http://repository.ipb.ac.id/handle/123456789/162418 Wed, 12 Aug 2026 09:54:03 GMT 2026-08-12T09:54:03Z http://repository.ipb.ac.id/handle/123456789/178452 Klasifikasi Tingkat Keparahan Penyakit Mata Diabetic Retinopathy Menggunakan ResNet-50 dan Visualisasi GradCAM ALZAKY, LUTHFIANO Diabetic Retinopathy (DR) merupakan komplikasi diabetes pada mata yang dapat menyebabkan gangguan penglihatan hingga kebutaan. Penelitian ini menerapkan ResNet-50 berbasis transfer learning dan visualisasi Gradient- weighted Class Activation Mapping (GradCAM) untuk mengklasifikasikan tingkat keparahan DR pada dataset APTOS 2019 yang terdiri atas 3.662 citra fundus. Tahap praproses meliputi pengubahan ukuran citra, Contrast-Limited Adaptive Histogram Equalization (CLAHE), oversampling, augmentasi berupa rotasi, zoom, dan flip horizontal, serta normalisasi. Optimasi hyperparameter menggunakan Grid Search terhadap 18 kombinasi menghasilkan konfigurasi terbaik berupa learning rate 0,001, optimizer AdamW, dropout 0,6, dan batch size 64 dengan QWK validasi 0,8849. Pelatihan akhir dalam lima pengulangan menghasilkan rata-rata QWK 0,9359 pada data validasi dan 0,9242 pada data uji. Performa terbaik dan paling stabil diperoleh pada kelas Normal, sedangkan kelas Severe dan Proliferative masih menunjukkan variasi performa lebih besar. GradCAM memperlihatkan perhatian model pada area retina yang relevan. Dengan demikian, integrasi ResNet-50 dan GradCAM berpotensi menjadi alat bantu dokter dalam mendeteksi tingkat keparahan DR secara lebih terinterpretasi.; Diabetic Retinopathy (DR) is a diabetic eye complication that can lead to visual impairment and blindness. This study applies ResNet-50 with transfer learning and Gradient-weighted Class Activation Mapping (GradCAM) to classify DR severity using the APTOS 2019 dataset, comprising 3,662 fundus images. Preprocessing included image resizing, Contrast-Limited Adaptive Histogram Equalization (CLAHE), oversampling, data augmentation through rotation, zoom, and horizontal flip, and normalization. Hyperparameter optimization using Grid Search across 18 combinations identified the best configuration: a learning rate of 0.001, AdamW optimizer, 0.6 dropout, and a batch size of 64, achieving a validation QWK of 0.8849. Final training over five repetitions achieved mean QWK scores of 0.9359 on validation data and 0.9242 on test data. The model performed best and most consistently on the Normal class, while Severe and Proliferative classes showed greater performance variation. GradCAM highlighted retinal regions relevant to classification. Therefore, the integration of ResNet-50 and GradCAM has the potential to support clinicians in detecting DR severity through visually interpretable results. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/178452 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/178332 Klasifikasi Sentimen Dengan Indobertweet Dan Pemodelan Bertopic Isu Program Magang Berdampak Pada Platform-X Arini, Aurally Budi Program Magang Berdampak 2025 menimbulkan berbagai diskusi di media sosial, khususnya pada platform X, tempat mahasiswa aktif membagikan opini dan pengalaman mereka terkait program tersebut. Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik serta mengidentifikasi topik-topik dominan yang muncul dalam pembahasan mengenai Program Magang Berdampak 2025 menggunakan pendekatan klasifikasi sentimen dan pemodelan topik. Klasifikasi sentimen dilakukan menggunakan IndoBERTweet, yaitu model transformer pralatih yang dirancang khusus untuk data Twitter berbahasa Indonesia. Sementara itu, pemodelan topik dilakukan menggunakan Improved BERTopic yang mengintegrasikan embedding IndoBERTweet, reduksi dimensi menggunakan Uniform Manifold Approximation and Projection (UMAP), clustering menggunakan Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH), serta representasi topik menggunakan pembobotan BM25. Hasil klasifikasi sentimen menunjukkan bahwa model IndoBERTweet memperoleh nilai balanced accuracy sebesar 0,77 yang mengindikasikan performa yang baik dalam mengklasifikasikan sentimen. Model Improved BERTopic berhasil menghasilkan 9 