Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
fatmawati, Anita
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

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

Found 2 Documents
Search

 1 
Implementasi Data Mining Menggunakan Metode Naïve Bayes Untuk Klasifikasi Penyakit Jantung Bilbina, Arinda Sekar; fatmawati, Anita; Daniati, Erna
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 3 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/vxmjhw66

Abstract

Fakta bahwa penyakit jantung menjadi salah satu sebab kematian tertinggi di seluruh dunia termasuk di Indonesia sehingga deteksi dini sangat penting dilakukan.  Kami menggunakan metode algoritma Naïve Bayes untuk melakukan klasifikasi kemungkinan penyakit jantung berdasarkan 303 data Kaggle dengan 14 fitur.  Preprocessing, pelatihan model menggunakan Python di Google Colab, dan seleksi fitur (SelectKBest) adalah komponen proses.  Hasil menunjukkan bahwa model ini efektif untuk membantu diagnosis awal dengan akurasi sebesar 83% dan recall sebesar 97% pada pasien sakit.
KLASIFIKASI EMOSI TEKS PENGGUNA TWITTER MENGGUNAKAN METODE SVM Fatmawati, Anita; Latifah, Umul; Suryadi, Arinda Sekar Bilbina; Zuhriya, Tasbi Khatuz
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 3 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/hq9jyy12

Abstract

Media sosial seperti Twitter telah berkembang menjadi sumber data penting untuk mengidentifikasi emosi pengguna. Dengan menggunakan algoritma Support Vector Machine (SVM), penelitian ini bertujuan untuk membangun sistem klasifikasi emosi teks pengguna Twitter. Dataset yang digunakan berasal dari Kaggle dan memiliki delapan label emosi. Setelah itu, tahapan preprocessing teks, representasi kata menggunakan FastText, penyederhanaan dimensi menggunakan Principal Component Analysis (PCA), dan penyeimbangan data dengan Synthetic Minority Oversampling Technique (SMOTE) dilakukan. Setelah itu, data dibagi secara stratified untuk menjaga proporsi label, lalu dilakukan pelatihan model dengan SVM dan pengaturan hyperparameter dengan GridSearchCV. Hasil evaluasi menunjukkan bahwa, dibandingkan dengan kernel linear dan polynomial, kernel Radial Basis Function (RBF) memiliki akurasi tertinggi sebesar 85% dengan skor macro F1 yang juga tinggi. Penelitian menunjukkan bahwa kombinasi metode FastText, PCA, SMOTE, dan SVM meningkatkan kinerja klasifikasi. Penelitian ini membantu mengembangkan sistem analisis emosi berbasis teks dan menunjukkan bagaimana hal itu dapat digunakan untuk berbagai kebutuhan analitik media sosial.
Co-Authors Bilbina, Arinda Sekar Erna Daniati Latifah, Umul Suryadi, Arinda Sekar Bilbina Zuhriya, Tasbi Khatuz