Sentimen Analisis Pada Ulasan Aplikasi Ajaib Di Google Play Store Dengan Algoritma Support Vector Machine

INOVTEK Polbeng - Seri Informatika, Год журнала: 2024, Номер 9(1)

Опубликована: Июнь 16, 2024

Perkembangan aplikasi mobile di bidang keuangan telah memberikan kemudahan dalam berinvestasi. Salah satu yang bisa melakukan investasi adalah Ajaib. Dalam menggunakan aplikasi, Anda dapat melihat rating dan review diberikan oleh pengguna platform Google Play Store . Ulasan pada Aplikasi Ajaib gambaran penting bagi calon memahami kualitas kepuasan pengguna. Namun, banyaknya tinjauan membuat analisis manual menjadi sulit tidak efisien. Oleh karena itu diperlukan suatu teknik klasifikasi memanfaatkan algoritma Support Vector Machine (SVM). Implementasinya dilakukan melalui bahasa pemrograman Python. Teknik menunjukkan akurasi luar biasa menangani data berdimensi tinggi seimbang. Tujuan dari penelitian ini untuk memfasilitasi kemajuan dengan umpan balik diberikan, mengatasi keluhan pelanggan, meningkatkan pengalaman secara keseluruhan. Data digunakan diambil sebanyak 5000 bervariasi bulan Januari hingga Oktober 2023. Berdasarkan hasil diperoleh sebesar 87,57%. Pada kelas positif presisi 93%, recall 97%, skor f-1 95%. Sedangkan netral memperoleh 75%, 53%, 62%. Serta negatif mendapatkan 87%, 80%.

---

Protecting Healthcare Systems Through an ML-Powered Cyberattack Detection Within Software-Defined Networking (SDN)

Опубликована: Апрель 26, 2024

It is pointed out that the healthcare industry faces big problems when it comes to keeping private patient data safe in software-defined networks (SDNs). Healthcare apps need have strong security measures because online risks are getting more complicated. This research work suggests a way fix problem by using machine learning techniques find and stop lot of different types cyber systems. Improving safety very important, this project looks at how do it. Protecting making sure well important for patients healthy people's trust institutions. The aims make systems safer resilient successfully fighting dangers improving network performance. In project, ensemble methods like Stacking Voting Classifiers were used improve accuracy, they able achieve 100% accuracy finding cyberattacks on Software-Defined Networking. Built an easy-to-use Flask-based front end with login can be situations.

Язык: Английский

---

Deteksi Kepribadian Melalui Margin Pada Tulisan Tangan Menggunakan Random Forest

INOVTEK Polbeng - Seri Informatika, Год журнала: 2024, Номер 9(1)

Опубликована: Июнь 16, 2024

I ntisari – Karakter atau kepribadian seseorang merujuk pada kumpulan sifat, perilaku, sikap, dan pola pikir yang membentuk identitas unik individu tersebut. Grafologi padatulisan tangan merupakan teknik menilai dilihat dari berbagai aspek goresan seperti tulisan tangan, tanda ataupun gambar. Margin salah satu dalam sering digunakan oleh para peneliti emmbaca Dalam grafologi, margin terbentuk menunjukkan cara pandang penulis terhadap masa lalu depan seseorang. diukur dengan mengetahui jarak tepi kertas permulaan tulisan. Tidak banyak orang dapat melalui ukuran margin. Penelitian ini mengusulkan visi komputer deteksi tipe Metode penelitian dilakukan dibagi empat tahapan yaitu: pre-processing , ekstraksi fitur, klasifikasi evaluasi. Dataset adalah IAM handwriting dataset berjumlah 100 25 citra tiap kelas. Ekstraksi fitur geometri untuk mengukur posisi awal didapat pembuatan bounding box baris Klasifikasi random forest. Adapun jenis dideteksi dikelompokkan kelas yaitu lebar, sempit, melebar menyempit. Hasil memberikan akurasi sebesar 95%. Kata Kunci tulisan_tangan, kepribadian, visi_komputer, geometri, _ forest

