1. Analisis Sistem Pendukung Keputusan dengan Model Klasifikasi Berbasis Machine Learning dalam Penentuan Penerima Program Indonesia Pintar
Tujuan: Menentukan penerima program beasiswa menggunakan model klasifikasi untuk meningkatkan akurasi penyeleksian berdasarkan data sosial dan akademik.
Cara: Menggunakan algoritma seperti Decision Tree atau Random Forest pada dataset yang mencakup informasi siswa. Model ini dilatih dan diuji untuk menghasilkan keputusan otomatis.
2. Analisis Komparasi Algoritma Machine Learning untuk Sentiment Analysis (Studi Kasus: Komentar YouTube “Kekerasan Seksual”)
Tujuan: Membandingkan performa berbagai algoritma machine learning untuk analisis sentimen terkait komentar tentang isu kekerasan seksual.
Cara: Dataset komentar YouTube diekstraksi, lalu model seperti SVM, Naive Bayes, dan Logistic Regression diaplikasikan. Hasil akurasi dibandingkan untuk menentukan algoritma terbaik.
3. Deteksi Emosi dari Teks Chat Menggunakan NLP dan Algoritma Support Vector Machine
Tujuan: Mengidentifikasi emosi dalam teks percakapan untuk meningkatkan pengalaman pengguna di platform digital.
Cara: Dataset teks chat diproses menggunakan teknik NLP seperti tokenisasi, kemudian diklasifikasikan menggunakan algoritma SVM.
4. Implementasi Machine Learning Pengenalan Wajah Menggunakan Metode Fisherface
Tujuan: Membangun sistem pengenalan wajah yang akurat untuk aplikasi keamanan.
Cara: Menggunakan metode Fisherface untuk ekstraksi fitur dari gambar wajah dan membedakan identitas berdasarkan data latih. Model ini diuji dengan dataset gambar wajah.
5. Sistem Deteksi Berita Hoax Menggunakan Algoritma Naive Bayes dan Random Forest pada Machine Learning
Tujuan: Mendeteksi berita hoax secara otomatis untuk mengurangi penyebaran informasi palsu.
Cara: Menggunakan dataset berita yang sudah diberi label, lalu menerapkan Naive Bayes dan Random Forest untuk klasifikasi. Model ini dilatih untuk membedakan antara berita asli dan hoax.