Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Telematika : Jurnal Informatika dan Teknologi Informasi Jurnal Ilmiah FIFO Sains, Aplikasi, Komputasi dan Teknologi Informasi
Fabiyanto, Dedik
Unknown Affiliation
Aerospace Engineering Computer Science & IT Electrical & Electronics Engineering

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

Found 3 Documents
Search

 1 
Implementasi Algoritma BERT Pada Komentar Layanan Akademik dan Non Akademik Universitas Terbuka di Media Sosial Fatmasari, Rhini; Septiani, Riska Kurnia; Pinem, Tuahta Hasiolan; Fabiyanto, Dedik; Gata, Windu
Sains, Aplikasi, Komputasi dan Teknologi Informasi Vol 5, No 2 (2023): Sains, Aplikasi, Komputasi dan Teknologi Informasi
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jsakti.v5i2.13915

Abstract

Media sosial TikTok dan Twitter (X) merupakan dua media sosial yang memiliki banyak pengguna di Indonesia. Berdasarkan lembaga survei We Are Social pengguna TikTok di Indonesia mencapai 109.9 juta sedangkan pengguna Twitter (X) di Indonesia mencapai 24 juta. Media sosial TikTok dan Twitter (X) seringkali menjadi tempat untuk menyampaikan pendapat atau komentar terhadap suatu hal. Universitas Terbuka merupakan suatu kampus yang memiliki media sosial TikTok dan Twitter (X) dengan ribuan pengikut. Penelitian ini dilakukan untuk mengetahui tingkat layanan bidang akademik dan non-akademik Universitas Terbuka. Data yang dianalisis sebanyak 685 data komentar pada media sosial TikTok dan Twitter (X) dengan kata kunci Universitas Terbuka. Metode yang digunakan adalah analisis menggunakan model pre-trained BERT. Pada model ini diperoleh nilai akurasi sebesar 90% dengan proporsi data latih dan data uji 80:20.
Validasi Efektivitas Logistic Regression untuk Diagnosa Penyakit Jantung melalui Pendekatan Machine Learning Fabiyanto, Dedik; Pratama Putra, Zico
Jurnal Ilmiah FIFO Vol 16, No 2 (2024)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2024.v16i2.006

Abstract

Penelitian yang bertujuan untuk mengevaluasi efektivitas Logistic Regression dalam diagnosa penyakit jantung telah dilakukan dengan menggunakan dataset UCI Heart Disease. Dataset ini terdiri dari 303 data pasien dengan 14 fitur, termasuk usia, jenis kelamin, tekanan darah, dan kolesterol, yang dibagi menjadi 60% data pelatihan, 20% data validasi dan 20% data pengujian. Penelitian dimulai dengan perumusan masalah dan studi literatur, diikuti oleh proses preprocessing data yang mencakup imputasi nilai hilang, normalisasi fitur, dan pembagian dataset. Beberapa model machine learning, yaitu k-Nearest Neighbors (kNN), Support Vector Machine (SVM), Logistic Regression, Naïve Bayes, dan Neural Network, diterapkan dan dibandingkan. Model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1 score. Hasil penelitian menunjukkan bahwa Logistic Regression memperoleh akurasi tertinggi sebesar 0.89, dengan keunggulan dalam presisi dan recall. Naïve Bayes dan kNN menunjukkan akurasi masing-masing 0.87 dan 0.85, sedangkan Neural Network memperoleh akurasi terendah 0.77. Tuning hyperparameter pada Neural Network tidak menunjukkan pola yang jelas dalam meningkatkan akurasi. Pada penelitian ini Logistic Regression adalah model yang paling efektif untuk prediksi penyakit jantung dibandingkan dengan model lainnya, terutama dalam konteks aplikasi medis yang membutuhkan interpretabilitas dan efisiensi.
Performance Evaluation of Multiple Deep Learning Models for Wine Quality Prediction Fabiyanto, Dedik; Rianto, Yan
Telematika Vol 21 No 2 (2024): Edisi Juni 2024
Publisher : Jurusan Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31315/telematika.v21i2.13007

Abstract

Research utilizing a dataset from the UCI repository evaluated the predictive accuracy of nine machine learning models for wine quality. The models employed include Logistic Regression, K-Nearest Neighbor (KNN), Decision Tree, Support Vector Machine (SVM), Random Forest, XGBoost, LightGBM, CatBoost, and Gradient Boosting. The dataset comprises 1,599 samples with 12 chemical parameters. Data preprocessing, including oversampling, normalization, standardization, and seeding, was performed to enhance model performance.The study's findings indicate that the models with the highest accuracy values were LightGBM (87.80%), CatBoost (86.60%), and Random Forest (85.70%). A voting classifier combining these three models achieved an accuracy of 87.29%. Further analysis using a confusion matrix demonstrated that this combined model effectively predicts the "Good" and "Not Good" classes.In conclusion, the combination of LightGBM, CatBoost, and Random Forest models proves to be an effective approach for predicting wine quality based on chemical parameters, with an accuracy value of 87.29%.
Co-Authors Gata, Windu Pinem, Tuahta Hasiolan Pratama Putra, Zico Rhini Fatmasari, Rhini Rianto, Yan Septiani, Riska Kurnia