Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Teknologi Malcom: Indonesian Journal of Machine Learning and Computer Science Jurnal Ilmiah Informatika dan Ilmu Komputer
Kevinda Sari
Universitas Teknokrat Indonesia
Aerospace Engineering Agriculture, Biological Sciences & Forestry Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Public Health Veterinary

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

Found 3 Documents
Search

 1 
Pengaruh Artificial Intelligence Dalam Mendorong Inovasi Dan Efisiensi Technopreneurship Tria Setyani; Kevinda Sari; Raka Sulistiyo; Adelia Pratiwi; Ryan Randy Suryono
Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM) Vol. 4 No. 1 (2025): Volume 4 Nomor 1 March 2025
Publisher : PT. SNN MEDIA TECH PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jima-ilkom.v4i1.54

Abstract

Kecerdasan Buatan (AI) telah menjadi kekuatan utama dalam mendorong inovasi dan efisiensi di berbagai sektor industri, termasuk dalam bidang technopreneurship. Penelitian ini bertujuan untuk menganalisis pengaruh AI terhadap inovasi dan efisiensi dalam technopreneurship dengan pendekatan kualitatif deskriptif. Metode pengumpulan data melibatkan studi pustaka, wawancara mendalam dengan pelaku usaha berbasis teknologi, serta observasi terhadap implementasi AI di beberapa startup. Hasil penelitian menunjukkan bahwa AI memiliki peran signifikan dalam meningkatkan inovasi produk dan layanan melalui analisis data, prediksi tren pasar, dan otomatisasi proses bisnis. AI juga meningkatkan efisiensi operasional dengan mengoptimalkan penggunaan sumber daya dan mengurangi ketergantungan pada prosedur manual. Namun, penerapan AI dalam technopreneurship menghadapi beberapa tantangan, seperti keterbatasan keterampilan teknis, biaya investasi yang tinggi, serta isu etika dan keamanan data. Penelitian ini menyarankan perlunya perencanaan strategis dalam implementasi AI untuk memastikan keberhasilan dan manfaat maksimal bagi technopreneur. Temuan ini diharapkan dapat memberikan wawasan bagi pelaku bisnis teknologi dalam mengoptimalkan penggunaan AI guna meningkatkan daya saing dan keberlanjutan bisnis mereka.
Analisis Sentimen Pengguna Aplikasi Jamsostek Mobile Berdasarkan Ulasan Google Play Store Menggunakan Algoritma Support Vector Machine dan Naive Bayes: Sentiment Analysis of Jamsostek Mobile Application Reviews on Google Play Store Using Support Vector Machine and Naive Bayes Algorithms Tria Setyani; Kevinda Sari; Helma Nopijani Heidy; Ryan Randy Suryono
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2526

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi Jamsostek Mobile (JMO) yang tersedia pada Google Play Store menggunakan algoritma Support Vector Machine (SVM) dan Naive Bayes. Data yang digunakan sebanyak 6.000 ulasan pengguna yang dikumpulkan melalui teknik web scraping. Tahapan penelitian meliputi preprocessing teks (cleaning, case folding, normalisasi, tokenizing, stopword removal, dan stemming), pembobotan fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), pelabelan data dengan metode lexicon-based, serta klasifikasi sentimen ke dalam tiga kelas, yaitu positif, negatif, dan netral. Evaluasi performa model dilakukan menggunakan confusion matrix dan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM menghasilkan performa yang lebih unggul dengan nilai akurasi sebesar 88,9%, sedangkan Naive Bayes memperoleh akurasi sebesar 64,1%. SVM juga menunjukkan nilai F1-score yang lebih konsisten pada seluruh kelas sentimen dibandingkan Naive Bayes. Dengan demikian, algoritma SVM terbukti lebih efektif dan andal dalam mengklasifikasikan sentimen ulasan pengguna aplikasi JMO.
Deteksi Dini Stroke Menggunakan Machine Learning Kevinda Sari; Muhammad Fadli; Muhammad Fahmi Fudholi; Erliyan Redy Susanto
INSOLOGI: Jurnal Sains dan Teknologi Vol. 4 No. 4 (2025): Agustus 2025
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/insologi.v4i4.5590

Abstract

Stroke is one of the leading causes of death and disability worldwide. Early detection of stroke risk is crucial to prevent more severe complications. This study aims to develop a stroke prediction model based on machine learning using an open dataset from Kaggle containing patients' medical and demographic information. Four machine learning algorithms were utilized and compared: AdaBoost, Gradient Boosting, LightGBM, and XGBoost. Data preprocessing steps included missing value imputation, categorical variable encoding, numerical feature normalization, and class balancing using the SMOTEENN method. Additionally, feature selection was performed using the Extra Trees algorithm to enhance model performance. The results showed that the XGBoost model delivered the best performance, achieving an accuracy of 97.16%, an F1-score of 97.49%, and an AUC of 99.75%. This model proved to be effective in detecting stroke cases and holds potential for integration into clinical decision support systems. The study concludes that a combination of modern boosting algorithms and optimal preprocessing techniques can yield a reliable stroke prediction system suitable for implementation in digital healthcare contexts.
Co-Authors Adelia Pratiwi Erliyan Redy Susanto Helma Nopijani Heidy Muhammad Fadli Muhammad Fahmi Fudholi Raka Sulistiyo Ryan Randy Suryono Tria Setyani