No abstract

Risiko kateterisasi jantung kanan sangat besar, untuk menentukan seorang pasien akan melakukan kateterisasi jantung kanan secara optimal maka dibutuhkan prediksi apakah seorang pasien membutuhkan atau tidak. Pada penelitian ini, pengklasifikasian apakah pasien membutuhkan kateterisasi jantung kanan dengan algoritma K-Nearest Neighbor, Decision Tree C4.5, dan Decision Tree C4.5 yang dioptimasi dengan Bat Binary Algorithm. Sebelum dilakukan klasifikasi terlebih dahulu dilakukan preprocessing data yang memiliki tujuan untuk menghasilkan data yang baik untuk diproses dan didapatkan hasil klasifikasi yang akurat. Data preprocessing yang dilakukan adalah data cleaning, data selection dan data normalization. Kombinasi nilai parameter terbaik Binary Bat Algorithm sebagai pembangkit feature yang dipilih adalah q = 2, a = 0,2, r = 0,4, n = 30, Mi = 10 dan perbandingan data traning dan testing 90% dan 10%. Dari hasil eksperimen, nilai akurasi klasifikasi Decision Tree C4.5 dengan Bat Binary Algoritma paling tinggi ,yaitu 0,725. Sementara itu, nilai akurasi menggunakan K-Nearest Neighbor sebesar 0,600 dan nilai akurasi menggunakan Decision Tree C4.5 saja sebesar 0,588.

Secara umum, klasifikasi didefinisikan sebagai metode pembelajaran yang mengklasifikasikan data ke dalam label kelas. Proses klasifikasi tersebut dapat dilakukan pada data structured dan unstructured berdasarkan training data yang telah dilakukan. Penelitian ini melakukan klasifikasi menggunakan data berita yang memiliki label berita fakta dan berita palsu. Proses klasifikasi berita tersebut menggunakan teknik Bidirectional LSTM dan menggunakan arsitektur CBOW pada Word2vec sebagai vektorisasi kata dalam membangun model klasifikasi berita. Ada tiga parameter utama yang digunakan dalam penelitian tugas akhir yaitu embedding size, windows size, dan units bilstm. Optimasi kinerja model akan dilihat dari pengaruh dari ketiga parameter tersebut. Performa model yang dibangun diukur dengan menggunakan metrik evaluasi accuracy, recall, precision, f1- score dan computational time. Hasil penelitian menunjukan bahwa model dengan windows size 3, embedding size 200, dan units 128 memiliki performa terbaik untuk data judul dengan akurasi 79.18%. Sementara untuk data konten model dengan windows size 5, embedding size 300, dan units 256 memiliki performa terbaik dengan akurasi 92.8%.

Ketercapaian siswa dalam mengaitkan satu hal dengan lainnya dalam memecahkan masalah pada matematika masih sangat jauh dari standar yang ditetapkan oleh pendidik hal ini disebabkan oleh karena siswa kurang mampu menghubungkan gambar, diagram kedalam ide dan simbol matematika. Disisi lain, faktor kepribadian siswa dalam melihat suatu permasalahan yang berkaitan dengan soal matematika adalah hal yang penting. Hal ini melatarbelakangi penelitian ini untuk menganalisis kemampuan koneksi matematis peserta Del Mathematics and Science Competition (DMSC) terkait dengan Myer-Briggs Type Indicator (MBTI) khususnya kepribadian sensing dan intuiting. Penelitian ini menggunakan  pendekatan kualitatif. Peneliti melakukan analisis terhadap sampel hasil jawaban peserta babak final. Proses analisis data dilakukan setelah mendapatkan tipe kepribadian siswa dan mendapatkan hasil jawaban dibabak final. Soal yang diberikan memiliki tujuan untuk mengetahui kemampuan koneksi matematis peserta ditinjau dari segi kepribadian. Hasil yang didapat bahwa siswa dengan tipe sensing hanya melihat data dengan apa adanya, sehingga proses dalam menemukan suatu keterkaitan  dalam matematika belum dilakukan dengan maksimal. Sementara siswa dengan tipe kepribadian intuiting memproses informasi yang diketahui pada soal untuk mencari hubungan antara representasi konsep dan prosedur. Dapat disimpulkan bahwa siswa dengan kepribadian sensing tidak dapat memahami hubungan keduanya sehingga membuat kesimpulan kurang tepat, sejalan dengan teori bahwa seseorang dengan kepribadian sensing memproses data dengan cara berstandar pada fakta konkret, praktis, realistis dan melihat data apa adanya (Mudrika). Di sisi lain, siswa dengan kepribadian intuiting mendapatkan pemahaman konsep tersebut saling terhubung sehingga dapat menyelesaikan persoalan dengan baik.

Klasifikasi teks dapat diterapkan dengan pemrosesan bahasa alami. Namun, salah satu masalah yang ditemukan pada klasifikasi teks adalah kalimat sarkasme. Sarkasme mampu mengubah makna suatu kalimat menjadi kebalikannya. Untuk mengatasi masalah tersebut, peneliti mengusulkan kombinasi word embedding Fasttext dengan model Deep Learning yaitu Bi-LSTM pada kasus deteksi sarkasme pada tweet. Fasttext merepresentasi kata dengan memanfaatkan sub-word, sehingga mampu memperoleh informasi dari sebuah kata yang belum pernah ditemukan dan mampu memahami kata yang berimbuhan. Sedangkan Bi-LSTM dapat mempelajari semantik kata yang berpengaruh dalam mengklasifikasikan tweet. Eksperimen penelitian dilakukan terhadap penggunaan hyperparameter Fasttext yaitu vector size, window, minimal number of word occurrences, epochs, dan word2vec model architecture. Berdasarkan hasil eksperimen yang dilakukan hyperparameter Fasttext memiliki pengaruh yang berbeda, dimana terjadi peningkatan dan penurunan nilai hasil evaluasi. Peningkatan hasil evaluasi lebih tampak pada penggunaan epochs pada nilai 100 dan penggunaan arsitektur CBOW.