Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal JSM (Jurnal SIFO Mikroskil)
Hutagaol, Grace Helena
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Klasifikasi Jenis Tumbuhan Batang Daun dan Buah Br. Sitorus, Rotua Eka Wati; Bate'e, David; Hutagaol, Grace Helena; Limbong, Mila Rachmafika; Hui, David Christian; Sinaga, Frans Mikael
Jurnal Sifo Mikroskil Vol. 26 No. 1 (2025): JSM VOLUME 26 NOMOR 1 TAHUN 2025
Publisher : Fakultas Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55601/jsm.v26i1.1501

Abstract

Indonesia memiliki keanekaragaman tumbuhan yang sangat luas, namun identifikasi dan klasifikasi bagian tumbuhan seperti daun, batang, dan buah secara manual sering kali memakan waktu dan rentan terhadap kesalahan. Penelitian ini mengembangkan sistem klasifikasi berbasis Artificial Neural Network (ANN) untuk otomatisasi identifikasi. Dengan menggunakan 6.707 citra tumbuhan, model ANN dilatih dengan fitur visual seperti bentuk,tekstur,dan warna. Hasilnya menunjukkan potensi besar ANN dalam meningkatkan efisiensi dan akurasi identifikasi tumbuhan. Sistem ini diimplementasikan dalam aplikasi web, yang mendukung penelitian botani,pertanian, dan pemantauan lingkungan.
Evaluasi Teknik Resampling untuk Class Balancing dalam Analisis Sentimen Kesehatan Mental Berbasis Bi-LSTM Sintiya, Cindy; Hutagaol, Grace Helena; Bate`e, David; Irviantina, Syanti
Jurnal Sifo Mikroskil Vol. 26 No. 2 (2025): JSM VOLUME 26 NOMOR 2 TAHUN 2025
Publisher : Fakultas Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55601/jsm.v26i2.1799

Abstract

Ketidakseimbangan data (imbalanced data) sering menjadi tantangan utama dalam analisis sentimen, terutama ketika model pembelajaran mesin cenderung mengabaikan kelas minoritas yang justru memuat informasi kritis. Penelitian ini mengevaluasi efektivitas teknik class balancing dengan metode resampling, yaitu Random Under-Sampling (RUS) dan Synthetic Minority Over-sampling Technique (SMOTE), dalam meningkatkan performa model LSTM (Long Short-Term Memory) untuk analisis sentimen kesehatan mental. Hasil penelitian menunjukkan bahwa metode SMOTE dapat meningkatkan F1-score pada kelas “Suicidal” dari 64,4% menjadi 72,6%, meskipun terjadi penurunan pada kelas “Depression” dari 73,4% menjadi 59,9%. Sementara itu, metode RUS cenderung menurunkan performa secara keseluruhan, dengan akurasi model turun dari 80,5% menjadi 77,8% akibat penghapusan data secara acak yang mengurangi kualitas representasi data. Penelitian ini menyimpulkan bahwa meskipun teknik resampling dapat membantu menyeimbangkan data, namun penerapannya pada data teks memerlukan kehati-hatian untuk menghindari efek negatif pada performa model.
Co-Authors Bate'e, David Bate`e, David Br. Sitorus, Rotua Eka Wati Hui, David Christian Limbong, Mila Rachmafika Sinaga, Frans Mikael Sintiya, Cindy Syanti Irviantina