Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDalam beberapa tahun terakhir, new psychoacytive substances NPS telah berkembang cepat dalam pasaran sebagai alternatif legal obat yang diatur oleh dunia internasional dengan potensi resiko kesehatan serius. Pada tahun 2016, sebanyak 21 senyawa diantara 56 jenis NPS yang beredar di Indonesia telah teridentifikasi merupakan turunan kanabinoid. Namun, hanya 43 dari 56 NPS yang sudah diatur dalam Peraturan Menteri Kesehatan Nomor 2 tahun 2017. Kemudian diperkirakan NPS akan terus bertambah. Penelitian ini bertujuan untuk memperoleh metode yang paling baik untuk mengklasifikasi senyawa baru golongan kanabinoid dengan menggunakan deep learning untuk meningkatkan performa analisis in silico. Penelitian ini membandingkan metode deep learning dan pemodelan farmakofor. fingerprint dua dimensi dan deskriptor sifat fisikokimia digunakan sebagai bahan pembelajaran metode deep learning. Kedua model yang dihasilkan oleh dua metode akan digunakan untuk mengklasifikasikan golongan senyawa kanabinoid baru. Didapatkan deep learning menggunakan fingerprint dua dimensi sebagai metode terbaik. Metode ini memberikan hasil akurasi dan Kohen Kappa dengan nilai 0,9904 dan 0,9876 secara berurutan. Namun, metode deep learning menggunakan deskriptor dan pemodelan farmakofor memberikan nilai akurasi 0.8958 dan 0,68 dan Kohen Kappa 0,8622 dan 0,396 . Dapat disimpulkan dari nilai akurasi dan Kohen Kappa bahwa metode deep learning fingerprint memiliki potensi untuk digunakan sebagai instrumen untuk mengklasifikasi NPS.

---

ABSTRACTIn recent years, new psychoactive substances NPS have rapidly emerged in market purportedly as legal alternatives to internationally controlled drugs, with potential to pose serious health risks. In 2016, from 56 substances which were found in Indonesia, 21 among them were found as cannabinoid derivates. However, there only 43 out of 56 NPS which have been regulated by Ministry of Health Republic of Indonesia, yet NPS expected to increase. The purpose of this study was to gain the best method to classify new cannabinoid class substances using deep learning to enhance performance of in silico analysis. This study will compared deep learning and pharmacophore modeling methods. Two dimentional fingerprint and physicochemical properties descriptor will be used as learning parameters for deep learning method. The two models produced by two methods will be used to classify new cannabinoid substances class. Deep learning with two dimentional fingerprint was found as the best method. This method shows the highest accuracy and Cohen Kappa scores, with values of 0.9904 and 0.9876 consecutively. However, deep learning method with descriptor and pharmacophore modeling method gave accuracy 0.8958 and 0.68 and Cohen Kappa 0.8622 and 0.396 . These results conclude that deep learning method with two dimentional fingerprint gives an alternative method to be used as an instrument for NPS classification. "

"ABSTRACTSaat ini new psychoacytive substances NPS telah menjadi fenomena yang perlu diperhatikan karena perkembangannya yang cepat untuk menghindari hukum yang berlaku dalam suatu negara. Perkembangan senyawa katinon pada tahun 2013 tercatat sebanyak 30 senyawa katinon sintetik kemudian terjadi peningkatan pada tahun 2018 menjadi 89 senyawa katinon sintetik. Artificial intelegence AI telah menjadi menjadi alat bantu manusia dalam melakukan pengolahan data, perkembangan AI menjadi machine learning dan deep learning penggunaannya meliputi pengenalan objek, klasifikasi gambar dan pengenalan pose manusia. Struktur suatu senyawa diubah menjadi bentuk pemodelan fingerprint sebagai informasi yang akan digunakan oleh metode clustering machine learning dan deep learning untuk melakukan klasifikasi senyawa. Sedangkan metode pemodelan farmakofor akan dijadikan pembanding dengan kedua metode diatas. Metode deep learning dengan pemodelan fingerprint mampu memberikan hasil akurasi dan Kohen Kappa dengan nilai 99,32 dan 0,992. Hasil ini menunjukan bahwa metode deep learning dengan pemodelan fingerprint memiliki potensi sebagai instrumen untuk mencegah perkembangan new psychoacytive substances dengan cara menegakan hukum yang berlaku di indonesia.

