Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Journal of Computer Networks, Architecture and High Performance Computing Data Sciences Indonesia (DSI)
Hizria, Rahmatika
Unknown Affiliation
Computer Science & IT Education Physics

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Perbandingan Kinerja Kernel SVM dalam Klasifikasi Kategori Kanker Kulit Menggunakan Transfer Learning Siregar, Muhammad Mizan; Hizria, Rahmatika; Pardede, Doughlas
Data Sciences Indonesia (DSI) Vol. 4 No. 1 (2024): Article Research Volume 4 Issue 1, June 2024
Publisher : ITScience (Information Technology and Science)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v4i1.4665

Abstract

Penelitian ini mengkaji efektivitas kombinasi transfer learning dengan Support Vector Machines (SVM) untuk klasifikasi kanker kulit. Tujuan utama dari penelitian ini adalah untuk mengklasifikasikan gambar kulit secara akurat ke dalam kelas "jinak" dan "ganas". Model VGG-19 yang telah dilatih sebelumnya digunakan untuk mengekstraksi fitur-fitur mendalam dari gambar kulit, menangkap pola visual yang rumit. Fitur-fitur ini kemudian dimasukkan ke dalam classifier SVM, dengan eksplorasi dilakukan pada kernel Radial Basis Function (RBF) dan Polynomial. Kinerja model-model yang diusulkan dievaluasi menggunakan dataset gambar kulit. Hasil eksperimen menunjukkan bahwa SVM dengan kernel Polynomial mengungguli SVM dengan kernel RBF dalam hal akurasi dan recall, khususnya untuk kelas "ganas". Hal ini menunjukkan bahwa kernel Polynomial lebih baik dalam menangkap hubungan kompleks dalam data. Pendekatan transfer learning, yang memanfaatkan model VGG-19 yang telah dilatih sebelumnya, secara signifikan meningkatkan kemampuan model untuk mengekstraksi fitur yang bermakna dari gambar, berkontribusi pada peningkatan akurasi klasifikasi. Temuan ini menunjukkan bahwa kombinasi transfer learning dan SVM, terutama dengan kernel Polynomial, menawarkan pendekatan yang menjanjikan untuk klasifikasi kanker kulit. Metode yang diusulkan dapat membantu dalam deteksi dini penyakit dan meningkatkan akurasi diagnosis, yang berpotensi mengarah pada hasil pasien yang lebih baik. Penelitian di masa depan dapat mengeksplorasi penggunaan dataset yang lebih besar dan lebih beragam, serta integrasi fitur atau teknik tambahan untuk lebih meningkatkan kinerja klasifikasi.
Sentiment Analysis on Cyanide Case After 'Ice Cold' Aired with NLP Method using Naïve Bayes Algorithm Hizria, Rahmatika; Sarwadi, Sarwadi; Hasibuan, Rabiatul Adawiyah; Ritonga, Ramadhani; Rosnelly , Rika
Journal of Computer Networks, Architecture and High Performance Computing Vol. 6 No. 1 (2024): Article Research Volume 6 Issue 1, January 2024
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/cnahpc.v6i1.3408

Abstract

Information technology is developing increasingly rapidly, and the reach of the Internet has expanded even to remote areas. The public increasingly uses social media as a source of information that discusses all aspects of people's lives. Social media has a vital role for most people, one of which is the news of the cyanide coffee case. The Cyanide Coffee case was discussed again by netizens after Netflix raised this case in a documentary film entitled Ice Cold, which made the public even more convinced of the irregularities of the case. Based on this, sentiment analysis is needed to extract comments to obtain public opinion information. The sentiment analysis aims to create a sentiment model to determine public comments on this case. Therefore, this research was conducted to find out and classify public sentiment on the Cyanide Coffee Case using the Natural Language Processing (NLP) method, which is a text preprocessing process followed by the tokenization stage. Data filtering was used using Indonesian Stopwords, and then normalization was continued using Porter Stemmer. In this study, data collection was carried out based on public comments on Ice Cold shows on the TikTok platform using TikTok Comments Scraper. The test results show that the classification using naïve Bayes obtained the results of 22 negative comments, 4052 neutral comments and 34 positive comments. The classification results of this study are 87% accuracy, 97.6% precision, 87% recall, and 91.9% F-Score.
Perbandingan Kinerja Kernel SVM dalam Klasifikasi Kategori Kanker Kulit Menggunakan Transfer Learning Siregar, Muhammad Mizan; Hizria, Rahmatika; Pardede, Doughlas
Data Sciences Indonesia (DSI) Vol. 4 No. 1 (2024): Article Research Volume 4 Issue 1, June 2024
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v4i1.4665

Abstract

Penelitian ini mengkaji efektivitas kombinasi transfer learning dengan Support Vector Machines (SVM) untuk klasifikasi kanker kulit. Tujuan utama dari penelitian ini adalah untuk mengklasifikasikan gambar kulit secara akurat ke dalam kelas "jinak" dan "ganas". Model VGG-19 yang telah dilatih sebelumnya digunakan untuk mengekstraksi fitur-fitur mendalam dari gambar kulit, menangkap pola visual yang rumit. Fitur-fitur ini kemudian dimasukkan ke dalam classifier SVM, dengan eksplorasi dilakukan pada kernel Radial Basis Function (RBF) dan Polynomial. Kinerja model-model yang diusulkan dievaluasi menggunakan dataset gambar kulit. Hasil eksperimen menunjukkan bahwa SVM dengan kernel Polynomial mengungguli SVM dengan kernel RBF dalam hal akurasi dan recall, khususnya untuk kelas "ganas". Hal ini menunjukkan bahwa kernel Polynomial lebih baik dalam menangkap hubungan kompleks dalam data. Pendekatan transfer learning, yang memanfaatkan model VGG-19 yang telah dilatih sebelumnya, secara signifikan meningkatkan kemampuan model untuk mengekstraksi fitur yang bermakna dari gambar, berkontribusi pada peningkatan akurasi klasifikasi. Temuan ini menunjukkan bahwa kombinasi transfer learning dan SVM, terutama dengan kernel Polynomial, menawarkan pendekatan yang menjanjikan untuk klasifikasi kanker kulit. Metode yang diusulkan dapat membantu dalam deteksi dini penyakit dan meningkatkan akurasi diagnosis, yang berpotensi mengarah pada hasil pasien yang lebih baik. Penelitian di masa depan dapat mengeksplorasi penggunaan dataset yang lebih besar dan lebih beragam, serta integrasi fitur atau teknik tambahan untuk lebih meningkatkan kinerja klasifikasi.
Co-Authors Hasibuan, Rabiatul Adawiyah Pardede, Doughlas Ritonga, Ramadhani Rosnelly , Rika Siregar, Muhammad Mizan Solly Aryza