Claim Missing Document
Check
Articles

Found 2 Documents
Search

Klasifikasi Tanaman Herbal Berdasarkan Tekstur Daun Menggunakan Backpropagation Berbasis Citra Letik, Meilan Letik; Bisilisin, Franki
KETIK : Jurnal Informatika Vol. 1 No. 06 (2024): Juli
Publisher : Faatuatua Media Karya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70404/ketik.v1i06.87

Abstract

Indonesia memiliki sekitar 30.000 dari total 40.000 jenis tanaman herbal dunia, menjadikannya negara dengan jumlah tanaman herbal terbanyak kedua setelah Brazil. Tanaman herbal telah lama digunakan dalam pengobatan tradisional karena manfaat alaminya. Namun, pemanfaatan tanaman herbal di Indonesia masih terbatas akibat kurangnya pemahaman masyarakat. Penelitian ini bertujuan meningkatkan pemanfaatan tanaman herbal dengan mengklasifikasikan jenis tanaman berdasarkan tekstur daun menggunakan backpropagation. Ekstraksi ciri tekstur dilakukan dengan metode GLCM menggunakan empat fitur utama: contrast, correlation, energy, dan homogenity. Data penelitian terdiri dari 200 citra, masing-masing 10 sampel dari 20 jenis tanaman herbal yaang digunakan. menggunakan jaringan saraf tiruan dengan algoritma backpropagation. Evaluasi kinerja dilakukan dengan confusion matrix untuk menguji akurasi prediksi. Dengan 160 data latih dan 40 data uji, serta konfigurasi jaringan dengan 10 hidden layer, pelatihan sebanyak 5000 epoch, dan learning rate 0,01, diperoleh akurasi tertinggi 85% dan rata-rata 80,5%. Hasil menunjukkan model backpropagation mencapai akurasi baik dalam klasifikasi jenis tanaman herbal.
Klasifikasi Judul Berita Online Menggunakan BERT dan IndoBERT Katemba, Diorrani Simma'; Katemba, Diorrani; Bisilisin, Franki; Heni; Sumarlin
TeIKa Vol 16 No 1 (2026): Jurnal TeIKa
Publisher : Fakultas Teknologi Informasi - Universitas Advent Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36342/3sqzca39

Abstract

Perkembangan berita online di wilayah Nusa Tenggara Timur (NTT) semakin pesat. Meningkatnya volume berita yang dipublikasikan setiap hari menimbulkan tantangan dalam proses pengelompokan dan analisis konten yang selama ini masih dilakukan secara manual. Oleh karena itu, diperlukan suatu sistem yang mampu mengklasifikasikan judul berita secara otomatis dan akurat agar pengelolaan informasi dapat dilakukan dengan lebih efisien. Penelitian ini menggunakan pendekatan berbasis deep learning dengan menerapkan model Bidirectional Encoder Representations from Transformers (BERT) dan IndoBERT sebagai teknologi utama dalam sistem klasifikasi berita online berbahasa Indonesia. Bahasa pemrograman yang digunakan adalah Python dengan dukungan pustaka transformers. Dataset yang digunakan dikumpulkan melalui teknik web scraping dari beberapa portal berita lokal di wilayah NTT, kemudian dibagi menjadi 80% data latih dan 20% data uji untuk mengukur performa model. Model BERT dan IndoBERT diterapkan untuk mengenali konteks serta makna semantik dari setiap judul berita guna menghasilkan representasi teks yang lebih bermakna. Hasil pengujian menunjukkan bahwa model dasar BERT mencapai tingkat akurasi sebesar 69%, dengan nilai precision 70,2%, dan recall 66,9%. Sementara itu, penerapan model IndoBERT memperoleh performa yang lebih tinggi dengan tingkat akurasi mencapai 80%, nilai precision 78,2%, dan recall 79%. Kesimpulannya, pemanfaatan model IndoBERT terbukti secara signifikan lebih akurat dan optimal dibandingkan BERT dalam melakukan klasifikasi teks judul berita lokal NTT.