Article Per Year (5 Year)
p-Index From 2021 - 2026
5.647
P-Index
This Author published in this journals
All Journal Jurnal Kimia (Journal of Chemistry) Infotech Journal Indonesian Journal of Guidance and Counseling: Theory and Application Format : Jurnal Imiah Teknik Informatika IKRA-ITH Informatika : Jurnal Komputer dan Informatika Informatik : Jurnal Ilmu Komputer Elementa: Jurnal Pendidikan Guru Sekolah Dasar ADIL : Jurnal Hukum Jurnal Teknodik Jurnal Infortech Journal of Informatics, Information System, Software Engineering and Applications (INISTA) Innovation in Research of Informatics (INNOVATICS) Jurnal Kewarganegaraan Djtechno: Jurnal Teknologi Informasi JoMMiT : Jurnal Multi Media dan IT Transformasi Jurnal Pendidikan Vokasi Raflesia Journal of Artificial Intelligence and Digital Business Panrita Inovasi: Jurnal Pengabdian Kepada Masyarakat Inspiration: Jurnal Teknologi Informasi dan Komunikasi Jurnal Pengabdian Masyarakat Jurnal Ilmu Fisika dan Terapannya (JIFTA)
Ika Kurniawati
Unknown Affiliation
Arts Humanities Astronomy Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Physics Public Health Social Sciences Other

Published : 48 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 48 Documents
Search

 1   2   3   4   5 
Analisis Perbandingan Kinerja Algoritma Linear Regression, Random Forest, dan XGBoost dalam Prediksi Harga Rumah Fauzi, Muhamad Rizki; Handika, Muhamad; Awinanto, Alfian; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3620

Abstract

Penelitian ini bertujuan untuk mengembangkan dan membandingkan model prediksi harga rumah dengan menggunakan tiga algoritma, yaitu Linear Regression, Random Forest, dan XGBoost, yang memanfaatkan fitur fisik serta faktor lokasi. Variabel yang dianalisis mencakup berbagai karakteristik properti seperti ukuran tanah, luas bangunan, jumlah kamar tidur, kondisi bangunan, serta aspek lokasi seperti kedekatan dengan pusat kota dan akses ke fasilitas publik. Tahapan penelitian ini mencakup pembersihan data untuk mengeliminasi data yang tidak sesuai, transformasi variabel agar seragam, dan rekayasa fitur baru yang dapat meningkatkan ketepatan prediksi model. Hasil penelitian menunjukkan bahwa Linear Regression memberikan prediksi yang paling tepat dengan nilai RMSE terendah sebesar 1.150,87, lebih baik dibandingkan dengan Random Forest yang menghasilkan RMSE sebesar 1.183,11 dan XGBoost yang mencapai 1.200,33. Linear Regression menunjukkan keunggulan karena mampu menangani hubungan linier antar variabel dengan harga rumah. Walaupun Random Forest dan XGBoost lebih efektif untuk menangani hubungan non-linier, Linear Regression lebih optimal dalam penelitian ini karena hubungan antar variabel lebih sederhana. Penelitian ini diharapkan memberikan wawasan yang bermanfaat bagi pengembang properti dan lembaga keuangan dalam pengambilan keputusan yang lebih efisien dan akurat, serta memberikan perkiraan harga rumah yang lebih objektif. Model ini juga dapat digunakan untuk memperkirakan harga rumah di masa depan dengan lebih tepat, yang pada gilirannya dapat mengurangi ketidakpastian dalam pasar properti dan memfasilitasi pengambilan keputusan yang lebih berbasis data.
Analisis Prediksi Harga Emas Menggunakan Regresi Linear dan K-Nearest Neighbors: Studi pada Data Harga Emas Harian Periode 2014–2025 Martin, Ricky; Faisal, Faisal; Aditya, Ikhsan Nur; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3606

