Esther Irawati Setiawan

Dr. Esther Irawati Setiawan


Research Focus & Metrics

Academic Career Length

14Years (2013-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 January 2024
Verified
Conference Paper
Open access
PDF file
JSJoan Santoso
Joan Santoso
PSPatrick Sutanto
Patrick Sutanto
BCBilly Cahyadi
Billy Cahyadi
ESEsther Irawati Setiawan
Esther Irawati Setiawan
Joan Santoso, Patrick Sutanto, Billy Cahyadi, Esther Setiawan. Findings of the Association for Computational Linguistics ACL 2024. 2024.

13 April 2023 in Journal of Intelligent System and Computation
Verified
Journal Article
Open access
PDF file
SISyaiful Imron
Syaiful Imron
ESEsther Irawati Setiawan
Esther Irawati Setiawan
JSJoan Santoso
Joan Santoso
Dengan semakin berkembangnya teknologi informasi, maka muncul istilah e-commerce dalam dunia bisnis. Pada e-commerce ada fitur review, pelanggan dapat memberikan review berupa teks, gambar, dan bintang. Review tersebut merupakan opini dari pelanggan terkait barang yang dibeli. Tetapi pada kebanyakan e-commerce tidak ada fitur kategori terkait review hal ini membuat calon pembeli kesusahan dalam menganalisa secara manual. Aspect-based sentiment analysis (ABSA) merupakan solusi dari permasalahan tersebut. ABSA memiliki tiga tugas salah satunya Aspect Category Detection yang memiliki fungsi untuk menggabungkan review pelanggan menjadi beberapa aspek dimana aspek-aspek tersebut sudah didefinisikan terlebih dahulu. Cukup banyak penelitian terkait Aspect Category Detection dengan mengunakan machine learning. Dari beberapa metode yang diuji, Convolutional Neural Network (CNN) merupakan metode terbaik. Selain itu penggunaan BERT sebagai word embedding menghasilkan output yang bagus baik dari pada word embedding konvensional. Penelitian ini menggunakan dataset dari e-commerce Bukalapak dengan 3114 review dan 6 aspek (Akurasi, Pengiriman, Kualitas, Harga, Pengemasan, dan Pelayanan). Berdasarkan ujicoba dengan menggunakan IndoBERT sebagai word embedding dan CNN untuk deteksi aspek, maka didapatkan akurasi sebesar 94,86%. Dengan demikian model tersebut dapat digunakan untuk deteksi aspek. Selain itu, metode CNN mendapatkan hasil yang lebih baik dari pada metode LSTM.

29 May 2023 in IEEE Transactions on Instrumentation and Measurement
Verified
Journal Article
Closed access
FFF. X. Ferdinandus
F. X. Ferdinandus
JSJoan Santoso
Joan Santoso
ESEsther Irawati Setiawan
Esther Irawati Setiawan
EYEko Mulyanto Yuniarno
Eko Mulyanto Yuniarno
IPI Ketut Eddy Purnama
I Ketut Eddy Purnama
MPMauridhi Hery Purnomo
Mauridhi Hery Purnomo
Covid-19 is still the attention of researchers in medical image analysis. Following the initial respiratory diagnosis, a CT-scan examination will be performed. Segmentation of infection within the lung area is needed as the next step after the examination. In recent years, image segmentation has been carried out with the help of Deep Learning. U-Net CNN is one of the Deep Learning-based architectures widely used in medical image segmentation. Our research aims to support radiologists in visualizing Covid-19 infection in 3D based on CNN’s U-Net segmentation. It results in two types of visualization: 3D bitmap and 3D Mesh. 3D visualization can contribute to seeing the extent of infection and calculating the predicted percentage of Covid-19 infection volume in the patient’s lungs. The dataset for training model CNN is relatively small, consisting of 20 CT scans of Zenodo’s Covid-19 patients, divided into 17 patients, 2808 images (80%) for training, and three patients, 712 images (20%) for testing. The segmentation evaluation metrics used are DICE, Precision, and Accuracy, while the evaluation metrics for 3D volume are Relative Volume Difference (RVD) and Volumetric Similarity (VS). Finally, the prediction of the percentage of infection volume to the patient’s lung volume is given. The evaluation results were satisfactory, obtaining 95% DICE scores for lung image segmentation and 75% for infection segmentation. The predicted 3D visualization volume also scored higher than 90% for both lung volume and infection. Furthermore, for calculating the prediction of infection volume against lung volume, we achieved a maximum difference of 3% from the ground truth value.

