Claim Missing Document
Check
Articles

Found 3 Documents
Search

Sentimen Analisis Media Sosial Terhadap Isu Pagar Laut Dengan Algoritma Support Vector Machine dan Logistic Regression Perdana, Nanda; Santoso, Handri
Jurnal Pendidikan dan Teknologi Indonesia Vol 5 No 7 (2025): JPTI - Juli 2025
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.888

Abstract

Penelitian ini mencakup analisis sentimen pada media sosial terkait isu pagar laut menggunakan algoritma Logistic Regression (LR) dan Support Vector Machine (SVM). Data diperoleh dari media sosial Twitter, Instagram, Facebook, dan Tiktok yang dilakukan pra pemrosesan dan labelling menggunakan VADER. Hasil dari tiga rasio yang digunakan menunjukkan rasio 0,7 atau 7:3 adalah yang terbaik, dengan akurasi SVM 0.985382 dan akurasi LR 0.988881. Secara keseluruhan kedua algoritma memberikan hasil yang sama baiknya dan seimbang melihat dari evaluasi precision, recall, dan F1-score. Penelitian ini diharapkan dapat memberikan gambaran rangkuman opini publik terhadap isu pagar laut pada media sosial.
Klasterisasi Judul Berita Online Isu Pemilu Prabowo Subianto dengan Kombinasi LLMS Embedding Dengan HDBSCAN Perdana, Nanda; Santoso, Handri
Jurnal Locus Penelitian dan Pengabdian Vol. 4 No. 10 (2025): : JURNAL LOCUS: Penelitian dan Pengabdian
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/locus.v4i10.4779

Abstract

Penelitian ini bertujuan untuk mengelompokkan judul-judul berita politik daring yang berkaitan dengan Presiden Prabowo Subianto selama Pemilu 2024 menggunakan pendekatan berbasis embedding large language models (LLMS) dan algoritma klasterisasi HDBScan. Data yang digunakan dalam penelitian ini berjumlah 24.000 judul berita yang kemudian dianalisis mellaui beberapa tahap meliputi pra-pemrosesan teks, ekstraksi embedding menggunakan model OpenAI, reduksi dimensi menggunakan UMAP, serta klasterisasi berbasis densitas adaptif dengan HDBSCAN. Hasil penelitian menunjukkan terbentuknya 85 klaster tematik dan identifikasi sekitar 27,2% data sebagai noise. Hasil temuan pada penelitian ini mengindikasikan bahwa kombinasi embedding LLM dan HDBSCAN efektif dalam, mengungkap struktur semantik wacana politik digital dari data yang digunakan, serta mampu menangani karakteristik data teks pendek yang kompleks dan heterogen. Pendekatan ini memberikan kontribusi metodologis terhadap studi analisis media berbasis data besar dan menwarakan landasan bagi penelitian lanjutan dalam pemetaan itu publik di ruang digital. Hasil penelitian ini dapat digunakan sebagai sarana untuk penelitian lebih lanjut dengan studi kasus yang berbeda namun menggunakan algoritma yang sama.
Predicting Resale Prices using Random Forests with Fine-Tuning Hyperparameters Widjaja, Herman; Perdana, Nanda; Wasito, Ito
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 19, No 4 (2025): October
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.103967

Abstract

The accurate prediction of housing prices is essential for informed decision-making by purchasers, sellers, and policymakers in dynamic real estate markets. This study investigates the application of machine learning models—Random Forest, XGBoost, Decision Tree, and LightGBM—to predict resale flat prices in Singapore. It provides valuable insights into the use of machine learning in housing markets, particularly for datasets with similar size, complexity, and data types. The objectives are to develop predictive regression models for property prices and to analyze and compare the performance of these models. Key contributions include the development of tools to objectively estimate suitable property prices and the advancement of price prediction research through an extensive comparison of machine learning models. While previous studies have demonstrated the predictive capabilities of these models, this research focuses on the impact of hyperparameter tuning on the performance of the Random Forest model. By systematically optimizing parameters such as max_depth, n_estimators, and n_jobs, computation time was reduced by over 93% (from 865 seconds to 50 seconds) with minimal loss in accuracy. With proper hyperparameter tuning, Random Forest achieved the best performance in terms of MAE score (26.555), outperforming XGBoost (27.552), Decision Tree (28.832), and LightGBM (29.752).