Abstract

Penelitian ini membandingkan kinerja dua algoritma machine learning, yaitu Regresi Linear dan K-Nearest Neighbors (KNN), dalam memprediksi harga emas berdasarkan data harga penutupan harian dari Januari 2014 hingga Januari 2025. Dataset yang digunakan diperoleh dari platform Kaggle dan merepresentasikan dinamika harga emas internasional selama sekitar sepuluh tahun, sehingga dianggap cukup representatif untuk menggambarkan pola pergerakan harga jangka panjang. Proses pra-pemrosesan data meliputi pembersihan data untuk menghapus missing values, normalisasi seluruh fitur numerik menggunakan StandardScaler, serta pembagian data menjadi 80% data latih dan 20% data uji untuk memastikan proses pelatihan dan pengujian model berjalan terukur. Model dikembangkan menggunakan bahasa pemrograman Python dengan pustaka Scikit-learn. Nilai K pada algoritma KNN ditetapkan sebesar 5 berdasarkan hasil eksperimen awal yang mempertimbangkan keseimbangan antara kompleksitas model dan kinerja prediksi. Kinerja model dievaluasi menggunakan tiga metrik utama, yaitu koefisien determinasi (R²), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE). Hasil pengujian menunjukkan bahwa Regresi Linear memberikan performa terbaik dengan nilai R² sebesar 0,9996, RMSE 0,0021, dan MAE 0,0008. Sebaliknya, KNN hanya mencapai R² sebesar 0,1107, RMSE 0,0834, dan MAE 0,0412. Perbedaan signifikan ini menunjukkan bahwa hubungan antara data historis harga emas dan nilai prediksinya cenderung linier dan dapat dimodelkan secara efektif oleh Regresi Linear. Sementara itu, pendekatan berbasis kedekatan tetangga seperti KNN kurang mampu menangkap pola tersebut secara optimal. Oleh karena itu, Regresi Linear lebih sesuai digunakan untuk prediksi harga emas berbasis data historis pada periode penelitian ini dibandingkan algoritma KNN.
Smart threat detector: Aplikasi pendeteksi Virus, Email, dan Link mencurigakan berbasis AI suryadih, suryadih; Ibrahim, Ibrahim; Hariyansyah, Rahmat; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3784

Abstract

Di era transformasi digital, ancaman keamanan siber berkembang semakin kompleks dan adaptif, menimbulkan risiko signifikan bagi pengguna individu maupun organisasi. Studi ini memperkenalkan Smart Threat Detector, sebuah aplikasi berbasis kecerdasan buatan yang dirancang untuk mendeteksi virus, email mencurigakan, dan tautan berbahaya secara real-time. Sistem ini memanfaatkan kombinasi teknik kecerdasan buatan, termasuk klasifikasi berbasis pembelajaran mesin, analisis teks, serta deteksi pola perilaku untuk mengidentifikasi potensi ancaman dengan tingkat akurasi yang lebih tinggi dibandingkan metode tradisional.Kata Kunci: Kecerdasan Buatan, Keamanan Siber, Deteksi Virus, Analisis Tautan, Smart Threat Detector. Aplikasi ini menerapkan pemrosesan bahasa alami (NLP) untuk menganalisis konten email dan mengidentifikasi indikasi phishing, spam, maupun manipulasi sosial. Selain itu, analisis reputasi tautan digunakan untuk mengevaluasi URL berdasarkan pola akses, struktur link, serta karakteristik yang sering ditemukan pada situs berbahaya. Mekanisme ini memungkinkan sistem untuk memberikan penilaian otomatis sebelum ancaman mencapai pengguna. Dalam pengujian, Smart Threat Detector menunjukkan performa yang konsisten dengan tingkat akurasi deteksi yang tinggi dan tingkat positif palsu yang rendah. Sistem ini juga dirancang agar adaptif terhadap variasi ancaman baru dengan memanfaatkan pembaruan model secara berkala. Selain memberikan perlindungan proaktif, aplikasi ini turut meningkatkan kesadaran pengguna melalui penyajian informasi yang jelas mengenai risiko yang terdeteksi. Inovasi ini berkontribusi pada pengembangan sistem keamanan siber cerdas yang mampu memberikan perlindungan efektif, efisien, dan responsif terhadap dinamika ancaman digital masa kini.
Sistem Informasi Terintegrasi Artificial Intelegence Menggunakan Algoritma Kmeans soma, Adityan; Habiburrahman, Tamzis; Hidayah, Arip; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3879

