Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah KOMPUTASI Jurnal CoreIT
Apri Ramadhan, Apri
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
Visualisasi Data Mahasiswa Baru Tahun 2022 Di Institut Agama Islam Negeri Metro Menggunakan Google Looker Studio Ramadhan, Apri; Putra, Dittha Winyana; Chairani
Jurnal Ilmiah Komputasi Vol. 22 No. 4 (2023): Jurnal Ilmiah Komputasi : Vol. 22 No 4, Desember 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.22.4.3492

Abstract

Pada tahun 2022, Institut Agama Islam Negeri Metro menerima mahasiswa baru jenjang Strata 1 (S1) sebanyak 1122 orang. Data ini didapatkan berdasarkan data yang ada dalam Sistem Akademik (SISMIK) milik Institut Agama Islam Negeri Metro. Data yang disajikan dalam sistem belum tervisualisasi dengan baik sehingga informasi yang didapat tidak maksimal. Contoh data sebaran asal sekolah mahasiswa baru belum tervisualisasikan dengan baik pada sistem tersebut sehingga bagi pengguna data akan kesulitan dalam mencari informasi terkait ini. Berasal dari contoh yang disebutkan, maka visualisasi data sangat diperlukan untuk mempresentasikan data dalam format grafis atau dalam bentuk gambar agar lebih mudah dipahami. Pada penelitian ini dan berdasarkan penelitian terdahulu, maka peneliti akan menerapkan visualisasi data mahasiswa baru tahun 2022 menggunakan Google Data Studio/Google Looker Studio dengan fokus terhadap sebaran asal sekolah mahasiswa baru tahun 2022. Dashboard digital Google Data Studio/Google Looker Studio memungkinkan tampilan data dalam berbagai bentuk seperti tabel, grafik, dan peta yang membuatnya lebih menarik dan berguna bagi pengguna. Hasil dari penelitian didapat bahwa jumlah mahasiswa baru di IAIN Metro pada tahun 2022 yang mencapai 1122 memiliki sebaran asal sekolah mulai dari SMAN, MAS, MAN, SMAS, SMKN, SMKS, PONTREN, dan Paket C. Pada nama sekolah, posisi pertama berasal dari MAN 1 Lampung Timur dengan jumlah sebanyak 44 orang. SMAN 2 Sekampung dan SMAN 5 Metro berjumlah sama yaitu 17 orang. Mahasiswa yang berasal dari SMAN 3 Metro sebanyak 15 orang.
Sentiment Analysis on Reviews of the Documentary Film "Dirty Vote" Using Lexicon-Based and Support Vector Machine Approaches Ramadhan, Apri; Irianto, Suhendro Yusuf
Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi Vol 11, No 1 (2025): June 2025
Publisher : Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/coreit.v11i1.34603

Abstract

The general election (Pemilu) is a state agenda in Indonesia held every five years. During this democratic event, citizens have the right to freely and fairly choose their leaders. Rules and procedures related to elections are regulated under Law No. 7 of 2017 on General Elections. One of the provisions in this law is the electoral silence period. In the 2024 election, February 11–13, 2024, is designated as the electoral silence period. During this period, Article 287, Paragraph 5 of the Election Law states that print media, online media, social media, and broadcasting institutions are prohibited from disseminating news, advertisements, or any content that benefits or harms election participants. On February 11, 2024, during the silence period, a video titled "Dirty Vote" was uploaded on YouTube, drawing significant public attention. Its release during the silence period sparked controversy and prompted various opinions in the video’s comment section. Sentiment analysis is a suitable method to determine whether public opinions regarding the video are predominantly positive, negative, or neutral. This study utilized the Support Vector Machine (SVM) classification method with different kernels, including linear and non-linear (polynomial, RBF, and sigmoid). To accelerate labeling for large datasets, a Lexicon-Based approach was employed. The combination of SVM and Lexicon-Based methods demonstrated that the linear kernel outperformed others, achieving evaluation metrics of 91.1% accuracy, 91.1% recall, 90.9% precision, and 90.8% F1-score.
Co-Authors Chairani Dittha Winyana Putra Y. Suhendro