Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Ngabdimas
santana ellysza
universitas bina darma
Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Environmental Science Other

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

Found 2 Documents
Search

 1 
IMPLEMENTASI MBKM DALAM PROGRAM STUDI INDEPENDEN BERSERTIFIKAT REVOU TECH ACADEMY : DATA AND SOFTWARE ENGINEERING Muhammad Nasir; Siti Sa'uda; Fira Hanasti; Santana Ellysza
JURNAL NGABDIMAS Vol. 7 No. 01 Juni (2024): NGABDIMAS (Pengabdian Pada Masyarakat)
Publisher : P3M Institut Teknologi Pagar Alam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36050/ngabdimas.v7i01 Juni.260

Abstract

ABSTRAK Magang dan Studi Independen Bersertifikat (MSIB) adalah salah satu Program Merdeka Belajar Kampus Merdeka (MBKM) yang digagas oleh Kemdikbudristek. Program ini bertujuan membentuk mahasiswa siap kerja yang memiliki kompetensi yang sesuai dengan kebutuhan dunia kerja dengan membekali pengetahuan dan keterampilan yang diperoleh di luar perguruan tinggi selama studi mahasiswa, salah satu Mitra MSIB Angkatan 5 adalah PT Revolusi Cita Edukasi, yang mengimplementasikan program RevoU Tech Academy : Data and Software Engineering. Pembelajaran yang dilakukan selama 4,5 bulan atau 18 minggu dan setara dengan 900 jam kegiatan, dilakukan secara synchronous dan asynchronous melalui kelas virtual secara langsung atau kuliah umum, diskusi kelompok, pendampingan, tugas individu, dan tugas kelompok, mempelajari mengenai 5 bagian utama yaitu Data Processing in Data Analytics, Data Visualisation & Communication in Data Analytics, Introduction to Software Engineering, Fundamental Full-Stack Web Development dan Career Development. Pembelajaran didukung oleh media Learning Management System (LMS) Notion. Setelah mahasiswa menyelesaikan seluruh program dan lulus dari semua modul yang ada, mahasiswa mendapatkan Sertfikat dan transkrip nilai sebagai syarat rekomendasi konversi nilai mata kuliah pada program studi masing-masing. Kata Kunci : MBKM, MSIB, Studi Independen, RevoU
Analisis Sentimen pada Ulasan Aplikasi Social Media menggunakan Metode Svm dan Decision Tree Santana Ellysza; Siti Sa'uda
Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Vol 16, No 2 (2025): Desember
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/jsit.v16i2.4455

Abstract

Secara umum social media digunakan untuk berbagi informasi dan pendapat, termasuk mengetahui tren baru, berita, hiburan dan topik lainnya. Tiktok adalah platform media sosial yang fokus pada video pendek. X/Twitter adalah platform mikroblogging yang memungkinkan pengguna mengirim dan membaca pesan singkat, sedangkan Instagram yakni platform berbagi foto dan video yang memungkinkan pengguna mengambil, mengedit, dan membagikan gambar serta video pendek. Namun, kedua sistem ini memiliki berbagai Kelemahan yang dialami oleh penggunanya. Dengan mengevaluasi kelemahan-kelemahan tersebut, perusahaan dapat mengidentifikasi masalah pada aplikasinya dan menemukan cara untuk memperbaikinya. Penelitian berikut bertujuan guna menganalisis data ulasan pada aplikasi media sosial Dengan memanfaatkan dua metode, yaitu Support Vector Machine dan Decision Tree. Penelitian berikut akan menentukan metode mana yang lebih efektif dan akurat mengklasifikasi sentimen positif dan dan negatif dari review komentar. Melalui klasifikasi diperoleh hasil akurasi Support Vector Machine sebesar 84.61% untuk aplikasi Tiktok, 86.82% Untuk aplikasi Twitter dan 85.73% untuk aplikasi Instagram, sedangkan metode Decision Tree sebesar 77.98% untuk aplikasi Tiktok, 80.14% untuk aplikasi Twitter, dan 81.71% untuk aplikasi Instagram. erdasarkan hasil analisis, metode Support Vector Machine menunjukkan akurasi yang lebih tinggi daripada metode Decision Tree
Co-Authors fira hanasti Muhammad Nasir Siti Sa'uda Siti Sa'uda