Abstract

Penelitian ini mengembangkan bot Telegram berbasis Python yang mengintegrasikan algoritma K-Means Clustering untuk mengelompokkan mahasiswa secara otomatis berdasarkan lima indikator akademik utama: frekuensi kehadiran, nilai tugas, nilai UTS, nilai UAS, dan nilai proyek akhir. Penggunaan library scikit-learn memungkinkan implementasi K-Means yang efisien dengan normalisasi data menggunakan StandardScaler, sementara python-telegram-bot menyediakan antarmuka interaktif yang responsif untuk input data dan tampilan hasil real-time. Pendekatan ini mengatasi keterbatasan pemantauan manual di institusi pendidikan tinggi, di mana proses pengelompokan sering lambat dan subjektif. Tujuan utama penelitian adalah menciptakan alat bantu praktis bagi dosen dan staf akademik untuk memantau performa mahasiswa dengan membagi mereka ke dalam tiga kategori jelas: Berprestasi (performa konsisten tinggi), Cukup Baik (stabilisasi sedang), dan Perlu Bimbingan (risiko kegagalan). Metodologi data mining ini memanfaatkan jarak Euclidean untuk membentuk kluster optimal (k=3), diidentifikasi melalui Elbow Method dan Silhouette Score, sehingga menghasilkan pola akademik objektif yang mendukung intervensi tepat waktu seperti bimbingan remedial atau penghargaan prestasi. Integrasi dengan pandas untuk pengolahan dataset dan rapidfuzz untuk fuzzy search nama mahasiswa meningkatkan usability bot di lingkungan mobile. Implementasi bot Telegram menawarkan keunggulan aksesibilitas tinggi, di mana pengguna cukup mengirim perintah sederhana seperti "/klasifikasi [NIM]" untuk mendapatkan visualisasi kluster, statistik deskriptif per kategori, dan rekomendasi tindak lanjut dalam hitungan detik tanpa perlu software tambahan. Evaluasi pada dataset 200 mahasiswa nyata menunjukkan akurasi 92% dibandingkan label manual, dengan konvergensi K-Means rata-rata 8 iterasi dan waktu respons bot di bawah 2 detik.  
Perbandingan Logistic Regression dan SVM untuk Analisis Sentimen Pengguna Netflix Menggunakan TF-IDF dan Bot Telegram Ngara, Simson Mali; Anggara, Indra Galuh; Saputra, Ryan Adjie; Rahmatullah, Beni; Wahidin, Ahmad Jurnaidi; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3988