---

ABSTRACTNowadays new psychoactive substances NPS have become a phenomenon that needs to be noticed because of its rapid development in order to avoid applicable law within a country. Development of the compound katinon in the year 2013 recorded as many as 30 synthetic katinon compounds then increased in 2018 to 89 synthetic katinon compounds. Artificial intelligence AI has become a tool of human being in doing data processing, AI development become machine learning and deep learning its use include object recognition, image classification and human pose recognition. The structure of a compound was transformed into a form of fingerprint modeling as the information that will be used by the clustering method machine learning and deep learning to classify the compound. While the method of modeling pharmacophore will be used as a comparison with both methods above. Deep learning method with fingerprint modeling can give accuracy and Cohen Kappa with 99.32 and 0.992. This result shows that deep learning method with fingerprint modeling has potential as an instrument to prevent expansion of new psychoactive substances by enforcing applicable law in Indonesia."

"Pengguna media sosial di Indonesia merupakan salah satu yang terbanyak di dunia. Hal ini mendorong pemilik produk atau layanan menggunakan media sosial sebagai saluran utama untuk penjualan dan layanan pelanggan. Masyarakat Indonesia cenderung mencari ulasan online sebelum memutuskan pembelian, sehingga ulasan pengguna sangat mempengaruhi keputusan pembelian dan keberhasilan bisnis. Oleh karena itu, pemilik produk dan layanan harus cepat tanggap terhadap sentimen ulasan pengguna untuk mempertahankan reputasi dan menghindari penurunan penjualan. Analisis sentimen adalah salah satu cara untuk mengetahui sentimen terhadap produk atau layanan. Terdapat pendekatan machine learning dan deep learning dalam analisis sentimen. Penggunaan machine learning pada analisis sentimen ulasan pengguna berbahasa Indonesia telah banyak dilakukan, namun eksplorasi dalam bidang deep learning masih jarang ditemukan. Penelitian ini menggunakan model CNN-BiLSTM dan BiLSTM-CNN yang dibandingkan dengan logistic regression, support vector machine, dan naïve bayes. Pada skenario pertama, analisis ulasan pengguna di Traveloka menunjukkan model BiLSTM-CNN dengan Precision tertinggi 85% dan AUC 82.14%, serta model Support Vector Machine (SVM) dengan Accuracy 83.25% dan F1-Score 86.53%. Pada skenario kedua, analisis ulasan pengguna provider telekomunikasi menunjukkan SVM sebagai yang terbaik dengan Accuracy 78.15%, Precision 68.78%, F1-Score 76.33%, dan AUC 77.36%. Dari hasil ini, model machine learning lebih unggul dibandingkan deep learning.

---

Social media users in Indonesia are among the largest in the world. This drives product or service owners to use social media as the main channel for sales and customer service. Indonesian consumers tend to look for online reviews before making a purchase decision, so user reviews greatly influence purchasing decisions and business success. Therefore, product and service owners must quickly respond to user review sentiments to maintain reputation and avoid sales decline. Sentiment analysis is one way to understand the sentiment towards a product or service. There are machine learning and deep learning approaches in sentiment analysis. The use of machine learning in sentiment analysis of user reviews in Indonesian has been widely conducted, but exploration in the field of deep learning is still rarely found. This study uses CNN-BiLSTM and BiLSTM-CNN models compared to logistic regression, support vector machine, and naïve bayes. In the first scenario, analysis of user reviews on Traveloka shows the BiLSTM-CNN model with the highest Precision of 85% and AUC of 82.14%, and the Support Vector Machine (SVM) model with an Accuracy of 83.25% and F1-Score of 86.53%. In the second scenario, analysis of user reviews of telecommunications providers shows SVM as the best with an Accuracy of 78.15%, Precision of 68.78%, F1-Score of 76.33%, and AUC of 77.36%. From these results, machine learning models outperform deep learning models."

