Article Per Year (5 Year)
p-Index From 2021 - 2026
0.817
P-Index
This Author published in this journals
All Journal bit-Tech Abdi Jurnal Publikasi Journal of Research and Publication Innovation Journal of Innovative and Creativity
Ade Napila
UNIVERSITAS PAMULANG
Computer Science & IT Education Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Social Sciences Other

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
SOSIALISASI TERKAIT ADWARE UNTUK KEAMANAN BERINTERNET DI SMK PANTI KARYA Ade Napila; Andrian Hidayat
Abdi Jurnal Publikasi Vol. 1 No. 6 (2023): Juni
Publisher : Abdi Jurnal Publikasi

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

Abstract

Adware is a software application where advertising banners or advertising material or downloaded while the program is running, even when the device is displayed connected to the internet, or in some cases can occur while offline use. Advertisements are delivered via pop-up windows or bars that appear in the user interface program. Mobile adware is generally built for computers, but also mobile devices can become targets for adware exploits. Although adware can't be classified as a virus and doesn't pose the threat it does by other malicious files circulating on the internet, very adware inconveniences computer and mobile users if the device already has an infection. Panti Karya Vocational School is one of the educational institutions integrated program whose students are Gen Z who understand deeply access the internet. However, students have not been equipped with knowledge related to action precautions in avoiding malicious file infections on the internet, in particular regarding adware. In this case, we intend to do related outreach adware in Panti Karya Vocational Schools as a form of introduction and preventive action and persuasive so that Panti Karya Vocational School students can avoid infection and adware exploits that are scattered on the internet.
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KARYAWAN TERBAIK MENGGUNAKAN METODE WEIGHT PRODUCT (STUDI KASUS: KLINIK SEHAT SERPONG) Ade Napila; Andrian Hidayat
Journal of Research and Publication Innovation Vol 1 No 3 (2023): JULY
Publisher : Journal of Research and Publication Innovation

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

Abstract

Pemilihan karyawan terbaik merupakan kegiatan dalam suatu perusahaan dimana tujuan dari kegiatan ini cukup baik, yaitu memicu agar karyawan bekerja lebih baik dan giat lagi sehingga akan berbanding lurus dengan hasil yang diperoleh yakni perusahaan atau usaha yang dijalankan menjadi lebih produktif, baik dari segi pelayanan maupun pencapaian, serta karyawan terpilih mendapat reward atau penghargaan sesuai kebijakan yang berlaku pada perusahaan. Salah satu sistem yang dapat digunakan dalam menentukan karyawan terbaik adalah dengan menggunakan sistem pendukung keputusan. Sistem pendukung keputusan itu sendiri adalah sistem yang digunakan untuk mendukung dan membantu pihak manajemen melakukan pengambilan keputusan pada kondisi semi terstruktur dan tidak terstruktur. Dengan mempertimbangkan rating atribut atau beberapa kriteria yang menjadi dasar penilaian yang sesuai dengan ketentuan perusahaan dan manajemen. Pada dasarnya konsep sistem pendukung keputusan hanyalah sebatas pada kegiatan membantu para manajer melakukan penilaian bukan menggantikan posisi dan peran manajer, sehingga tidak mengancam ataupun mengambil jabatan seseorang dalam perusahaan. Ada beberapa metode dalam sistem pendukung keputusan, salah satunya adalah metode Weighted Product (WP). Metode WP menggunakan perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot atribut yang bersangkutan, sehingga nilai yang diperoleh nantinya sesuai dengan apa yang diharapkan karena bobot pada atribut ditentukan oleh perusahaan dalam mencari karyawan terbaiknya.
Analisis Sentimen pada Ulasan Aplikasi FinTech di Indonesia: Studi Komparatif Model Machine Learning dan Deep Learning Ahmad Fauzi; Achmad Lutfi Fuadi; Agus Heri Yunial; Andrian Hidayat; Ade Napila
Journal of Innovative and Creativity Vol. 6 No. 1 (2026)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v6i1.6939

Abstract

Pertumbuhan sektor Teknologi Finansial (FinTech) telah menjadikan umpan balik pelanggan dari platform digital sebagai sumber penting untuk pengambilan keputusan strategis. Namun, volume dan ketidakstrukturan data, khususnya dalam bahasa informal seperti Bahasa Indonesia, menimbulkan tantangan analitis yang signifikan. Penelitian ini bertujuan untuk mengidentifikasi pipeline optimal untuk klasifikasi sentimen pada ulasan pengguna Livin' by Mandiri, super-app perbankan digital Indonesia. Kami melakukan analisis komparatif menggunakan dataset dunia nyata berisi 117.471 ulasan yang tidak seimbang (55% negatif, 31% positif, 14% netral) yang dibersihkan dari Google Play Store. Dua teknik vektorisasi teks, Bag-of-Words (BoW) dan TF-IDF, diuji pada empat classifier machine learning: Random Forest, Logistic Regression, Decision Tree, dan SVM, serta dibandingkan dengan model Deep Learning berbasis Long Short-Term Memory (LSTM). Hasilnya menunjukkan bahwa model LSTM unggul dengan akurasi 98,02% dan weighted F1-score 0,99, sementara model machine learning terbaik, Logistic Regression dengan TF-IDF, menghasilkan weighted F1-score 0,92. Temuan ini menegaskan bahwa meskipun machine learning tradisional efektif, LSTM lebih unggul dalam menangkap konteks dalam data sekuensial yang kompleks dan tidak seimbang. Penelitian ini menawarkan kerangka kerja yang berguna bagi institusi keuangan untuk menerapkan sistem analisis sentimen otomatis yang akurat dan efektif.
Naïve Bayes Algorithm Analysis For Student Graduation Timeliness Prediction A. Nurul Anwar; Dani Dani; Ade Napila
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.2825

Abstract

This study developed a student graduation prediction system using the Naïve Bayes algorithm, using PS1-PS4 scores, PK, and SKS as indicators of academic progress. This model achieved 88.33% accuracy and an ROC value of 0.900, indicating superior predictive ability. These results outperform other common models such as logistic regression and the C4.5 decision tree, which have approximately 85% accuracy in predicting student graduation. These results also outperform previous research in the same field, which had ROC values of approximately 0.85.Graduation predictions were categorized as "ON TIME" and "LATE" with high precision. The Naïve Bayes algorithm has proven effective in predicting student graduation, particularly in identifying factors that influence graduation timeliness, such as poor academic performance, difficulty completing final assignments, poor personal conditions, and lack of motivation and interest.By designing a graduation prediction system using the Naïve Bayes algorithm, this research aims to help educational institutions predict student graduation timeliness and provide appropriate interventions. This system can improve educational quality and reduce dropout rates, making it an important tool for educational institutions to improve graduate quality and achieve their academic goals.This research demonstrates that the Naïve Bayes algorithm can be an effective and accurate graduation prediction method, thus helping educational institutions develop strategies to improve educational quality and reduce dropout rates. Therefore, this research has the potential to significantly impact higher education institutions and assist them in achieving their academic goals.
Co-Authors A. Nurul Anwar Achmad Lutfi Fuadi Agus Heri Yunial Ahmad Fauzi Andrian Hidayat Dani Dani