REVIEW JURNAL

Judul Klasifikasi Text Mining Review Produk Kosmetik Untuk Teks

BahasaIndonesia Menggunakan Algoritma Naive Bayes
Nama Jurnal Jurnal Khatulistiwa Informatika
Volume dan Halaman Vol. 7/No.1Hal : 29 – 36
Tahun 2019
Tempat Terbit Jurnal Bogor
Penulis Elly Indrayuni
Reviewer
Tanggal 19 November 2021
Variabel penelitian Naive Bayes. Dan generate n-gram
Permasalahan Diperlukan waktu yang lama untuk membaca review prodek kecantikan,
sehingga dapat mengelompokkan opini.
Metode Metode penelitian yang digunakan dalam penelitian ini yaitu metode statistic
atau semantic untuk mencari sentiment polaritas.
Limitasi Penelitian Batasan dalam penelitian ini adalah confusion dan kurva ROC.
Hasil penelitian Hasil penelitian pada jurnal ini adalah Pengklasifikasian teks menggunakan
Naïve Bayes melalui proses yang cukup sederhana. Pada penelitian ini
ditambahkan fitur generate Ngram pada tahap preprocessing. Setelah
pengklasifikasian review produk kosmetik berhasil dikelompokkan menjadi
kategori opini positif dan opini negatif sehingga nilai akurasinya pun telah
muncul, maka tingkat akurasi dapat diuji untuk melihat kinerja dari hasil
pengujian model algoritma Naive Bayes. Berdasarkan evaluasi menggunakan
confusion matrix maupun ROC curve terbukti bahwa penerapan generate N-
gram pada proses preprocessing dapat mempengaruhi nilai akurasi dan nilai
AUC yang dihasilkan pada pengolahan data training menggunakan algoritma
Naïve Bayes. Untuk klasifikasi text mining review produk kosmetik dalam
bahasa Indonesia ini penerapan generate N-gram dan pengujian data training
menggunakan cross validation = 5 menghasilkan nilai akurasi yang sama yaitu
90.50% namun nilai AUC yang dihasilkan berbeda. Pada penerapan generate
N-gram = 2dan , nilai akurasi yang dihasilkan 90.50 %dengan nilai AUC
sebesar =0.715. Sedangkanpada penerapan generate N-gram = 3, nilai
akurasi yang dihasilkan sama namun nilai AUCmenurun 0.075 menjadi 0.640.
Dan terakhir untuk penerapan generate N-gram = 4, nilai AUCyang dihasilkan
menjadi 0.500, selisih 0.140 dengan penerapan generate N-gram =
3.Berdasarkan hasil eksperimen, maka hal ini membuktikan bahwa algoritma
Naive Bayesmerupakan algoritma sederhana yang dapatmenghasilkan nilai
akurasi yang tinggi. Namundengan adanya fitur generate N-gram pada
tahappreprocessing dan pengujian data trainingmenggunakan cross validation
mempengaruhinilai akurasi dan nilai AUC yangmenggambarkan kualitas
pengolahan data.
Kesimpulan Berdasarkan pengujian model menggunakan algoritma Naive Bayes pada
eksperimen yang telah dilakukan terbukti bahwa algoritma Naive Bayes
merupakan algoritma paling sederhana yang terbukti menghasilkan nilai
akurasi tinggi hingga 90.50% dengan nilai AUC sebesar 0.715. Penerapan
generate N-gram pada tahap preprocessing dapat meningkatkan nilai rata-rata
akurasi sehingga secara keseluruhan diperoleh kesimpulan bahwa penerapan
generate N-gram pada algoritma Naïve Bayes merupakan salah satu model
pengujian algoritma yang terbaik dan akurat untuk permasalahan klasifikasi
sentimen review produk kosmetik untuk teks berbahasa Indonesia.
Saran Namun ada beberapa hal yang dapat dilakukan untuk penelitian selanjutnya.
Adapun sara-saran yang diusulkan antara lain perlunya penggunaan optimasi
untuk selekasi fitur seperti Genetic Algorithm dan Chi Square untuk
meningkatkan hasil akurasi pada sebuah algoritma.
Judul Penerapan Case Based Reasoning Untuk Sistem Diagnosis Penyakit Hepatitis