"Latar belakang: Penilaian usia tulang dengan metode Greulich and Pyle merupakan metode yang paling sering digunakan. Namun metode ini bersifat subjektif dan ahli yang dapat membaca usia tulang dengan metode ini belum tersebar merata. Saat ini, penilaian usia tulang melalui metode deep learning artificial intelligence mulai banyak digunakan. Metode ini dinilai lebih objektif dan memiliki akurasi yang setara atau lebih baik dibandingkan metode Greulich and Pyle.Tujuan: Penelitian ini bertujuan untuk mengetahui akurasi deep learning artificial intelligence dibandingkan Greulich and Pyle dalam menilai usia tulang.Metode: Penelitian merupakan studi potong lintang yang dilakukan di Rumah Sakit Cipto Mangunkusumo menggunakan foto tangan dan pergelangan tangan di Divisi Pencitraan yang diambil pada Desember 2022 sampai November 2023. Subjek yang diteliti adalah anak berusia 1 – 18 tahun yang diindikasikan untuk dilakukan pemeriksaan usia tulang. Akurasi dinilai melalui korelasi, perbedaan rerata, dan kesesuaian antara dua metode.Hasil: Sebanyak 275 foto dalam kurun waktu 12 bulan dimasukkan ke dalam penelitian dengan nilai tengah 9,5 tahun. Korelasi antara kedua metode pembacaan usia tulang adalah 0,971 (IK95% 0,963 – 0,977 ; p < 0,001) yang berarti memiliki korelasi positif kuat. Perbedaan rerata hasil pembacaan kedua metode adalah 0,53 tahun (IK95% 0,45 – 0,62; p < 0,001). Walaupun bermakna secara statistik, perbedaan rerata ini tidak bermakna secara klinis karena usia tulang yang abnormal harus lebih dari 2 standar deviasi. Kesesuaian pembacaan usia tulang antara kedua metode baik dengan nilai kappa 0,752 (IK95% 0,675 – 0,828; p < 0,001).Kesimpulan: Penilaian usia tulang dengan metode deep learning artificial intelligence memiliki akurasi yang sama dengan metode Greulich and Pyle.

---

Background: Bone age assessment using the Greulich and Pyle method is the most frequently used. However, this method is subjective and experts who can read bone age using this method are not evenly distributed. Currently, bone age assessment using deep learning artificial intelligence methods is starting to be widely used. This method is considered more objective and has equivalent or better accuracy.

Objective: This study aims to determine the accuracy of deep learning artificial intelligence compared to Greulich and Pyle in assessing bone age.

Method: This was a cross-sectional study conducted at Cipto Mangunkusumo Hospital using radiology of the hands and wrists in the Imaging Division taken from December 2022 to November 2023. The subjects studied were children aged 1 – 18 years who were indicated for bone age examination. Accuracy was assessed through correlation, mean difference, and agreement between the two methods.

Results: A total of 275 photos over a 12 month period were included in the study with a median value of 9.5 years. The correlation between the two bone age assessment methods was 0.971 (95% CI 0.963 – 0.977; p < 0.001), which showed a strong positive correlation. The mean difference between the two methods was 0.53 years (95% CI 0.45 – 0.62; p < 0.001). Although it had statistically significant, this mean difference was not clinically significant because the abnormal bone age must be more than 2 standard deviations. The agreement between bone age readings between the two methods was good with a kappa value of 0.752 (95% CI 0.675 – 0.828; p < 0.001).

Conclusion: Bone age assessment using the deep learning artificial intelligence method has the same accuracy as the Greulich and Pyle method."

"Terumbu karang merupakan organisme laut yang memberikan keuntungan untuk banyak mahluk hidup lainnya. Semakin parahnya polusi pada air dan perubahan iklim yang tidak menentu menyebabkan kesehatan terumbu karang terancam. Proyeksi untuk tahun 2050 menunjukkan bahwa 95% terumbu karang kemungkinan akan mengalami pemutihan. Penelitian ini mengusulkan untuk menerapkan deep learning untuk mengklasifikasikan tipe dan level kesehatan terumbu karang yang klasifikasinya dibagi berdasarkan bagan kesehatan CoralWatch, yaitu dibagi menjadi level 1 – 6. Klasifikasi kesehatan terumbu karang pada penelitian ini dibagi menjadi 6 label, yaitu lv.6, lv.5, lv.4, lv.3, lv.2, dan lv.1. Sedangkan untuk klasifikasi tipe terumbu karang terdapat 3 kelas, yaitu Boulder, Table, dan Branching. Hasil akhir penelitian ini adalah model untuk klasifikasi tipe dan level kesehatan terumbu karang. Bahasa pemograman yang digunakan adalah python, dan arsitektur yang digunakan adalah ResNet, MobileNetV2, DenseNet, dan VGG19. Pada penelitian ini didapat akurasi terbaik sebesar 100% untuk klasifikasi tipe terumbu karang dengan arsitektur DenseNet dan untuk klasifikasi kesehatan terumbu karang didapat akurasi sebesar 55% dengan arsitektur DenseNet.