---

Pengembangan Sistem Deployment Deteksi untuk Kista Ginjal pada Citra Ct Scan dengan Metode Yolo

INOVTEK Polbeng - Seri Informatika, Год журнала: 2024, Номер 9(1)

Опубликована: Июнь 16, 2024

Kidney cysts are a medical condition characterized by the formation of fluid-filled sacs on kidneys, where CT scan image analysis is crucial for diagnosis and management. This study aims to develop YOLOv5-based object detection model identify kidney in images. The research methodology involved training with public dataset from Kaggle validating it using private clinical data, manual annotation conducted radiographer ensure data accuracy. results indicate that YOLOv5 achieved high performance Mean Average Precision (mAP) 99.3%, precision 97.4%, recall 99.1%. was successfully integrated into Flask-based application, facilitating real-time cyst practice. Consequently, this demonstrates use can effectively support diagnosis, enhancing accuracy speed detection, offering practical innovative diagnostic tool healthcare professionals. These findings open up opportunities applying similar deep learning technologies other conditions, significantly contributing technological advancements healthcare.

Язык: Английский

---

Optimasi Algoritma Support Vector Machine (SVM) Dengan Menggunakan Feature Selection Gain Ratio Untuk Analisis Sentimen

INOVTEK Polbeng - Seri Informatika, Год журнала: 2024, Номер 9(1)

Опубликована: Июнь 16, 2024

The ease of internet access has had a positive impact on the increase in number social media users Indonesia. One most widely used applications is X or Twitter. Users often upload posts that contain opinions sentiments, which trigger debates and discussions. This interesting to analyze as study sentiments are trending society. For this analysis, algorithms such Support Vector Machine (SVM) required, for sentiment analysis. However, SVM lacks accuracy due large similar words dataset. Words related analysis usually have dimensions, so feature selection needed improve performance. research aims optimize by using Feature Selection Gain Ratio. object dataset 2017 DKI elections from GitHub. results showed an with With threshold weight gain ratio > 0.0001 (1732 features), increases 61.63% 71.51%. weights 0.002 (518 increased 62.79%. Ratio produces better than ratio, namely 56.40% 71.51% 0.0001. implications these findings show use can Social practitioners utilize technique more accurate insights user data. Further focus developing sophisticated techniques various platforms.

Язык: Английский

---

Klasifikasi Tumor Otak Menggunakan Convolutional Neural Network

INOVTEK Polbeng - Seri Informatika, Год журнала: 2024, Номер 9(1)

Опубликована: Июнь 16, 2024

Metode klasifikasi citra MRI otak yang digunakan pada penelitian ini adalah Deep Learning dengan Convolutional Neural Network (CNN) 2 model skema arsitektur CNN. Model 1 terdapat max pooling layer dan hidden layer, sedangkan 3 4 layer. Dataset memuat manusia total 7023 citra, rincian 1621 Glioma, 1645 Meningioma, 1757 Pituitary, 2000 Notumor. Evaluasi F1-Score berturut-turut: 96% 97%, Sedangkan untuk nilai Accuracy yaitu 98%. Hal menunjukkan bahwa , lebih baik. Untuk menguji dataset 10 fold cross - validation menghasilkan rata-rata Accuracy, F1-Score, Precision, Recall berturut-turut 0,8520, 0,8470, 0,8493 0,8504, standar deviasi kecil, 0,0352; 0,0346; 0,0337 0,0353 penyimpangan sebaran semakin mendekati rata-ratanya. metrik F1-score accuracy berturut-turut, 97,47% 97,39%. Hasil tinggi dibandingkan beberapa sebelumnya, yakni dari [1], [2], [3], [5], [7], [8], 94.39%, 97.54%, 97.18%, 96.08%, 96,36%, 95.55%.

---