topik. Hasil penelitian menunjukkan bahwa mahasiswa memiliki ketertarikan yang tinggi terhadap Program Magang Berdampak 2025. Namun, diskusi masih didominasi oleh permasalahan terkait sistem pendaftaran, lowongan, aksesibilitas informasi, serta munculnya jasa joki CV. Temuan ini diharapkan dapat mendukung evaluasi program dan menjadi bahan pertimbangan dalam pengembangan program magang pendidikan di masa mendatang.; The Magang Berdampak 2025 program has generated extensive discussions on social media, particularly on the X platform, where students actively share their opinions and experiences regarding the program. This study aims to classify public sentiment and identify the dominant topics emerging from discussions on the Magang Berdampak 2025 program using sentiment classification and topic modeling approaches. Sentiment classification was performed using IndoBERTweet, a pre-trained transformer model specifically designed for Indonesian Twitter data. Meanwhile, topic modeling was conducted using an Improved BERTopic framework that integrates IndoBERTweet embeddings, dimensionality reduction through Uniform Manifold Approximation and Projection (UMAP), clustering with Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH), and topic representation based on BM25 weighting. The sentiment classification results show that the IndoBERTweet model achieved a balanced accuracy of 0.77, indicating good performance in classifying sentiment. The Improved BERTopic model successfully identified nine distinct topics. The findings reveal that students demonstrate a high level of interest in the Magang Berdampak 2025 program. However, the discussions are still dominated by issues related to the registration system, internship vacancies, information accessibility, and the emergence of CV-writing services. These findings are expected to support program evaluation and provide valuable insights for the future development of educational internship programs. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/178332 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/178331 Pengaruh Tahapan Preprocessing terhadap Performa Model IndoBERT dan IndoBERTweet pada Analisis Sentimen Banjir Aceh 2025 IZZATI, NAIYA DZIL Banjir merupakan salah satu bencana hidrometeorologi yang paling sering terjadi di Indonesia dan sering menjadi topik pembahasan masyarakat di media sosial. Penelitian ini bertujuan menganalisis pengaruh tahapan preprocessing terhadap performa model IndoBERT dan IndoBERTweet pada klasifikasi sentimen terkait banjir Aceh. Data penelitian terdiri atas 5403 cuitan yang diberi label secara manual ke dalam tiga kelas sentimen, yaitu negatif, netral, dan positif. Penelitian menerapkan tiga skenario preprocessing dengan tingkat kompleksitas yang berbeda, kemudian performa model dievaluasi menggunakan balanced accuracy dan F1-score macro. Hasil penelitian menunjukkan bahwa IndoBERT mencapai performa terbaik pada skenario preprocessing minimal dengan nilai balanced accuracy sebesar 0,8575 dan F1-score macro sebesar 0,8428. Sedangkan, IndoBERTweet memperoleh performa terbaik dengan nilai balanced accuracy sebesar 0,8677 F1-score macro sebesar 0,8435, sekaligus menjadi model dengan performa tertinggi pada penelitian ini. IndoBERTweet menunjukkan performa yang lebih konsisten dibandingkan IndoBERT pada seluruh skenario preprocessing. Sebaliknya, performa IndoBERT cenderung menurun seiring bertambahnya tahapan preprocessing. Temuan ini menunjukkan bahwa pengaruh preprocessing berbeda pada setiap model sehingga pemilihan tahapan preprocessing perlu disesuaikan dengan karakteristik model dan data yang digunakan.; Floods are one of the most frequent hydrometeorological disasters in Indonesia and are often discussed on social media. This study aimed to analyze the effect of preprocessing on the performance of IndoBERT and IndoBERTweet models for sentiment classification related to the 2025 Aceh flood. The dataset consisted of 5,403 tweets that were manually labeled into three sentiment classes: negative, neutral, and positive. Three preprocessing scenarios with different levels of complexity