---

Coral reefs are marine organisms that provide benefits to many other living creatures. The worsening pollution in the water and unpredictable climate changes threaten the health of coral reefs. Projections for 2050 indicate that 95% of coral reefs are likely to experience bleaching. This research proposes to apply deep learning to classify the types and health levels of coral reefs, with classifications divided based on the CoralWatch health chart, ranging from level 1 to 6. The health classification of coral reefs in this study is divided into 6 labels: lv.6, lv.5, lv.4, lv.3, lv.2, and lv.1. Meanwhile, for the classification of coral reef types, there are 3 classes: Boulder, Table, and Branching. The final outcome of this research is a model for classifying the types and health levels of coral reefs. The programming language used is Python, and the architectures used are ResNet, MobileNetV2, DenseNet, and VGG19. In this study, the best accuracy obtained for the classification of coral reef types is 100% with the DenseNet architecture, while for the classification of coral reef health, the accuracy obtained is 55% with the DenseNet architecture."

"Inhibitor Dipeptidil peptidase 4 (DPP-4) merupakan salah satu golongan obat anti diabetes oral yang bekerja menghambat DPP-4 dalam menginaktivasi GLP-1 yang umumnya terjadi secara cepat. Namun, karena masih sedikit variasi obat antidiabetes golongan inhibitor DPP-4, membuka peluang untuk ditemukannya senyawa lain yang berfungsi sebagai inhibitor DPP-4. Studi ini bertujuan untuk mempelajari analisis penambatan molekul senyawa turunan arilmetilamin dengan DPP-4 dan menemukan parameter farmakofor yang optimum untuk proses selanjutnya yaitu, menemukan senyawa kandidat dari turunan arilmetilamin sebagai inhibitor DPP-4. Proses penambatan molekul dilakukan menggunakan software Autodock terhadap senyawa turunan arilmetilamin pada salah satu makromolekul kokristal DPP-4. Parameter farmakofor yang optimum didapatkan dari software LigandScout. Fitur farmakofor yang dihasilkan dari 33 senyawa turunan arilmetilamin divalidasi menggunakan test set yang terdiri dari senyawa actives dan decoy yang didapatkan dari DUD-E. Sebanyak 33 senyawa turunan arilmetilamin yang diuji dengan metode penambatan molekul menunjukan interaksi dengan triad katalitik (Glu 205, Glu 206, Ser 630) dari DPP-4 dan memiliki energi ikatan yang baik (G) yaitu dibawah-8,00 kkal/mol. Model farmakofor terbaik dengan nilai model farmakofor 0,9666 yang divalidasi dengan 1.079 active dan 41.373 decoy menghasilkan nilai parameter EF1% = 3,1, EF5% = 3,1, dan AUC100% = 0,50. Nilai tersebut di bawah parameter yang terdapat DUD-E. Oleh karena itu, dapat disimpulkan bahwa senyawa turunan arilmetilamin memiliki potensi sebagai inhibitor DPP-4 terbukti dari analisis interaksi yang terjadi dalam penambatan molekul, namun belum didapatkan fitur farmakofor yang optimum untuk proses penemuan senyawa kandidat senyawa turunan arilmetilamin sebagai DPP-4 inhibitor.

---

Dipeptydil Peptidase 4 (DPP-4) inhibitor is a class of oral antidiabetic drugs that works to inhibit activity of DPP-4 in process of inactivating GLP-1 which occurs quickly. However, there are few variations of antidiabetic drugs in that class, it opens up opportunities for other compounds to be developed as DPP-4 inhibitors. This study aims to learn about molecular docking analysis of arylmethylamine derivatives with DPP-4 and to find the optimum pharmacophore parameter for the next process. Therefore, this study can found lead compound from arylmethylamine derivatives as DPP-4 inhibitors. The molecular docking process was carried out using Autodock software. Meanwhile, the optimum pharmacophore parameters were obtained from LigandScout software. The pharmacophore features produced from arylmethylamine derivative compounds were validated using test set, consisting of actives and decoy compounds obtained from DUD-E. Molecular docking of 33 arylmethylamine derivative compounds show interactions with the catalytic triad (Glu 205, Glu 206, Ser 630) from DPP-4 and have good value of energy bond(G) which is below -8.00 kcal/mol. The best pharmacophore model with a value of scoring model pharmacophore 0.9666 was validated with 1,079 active and 41,373 decoys. This validation produced parameter values EF1% = 3.1, EF5% = 3.1, and AUC100% = 0.50 which are still below with parameters shown at DUD-E site. These results conclude that arylmethylamine derivatives have potential as DPP-4 inhibitors as showed by the interaction analysis that occurs in molecular docking, but the optimum pharmacophore feature has not been obtained for the process of finding arylmethylamine derivative lead compounds as DPP-4 inhibitors."

