cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Esther Irawati Setiawan
Contact Email
esther@istts.ac.id
Phone
+62315027920
Journal Mail Official
insyst@istts.ac.id
Editorial Address
Kampus Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya) Ngagel Jaya Tengah 73-77, Surabaya, Indonesia
Location
Kota surabaya,
Jawa timur
INDONESIA
Insyst : Journal of Intelligent System and Computation
Published by Sekolah Tinggi Teknik Surabaya
ISSN : 26219220     EISSN : 27221962     DOI : https://doi.org/10.52985/insyst
Core Subject : Science,
Computer Science & IT
The Intelligent System and Computation Journal will be published for 2 editions in a year, every April and October. The Intelligent System and Computation Journal is an open access journal where full articles in this journal can be accessed openly. Review in this journal will be conducted with a blind review system. All articles in this journal will be indexed by Google Scholar. The topics contained in this journal consist of several fields (but not limited to): Algorithms and complexity Artificial Intelligence Big Data Analytics Biomedical Instrumentation Computational logic Computer Vision and Biometric Data and Web Mining Digital Signal Processing Image Processing Information Retrieval & Information Extraction Intelligence Embedded Systems Machine Learning Mathematics and models of computation Natural Language Processing Parallel & Distributed Computing Pattern Recognition Programming languages and semantics Speech Processing Virtual Reality & Augmented Reality
Arjuna Subject : Ilmu Komputer (semua kategori) - Kecerdasan Buatan
Articles 94 Documents
 4   5   6   7   8 
Image Recognition Menggunakan Metode Cosine Distance untuk Aplikasi Penanganan Food Waste Chandra, Monica; Pramana, Edwin
Intelligent System and Computation Vol 4 No 2 (2022): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v4i2.250

Abstract

Badan Pangan PBB (FAO) menyatakan 33% - 50% makanan yang telah diproduksi, tidak dikonsumsi dengan semestinya. Selain itu, 11% produk makanan yang dibeli terbuang bahkan tidak dibuka. Tahun 2016-2017, Indonesia sendiri telah menjadi negara terbesar kedua setelah Arab Saudi yang menghasilkan food waste terbanyak di dunia. Penumpukan limbah ini berdampak pada lingkungan. Oleh karena itu, aplikasi “Jangan Dibuang” dibuat dengan tujuan untuk mengurangi food waste yang dihasilkan. Aplikasi ini dibuat untuk platform Android dengan framework Flutter dan database Amazon Web Service Aurora. Selain itu, aplikasi ini juga dilengkapi dengan fitur image recognition yang memanfaatkan Tensorflow untuk mempermudah pencarian makanan dengan sebuah gambar yang mana gambar tersebut akan diekstrak fiturnya menjadi matriks yang kemudian dibandingkan dengan metode Cosine Distance. Aplikasi “Jangan Dibuang” dapat digunakan oleh 3 jenis aktor, yaitu administrator, penyedia makanan, dan pembeli. Uji coba dilakukan terhadap 7 penyedia makanan dan 20 pembeli. Berdasarkan hasil uji coba yang telah dilakukan, didapatkan 201 transaksi, yang mana telah menyelamatkan 285 limbah makanan. 59 dari 201 transaksi ditujukan untuk donasi. Fungsionalitas aplikasi penyedia makanan mendapatkan nilai 79,98% untuk kriteria sangat baik. Untuk fungsionalitas aplikasi pembeli, nilai yang didapatkan adalah 83% untuk kriteria sangat baik. Dari sisi Image Recognition sendiri menunjukkan akurasi 93,3% setelah menggunakan Keras Application Model EfficientNetV2 yang membantu mengenali kedua gambar walaupun dengan pencahayaan dan posisi pengambilan yang berbeda.
Pengenalan Makanan Tradisional Indonesia Beserta Bahan-bahannya dengan Memanfaatkan DCNN Transfer Learning Citra Mahaputri; Yosi Kristian; Endang Setyati
Intelligent System and Computation Vol 4 No 2 (2022): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v4i2.252