were applied, and model performance was evaluated using balanced accuracy and macro F1-score. The results showed that IndoBERT achieved its best performance under the minimal preprocessing scenario, with a balanced accuracy of 0.8575 and a macro F1-score of 0.8428. Meanwhile, IndoBERTweet achieved its best performance under a more complex preprocessing scenario, with a balanced accuracy of 0.8677 and a macro F1-score of 0.8435, making it the best-performing model in this study. In general, IndoBERTweet showed more consistent performance than IndoBERT across all preprocessing scenarios. In contrast, the performance of IndoBERT decreased as the preprocessing stages became more complex. These findings indicate that the effect of preprocessing differs across models, and therefore preprocessing strategies should be adjusted to the characteristics of the model and the data used. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/178331 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/178245 PERBANDINGAN KINERJA LDA DAN KEYNMF DALAM PEMODELAN TOPIK DISKURSUS PUBLIK TERKAIT ISU LPDP PADA MEDIA SOSIAL Pratiwi, Adinda Sebagai program pemerintah, beasiswa Lembaga Pengelola Dana Pendidikan (LPDP) menjadi salah satu program yang banyak diperbincangkan di media sosial, terutama setelah munculnya kontroversi alumni LPDP pada Februari 2026. Diskursus tersebut menghasilkan data teks dalam jumlah besar yang memerlukan metode topic modeling untuk mengidentifikasi topik-topik dominan secara efektif. Penelitian ini bertujuan membandingkan kinerja metode LDA dan KeyNMF dalam pemodelan topik pada data media sosial berbahasa Indonesia terkait LPDP serta mengidentifikasi dan menginterpretasikan topik-topik dominan menggunakan metode terbaik. Penelitian menggunakan 1709 tweet dari platform X dan 3800 komentar YouTube yang dikumpulkan melalui scraping pada periode 15 Februari hingga 28 Februari 2026. Tahapan penelitian meliputi prapemrosesan teks, pemodelan topik, serta evaluasi berdasarkan topic coherence, topic diversity, document coverage, dan interpretabilitas topik. Hasil penelitian menunjukkan bahwa LDA memberikan performa terbaik pada data platform X dengan nilai topic diversity sebesar 1 dan document coverage sebesar 0.809, sedangkan KeyNMF memberikan performa terbaik pada data YouTube dengan nilai topic coherence sebesar 0.506 dan interpretabilitas topik yang lebih baik. Jumlah topik optimal pada kedua data sama-sama berjumlah 7 topik yang secara garis besar berfokus pada 5 isu utama terkait kewarganegaraan penerima, pengelolaan dana publik, seleksi dan sasaran penerima, tata kelola dan kebijakan, serta komitmen alumni dan manfaat program.; As a government program, the Education Fund Management Agency (LPDP) scholarship has become one of the most talked-about topics on social media, particularly following the controversy involving LPDP alumni in February 2026. This discourse has generate large volume of text data that requires topic modeling methods to effectively identify dominant topics. This study aims to compare the performance of LDA and KeyNMF for topic modeling on Indonesian-language social media data related to LPDP and to identify and interpret the dominant topics using the best method. The dataset consists of 1709 tweetsfrom X and 3800 YouTube comments collected via scraping between February 15 and February 28, 2026. The research stages included text preprocessing, topic modeling, and evaluation based on topic coherence, topic diversity, document coverage, and topic interpretability. The results showed that LDA performed best on the X platform data, with a topic diversity score of 1 and a document coverage score of 0.809, while KeyNMF performed best on the YouTube data, with a topic coherence score of 0.506 and better topic interpretability. The optimal number of topics for both datasets is 7, broadly focusing on 5 issues related to recipients’ citizenship, public fund management, recipient selection and targeting, governance and policy, and alumni engagement and program benefits. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/178245 2026-01-01T00:00:00Z