Abstract

Pertumbuhan layanan over-the-top (OTT) seperti Netflix di Indonesia menyebabkan meningkatnya jumlah ulasan pengguna yang dapat dimanfaatkan sebagai sumber informasi untuk memahami persepsi terhadap kualitas layanan. Ulasan tersebut mengandung opini positif maupun negatif yang berhubungan dengan pengalaman menonton, stabilitas aplikasi, kualitas jaringan, hingga aspek biaya. Penelitian ini bertujuan membandingkan performa dua algoritma Machine Learning, yaitu Logistic Regression dan Support Vector Machine (SVM), dengan representasi teks TF-IDF dalam mengklasifikasikan sentimen ulasan pengguna Netflix berbahasa Indonesia. Dataset yang digunakan terdiri dari 5.620 ulasan yang diperoleh dari Google Play Store dan telah melalui serangkaian tahapan prapemrosesan mencakup pembersihan teks, case folding, tokenisasi, stopword removal, dan stemming. Evaluasi dilakukan menggunakan keseluruhan dataset untuk memperoleh gambaran performa operasional yang lebih realistis dalam konteks penggunaan nyata. Hasil penelitian menunjukkan bahwa SVM memberikan performa tertinggi dengan akurasi 0,8603, F1-score 0,7773, precision 0,8698, recall 0,7026, dan ROC-AUC 0,9206, sedangkan Logistic Regression mencatat akurasi 0,8532 dan F1-score 0,7626. Selain evaluasi model, penelitian ini juga mengimplementasikan sistem analisis sentimen melalui dashboard Streamlit dan bot Telegram yang mampu memberikan prediksi secara real-time. Temuan ini menunjukkan bahwa integrasi model Machine Learning dengan platform aplikasi dapat digunakan sebagai alat pemantauan opini pengguna secara berkelanjutan serta mendukung pengambilan keputusan terkait peningkatan kualitas layanan OTT.  
Prediksi Harga Saham PT Telkom Indonesia Tbk (TLKM) Menggunakan Linear Regression, Random Forest, dan XGBoost Lumbantoruan, Sari; Duha, Arnawati; Astuti, Tia Puji; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.4158

Abstract

Prediksi harga saham merupakan salah satu aspek penting dalam pengambilan keputusan investasi, karena mampu membantu investor dalam mengantisipasi risiko dan mengoptimalkan keuntungan. PT Telkom Indonesia Tbk (TLKM) merupakan salah satu emiten blue chip di Bursa Efek Indonesia yang memiliki kapitalisasi pasar besar dan likuiditas tinggi, sehingga menarik untuk dianalisis dari sisi pergerakan harga sahamnya. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja tiga model machine learning, yaitu Linear Regression, Random Forest, dan XGBoost, dalam memprediksi harga penutupan saham TLKM berdasarkan data historis. Data yang digunakan merupakan data harga saham harian TLKM periode 7 November 2019 hingga 6 November 2024 yang diperoleh dari platform Kaggle, dengan variabel Date, Open, High, Low, Close, Adj Close, dan Volume. Tahapan penelitian meliputi pembersihan data, konversi rekayasa fitur berbasis informasi historis dan indikator teknikal seperti lag harga penutupan, moving average, volatilitas, dan return harian, serta pembagian data menjadi 80% data latih dan 20% data uji. Selanjutnya, ketiga model dibangun dan dievaluasi menggunakan metrik Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil pengujian menunjukkan bahwa Linear Regression memberikan kinerja paling baik dibandingkan Random Forest dan XGBoost, dengan nilai RMSE sebesar 8,13, MAE 6,15, MAPE 0,19%, dan R² 0,9997. Temuan ini mengindikasikan bahwa pada data saham TLKM dengan pola pergerakan yang relatif stabil, model linear sederhana masih mampu memberikan akurasi prediksi jangka pendek yang sangat tinggi dan dapat dijadikan alternatif yang efektif dibandingkan model ensemble yang lebih kompleks. .
Implementasi YOLOv8 dan FaceNet untuk Sistem Keamanan Real-Time Berbasis IoT Kurniawan, Ery; Rahmandhani, Rifqi; Rizkiansyah, Dimas; Kurniawati, Ika; Bismi, Waeisul; Fahlapi, Riza
FORMAT Vol 15, No 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/format.2026.v15.i1.009

