Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi JKM: Jurnal Kemitraan Masyarakat All Fields of Science Journal Liaison Academia and Sosiety
Muthia Ananda
Universitas PGRI Sumatera Barat
Computer Science & IT Environmental Science Health Professions Industrial & Manufacturing Engineering Materials Science & Nanotechnology Public Health Social Sciences

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Implementasi Sistem Informasi Berbasis Web dengan Fitur Chatbot untuk Meningkatkan Layanan Konsultasi Ainil Mardiyah; Delsi Kariman; Irfan Fadhli; Muthia Ananda; Jasril Jasril
JKM: Jurnal Kemitraan Masyarakat Volume 4 Number 2 Desember 2025
Publisher : Program Studi Pendidikan IPA Fakultas MIPA Universitas Negeri Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35580/jkm.v4i2.78783

Abstract

The purpose of this community service activity is to help schools improve their consultation services by utilizing a web-based information system equipped with a chatbot feature. Furthermore, it also digitizes consultation data management. The program implementation consists of several stages: outreach, training, system implementation, mentoring, and evaluation. After the activity was completed, there was a significant improvement in the ability of teachers and staff to manage the digital system, increased ease of consultation for parents, and improved structured data documentation. The system used also expanded the reach of consultation services without the constraints of space and time. Furthermore, it reduced the administrative burden on teachers. This system can be applied to other schools to encourage the digital transformation of educational services.
Analisis Sentimen TikTok Shop pada Media Sosial Twitter Menggunakan Algoritma Naïve Bayes Delsi Kariman; Ainil Mardiyah; Junios Junios; Lisma Sari; Muthia Ananda; Jasril Jasril
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 14, No 3: Desember 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v14i3.3096

Abstract

The progress of TikTok Shop as an e-commerce platform has generated various public responses, including both support and criticism.  Therefore, sentiment analysis is needed to determine user opinion.  The purpose of this study is to categorize Twitter users' sentiments about TikTok Shop into positive, negative, and neutral categories.  Data was collected through web scraping techniques, followed by pre-processing stages, namely case folding, tokenization, stopword removal, and stemming.  Next, features were extracted using Term Frequency-Inverse Document Frequency (TF-IDF).  The Naïve Bayes algorithm was applied to classify the sentiment in the processed tweets.  To perform the evaluation, a confusion matrix was used with accuracy, precision, recall, and F1-score metrics.  The evaluation results show that the model achieves high accuracy (0.9602). However, the model experiences problems in classifying minority classes, namely positive and negative classes, due to an unbalanced class distribution, with neutral classes dominating the dataset. These findings highlight the importance of addressing class imbalance to improve model performance in predicting positive and negative sentiment.Keywords: Sentiment Analysis; TikTok Shop; Social Media; Twitter; Naïve Bayes AbstrakKemajuan TikTok Shop sebagai platform e-commerce memunculkan berbagai tanggapan publik yang mencakup dukungan maupun kritik.  Oleh karena itu, untuk mengetahui opini pengguna diperlukan analisis sentimen.  Tujuan penelitian adalah untuk membagi sentimen pengguna Twitter tentang TikTok Shop menjadi kategori positif, negatif, dan netral.  Data dikumpulkan melalui teknik web scraping kemudian diikuti tahap pre-pemrosesan, yaitu case folding, tokenisasi, stopword removal, dan stemming.  Selanjutnya fitur diekstraksi menggunakan Term Frequency-Inverse Document Frequency (TF-IDF).  Algoritma Naïve Bayes diterapkan untuk mengklasifikasikan sentimen pada tweet yang telah diproses.  Untuk melakukan evaluasi, confusion matrix digunakan dengan metrik akurasi, precision, recall, dan F1-score.  Hasil evaluasi menunjukkan bahwa model mencapai akurasi yang tinggi (0,9602).  Namun, model mengalami masalah dalam klasifikasi kelas minoritas, yaitu kelas positif dan negatif, yang disebabkan oleh distribusi kelas yang tidak seimbang, dengan kelas netral yang mendominasi dataset.  Temuan ini menunjukkan pentingnya menangani ketidakseimbangan kelas untuk meningkatkan kinerja model dalam memprediksi sentimen positif dan negatif. 
Pemanfaatan Naive Bayes dalam Klasifikasi Sentimen Tweet tentang Penggunaan Chatgpt Menggunakan Natural Language Processing Irfan Fadhli; Nia Febriyani; Muthia Ananda; Fajar Febrian Utami; David Hidayat
All Fields of Science Journal Liaison Academia and Sosiety Vol. 5 No. 4: Desember 2025
Publisher : Lembaga Komunikasi dan Informasi Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58939/afosj-las.v5i4.1280

Abstract

Perkembangan Artificial Intelligence AI khususnya model ChatGPT telah menimbulkan beragam opini publik di media sosial seperti Twitter X Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik terhadap penggunaan ChatGPT menggunakan metode Naive Bayes dengan pendekatan Natural Language Processing NLP Dataset terdiri dari tweet yang telah melalui proses preprocessing berupa text cleaning tokenisasi dan ekstraksi fitur menggunakan TF IDF Model klasifikasi dilatih dan diuji dengan perbandingan data 70:30 Hasil penelitian menunjukkan bahwa model mencapai akurasi 88 6 Persen dengan prediksi mayoritas berada pada kelas sentimen netral Namun performa model rendah dalam mendeteksi sentimen positif dan negatif akibat distribusi data yang tidak seimbang Temuan ini menegaskan pentingnya keseimbangan dataset dan optimasi fitur dalam tugas klasifikasi sentimen
Co-Authors Ainil Mardiyah David Hidayat Delsi K Delsi K Fajar Febrian Utami Irfan Fadhli Jasril Jasril Junios Junios Lisma Sari Nia Febriyani