"Beras organik adalah beras yang memiliki nilai kesehatan yang tinggi untuk dikonsumsi. Hal ini dikarenakan pembudidayaannya yang dilakukan secara alami dan tidak dipengaruhi oleh bahan-bahan kimia berbahaya yang dapat menyebabkan timbulnya penyakit. Beras organik sudah banyak beredar dipasaran dengan varietas yang beragam serta bersumber dari berbagai wilayah di Indonesia. Penelitian ini dilakukan karena varietas beras organik dari asal daerah yang berbeda memiliki karakteristik yang unik berdasarkan sifat spektral dan spasial untuk dapat dijadikan parameter sistem pengenalan beras organik tanpa merusak sampel dan dapat dilakukan dengan waktu yang relatif cepat. Sistem ini dibuat dengan memanfaatkan pencitraan hyperspectral pada rentang panjang gelombang (400 - 1000 nm) dengan pemodelan klasifikasi pada 5 varietas beras yaitu C4, mentik wangi susu, rojolele, pandan wangi dan situjuh yang berasal dari 3 wilayah di Indonesia yaiu Magelang, Bukittinggi dan Solo. Sistem pengklasifikasian yang dirancang ialah, arsitektur Autoencoder CNN, Alexnet CNN, dan Proposed CNN dengan akurasi rata-rata tertinggi ialah menggunakan Proposed CNN yang memiliki nilai akurasi mencapai 97,59% untuk pengenalan asal daerah beras organik, 93,80% untuk pengenalan varietas beras organik dan 93,89% untuk pengenalan varietas dan beras organik secara bersamaan.

---

Organic rice is a type of rice that has a high health value for consumption. This is because of its natural cultivation and also because it's not affected by the hazardous chemicals that can cause disease. Organic rice has been circulating on the market with various varieties and originated from various regions in Indonesia. This study was conducted because organic rice varieties from different regions have unique characteristics based on spectral and spatial properties so that they can be used as recognition system parameters without damaging the sample and can be carried out in a relatively fast time. This system was created by utilizing hyperspectral imaging in the wavelength range (400 - 1000 nm) with classification modeling in 5 rice varieties is C4, Mentik Wangi Susu, Rojolele, Pandan Wangi and Situjuh from 3 regions in Indonesia that is Magelang, Bukittinggi and Solo. The classification using model of CNN Architectur Autoencoder, Alexnet CNN, and Proposed CNN. The classification results with the highest average accuracy is the classification that uses the Proposed CNN, which has an accuracy value of 97.59% for the introduction of the regional origins of the organic rice, 93.80% for the introduction of the varieties of the organic rice, and 93.89% for the introduction of the varieties and the regional origins simultaneously.

"

"Serangan MitM ini memiliki dampak yang cukup besar dan dapat membuka jalan untuk serangan selanjutnya, seperti Phishing. Penelitian ini membahas tentang pendekatan metode hybrid deep learning yang dapat membantu pendeteksian serangan MitM secara efektif. Metode hybrid deep learning yang digunakan dalam penelitian ini adalah CNN-MLP dan CNN-LSTM, yaitu merupakan gabungan dari CNN, MLP, dan LSTM. Selain itu, dalam skenario eksperimennya menggunakan berbagai metode feature scaling (StandardScaler, MinMaxScaler, dan MaxAbsScaler) dan tanpa menggunakan metode feature scaling sebelum melakukan pemodelan, yang kemudian akan ditentukan metode hybrid deep learning yang terbaik untuk mendeteksi serangan MitM dengan baik. Dataset yang digunakan dalam penelitian ini yaitu Kitsune Network Attack Dataset (ARP MitM Ettercap). Hasil dari penelitian ini yaitu metode CNN-MLP dengan 10 epoch menggunakan MaxAbsScaler memiliki nilai accuracy tertinggi, yaitu 99.93%. Pada urutan kedua, CNN-MLP dengan 10 epoch menggunakan StandardScaler memiliki nilai accuracy sebesar 99.89%.

