Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Rekayasa Elektronik Jurnal Informatika Dan Tekonologi Komputer
Rafael Austin
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Other

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

Found 2 Documents
Search

 1 
ANALISIS PERFORMA ALGORITMA SUPERVISED LEARNING TERHADAP DATA DESKRIPSI DENGAN REPRESENTASI DAN PARAMETER TUNING Rafael Austin; Alfi Syahrian
Jurnal Informatika dan Rekayasa Elektronik Vol. 8 No. 2 (2025): JIRE November 2025
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v8i2.1717

Abstract

Teks medis yang didapatkan dalam bentuk narasi sering kali memiliki sifat yang tidak terstruktur, sehingga diperlukan solusi yang dapat dimanfaatkan secara optimal untuk klasifikasi teks medis tersebut. Permasalahan ini menjadi landasan dilakukannya penelitian yang bertujuan untuk mengevaluasi performa berbagai algoritma klasifikasi dalam mengolah narasi keluhan pasien menggunakan sejumlah pendekatan representasi teks. Dataset yang digunakan terdiri dari deskripsi medis yang telah diberi label secara seimbang dan melalui proses pra-pemrosesan untuk membersihkan serta menstandarkan teks sebelum dimasukkan ke dalam model pembelajaran mesin. Empat metode representasi teks, yaitu Bag of Words, TF-IDF, Word2Vec, dan Hybrid, digunakan untuk mengubah teks menjadi fitur numerik. Lima algoritma klasifikasi diuji dan dibandingkan berdasarkan metrik evaluasi meliputi akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa pendekatan berbasis frekuensi seperti Bag of Words dan TF-IDF, ketika dipadukan dengan algoritma linier, mampu memberikan performa terbaik. Selain itu, proses tuning parameter terbukti penting dalam meningkatkan hasil klasifikasi. Penelitian ini menegaskan bahwa pemilihan kombinasi representasi fitur dan algoritma yang tepat sangat mempengaruhi keberhasilan klasifikasi teks medis berbasis narasi.
Optimalisasi Summarization Berita BBC dengan Metode BiLSTM-Transformer Rafael Austin; Andhika Dwi Rachmawanto; Michael Jeconiah Yonathan; M Naufal Arriz; Vitri Tundjungsari
Jurnal Informatika Dan Tekonologi Komputer (JITEK) Vol. 6 No. 1 (2026): Maret : Jurnal Informatika dan Tekonologi Komputer
Publisher : Pusat Riset dan Inovasi Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jitek.v6i1.10669

Abstract

The rapid growth of digital news, such as that from the BBC, presents challenges for readers in absorbing dense information within limited time. This research proposes an automated text summarization system using a hybrid BiLSTM Transformer architecture to produce concise yet contextually accurate summaries. The model integrates BiLSTM to capture local sequential relationships and Transformer’s self-attention mechanism to handle global context, overcoming the computational limitations of standalone Transformers. Utilizing a self-embedding approach, the system processes text in an unsupervised manner, making it suitable for datasets without ground truth summaries. Evaluation was conducted using 50 samples from the Xsum dataset and 25 live BBC news links, with performance measured via cosine similarity to assess contextual preservation. The results demonstrated a consistent average cosine similarity of 0.7959 for dataset samples and 0.7877 for new data. These findings indicate that the hybrid model effectively maintains semantic integrity and provides reliable summaries for complex news articles.
Co-Authors Alfi Syahrian Andhika Dwi Rachmawanto M Naufal Arriz Michael Jeconiah Yonathan Vitri Tundjungsari