Yogyakarta, 14 Maret 2025 – Artikel penelitian berjudul “Fine-Tuned Attribute Weighted Naïve Bayes with Modified Partial Instances Reduction for Gaming Disorder Classification” oleh Anastasya Latubessy, Retantyo Wardoyo, Aina Musdholifah, & Sri Kusrohmaniah, terbit pada jurnal HighTech and Innovation Journal Vol 6, No 1 (2025), (Q1, SJR 2023: 0,540).
Dra. Sri Kusrohamaniah, M.Si., Ph.D. Psikolog, sebagai salah satu Ko-Promotor/anggota peneliti dari Fakultas Psikologi berkolaborasi dengan peneliti dari Fakultas MIPA dalam mengembangkan model baru dalam klasifikasi Gaming Disorder menggunakan Fine-Tuned Attribute Weighted Naïve Bayes (FTAWNB) yang lebih tahan terhadap outlier. Model ini, yang awalnya sensitif terhadap data ekstrem, kini diperkuat dengan teknik Modified Partial Instances Reduction (PIR), yang menggantikan nilai data outlier dengan nilai probabilitas tertinggi pada kelas sebenarnya.
Dalam pengujian menggunakan dataset Gaming Disorder, teknik baru ini berhasil meningkatkan akurasi model hingga 99,74%, meningkat 1,53% dibandingkan metode sebelumnya. Hasil ini menunjukkan bahwa pendekatan ini dapat meningkatkan ketepatan klasifikasi tanpa perlu memangkas dataset, menjadikannya solusi yang lebih andal untuk mendeteksi perilaku gaming berlebihan dengan kecerdasan buatan.
Berikut ini abstrak, kata kunci, dan link artikel tersebut.
Abstract. Fine Tuning Attribute Weighted Naïve Bayes (FTAWNB) is a reliable modified Naïve Bayes model. Even though it is able to provide high accuracy on ordinal data, this model is sensitive to outliers. To improve the performance of FTAWNB, this research modified the Partial Instances Reduction (PIR) technique to make the FTAWNB more adaptive to outliers. Nevertheless, in contrast to the original PIR technique, which substitutes missing values for data values deemed outliers, the PIR technique suggested in this study replaces data values deemed outliers using a Naïve Bayes weighting approach. The attribute values from the outlier data are replaced with the highest probability values for the attributes in the actual class. This PIR technique is referred to as modified PIR. The FTAWNB model with modified PIR has been evaluated using the Gaming Disorder dataset. Replacing the four attributes with the least amount of information resulted in accuracy gains of 99.74%, an increase of 1.53% over the FTAWNB model. The experimental result shows that adding the modified PIR technique to the FTAWNB model can handle the outlier in the data, proving it by increasing the performance in terms of accuracy, precision, and recall without pruning the dataset used. © 2025, Ital Publication. All rights reserved.
Keywords: attribute weighted; classification; fine-tune; gaming disorder; instances reduction; naïve bayes
Link: https://hightechjournal.org/index.php/HIJ/article/view/1114
Berdasarkan kata kuncinya, artikel ini adalah luaran penelitian yang fokus pada SDG: 3, 4
Selamat kepada bu Sri Kusrohmaniah dan kolega.
Penulis & Editor: Tim UP & Humas