Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnas Nasional Teknologi dan Sistem Informasi
Ika Novita Dewi
Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Optimasi RoBERTa dengan Hyperparameter Tuning untuk Deteksi Emosi berbasis Teks Elvanro Marthen Pusung; Ika Novita Dewi
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 3 (2024): Desember 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i3.2024.240-248

Abstract

Deteksi emosi berbasis teks menjadi salah satu topik utama pembahasan dalam pemrosesan bahasa alami. Hal ini dapat disebabkan karena adanya peningkatan jumlah data yang dihasilkan dari interaksi digital, seperti media sosial dan aplikasi pesan instan. Deteksi emosi bertujuan untuk mengenali dan menganalisis respons emosional individu dalam situasi tertentu, dengan penerapan di berbagai bidang seperti interaksi manusia dengan komputer, analisis sentimen, dan layanan kesehatan mental. Penelitian ini bertujuan untuk meningkatkan performa deteksi emosi berbasis teks Bahasa Indonesia menggunakan model RoBERTa. RoBERTa merupakan salah satu varian dari model BERT (Bidirectional Encoder Representations from Transformers) yang telah dioptimalkan untuk pemrosesan bahasa alami dengan mempertimbangkan konteks linguistik secara lebih mendalam. Implementasi RoBERTa dalam deteksi emosi akan dioptimalkan melalui hyperparameter tuning seperti Grid Search, Randomized Search, dan Bayesian Optimization untuk memperoleh kombinasi nilai learning rate, batch size, dan epoch yang optimal, dengan tujuan meningkatkan akurasi dan kemampuan model dalam mendeteksi emosi secara konsisten. Deteksi emosi menggunakana dataset yang terdiri dari 7080 data tweet publik dengan enam kategori emosi, yaitu anger, fear, joy, love, sad, dan neutral. Hasil eksperimen menunjukkan bahwa metode Bayesian Optimization memberikan kombinasi hyperparameter yang optimal dan meningkatkan performa deteksi emosi pada teks berbahasa Indonesia dengan hasil akurasi sebesar  83,64% dan nilai precision, recall dan F1-score secara berutur-turut adalah 83,75%, 83,64%, dan 83,58%.
Integrasi Algoritma FP-Growth dan K-Means untuk Analisis Keranjang Belanja dan Segmentasi Pelanggan pada Data Transaksi Ritel Shafa Salsabila; Ika Novita Dewi
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.128-135

Abstract

Seiring meningkatnya volume transaksi dalam industri ritel, kebutuhan untuk memahami perilaku konsumen secara mendalam menjadi semakin krusial. Penelitian ini bertujuan untuk menerapkan analisis keranjang belanja dan segmentasi pelanggan guna mengidentifikasi pola pembelian produk sekaligus memahami karakteristik pelanggan berdasarkan perilaku transaksional. Dataset yang digunakan adalah Retail Transaction Dataset dari Kaggle, berisi satu juta transaksi ritel tahun 2020 hingga 2024. Dataset diproses melalui tahapan pembersihan, transformasi format data, dan seleksi transaksi yang memenuhi kriteria minimal pembelian 2 produk per transaksi. Analisis dilakukan dengan algoritma FP-Growth dan K-Means. Hasil analisis FP-Growth menunjukkan adanya 16 aturan asosiasi dengan nilai support tertinggi sebesar 0.31%, confidence 7.35%, dan lift 0.89, dengan produk Toothpaste menjadi produk yang paling sering diasosiasikan. Segmentasi pelanggan dilakukan menggunakan algoritma K-Means dengan atribut demografis pelanggan, yaitu Payment Method, Customer Category, Promotion, Season, Discount Applied, dan Store Type. Jumlah klaster optimal ditentukan menggunakan Metode Elbow dan Davies-Bouldin Index (DBI). Hasil menunjukkan k = 3 sebagai jumlah klaster terbaik dengan nilai DBI sebesar 2.4724, yang menandakan pemisahan klaster cukup baik.  Berdasarkan hasil segmentasi K-Means, diperoleh tiga klaster pelanggan dengan karakteristik berbeda, yaitu retiree, teenager, dan profesional. Pengelompokan klaster ini mencerminkan kecenderungan kategori dominan yang muncul pada atribut Customer Category. Integrasi kedua metode ini menghasilkan rekomendasi strategi pemasaran berbasis segmen yang lebih personal, seperti bundling sederhana untuk pelanggan retiree, promosi visual dan hadiah menarik untuk pelanggan teenager, dan sistem poin loyalitas untuk pelanggan profesional. Temuan ini diharapkan membantu pelaku industri ritel memahami perilaku pelanggan secara lebih mendalam dan menyusun strategi pemasaran yang lebih tepat sasaran
Perbandingan Metode Seleksi Fitur Chi-Square dan Information Gain untuk Peningkatan Interpretabilitas dan Optimasi Kinerja Model TabNet Annisa Ratna Salsabilla; Ramadhan Rakhmat Sani; Ika Novita Dewi
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 3 (2025): Desember 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i3.2025.253-262

Abstract

Breast cancer is one of the most significant global health issues. Machine learning approaches offer the potential to accurately analyze clinical data and aid in early diagnosis. However, conventional machine learning models are often limited in their ability to model complex nonlinear relationships in medical data, which can reduce predictive accuracy. This study employs a deep learning architecture because of its ability to model such relationships. Specifically, the TabNet model was chosen because it is designed for tabular data and offers better interpretability. The public Wisconsin Diagnostic Breast Cancer (WDBC) dataset, which has 30 features and an imbalanced class distribution, was used in this study. Feature selection was necessary to handle the high-dimensional data, and SMOTE-ENN was used for class balancing. Two feature selection methods, Chi-Square and Information Gain, were compared to determine the most effective approach. Hyperparameter optimization was performed using Optuna and validated with stratified k-fold cross-validation to ensure optimal performance. The results of the experiment demonstrate that feature selection and optimization significantly improve performance. The base model with Chi-Square feature selection achieved an accuracy rate of 64.91%. Meanwhile, the Chi-Square model with Optuna optimization increased accuracy to 98.25%. This is 3.51% higher than the accuracy of 94.74% achieved by the optimized model without feature selection. In the final comparison, both methods demonstrated distinct advantages: Chi-Square (75% features) excelled in achieving 100% precision and more efficient computation time. Information Gain (75% features), on the other hand, was the only method to achieve 100% recall, which is crucial for minimizing false negatives. These results demonstrate that the optimal method depends on the context. Information Gain is best for maximum diagnostic sensitivity, and Chi-Square is best for performance balance and efficiency.
Co-Authors Annisa Ratna Salsabilla Elvanro Marthen Pusung Ramadhan Rakhmat Sani Shafa Salsabila