilih salah satu bidang keahlian, tidak berdasarkan nilai-nilai mata kuliah dan keahlian yang dimiliki. Hal ini menyebabkan kurangnya pemahaman mengenai konsep tugas akhir yang diambil. Pemilihan bidang keahlian dengan variabel mata kuliah dapat membantu mahasiswa untuk mempelajari lebih mendalam dan memudahkan dalam memilih judul skripsi sesuai dengan bidang keahlian. Kesimpulan: disimpulkan bahwa Fuzzy Inference System (FIS) Mamdani dengan MOM dapat digunakan untuk menentukan minat terhadap kelompok keahlian menggunakan nilai mata kuliah wajib KKNI 2016 yang di-input oleh mahasiswa di Program Studi Informatika
Influence of Imbalanced Data on Text Classification Using Recurrent Neural Network Rina Septiriana; Tursina Tursina
Bulletin of Computer Science Research Vol. 6 No. 4 (2026): June 2026
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bulletincsr.v6i4.996

Abstract

Recurrent Neural Networks (RNNs) such as LSTM and GRU are designed for sequential data. However, their performance in emotion detection is often compromised by class imbalance. This study compares LSTM and GRU architectures for classifying emotional states using a dataset of 4,386 Indonesian tweets. The dataset exhibits a mild imbalance (approximately 1.7:1) across five classes: Anger, Happy, Sadness, Love, and Fear. However, the effectiveness of these models is often hindered by class imbalance in datasets, which biases predictions toward majority classes and compromises the reliability of standard metrics. This study aims to systematically evaluate the comparison of LSTM and GRU architectures in processing imbalanced Indonesian emotional tweet data. The methodology involves evaluating these models across various resampling techniques, including Random Oversampling, SMOTE, and Near-Miss. Key findings reveal that LSTM consistently outperforms GRU in capturing complex emotional patterns. Specifically, the LSTM model combined with Random Oversampling emerged as the most robust configuration, achieving a Macro-F1 score of 71% and an accuracy of 73%. While Random Oversampling effectively enhanced minority class recognition without overfitting, SMOTE and Near-Miss introduced significant performance trade-offs. These results provide actionable insights for selecting optimal architectures and resampling strategies to mitigate imbalance-related biases in sequential classification tasks.
Co-Authors Dewi Yanti Klau Haried Novriando Rina Septiriana