Abstract

Pengenalan makanan adalah langkah awal untuk melakukan penilaian diet seseorang. Dalam pengenalan makanan beserta bahan-bahannya, dirasakan kurang diseminasi foto-foto makanan tradisional Indonesia, sehingga peneliti terdorong untuk melakukan penelitian mengenai pengenalan makanan tradisional Indonesia. Peneliti membuat klasifikasi citra makanan yang inputannya merupakan citra makanan tradisional Indonesia. Ekstraksi fitur citra makanan sulit untuk diklasifikasikan karena citra makanan beraneka ragam penampilannya, termasuk tekstur, warna, bentuk dan karakteristik visual lainnya. Penelitian ini meneliti pemanfaatan Deep Convolutional Neural Network (DCNN) model EfficientNetB6 dan EfficientNetV2M untuk pengenalan makanan tradisional Indonesia beserta bahan-bahannya. DCNN merupakan metode yang biasa digunakan untuk mendeteksi citra yang komplek. Peneliti mengumpulkan citra makanan tradisional Indonesia secara manual sebanyak 1.202 citra makanan yang berbeda. Terdiri dari 20 jenis makanan tradisional Indonesia. Masing-masing jenis makanan terdapat 50-80 gambar makanan. Data yang digunakan untuk uji klasifikasi makanan adalah 241 data citra makanan di luar data yang digunakan untuk training dan mendapatkan akurasi 83,82% untuk model EfficientNetV2M dan 80,08% untuk model EfficientNetB6. Kemudian pada proses pengujian dalam memprediksi bahan-bahan makanan yang terlihat pada gambar rata-rata mendapatkan 64% untuk model EfficienNetV2M dan 59% untuk model EfficeintNetB6. Berdasarkan hasil penelitian menunjukkan bahwa metode DCNN dengan model EfficientNetV2M dapat mencapai performa terbaik dari model EfficientNetB6.
Ekstraksi Partitur Balok Monofonik untuk Instrumen Flute dengan CRNN dan CRF Vania, Stella; Sutanto, Patrick; Sutanto, Ricky; Santoso, Joan
Intelligent System and Computation Vol 5 No 1 (2023): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v5i1.218

Abstract

Notasi partitur balok bukanlah notasi yang mudah dibaca oleh pemula dalam dunia musik. Di sinilah Optical Music Recognition (OMR) dapat berperan. OMR merupakan sebuah pembelajaran mengenai komputer yang dapat mengenali objek dalam partitur balok. Dengan adanya program yang menerapkan OMR dan memberikan output dengan format yang mudah dipahami oleh pengguna, maka pemula dalam dunia musik dapat terbantu dalam membaca partitur not balok. Karya ilmiah ini dibuat dengan pendekatan deep learning dalam beberapa arsitektur. Dataset yang digunakan adalah Camera-PrIMuS yang terdiri dari dataset gambar sebaris partitur musik dan juga ground-truth per objek pada gambar yang bersangkutan. Arsitektur yang digunakan adalah CRNN, CRNN-CRF, dan Attention. Dari ketiga arsitektur tersebut, hasil terbaik diperoleh pada aristektur Attention dengan symbol error rate (SER) sekitar 9%, diikuti dengan CRNN dengan SER sekitar 84%, dan CRNN-CRF yang berdasarkan hasil uji coba tidaklah cocok untuk OMR dengan nilai loss yang tidak kunjung turun dalam proses training. Arsitektur Attention secara garis besar terdiri dari blok encoder dan decoder. Encoder berfungsi untuk menerima input gambar dan melakukan encoding terhadap gambar tersebut. Hasil encoding kemudian diterima oleh decoder yang berperan untuk melakukan decoding dan memprediksi sequence selanjutnya berdasarkan hasil encoding dari encoder. Dalam implementasinya program dapat menerima input berupa gambar selembar partitur penuh yang agak miring, maka program juga akan melakukan skew-correction dan pemotongan gambar per baris agar input dari pengguna dapat diproses oleh model. Output dari model yang masih berupa label-label prediksi akan diproses kembali agar menghasilkan not angka dan file MIDI yang relatif lebih mudah untuk dipahami oleh pengguna.
Perbandingan Implementasi Evolutionary Algorithm (EPO, FHO, dan CFA) pada Kasus Travelling Salesman Problem untuk Tempat Pariwisata di Surabaya Chen, Christian; Cahyadi, David; Bevan, Jonathan Arelio; Takhta, Williandy; Lesmana, Ariel; Poernomo, Christopher; Nagari, Widean
Intelligent System and Computation Vol 5 No 1 (2023): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v5i1.258

