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
Alfi Syahrian
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.
Analisis Perbandingan Metode K-Means dan Gaussian Mixture Model dalam Pengelompokan Playlist Musik Berbasis Fitur Audio Daniel Prasetiyo Dodi Darmawan; Christopher Mathew Putra; Samuel Yahya; Darren Jusman; Alfi Syahrian; 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.v6i1.10754

Abstract

Music streaming platforms rely on playlists as medium for users to store musical preferences and receive music recommendations based on the music stored. However, representing playlists as meaningful groups remains a major challenge due to the high diversity characteristics of music. In addition, the distribution of musical characteristics within playlists can vary significantly. This study aims to compare two clustering models with different approaches hard clustering using the K-Means method and soft clustering using the Gaussian Mixture Model (GMM). Playlists are represented as statistical aggregations of audio feature data from songs, such as energy, acousticness, and danceability. The hard clustering approach using K-Means produces compact and clearly separated clusters, while the Gaussian Mixture Model (GMM) generates clusters that capture playlist ambiguity, resulting in overlapping clusters due to its probabilistic nature. These differences have a direct impact on the implementation of the clustering results in downstream applications. This study emphasizes the importance of selecting an appropriate clustering method for further implementations, such as music recommendation systems, and provides insights into the trade-offs between interpretability and flexibility offered by both models.
Co-Authors Christopher Mathew Putra Daniel Prasetiyo Dodi Darmawan Darren Jusman Rafael Austin Samuel Yahya Vitri Tundjungsari