---

Man in the Middle (MitM) has a sizeable impact because it could make the attackers will do another attacks, such as Phishing. This research is discussing about hybrid deep learning methods-approach on detecting MitM attacks effectively. We were used 2 (two) combinations of the Deep Learning methods (CNN, MLP, and LSTM), which are CNN-MLP and CNN-LSTM. Besides that, in the experiment scenarios, we also used various Feature Scaling methods (StandardScaler, MinMaxScaler, and MaxAbsScaler) and without using any Feature Scaling methods before building the models and will determine the better hybrid Deep Learning methods for detecting MitM attack. Kitsune Network Attack Dataset (ARP MitM Ettercap) is the dataset used in this study. The results of this research proves that CNN-MLP that with 10 epoch using MaxAbsScaler has the highest accuracy rate of 99.93%. In second place, CNN-MLP with 10 epoch using StandardScaler has the accuracy rate of 99.89%."

""Deep learning is a form of machine learning that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts. Because the computer gathers knowledge from experience, there is no need for a human computer operator to formally specify all the knowledge that the computer needs. The hierarchy of concepts allows the computer to learn complicated concepts by building them out of simpler ones; a graph of these hierarchies would be many layers deep. This book introduces a broad range of topics in deep learning. The text offers mathematical and conceptual background, covering relevant concepts in linear algebra, probability theory and information theory, numerical computation, and machine learning. It describes deep learning techniques used by practitioners in industry, including deep feedforward networks, regularization, optimization algorithms, convolutional networks, sequence modeling, and practical methodology; and it surveys such applications as natural language processing, speech recognition, computer vision, online recommendation systems, bioinformatics, and video games. Finally, the book offers research perspectives, covering such theoretical topics as linear factor models, autoencoders, representation learning, structured probabilistic models, Monte Carlo methods, the partition function, approximate inference, and deep generative models. Deep Learning can be used by undergraduate or graduate students planning careers in either industry or research, and by software engineers who want to begin using deep learning in their products or platforms. A website offers supplementary material for both readers and instructors"--Page 4 of cover."

"Pemilihan metode machine learning atau deep learning menjadi suatu permasalahan dalam klasifikasi. Hal ini didapatkan dari penelitian yang menunjukkan bahwa deep learning kinerjanya lebih baik daripada machine learning, namun terdapat penelitian bahwa kedua metode tersebut kinerjanya tidak menentu tergantung dataset yang digunakan. Oleh karena itu, penelitian ini membandingkan kinerja dari machine learning dan deep learning untuk permasalahan klasifikasi teks dan analisis sentimen terhadap dampak Covid-19 di Indonesia. Hasil penelitian ini menunjukkan bahwa kinerja pada klasifikasi teks dan analisis sentimen menggunakan metode machine learning lebih baik dibandingkan dengan deep learning. Hasil penelitian mengenai klasifikasi teks menunjukkan bahwa kinerja metode machine learning yaitu Label Powerset dan Random Forest menghasilkan akurasi 77 % sedangkan kinerja metode deep learning yaitu Long Short-Term Memory (LSTM) dan Gate Reccurent Unit (GRU) menghasilkan akurasi 48%. Hasil penelitian mengenai analisis sentimen menunjukkan bahwa kinerja metode machine learning yaitu Label Powerset dan Random Forest menghasilkan akurasi 63 % sedangkan kinerja metode deep learning yaitu Long Short-Term Memory (LSTM) dan Gate Reccurent Unit (GRU) menghasilkan akurasi 55% dan 54%. Keseimbangan jumlah label pada semua label mempengaruhi hasil dari klasifikasi. Oleh karena itu, disarankan untuk menggunakan metode untuk menyeimbangkan jumlah label yang digunakan untuk klasifikasi.

---

The choice of machine learning or deep learning methods becomes a problem in classification. This is obtained from research which shows that deep learning performs better than machine learning, but there is research that the two methods perform erratically depending on the dataset used. Therefore, this study compares the performance of machine learning and deep learning for text classification problems and sentiment analysis on the impact of Covid-19 in Indonesia. The results of this study indicate that the performance of text classification and sentiment analysis using machine learning methods is better than deep learning. The results of research on text classification show that the performance of machine learning methods, namely Label Power and Random Forest, produces an accuracy of 77%, while the performance of deep learning methods, namely Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), produces an accuracy of 48%. The results of the research on sentiment analysis show that the performance of machine learning methods, namely Label Power and Random Forest, produces an accuracy of 63%, while the performance of deep learning methods, namely Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), produces 55% and 54% accuracy. The balance of the number of labels on all labels affects the results of the classification. Therefore, it is advisable to use a method to balance the number of labels used for classification."