Abstract

Traveling merupakan bisnis yang tumbuh pesat di seluruh dunia, dan Indonesia tidak terkecuali. Di Indonesia, khususnya Surabaya, industri pariwisata telah mengalami peningkatan dalam beberapa tahun terakhir, dan diharapkan akan terus tumbuh dalam beberapa tahun ke depan. Dengan peningkatan tersebut, pencarian rute untuk pariwisata harus efisien dan cepat, salah satu solusi yang populer saat ini adalah Evolutionary Algorithms (EA). Algoritma evolusi adalah jenis teknik optimisasi yang meniru proses evolusi alami untuk menemukan solusi terhadap masalah yang kompleks. Salah satu permasalahan yang dapat diselesaikan dengan efektif menggunakan algoritma evolusi adalah Traveling Salesman Problem (TSP). Permasalahan tersebut melibatkan pengunjungan pada beberapa kota dan menemukan rute terpendek untuk kembali ke titik awal. Beberapa algoritma evolusi telah dicadangkan untuk menyelesaikan TSP, seperti algoritma Cuttlefish (CFA), Emperor Penguin Optimizer (EPO) dan Fire Hawk Optimizer (FHO). Algoritma sotong didasarkan pada perilaku sotong liar, EPO terinspirasi oleh perilaku berkerumun dari penguin kaisar, sedangkan FHO menggunakan prinsip propagasi api. Semua algoritma yang telah disebutkan tadi memiliki potensi untuk menyelesaikan TSP dengan keunikannya masing-masing. Kesimpulan kami untuk semua algoritma yang digunakan dalam penelitian ini adalah bahwa EPO berhasil menemukan solusi terbaik diikuti dengan solusi dari CFA dan FHO. Berdasarkan hasil percobaan kami, didapatkan EPO menghasilkan solusi 39.97% lebih baik dari CFA serta 14.75% lebih baik dari FHO secara rata-rata. Serta EPO juga memiliki waktu komputasi rata-rata lebih cepat (69.59% lebih cepat dari CFA dan 178.34% lebih cepat dari FHO).
Studi Klasifikasi Gerakan Semaphore menggunakan Fuzzy Mamdani dari Data IMU Sensor Budimartono, Tobias Nagata; Widodo, Romy Budhi
Intelligent System and Computation Vol 5 No 1 (2023): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v5i1.263

Abstract

Sering dijumpai di komunikasi antar kapal dan dikepramukaan penggunaan bendera semaphore untuk media komunikasi jarak jauh. Pembelajaran semaphore umumnya dilakukan secara manual dan menggunakan pendeteksian dengan citra digital. Namun keduanya memiliki keterbatasan yaitu ketersediaan tenaga ahli/tutor dan permasalahan pencahayaan. Mengingat pentingnya semaphore untuk komunikasi jarak jauh maka ahli semaphore memerlukan guidance system yang dapat menilai gerakan latihan. Penelitian ini menggunakan fuzzy logic dengan mamdani inference system. Metode yang digunakan adalah memasang sensor inersial pada kedua pergelangan tangan untuk mendapatkan data sudut gerakan tangan. Sensor inersial yang digunakan menghasilkan tiga sudut orientasi yaitu roll, pitch, dan yaw; namun dalam penelitian ini digunakan sudut roll. Gerakan semaphore pada penelitian ini berporos hanya pada satu sumbu sehingga data sudut roll yang digunakan untuk analisis. Sensor inersial secara nirkabel memberikan data ke komputer yang telah berisi perangkat lunak fuzzy system. Pada dasarnya gerakan semaphore memiliki delapan titik sudut, namun dalam penelitian ini telah ditemukan metode baru menggunakan lima area untuk mengelompokkan sudut kedua tangan. Pengelompokan pada lima area bermanfaat untuk penciptaan rule fuzzy. Output fuzzy berupa skor sesuai atau tidak sesuai. Eksperimen menggunakan lima orang subjek yang diminta melakukan delapan karakter yang mewakili huruf A-Z, dan spasi. Hasil pengujian menunjukkan sistem berhasil mendeteksi gerakan dengan akurasi 67.5%. Hasil umpan balik analisis menunjukkan bahwa kedepannya diperlukan sebuah sensor yang dapat mendeteksi kemiringan torso untuk mengkompensasi postur tubuh yang kurang tegak saat subjek melakukan eksperimen.
Perbandingan Akurasi Deteksi Emosi Pada Suara Menggunakan Multilayer Perceptron, Random Forest, Decision Tree dan K-NN Swastika, Windra; Widodo, Romy Budhi; Oepojo, Alvin Andrius
Intelligent System and Computation Vol 5 No 1 (2023): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v5i1.264