Abstract

Sistem keamanan CCTV konvensional umumnya hanya berfungsi sebagai perekam pasif tanpa kemampuan analisis otomatis, yang menyebabkan keterlambatan deteksi karena proses identifikasi dilakukan secara manual. Keterbatasan ini menimbulkan latensi tinggi dan akurasi deteksi yang rendah, sehingga menjadi masalah krusial dalam kebutuhan keamanan modern. System keamanan yang baik dapat mencegah tindak kejahatan yang bisa merugikan penghuni rumah baik fisik maupun materiil. Penelitian ini mengusulkan pengembangan sistem keamanan cerdas berbasis Internet Of Things (IoT) dengan integrasi deteksi wajah menggunakan YOLOv8 dan pengenalan wajah FaceNet menggunakan modul ESP32-CAM. Sistem ini dirancang untuk mendeteksi wajah secara real-time, identifikasi individu secara otomatis, serta pengiriman notifikasi instan melalui Telegram ketika terdeteksi wajah yang tidak dikenal. Metode penelitian ini meliputi perancangan arsitektur IoT, pengambilan dataset wajah, preprocessing menggunakan MTCNN, FaceNet untuk menghasilkan facial embeddings, serta implementasi YOLOv8 sebagai detektor wajah real-time. Evaluasi kinerja pengenalan wajah dilakukan dengan menerapkan metode 5-fold cross-validation pada dataset embedding FaceNet menggunakan pengklasifikasi k-NN. Hasil eksperimen menunjukan bahwa sistem mampu mendeteksi wajah dengan tingkat respon tinggi dan mengenali individu dengan akurasi yang konsisten pada pencahayaan dan jarak bervariasi. Hasil pengujian training rata-rata accuracy Top-1 mencapai 0.96 dan rata-rata accuracy Top-5 sebesar 0.99, YOLOv8 menunjukkan kemampuan deteksi wajah yang akurat dan cepat dengan waktu respon 1,86 detik pada server berbasis CPU Intel Core i5 dan GPU Intel UHD Graphics 620. Performa pengujian akurasi FaceNet dengan pengklasifikasi k-NN menghasilkan akurasi 99.35%, presisi 99,35%, recall 98,94%, F1-score 99,11%, dan FPR (False Positive Rate) 0,08%, hal ini menunjukkan bahwa sistem memiliki akurasi pengenalan wajah yang sangat tinggi dan konsisten. Sistem yang dikembangkan mampu memberikan peringatan instan kepada pengguna melalui Telegram saat terdeteksi wajah yang tidak dikenal, sehingga meningkatkan waktu respons terhadap potensi ancaman. Dengan performa yang stabil dan tangguh serta biaya implementasi yang rendah, sistem ini menawarkan solusi keamanan modern yang lebih adaptif, proaktif, efektif, dan efisien dibandingkan CCTV konvensional.
Analisis Sentimen dan Kepuasan Pengguna Aplikasi Pinjaman Online Berdasarkan Ulasan Di Google Play Bela, Sintia; Harianja, Putri Alletheia; Bismi, Waeisul; Kurniawati, Ika; Fahlapi, Riza
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.4245

