Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika) International Journal of Advances in Artificial Intelligence and Machine Learning
Adha Oktarini Saputri, Nurul
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
PENERAPAN METODE MACHINE LEARNING NAÏVE BAYES PADA TWITTER TERHADAP SENTIMEN PADA PEMBELAJARAN DARING DI INDONESIA Devi Wahyu Pratama, Sri; Panjaitan, Febriyanti; Izman Herdiansyah, Muhammad; Dian Purnamasari, Susan; Adha Oktarini Saputri, Nurul
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 6 (2024): JATI Vol. 8 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i6.11514

Abstract

Pandemi COVID-19 merupakan penyakit yang skala penyebarannya terjadi secara global di seluruh dunia,termasuk Indonesia. Banyak bidang yang terkena dampak pandemi ini termasuk pendidikan. Indonesia saat ini sedang menjalankan strategi pembelajaran daring yang menimbulkan banyak opini masyarakat. Tanggapan dari masyarakat terhadap tindakan vaksinasi cukup beragam di media sosial salah satunya media sosial Twitter. Tanggapan masyarakat ada yang mendukung dan ada juga yang tidak setuju. Maka dari itu, dalam penelitian ini dilakukan analisis sentimen terhadap tweets yang berhubungan dengan pembelajaran daring. Pembelajaran daring sederhananya dapat diartikan sebagai sebuah sistem kegiatan pembelajaran yang dilakukan tanpa melalui tatap muka secara langsung melainkan melalui jaringan internet. Metode penelitian melibatkan pengumpulan data dari twitter dengan metode machine learning. Berdasarkan hasil yang di dapat menggunakan data dari tahun 2020-2022. Dalri halsil pengujialn didalpaltkaln balhwal Nalive Balyes dalpalt mengklalsifikalsikaln daltal berupal teks, terutalmal teks yalng beralsall dalri komentalr (tweet), tingkalt ALUC altalu alkuralsi sebesalr 1.0l0l altalu 10l0l%, precision altalu kealkuraltaln daltal sebesalr 0l.98 altalu 98%, recalll altalu keberhalsilaln model dallalm menemukaln sebualh informalsi sebesalr 0l.94 altalu 94%, daln f-1 Score sebesalr 0l.96 altalu sebesalr 96% berdalsalrkaln dengaln jumlalh daltal yalng aldal paldal pelaltihaln sebalnyalk 248 daltal komentalr. Disimpulkan bahwa menurut uji model, metode Naive Bayes mempunyai nilai akurasi diatas 90% menunjukkan hal ini, bahwa metode Naive Bayes punya kekuatan yang sangat baik dalam klasifikasi analisis sentimen teks.
The Fight Against Fiction: Leveraging AI for Fake News Detection Misinem, Misinem; Komalasari, Dinny; Adha Oktarini Saputri, Nurul
International Journal of Advances in Artificial Intelligence and Machine Learning Vol. 2 No. 1 (2025): International Journal of Advances in Artificial Intelligence and Machine Learni
Publisher : CV Media Inti Teknologi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58723/ijaaiml.v2i1.367

Abstract

This study aims to evaluate the performance of three machine learning algorithms namely Logistic Regression, Naïve Bayes, and Random Forest in classifying fake news. The research methods include data collection from various news sources, text preprocessing to improve data quality, and context-based feature engineering that considers temporal, linguistic, and named entity aspects. Furthermore, the model is developed using a machine learning approach that integrates ensemble techniques to improve prediction accuracy. Evaluation was conducted using accuracy, precision, accuracy, and F1 score metrics. The experimental results showed that Random Forest performed best with an accuracy of 93.00%, superior to Naïve Bayes (89.96%) and Logistic Regression (91.00%). This analysis confirms that algorithm selection should be tailored to the specific needs of the project, with Random Forest being a more reliable choice for scenarios that require high accuracy and robustness to data complexity. The findings are expected to contribute to the development of fake news detection systems that are more effective and adaptive to the dynamics of information in the digital world.
Co-Authors Devi Wahyu Pratama, Sri Dian Purnamasari, Susan Febriyanti Panjaitan Izman Herdiansyah, Muhammad Komalasari, Dinny Misinem, Misinem