Abstract

Penelitian ini bertujuan untuk membandingkan akurasi pengenalan emosi melalui suara dengan menggunakan beberapa jenis classifier. Emosi dasar yang akan dikenali ada 4, yaitu senang, sedih, neutral dan marah. Metodologi penelitian dimulai dengan memperoleh dataset suara dari database RAVDESS, yang terdiri dari 24 aktor dengan jumlah suara sebanyak 60 per aktor. Namun, hanya 28 suara yang dipilih dari setiap aktor, sehingga total ada 672 suara yang digunakan dalam penelitian ini. Untuk mengekstraksi fitur dari dataset suara, digunakan tiga teknik yaitu mel frequency cepstral coefficient (MFCC), Chroma, dan Skala Mel. Kemudian, empat jenis classifier digunakan dalam pembuatan model yaitu Multilayer Perceptron Classifier (MLPC), Decision Tree, Random Forest, dan K-NN. Dataset dibagi menjadi data train dan data test dalam 3 uji coba untuk masing-masing classifier, yait 85% train – 25% test, 80% train – 25% test, dan 75% train dan 25% test. Hasil penelitian menunjukkan bahwa model dengan menggunakan Random Forest Classifier memiliki akurasi tertinggi yaitu sebesar 79% dengan pembagian dataset 80% train - 20% test. Sedangkan, model dengan Decision Tree Classifier memiliki akurasi terendah sebesar 57% dengan pembagian dataset menjadi 75% train - 25% test. Dalam penelitian ini, teknik ekstraksi fitur yang digunakan yaitu MFCC, Chroma, dan Skala Mel, yang terbukti efektif dalam menghasilkan fitur dari dataset suara. Selain itu, hasil penelitian juga menunjukkan bahwa Random Forest Classifier lebih unggul dalam mengenali emosi melalui suara jika dibandingkan dengan jenis classifier yang lain.
Deteksi Aspek Review E-Commerce Menggunakan IndoBERT Embedding dan CNN Imron, Syaiful; Setiawan, Esther Irawati; Santoso, Joan
Intelligent System and Computation Vol 5 No 1 (2023): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v5i1.267

