Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Riset dan Transformasi Pendidikan Jurnal Inovasi Ekonomi, Manajemen, dan Pendidikan Masyarakat
Sri Mulyani
SMKS TEKNOLOGI

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pengaruh Pembelajaran Informatika Berbasis Artificial Intelligence untuk Meningkatkan Literasi Digital Siswa SMKS Teknologi Sri Mulyani
Jurnal Riset dan Transformasi Pendidikan Vol. 1 No. 1 (2026): Jurnal Riset dan Transformasi Pendidikan
Publisher : PT. IHLAS (Ilmu Adalah Segalanya) - BICARA CENTRE

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk mengetahui pengaruh pembelajaran Informatika berbasis Artificial Intelligence (AI) terhadap peningkatan literasi digital siswa di SMKS Teknologi. Literasi digital merupakan kompetensi penting yang harus dimiliki peserta didik dalam menghadapi perkembangan teknologi dan kebutuhan dunia kerja di era digital. Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimen semu (quasi-experimental design). Subjek penelitian terdiri atas siswa SMKS Teknologi yang dibagi ke dalam kelompok eksperimen dan kelompok Kontrol. Kelompok eksperimen diberikan pembelajaran Informatika berbasis AI, sedangkan kelompok kontrol mengikuti pembelajaran Informatika konvensional. Teknik pengumpulan data dilakukan melalui tes literasi digital dan angket yang telah diuji validitas dan reliabilitasnya. Data yang diperoleh dianalisis menggunakan uji statistik deskriptif dan inferensial, meliputi uji normalitas, uji homogenitas, serta uji t-test. Hasil penelitian menunjukkan bahwa terdapat pengaruh yang signifikan pembelajaran Informatika berbasis Artificial Intelligence terhadap peningkatan literasi digital siswa SMKS Teknologi. Temuan ini menunjukkan bahwa integrasi AI dalam pembelajaran Informatika mampu meningkatkan pemahaman, keterampilan, serta sikap siswa dalam memanfaatkan teknologi digital secara efektif dan bertanggung jawab. Oleh karena itu, pembelajaran Informatika berbasis AI dapat dijadikan sebagai alternatif strategi pembelajaran untuk meningkatkan literasi digital siswa di SMKS Teknologi.
Analisis Komparatif Random Forest dan Support Vector Machine untuk Klasifikasi Sentimen Ulasan Aplikasi Mobile Berbahasa Indonesia Berbasis Natural Language Processing Sri Mulyani
Jurnal Inovasi Ekonomi, Manajemen, dan Pendidikan Masyarakat Vol. 1 No. 1 (2026): Jurnal Inovasi Ekonomi, Manajemen, dan Pendidikan Masyarakat
Publisher : PT.IHLAS (Ilmu Adalah Segalanya) BICARA CENTRE

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The rapid growth of mobile applications in Indonesia has generated large volumes of user reviews that can be used to evaluate service quality and user experience. However, Indonesian-language reviews are often informal, noisy, and context dependent, making sentiment classification a challenging Natural Language Processing task. This study aims to compare the performance of Random Forest and Support Vector Machine in classifying Indonesian mobile application reviews into positive, neutral, and negative sentiment classes. The proposed research pipeline consists of data collection, text cleaning, case folding, slang normalization, tokenization, stop-word removal, stemming, TF-IDF feature extraction, model training, and evaluation using accuracy, precision, recall, F1-score, and confusion matrix. In the example experimental scenario involving 3,000 balanced reviews and an 80:20 train-test split, Support Vector Machine obtained higher accuracy and macro F1-score than Random Forest, namely 89.33% and 0.887 compared with 86.50% and 0.861. The result indicates that SVM is more suitable for sparse high-dimensional TF-IDF features, while Random Forest remains useful as an interpretable ensemble baseline. This study contributes a reproducible comparative framework for Indonesian mobile-app sentiment classification and may support developers in transforming user reviews into data-driven improvement priorities.
Co-Authors