Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Media Informatika
Rubiana, Eldika
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
Komparasi Kinerja Support Vector Machine dan Naive Bayes Teroptimasi pada Sentimen Ulasan Blu by BCA Mursyid, Fathony; Andelta Pinem, Marcellino; Sinaga, Abraham Imanuel; Ryan Saputra, Haichal; Rubiana, Eldika; Nur Hasan, Fuad
Jurnal Media Informatika Vol. 6 No. 6 (2025): Edisi Desember 2025
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v6i6.7665

Abstract

 − Pertumbuhan pesat aplikasi perbankan digital Blu by BCA Digital menghasilkan volume ulasan pengguna yang besar dan tidak terstruktur. Penelitian ini bertujuan untuk menentukan model klasifikasi sentimen biner yang optimal dengan membandingkan kinerja algoritma Support Vector Machine (SVM) dan Naive Bayes (NB). Kedua algoritma dioptimasi menggunakan Particle Swarm Optimization (PSO) untuk memperoleh hiperparameter terbaik. Optimasi ini dilakukan guna meningkatkan performa klasifikasi pada data teks berbahasa Indonesia yang bersifat informal. Evaluasi model dilakukan menggunakan metrik Akurasi dan F1-Score. Hasil pengujian menunjukkan bahwa model PSO-SVM memiliki kinerja yang lebih unggul dengan akurasi 86,01% dan F1-Score (Negatif) 76,66%. Sebagai perbandingan, model PSO-NB menghasilkan akurasi 85,03% dan F1-Score (Negatif) 74,70%. Berdasarkan hasil tersebut, PSO-SVM direkomendasikan sebagai model yang paling andal untuk sistem pemantauan sentimen otomatis, khususnya dalam mendeteksi keluhan pelanggan pada industri Fintech
Penerapan Transfer Learning MobileNetV2 untuk Sistem Pengenalan Gerakan Tangan Interaktif Pinem, Marcellino Andelta; Mursyid, Fathony; Rubiana, Eldika; Sinaga, Abraham Imanuel; Saputra, Haikal Ryan
Jurnal Media Informatika Vol. 7 No. 1 (2026): Edisi Januari - Februari
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jumin.v7i1.7666

Abstract

Pengenalan gerakan tangan merupakan komponen penting dalam interaksi manusia-komputer yang memerlukan akurasi tinggi untuk aplikasi praktis. Penelitian ini menerapkan transfer learning MobileNetV2 dengan strategi two-phase fine-tuning untuk meningkatkan akurasi pengenalan tujuh gerakan tangan pada dataset HaGRID. Dataset terdiri dari 175.000 gambar yang terbagi menjadi 140.000 data latih, 17.500 data validasi, dan 17.500 data uji. Metode two-phase meliputi Phase 1 dengan frozen base layers menghasilkan akurasi 75,83%, dan Phase 2 dengan fine-tuning selective layers meningkatkan akurasi menjadi 98,88% pada data validasi dan 98,86% pada data uji. Peningkatan signifikan sebesar 23,05% berhasil dicapai hanya dalam 10 epochs total dengan durasi training 6,5 jam. Model berhasil mengeliminasi seluruh confusion pairs yang sebelumnya mencapai 18,64% pada Phase 1 menjadi 0% confusion di Phase 2. Kontribusi utama penelitian ini adalah demonstrasi strategi two-phase fine-tuning yang efisien untuk model lightweight dengan akurasi setara arsitektur kompleks, memberikan solusi praktis untuk implementasi sistem pengenalan gerakan real-time pada perangkat mobile dan embedded system tanpa mengorbankan performa.
Co-Authors Andelta Pinem, Marcellino Mursyid, Fathony Nur Hasan, Fuad Pinem, Marcellino Andelta Ryan Saputra, Haichal Saputra, Haikal Ryan Sinaga, Abraham Imanuel