Article Per Year (5 Year)
p-Index From 2021 - 2026
7.011
P-Index
This Author published in this journals
All Journal Jurnal Khatulistiwa Informatika Journal of Information Technology and Computer Science (JOINTECS) JurTI (JURNAL TEKNOLOGI INFORMASI) METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi Jurnal Nasional Komputasi dan Teknologi Informasi WIDYA LAKSANA Jurnal Informatika Kaputama (JIK) EVOLUSI : Jurnal Sains dan Manajemen JTIK (Jurnal Teknik Informatika Kaputama) Jurnal Ilmu Teknik dan Komputer Jurnal Tekinkom (Teknik Informasi dan Komputer) Infotek : Jurnal Informatika dan Teknologi Jurnal Pengembangan Sistem Informasi dan Informatika JUSTIAN - Jurnal Sistem Informasi Akuntansi J-Intech (Journal of Information and Technology) Ilmu Komputer untuk Masyarakat Jurnal Pengabdian Masyarakat Bidang Sains dan Teknologi Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Jurnal Abdimas Le Mujtamak Mestaka: Jurnal Pengabdian Kepada Masyarakat Dedikasi Saintek Jurnal Pengabdian Masyarakat SOROT: Jurnal Pengabdian Kepada Masyarakat Madani: Jurnal Pengabdian Masyarakat dan Kewirausahaan DEDIKASI SAINTEK Jurnal Pengabdian Masyarakat Indonesian Community Service Journal of Computer Science (IndoComs) Jurnal Nasional Komputasi dan Teknologi Informasi
Panny Agustia Rahayuningsih
Universitas Bina Sarana Informatika
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Public Health Social Sciences Transportation Veterinary Other

Published : 52 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 52 Documents
Search

 2   3   4   5   6 
KOMPARASI ALGORITMA KLASIFIKASI DATA MINING UNTUK MEMPREDIKSI TINGKAT KEMATIAN DINI KANKER DENGAN DATASET EARLY DEATH CANCER Rahayuningsih, Panny Agustia
JTIK (Jurnal Teknik Informatika Kaputama) Vol. 3 No. 2 (2019): Volume 3, Nomor 2, Juli 2019
Publisher : STMIK KAPUTAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59697/jtik.v3i2.637

Abstract

Cancer is something big in the world. Cancer is a malignant disease that is difficult to cure if the spread is too wide. However, detecting cancer cells as early as possible can reduce the risk of death. This study aims to predict the level of early detection of disasters in European countries using 5 classification algorithms, namely: Desecion Tree, Naïve Bayes, k-Nearset Neighbor, Random Forest and Neural Network of which algorithm is the best for this study. Tests carried out with several stages of research include: dataset (data contains), initial data processing, proposed method, credit method using 10 times cross validation, test results and t-test different tests. The alpha value is 0.05. if the probability is> 0.05 then H0 is accepted. If the probability is <0.05 then Ho is rejected. The results of the research that obtained performance with an accuracy value of 98.35% were the Neural Network algorithm. Whereas, the results of the research using the algirtic t-test with the best models are: Random Forest algorithm and Neural Network, the relatively good Naïve Bayes algorithm, the Desecion Tree algorithm is quite good and the poor algorithm is the K-Nearset Neighbor (K-NN) algorithm.
Desain Implementasi Sistem Informasi Akuntansi Kinerja Keuangan menggunakan Scrum di Kantor Pertanahan Kubu Raya Panny Agustia Rahayuningsih; Anna Anna; Riski Annisa
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 4 (2025): Agustus 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i4.9374