1 December 2024 in Journal of Applied Data Sciences
Verified
Journal Article
Open access
PDF file
ESEsther Irawati Setiawan
Esther Irawati Setiawan
PTPatrick Tjendika
Patrick Tjendika
JSJoan Santoso
Joan Santoso
FFFx Ferdinandus
Fx Ferdinandus
GGGunawan Gunawan
Gunawan Gunawan
KFKimiya Fujisawa
Kimiya Fujisawa
Aspect-Based Sentiment Analysis of Healthcare Reviews from Indonesian Hospitals based on Weighted Average Ensemble

5 December 2019 in Journal of Intelligent System and Computation
Verified
Journal Article
Open access
PDF file
MRMuhammad Arief Rahman
Muhammad Arief Rahman
HBHerman Budianto
Herman Budianto
ESEsther Irawati Setiawan
Esther Irawati Setiawan
Internet sebagai sarana informasi dan komunikasi sudah sangat dikenal di kalangan masyarakat dalam menawarkan kemudahan dan fleksibilitas yang cukup memadai ketika menjadi media. Oleh karena itu opini publik terhadap Operator Telekomunikasi merupakan hal yang sangat penting untuk dijadikan patokan. Namun, untuk mengevaluasi umpan balik online itu, bukan masalah sederhana. Kadang-kadang ketika menganalisis ulasan online yang berkembang pesat ini, menjadi sulit untuk mengkategorikan apakah opini pelanggan puas atau tidak puas terhadap produk dan layanan. Selain itu, sebagai bagian dari peningkatan kualitas mereka, organisasi seperti jasa ini perlu mengklasifikasikan aspek produk dan layanan yang paling disukai pelanggan. Deep Learning adalah area baru dalam penelitian Machine Learning, yang telah diperkenalkan dengan tujuan menggerakkan Machine Learning lebih dekat dengan salah satu tujuan aslinya yaitu Artificial Intelligence. Deep Learning adalah tentang belajar beberapa tingkat representasi dan abstraksi yang membantu untuk memahami data seperti gambar, suara, dan teks. Convolutional Neural Network adalah salah satu contoh metode Deep Learning. Metode Convolutional Neural Network diharapkan dapat digunakan dalam pengimplementasian opini publik untuk keperluan data training yang dikumpulkan dari beragam data yang dianotasikan kelas sentimennya secara otomatis. Hasil dari penelitian menunjukkan dari 4 aspek dan 3 sentimen maka didapatkan nilai rata-rata precision, recall, dan f1-score adalah precision 97.6%, recall 84%, f1-score 90.3%. Bisa disimpulkan score representation ini dapat digunakan untuk klasifikasi sentimen.

1 October 2021 in Journal of Intelligent System and Computation
Verified
Journal Article
Open access
PDF file
ESEsther Irawati Setiawan
Esther Irawati Setiawan
SJSugiharto Johanes
Sugiharto Johanes
AHArya Tandy Hermawan
Arya Tandy Hermawan
YYYuni Yamasari
Yuni Yamasari
Banyaknya berita-berita online sering menarik minat masyarakat untuk membacanya, tetapi kadang dengan terlalu banyaknya berita tersebut membuat orang susah mendapatkan informasi yang terpercaya. Berita palsu merupakan kumpulan kata atau kalimat yang mengandung informasi yang tidak benar yang berupaya untuk membohongi atau mengarahkan pembaca atau pendengarnya agar mendukung atau percaya dengan isi beritanya. Penyebar berita palsu umumnya mengetahui bahwa berita yang disebarkan tidak benar. Tujuan penelitian ini adalah mendeteksi berita palsu yang tersebar pada media sosial. Dalam mengklasifikasi berita palsu, deteksi validitas berita digunakan algoritma naïve bayes sebagai kategorisasi teks berbasis pembelajaran mesin. Penelitian ini juga membangun website yang menyediakan fitur web service, pencarian berita yang ada di Twitter, dan klasifikasi berita secara manual. User interface merupakan website berbasis PHP dimana pengguna dapat melakukan interaksi secara langsung sepeti komentar, login, atau melihat artikel-artikel yang sudah diklasifikasi. Sedangkan back-end dari website ini adalah program klasifikasi teks berbasis Python. Dari percobaan yang telah dilakukan ternyata algoritma Naïve Bayes dapat digunakan untuk mengklasifikasi berita palsu. Berdasarkan eksperimen, penggunaan metode naive bayes untuk deteksi validitas berita dengan data uji media social Twitter dapat mencapai nilai akurasi dengan persentase terbaik yaitu 92% pada data ujicoba sebesar 309 artikel.