Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal RABIT: Jurnal Teknologi dan Sistem Informasi Univrab Jiko (Jurnal Informatika dan komputer)
Fari Katul Fikriah
Universitas Widya Husada Semarang
Computer Science & IT Engineering

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

Found 2 Documents
Search

 1 
NAÏVE BAYES AND SUPPORT VECTOR MACHINE BASED ON OPTIMIZATION FOR PUBLIC SENTIMENT ANALYSIS POST-2024 ELECTION Fari Katul Fikriah; Amelia Devi Putri Ariyanto
JIKO (Jurnal Informatika dan Komputer) Vol 8 No 2 (2025)
Publisher : Program Studi Teknik Informatika Universitas Khairun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33387/jiko.v8i2.10147

Abstract

The 2024 election has sparked an explosion of public opinion across various digital platforms, but the complexity and large volume of data make it difficult for policymakers to understand public sentiment in a timely manner. Therefore, an accurate and efficient sentiment analysis method is needed to automatically classify public opinion. This study aims to analyze and compare the performance of the Naïve Bayes algorithm and an optimized Support Vector Machine (SVM) in classifying post-election public sentiment. The research method includes collecting 10,000 text data entries from various data sources, conducting text preprocessing, extracting features using the TF-IDF method, applying both algorithms with parameter tuning, and generating their performance using accuracy, precision, recall, and F1 score metrics. The results show that the optimized SVM algorithm delivers superior performance, achieving 88.24% accuracy, compared to 82.35% for Naïve Bayes. These findings indicate that SVM is more effective in handling complex public opinion sentiment classification, thus serving as a valuable reference for post-election policymaking
KLASIFIKASI HASIL MRI TUMOR OTAK DENGAN EKTRAKSI FITUR GRAY LEVEL CO-OCCURANCE MATRIX (GLCM) Fari Katul Fikriah; Amelia Devi Putri Ariyanto; Arif Fitra Setyawan
Rabit : Jurnal Teknologi dan Sistem Informasi Univrab Vol 9 No 2 (2024): Juli
Publisher : LPPM Universitas Abdurrab

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36341/rabit.v9i2.4793

Abstract

Bagian penting dari tubuh adalah otak yang mana menjadi sumber dari semua alat tubuh yang terletak dalam rongga tengkorak, tumor otak merupakan salah satu penyakit yang dapat menyerangnya. Pendeteksian tumor otak adalah salah satu aspek yang dinilai penting dalam diagnosa medis. Pada penelitian ini memiliki tujuan melakukan implementasi ekstraksi fitur GLCM (Gray Level Co-occurence Matrix) pada citra MRI tumor otak serta mencari performa algoritma yang paling baik dari deteksi tumor otak menggunakan citra MRI ini. Data yang dipakai pada penelitian ini merupakan data public yang berasal dari kaggle.com. Proses ekstraksi fitur pada citra digunakan pada penelitian ini GLCM yang mana memiliki fungsi menghitung frekuensi dari nilai intensitas piksel yang berjarak antar citra dengan menggunakan parameter 0o, 45o, 90o, 135o. Tahap selanjutnya pada penelitian ini adalah dengan melakukan langkah preprocessing dengan selanjutnya mencari nilai klasifikasi dari hasil MRI menggunakan algoritma Naïve Bayes, C4.5 dan Neural Network. Hasil yang didapatkan memperlihatkan bahwa Naïve Bayes memiliki performa algoritma paling baik dibandingkan C4.5 dan Neural Network yaitu dengan akurasi algoritma Naïve Bayes sebesar 96.8%, sedangkan untuk algoritma C4.5 sebesar 41.5% dan Neural Network sebesar 38.25%. selain hal tersebut pada penelitian ini membuktikan bahwa dengan ekstraksi fitur GLCM terbukti efektif dalam menangkap informasi tekstur dari citra MRI yang sangat penting pada klasifikasi tumor otak.
Co-Authors Amelia Devi Putri Ariyanto Arif Fitra Setyawan