Abstract

Dengan semakin berkembangnya teknologi informasi, maka muncul istilah e-commerce dalam dunia bisnis. Pada e-commerce ada fitur review, pelanggan dapat memberikan review berupa teks, gambar, dan bintang. Review tersebut merupakan opini dari pelanggan terkait barang yang dibeli. Tetapi pada kebanyakan e-commerce tidak ada fitur kategori terkait review hal ini membuat calon pembeli kesusahan dalam menganalisa secara manual. Aspect-based sentiment analysis (ABSA) merupakan solusi dari permasalahan tersebut. ABSA memiliki tiga tugas salah satunya Aspect Category Detection yang memiliki fungsi untuk menggabungkan review pelanggan menjadi beberapa aspek dimana aspek-aspek tersebut sudah didefinisikan terlebih dahulu. Cukup banyak penelitian terkait Aspect Category Detection dengan mengunakan machine learning. Dari beberapa metode yang diuji, Convolutional Neural Network (CNN) merupakan metode terbaik. Selain itu penggunaan BERT sebagai word embedding menghasilkan output yang bagus baik dari pada word embedding konvensional. Penelitian ini menggunakan dataset dari e-commerce Bukalapak dengan 3114 review dan 6 aspek (Akurasi, Pengiriman, Kualitas, Harga, Pengemasan, dan Pelayanan). Berdasarkan ujicoba dengan menggunakan IndoBERT sebagai word embedding dan CNN untuk deteksi aspek, maka didapatkan akurasi sebesar 94,86%. Dengan demikian model tersebut dapat digunakan untuk deteksi aspek. Selain itu, metode CNN mendapatkan hasil yang lebih baik dari pada metode LSTM.
Model Deteksi Kebakaran Hutan dan Lahan Menggunakan Transfer Learning DenseNet201 Saputra, Rifqi Akmal; Adhinata, Faisal Dharma
Intelligent System and Computation Vol 5 No 2 (2023): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v5i2.317

Abstract

Kebakaran hutan dan lahan di Indonesia merupakan peristiwa yang sering terjadi dan menimbulkan kerugian yang signifikan dalam bidang kesehatan, ekologi, dan sosial. Faktor manusia dan alam berperan dalam memicu terjadinya kebakaran ini. Namun, penanganan kebakaran hutan dan lahan masih menghadapi kendala dalam memprediksi lokasi titik panas secara akurat, sehingga pengendalian yang optimal sulit dilakukan. Oleh karena itu, diperlukan pengembangan sistem cerdas untuk mendeteksi kebakaran hutan dan lahan dengan lebih efektif. Penelitian ini bertujuan untuk menciptakan sebuah model yang mampu mendeteksi kebakaran hutan dan lahan dengan menggunakan pendekatan transfer learning, dengan memanfaatkan arsitektur DenseNet201 guna meningkatkan akurasi deteksi. Dataset yang digunakan dalam penelitian ini berasal dari Fire Forest Dataset pada situs Kaggle. Proses ekstraksi fitur dilakukan menggunakan arsitektur DenseNet201, dan model yang dihasilkan diuji dengan menggunakan metode confusion matrix untuk mengklasifikasikan gambar menjadi dua kelas, yaitu kelas api dan non-api. Melalui pelatihan menggunakan arsitektur DenseNet201, diperoleh model yang efektif dalam mendeteksi kebakaran hutan dan lahan. Hasil pengujian dengan menggunakan data uji sebanyak 380 data menunjukkan tingkat akurasi sebesar 99% dalam mengenali gambar kebakaran hutan dan lahan. Penelitian ini memberikan kontribusi penting dalam pengembangan teknologi deteksi kebakaran hutan dan lahan. Penggunaan pendekatan transfer learning dengan arsitektur DenseNet201 memiliki potensi untuk meningkatkan akurasi deteksi kebakaran yang lebih baik. Diharapkan penelitian ini dapat memberikan landasan bagi pengembangan sistem cerdas yang lebih canggih dan efektif dalam mengatasi masalah kebakaran hutan dan lahan, serta melindungi lingkungan dan kesehatan masyarakat di Indonesia.
Implementasi Algoritma Evolusi FHO, MVPA, dan HHO pada TSP di Tempat Pariwisata Pulau Bali Sabdana, Christian Budhi; Bryan Christopher; Sutanto, Jason Gerald; Sianto, Lawrence Patrick; Hariyanto, Lukky; Hartono, Nickolas
Intelligent System and Computation Vol 5 No 1 (2023): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v5i1.260