Abstract

Pentingnya analisis sentimen pengguna dalam meningkatkan kualitas layanan semakin menonjol seiring dengan pesatnya perkembangan layanan fintech di Indonesia, khususnya pada aplikasi pinjaman online. Penelitian ini bertujuan untuk mengukur tingkat kepuasan pengguna terhadap lima aplikasi pinjaman online, yaitu AdaPundi, Julo, IndoDana, AdaKami, dan BantuSaku, berdasarkan ulasan pengguna di Google Play Store. Metode yang digunakan dalam penelitian ini adalah analisis sentimen dengan algoritma K-Nearest Neighbor (KNN). Data ulasan yang dikumpulkan melalui Google Play Store terlebih dahulu melalui tahap text preprocessing, termasuk pembersihan data dan normalisasi teks. Selanjutnya, ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Untuk mengatasi ketidakseimbangan kelas data sentimen, pendekatan Synthetic Minority Over-sampling Technique (SMOTE) diterapkan sebelum proses pelatihan model KNN. Hasil penelitian yang diolah menggunakan Google Collab dan Bahasa pemrograman Python menunjukkan bahwa algoritma KNN mampu memberikan kinerja klasifikasi yang baik pada seluruh aplikasi yang dianalisis. BantuSaku memperoleh akurasi tertinggi sebesar lebih dari 93%, diikuti oleh AdaPundi (>93%), IndoDana (91%), serta AdaKami dan Julo dengan akurasi sekitar 84–85%. Selain itu, BantuSaku juga memiliki proporsi sentimen positif tertinggi, yaitu sebesar 83,2%, yang menunjukkan tingkat kepuasan pengguna paling tinggi. Dengan demikian, penelitian ini menyimpulkan bahwa KNN efektif digunakan dalam analisis sentimen dan mampu membandingkan tingkat kepuasan pengguna pada berbagai aplikasi fintech pinjaman online
Prediksi Pembelian E-Commerce Menggunakan XGBoost Berbasis Perilaku Sesi Pengguna Ruscikasani, Syalaiza Nizar; Oktalivia, Raden Roro Najwa; Putra, Firman Restu; Wahidin, Ahmad Jurnaidi; Rahmatullah, Beni; Kurniawati, Ika
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.4287

Abstract

Penelitian ini membahas pemodelan prediksi pembelian pada platform e-commerce dengan memanfaatkan algoritma Extreme Gradient Boosting (XGBoost) berbasis data perilaku sesi pengguna. Dataset yang digunakan terdiri dari 12.719 sesi pengguna dengan sejumlah atribut perilaku, meliputi waktu kunjungan (Timestamp), durasi interaksi halaman (TimeOnPage_seconds), sumber rujukan (ReferralSource), tipe perangkat (DeviceType), tipe halaman (PageType), negara asal pengguna, serta jumlah item dalam keranjang belanja. Tahap prapengolahan data dilakukan untuk meningkatkan kualitas dataset sebelum pemodelan. Atribut numerik diproses menggunakan imputasi median guna menangani nilai hilang secara stabil terhadap outlier, sedangkan fitur kategorikal ditransformasikan menggunakan ordinal encoding agar sesuai dengan karakteristik algoritma berbasis pohon. Dataset selanjutnya dibagi menjadi data latih dan data uji dengan rasio 80:20 menggunakan teknik stratified split untuk menjaga proporsi kelas pada variabel target. Model XGBoost dilatih menggunakan parameter terkalibrasi dan dievaluasi menggunakan metrik akurasi, precision, recall, F1-score, dan ROC-AUC. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 0,785 dan ROC-AUC sebesar 0,804, yang menandakan kemampuan diskriminasi yang baik dalam membedakan sesi yang berpotensi menghasilkan pembelian. Analisis feature importance berbasis gain mengungkapkan bahwa fitur Timestamp dan TimeOnPage_seconds merupakan faktor paling berpengaruh dalam pembentukan prediksi. Visualisasi pohon keputusan memberikan pemahaman tambahan mengenai mekanisme pemisahan fitur pada model. Temuan ini menunjukkan bahwa data perilaku sesi pengguna dapat dimanfaatkan secara efektif untuk mendukung prediksi konversi serta menjadi dasar pengembangan sistem rekomendasi dan strategi pemasaran e-commerce yang lebih adaptif.
ANALISIS SENTIMEN MASYARAKAT TERHADAP PENGGUNAAN GEMINI AI DENGAN METODE MACHINE LEARNING Rosandi, Rivana; Febrianto, Ade Ilham; Gibran, Afrizal Achmad; Bismi, Waeisul; Kurniawati, Ika; Fahlapi, Riza
Djtechno: Jurnal Teknologi Informasi Vol 6, No 3 (2025): Desember
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/djtechno.v6i3.7962

