Siti Nurmardia Abdussamad
Universitas Negeri Gorontalo

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

Found 3 Documents
Search

Comparison of Multiple Kernel Learning and Single Kernel Support Vector Machine for Public Opinion Classification Shafiah Poliyama; Novianita Achmad; Siti Nurmardia Abdussamad
Journal of Mathematics, Computations and Statistics Vol. 9 No. 1 (2026): Volume 09 Issue 01 (March 2026)
Publisher : Jurusan Matematika FMIPA UNM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35580/qea76e33

Abstract

Abstract. Social media has become a digital public space where public opinion is expressed on various government policies. Social media platform X has become a major venue for openly expressing support and criticism, making it relevant to sentiment analysis. This condition is useful for understanding public perceptions of government policies, such as the Makan Bergizi Gratis (MBG) Programme, which has elicited various public responses since its implementation. Support Vector Machine (SVM) is a widely used method for sentiment classification, but its performance is highly dependent on kernel selection. Using a single kernel type often fails to capture both linear and non-linear patterns in social media texts. Therefore, this study aims to compare the performance of Single Kernel and Multiple Kernel Learning (MKL) in classifying public sentiment from social media X. The research methods included collecting Indonesian language tweets through scraping techniques, text pre-processing, feature extraction using Term Frequency–Inverse Document Frequency (TF–IDF), data division with a ratio of 80:20, and the classification process using SVM with linear kernel, Radial Basis Function (RBF) kernel, and a combination of both through the MKL approach. The results show that MKL based SVM provides the best performance with an accuracy of 93.17%, while Linear and RBF kernels produce accuracies of 91.81% and 92.49%, respectively, on the same dataset and testing scheme.
IMPLEMENTASI WORD EMBEDDING GLOVE PADA SUPPORT VECTOR MACHINE DENGAN PARTICLE SWARM OPTIMIZATION UNTUK ANALISIS SENTIMEN Putu Ayu Indah Nazwa Usia; Isran K Hasan; Siti Nurmardia Abdussamad
SIGMA: JURNAL PENDIDIKAN MATEMATIKA Vol. 18 No. 1: Juni 2026
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/nnc0w522

Abstract

Tujuan: Penelitian ini menerapkan word embedding GloVe pada Support Vector Machine yang dioptimalkan memanfaatkan Particle Swarm Optimization untuk mengevaluasi efektivitas model klasifikasi analisis sentimen ulasan pengguna Indodax di platform media sosial X. Metode: Pada studi ini, data teks diklasifikasikan memanfaatkan pendekatan metodologi kuantitatif. Data berupa 877 cuitan pengguna Indodax di media sosial X yang dikumpulkan melalui teknik scraping menggunakan Python. Tahapan analisis meliputi pengumpulan data, pre-processing data, pelabelan sentimen, word embedding GloVe, pembagian data, Particle Swarm Optimization digunakan guna optimasi parameter, serta Support Vector Machine dimanfaatkan untuk klasifikasi. Hasil: Hasil penelitian menunjukkan bahwa analisis sentiment ulasan pengguna Indodax di media sosial X menghasilkan distribusi sentimen yang relatif seimbang, yaitu sebesar 49,7% sentimen positif dan 50,3% sentimen negatif. Selain itu, melalui skor akurasi sejumlah 82%, presisi 85%, recall 82%, serta f1-score 84%, hasil penilaian model menunjukkan bahwa penerapan word embedding GloVe pada SVM yang dioptimalkan dengan Particle Swarm Optimization dapat menghasilkan performa klasifikasi yang baik. Simpulan: Dengan menggabungkan GloVe word embedding dengan Support vector Machine yang dioptimasi menggunakan PSO, penelitian ini memberikan kontribusi dalam pengembangan metode analisis sentimen berbasis machine learning, serta memberikan implikasi praktis bagi pengelola platform dan pemerintah dalam memahami persepsi pengguna terhadap layanan investasi digital.
Faktor–Faktor yang Berhubungan dengan Kejadian Underweight pada Balita dari Keluarga Petani di Kecamatan Limboto Ni Luh Diyani Swarningsih; Muhammad Rezky Friesta Payu; Amanda Adityaningrum; Rini Wahyuni Mohamad; Vidya Avianti Hadju; Djihad Wungguli; Siti Nurmardia Abdussamad
Griya Journal of Mathematics Education and Application Vol. 6 No. 2 (2026): Juni 2026
Publisher : Pendidikan Matematika FKIP Universitas Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/griya.v6i2.1050

Abstract

Masalah underweight pada balita masih menjadi tantangan kesehatan masyarakat, khususnya pada komunitas keluarga petani. Kecamatan Limboto merupakan salah satu wilayah dengan prevalensi balita underweight yang tinggi yaitu sebesar 317 kasus pada tahun 2024 dan kembali bertambah menjadi 365 kasus pada tahun 2025. Penelitian ini bertujuan untuk mengetahui hubungan antara faktor kesehatan dan sosial ekonomi dengan kejadian underweight pada balita dari keluarga petani di Kecamatan Limboto. Desain penelitian yang digunakan cross sectional dan teknik sampling purposive sampling. Data diperoleh dari kuesioner yang diisi oleh ibu atau pengasuh utama balita. Analisis data dilakukan menggunakan tabel kontingensi untuk melihat distribusi data dan uji chi-square untuk menguji hubungan antara variabel independen dan kejadian underweight. Hasil penelitian menunjukkan bahwa terdapat hubungan yang signifikan antara riwayat BBLR, riwayat ASI eksklusif, tingkat pengetahuan ibu, pola asuh, dan ketahanan pangan dengan kejadian underweight pada balita. Sementara itu, riwayat penyakit infeksi, tingkat pendidikan ibu dan pendapatan keluarga tidak menunjukkan hubungan yang signifikan. Kesimpulan penelitian ini menunjukkan bahwa faktor kesehatan dan pola pengasuhan memiliki peran penting dalam kejadian underweight pada balita dari keluarga petani, sehingga diperlukan upaya edukasi dan intervensi gizi yang lebih terarah