Nama Jurnal JIKO (Jurnal Informatika dan Komputer) Ternate

Volume dan Halaman Vol. 2/No.1 Hal : 7 – 12
Tahun 2018
Tempat Terbit Jurnal Morotai
Penulis Miswar Papuangan
Reviewer
Tanggal 19 November 2021
Variabel penelitian Penelitian ini memiliki variable penelitian diantaranya :
 Penalaran Berbasis Kasus,
 Nearest Neighbor,
 Hepatitis
Permasalahan Mengimplementasikan CBR untuk membantu melakukan diagnosis pnyakit
hepatitis
Metode Pada penelitian ini menggunakan metode nearest neighbour yang
dinormalisasi yang dinormalisasikan dengan tingkat keyakinan pakar.
Litimasi penelitian Proses dianognosis dilakukan dengan cara memasukan CBR untuk membantu
mndiagnosis penyakit hepatitis.
Hasil penelitian Pengujian pada penelitian ini dilakukan dengan membandingkan hasil
diagnosis sistem yang dibangun dengan diagnosis permasalahan baru yang
telah divalidasi oleh pakar. Evaluasi hasil pengujian sistem dalam
mendiagnosis penyakit hepatitis dilakukan dengan menghitung akurasi.
Prediksi akurasi secara keseluruhan dapat membantu untuk melihat rincian
kinerja suatu pengklasifikasian, yaitu seberapa kelas X yang benar
diklasifikasikan sebagai kelas X atau kesalahan klasifikasi sebagai beberapa
kelas lain. Informasi ini disajikan dalam bentuk confusion matrix (Bramer,
2007). Tahap pertama yang harus dilakukan adalah membuat confusion
matrix berdasarkan masing-masing nilai similaritas hasil pengujian sistem.
Rekapitulasi hasil pengujian dengan nilai threshold sebesar 80% dan
diilustrasikan dalam bentuk grafik. Sumbu horisontal menunjukkan jenis
penyakit dan sumbu vertikal menunjukkan jumlah diagnosis benar sesuai
jenisnya.
Kesimpulan Dari proses perancangan hingga pengujian yang telah dilakukan pada sistem
CBR untuk diagnosis penyakit hepatitis, maka dapat diambil kesimpulan :
1. Penelitian ini menghasilkan sistem case-based reasoning untuk diagnosis
penyakit hepatitis dengan memperhitungkan kemiripan antara permasalahan
baru dengan kasus yang tersimpan dalam basis kasus menggunakan metode
similaritas global nearest neighbor dengan mengakomodasi tingkat keyakinan
pakar.
2. Hasil pengujian terhadap data uji penyakit hepatitis menunjukkan bahwa
dengan nilai threshold similaritas global sebesar 80%, sistem memiliki unjuk
kerja dengan tingkat akurasi sebesar 94,29%./
Saran Kedepannya agar ada penelitian yang meneruskan tentang topic ini agar
similaritasnya penyakit mampu mendekati 99%.
Judul Autoepistemic answer set programming
Nama Jurnal Jurnal Artificial Intelligence
Volume dan Halaman Vol. 2/No.1 Hal : 1 – 18.
Tahun 2020
Tempat Terbit Jurnal Prancis
Penulis Pedro Cabalar, Jorge Fandinno, dan Luis Fariñas del Cerro
Reviewer
Tanggal 19 November 2021
Permasalahan Permasalahan yang ada penelitian ini yaitu mengenai penggunaan beberapa
literal benar semua atau dibeberapa set jawaban program

Metode Penelitian ini yaitu pendekatan untuk koreksi epistemik non – motoric
Litimasi Penelitian Kecerdasan epistemic non motoric
Variabel penelitian Penelitian ini memiliki variable penelitian diantaranya :
 Spesifikasi epistemic,
 Program logika epistemic,
 Logika autoepistemik,
 Penalaran non-motorik
 Logika keseimbangan.
Hasil penelitian Spesifikasi epistemik merupakan perpanjangan dari Answer Set Programming
(ASP) yang memperkenalkan literal subjektif. Sebuah literal subjektif
memungkinkan memeriksa apakah beberapa literal reguler benar di semua
(atau di beberapa) set jawaban program, yang selanjutnya dikumpulkan dalam
set yang disebutpandangan dunia. Satu program epistemik dapat menghasilkan
beberapa pandangan dunia tetapi, di bawah semantik asli, beberapa di
antaranya dihasilkan dari derivasi yang didukung sendiri.
Kesimpulan Menjelaskan bahwa pendekatan sebelumnya melanggar kemapanan, dan
melanjutkan untuk mengusulkan semantik baru berdasarkan kombinasi Logika
Autoepistemic Moore dan Logika Ekuilibrium Pearce. Kombinasi ini
membuka jalan bagi pengembangan perpanjangan autoepistemik ASP. Hasil
utama membuktikan bahwa semantik baru ini secara tepat menangkap
kumpulan pandangan dunia dari semantik asli yang didirikan.
Saran Kedepannya agar ada penelitian yang meneruskan tentang program epistemic.