Abstract

Meningkatnya popularitas Gemini AI sebagai platform percakapan digital besutan Google mendorong perlunya memahami bagaimana masyarakat Indonesia menilai kehadirannya. Namun, kajian mengenai persepsi publik berbasis data empiris dalam konteks layanan AI generatif masih terbatas. Penelitian ini bertujuan mengisi kesenjangan tersebut dengan menganalisis sentimen pengguna terhadap Gemini AI menggunakan 10.000 ulasan dari Google Play Store. Data diolah melalui tahapan praproses teks dan pelabelan sentimen, kemudian diklasifikasikan menggunakan beberapa model machine learning untuk memperoleh gambaran yang lebih komprehensif. Hasil penelitian menunjukkan bahwa model SVM memberikan performa paling unggul sebesar 96,34%, precision 0,97%, recall 0,95%, dan F1-score 0,96% mengungguli secara signifikan Naive Bayes (94,76%), Logistic Regression (94,24%), dan Random Forest (93,19%) dan mengindikasikan kecenderungan sentimen positif masyarakat terhadap Gemini AI. Temuan ini memberikan gambaran awal bagi pengembang untuk meningkatkan kualitas layanan dan pengalaman pengguna secara berkelanjutan, khususnya dalam menghadapi persaingan teknologi AI yang semakin dinamis.
Co-Authors Adifa, Retno Egha Aditya, Ikhsan Nur Afiani, Nurida Agung Budiyanto Ahmad Agung Yuwono Putro Ahmad Jurnaidi Wahidin Alfian, Desri Amalia, Ritchie Amanda, Risa Amar, Danu Anggara, Indra Galuh Anjani, Mutiara Putri Asiyah, Nuri Asrul Astuti, Tia Puji Awinanto, Alfian Bela, Sintia Beni Rahmatullah Denny Darmawan Destalmawati Telaumbanua Duha, Arnawati Eko Nusantoro Fachri Amsury Fahlapi, Riza Faisal Faisal Fajri, Rifqi Nurul Fauzi, Muh. Fauzi, Muhamad Rizki Febrianto, Ade Ilham Gibran, Afrizal Achmad Habiburrahman, Tamzis Halawa, Jenianus Handika, Muhamad Harianja, Putri Alletheia Hariyansyah, Rahmat Heriyanto Heriyanto Heriyanto Heriyanto Hernawati Herputra, Alviando Daffa Heru Utomo Hidayah, Arip I Gede Mahardika I Nengah Wirajana I Wayan Suarsa Ibrahim Ibrahim Ida Ayu Putu Sri Widnyani Imam Budiawan Indriyani, Tantri Nur izzah, lathifatul Kadafi, Abdul Rahman Kurniawan, Ery Laksono, Bagus Lumbantoruan, Sari Lusy Liany Manampiring, Jim Maxwell Martin, Ricky Misbahul Munir Mulyani, Astriana Mustajib, Ahmad nanang ruhyana Ngara, Simson Mali Nugroho Budi Wibowo Nurhidayanti, Dina Oktalivia, Raden Roro Najwa Pandi Afandi Puspita, Maria Entina Putra, Firman Restu Putu Suarya Rahmandhani, Rifqi Ramadha, Johan Afrian Richardus Eko Indrajit Rizki Fahdia, Muhammad Rizkiansyah, Dimas Rosandi, Rivana Rossena, Bayu Adjie Rosyid, Ghufron Ruscikasani, Syalaiza Nizar Saputra, Irwansyah Saputra, Ryan Adjie Sari, Icha Puspita Sarifudin, Saleh Silaban, Mei Erpina Sari soma, Adityan Sriwiyanta, Aditya Budi Supriadi Supriadi Surono, Anang Suryadih, Suryadih Syamsul Ph.D M.A. Hadi Syeptiani, Silvia Telaumbanua, Destalmawati Ummu Radiyah Ummu Radiyah, Ummu Vivit Marcelina Waeisul Bismi Widawati, Widawati Yanuar Surya Putra Yulianti, Rina Dewi Zaenudin, Zen Zen Zai, Jefiri