Abstract

Kegiatan berlibur merupakan kegiatan yang diperlukan baik perseorangan maupun bersama keluarga. Pembuatan rute perjalanan yang optimal dari banyak wisata liburan terkadang menjadi permasalahan rumit dan perlu dipikirkan rute optimalnya secara keseluruhan. Dalam ilmu komputer, permasalahan mencari rute optimal pada sebuah jaringan ini dikenal dengan Traveling Salesman Problem. Untuk mendapatkan rute yang baik, diperlukan algoritma khusus yang mampu mengevaluasi rute perjalanan dan memberikan hasil perjalanan yang cukup optimal. Di dalam penelitian ini, 4 algoritma Evolutionary Computation yaitu HHO (Harris Hawk Optimization), FHO (Fire Hawk Optimization), MVPA (Most Valuable Player Algorithm) dan modifikasi dari algoritma MVPA dibandingkan untuk menyelesaikan permasalahan TSP pada 55 lokasi wisata di Pulau Bali. Setelah dilakukan beberapa percobaan, HHO merupakan algoritma dengan nilai fitness terbaik dan konsisten tetapi dengan waktu eksekusi yang lebih lama. Sementara algoritma FHO memiliki waktu eksekusi yang lebih cepat tetapi nilai fitness yang lebih buruk dibandingkan dengan HHO dan MVPA. Algoritma MVPA yang telah dimodifikasi dapat memberikan hasil yang lebih baik meskipun masih belum bisa sebaik HHO. Secara kualitatif, algoritma HHO memberikan hasil perjalanan yang lebih baik dengan jarak tempuh tidak terlalu bervariasi setiap harinya. Hal ini membantu pelaku wisata agar dapat memanfaatkan waktu lebih banyak dalam menikmati lokasi wisata dibandingkan waktu perjalanan yang terbuang.
Penyaring Komentar Cyberbullying Pada Konten Blog Dono, Danar; Eka Rahayu Setyaningsih; Pickerling, Pickerling
Intelligent System and Computation Vol 4 No 2 (2022): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v4i2.271

Abstract

Cyberbullying merupakan ancaman nyata dalam interaksi di antara penulis konten blog dan pembaca blog. Penelitian ini membahas tentang pengembangan fitur penyaring cyberbullying pada konten blog untuk meminimalisir cyberbullying dalam suatu situs blog. Adapun metode pengembangan sistem menggunakan iterative waterfall meliputi analisis sistem, desain sistem, implementasi dan pengujian. Berdasarkan pengujian dengan mode pelatihan data menggunakan 7755 dataset komentar dengan proporsi 3984 cyberbullying 3771 non-cyberbullying menghasilkan akurasi 85,25% dan error 14,75%. Pengujian dengan mode testing data menggunakan 1936 dataset komentar dengan proporsi 583 cyberbullying dan 1353 non-cyberbullying menghasilkan akurasi 80% dan error 20%. Dari hasil pengujian disimpulkan bahwa pengembangan fitur penyaring komentar cyberbullying dengan menggunakan naive bayes classifier menghasilkan rata-rata akurasi sebesar 80% dan rata-rata error sebesar 20%.

Page 6 of 10 | Total Record : 94

 4   5   6   7   8 

Filter by Year

2019 2025


Reset
Filter By Issues
All Issue Vol 7 No 2 (2025): INSYST: Journal of Intelligent System and Computation Vol 7 No 1 (2025): INSYST: Journal of Intelligent System and Computation Vol 6 No 2 (2024): INSYST: Journal of Intelligent System and Computation Vol 6 No 1 (2024): INSYST: Journal of Intelligent System and Computation Vol 5 No 2 (2023): INSYST: Journal of Intelligent System and Computation Vol 5 No 1 (2023): INSYST: Journal of Intelligent System and Computation Vol 4 No 2 (2022): INSYST: Journal of Intelligent System and Computation Vol 4 No 1 (2022): INSYST: Journal of Intelligent System and Computation Vol 3 No 2 (2021): INSYST: Journal of Intelligent System and Computation Vol 3 No 1 (2021): INSYST: Journal of Intelligent System and Computation Vol 2 No 2 (2020): INSYST:Journal of Intelligent System and Computation Vol 2 No 1 (2020): INSYST:Journal of Intelligent System and Computation Vol 1 No 2 (2019): INSYST:Journal of Intelligent System and Computation Vol 1 No 1 (2019): INSYST: Journal of Intelligent System and Computation More Issue