Abstract

Abstrak - Kantor Pertanahan merupakan lembaga pemerintah yang memiliki tanggung jawab dalam mengelola dan mengatur administrasi pertanahan di suatu daerah. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem informasi akuntansi kinerja keuangan yang lebih efisien dan efektif di Kantor Pertanahan Kabupaten Kubu Raya. Fokus utama penelitian ini adalah untuk mengatasi keterbatasan sistem e-Monev Bappenas yang saat ini digunakan oleh bagian Perencanaan, Evaluasi, dan Pelaporan. Sistem tersebut belum mampu menyesuaikan revisi pagu anggaran secara otomatis serta belum memiliki fitur-fitur penting seperti jurnal umum, buku besar, neraca saldo, dan laporan kas, sehingga menyulitkan dalam menyusun laporan keuangan secara akurat dan efisien. Data dalam penelitian ini dikumpulkan melalui observasi langsung, wawancara, dan kajian literatur. Hasil analisis menunjukkan bahwa sistem keuangan yang digunakan saat ini tidak mampu menyajikan laporan keuangan dengan baik karena tidak mencerminkan perubahan dalam pagu anggaran. Sebagai solusinya, penelitian ini berhasil merancang sebuah aplikasi baru berbasis metode Scrum yang mampu menangani revisi anggaran secara tepat dan dilengkapi dengan fitur-fitur penting seperti jurnal umum dan khusus, buku besar, neraca saldo, laporan laba rugi, laporan perubahan modal, dan laporan kas. Dengan adanya sistem baru ini, Kantor Pertanahan dapat menyusun laporan keuangan dengan lebih akurat dan tepat waktu, yang pada akhirnya meningkatkan efisiensi dan efektivitas dalam pengelolaan keuangannya.Kata kunci: Sistem Informasi Akuntansi; Kinerja Keuangan; Revisi Pagu Anggaran; Kantor Pertanahan;  Metode Scrum; Abstract - The Land Office is a government agency that has the responsibility of managing and regulating land administration in an area. This research aims to design and develop a more efficient and effective financial performance accounting information system at the Kubu Raya Regency Land Office. The main focus of this research is to overcome the limitations of the Bappenas e-Monev system currently used by the Planning, Evaluation and Reporting section. The system has not been able to automatically adjust the revision of the budget ceiling and does not have important features such as general journals, ledgers, balance sheets, and cash reports, making it difficult to prepare financial reports accurately and efficiently. The data in this study were collected through direct observation, interviews, and literature review. The results of the analysis show that the current financial system is not able to present financial reports properly because it does not reflect changes in the budget ceiling. As a solution, this research successfully designed a new application based on the Scrum method that is able to handle budget revisions appropriately and is equipped with important features such as general and special journals, ledgers, trial balance, income statement, statement of changes in capital, and cash statement. With this new system, the Land Office can prepare financial reports more accurately and in a timely manner, which in turn improves efficiency and effectiveness in its financial managementKeywords: Accounting Information System; Financial Performance; Budget Ceiling Revision; Land Office; Scrum Method;
SOSIALISASI PEMANFAATAN ARTIFICIAL INTELLIGENCE UNTUK MEDIA PROMOSI PADA LEGEND AUTO PART PONTIANAK: SOSIALISASI PEMANFAATAN ARTIFICIAL INTELLIGENCE UNTUK MEDIA PROMOSI PADA LEGEND AUTO PART PONTIANAK Panny Agustia Rahayuningsih; Riski Annisa; Anna Anna; Monikka Nur Winnarto
Indonesian Community Service Journal of Computer Science Vol. 2 No. 1 (2025): Periode Januari 2025
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/indocoms.v2i1.7779

Abstract

Perkembangan teknologi Artificial Intelligence (AI) membuka peluang baru bagi strategi pemasaran digital, terutama bagi usaha kecil dan menengah. Pengabdian masyarakat ini bertujuan mensosialisasikan pemanfaatan AI untuk media promosi pada Legend Auto Part Pontianak. Metode pelaksanaan meliputi analisis kebutuhan, pelatihan penggunaan AI, implementasi teknologi, serta monitoring dan evaluasi. Kegiatan difokuskan pada penggunaan chatbot di platform media sosial, iklan digital berbasis AI, dan analisis sentimen pelanggan. Hasil menunjukkan peningkatan signifikan dalam strategi pemasaran, termasuk layanan pelanggan otomatis, target iklan yang lebih presisi, dan pemahaman mendalam tentang perilaku konsumen. Implementasi AI memungkinkan Legend Auto Part Pontianak mengoptimalkan anggaran pemasaran, meningkatkan visibilitas produk, dan memberikan pengalaman pelanggan yang lebih baik, sehingga meningkatkan daya saing bisnis di era digital.
Meningkatkan Daya Saing UMKM Desa Punggur Besar Melalui Strategi Pemasaran Digital Berbasis Kecerdasan Buatan (AI) Anna, Anna; Annisa, Riski; Rahayuningsih, Panny Agustia; Nugraha, Wahyu
Mestaka: Jurnal Pengabdian Kepada Masyarakat Vol. 5 No. 1 (2026): Februari 2026
Publisher : Pakis Journal Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58184/mestaka.v5i1.838

Abstract

The Free Nutritious Meals Program is a social initiative managed by micro, small, and medium enterprises (MSMEs) in Punggur Besar Village to support the nutritional needs of schoolchildren. However, program managers face challenges in increasing visibility, transparency, and community engagement due to limited digital technology capabilities. This activity aims to empower program managers through AI-based digital marketing training that is easily accessible and relevant to their social context. The training was conducted offline at the Punggur Besar Village Office using participatory learning methods and hands-on practice using participants' own devices. Twenty program managers participated in the entire activity. All participants successfully created program-specific social media accounts, produced educational content, and documented activities with the help of AI tools. Eighty percent of participants were able to independently develop content narratives, and seventy-two percent began utilizing basic analytics to understand community responses to their content. The main benefits gained were increased digital communication capacity, strengthened program accountability, and increased confidence in interacting with the public online. This activity demonstrated that the use of AI in digital marketing can be adapted inclusively to strengthen community-based social programs, with the active involvement of managers as key actors in digital transformation at the village level.
Perbandingan Algoritma Machine Learning untuk Klasifikasi Hoaks Berbahasa Indonesia pada Dataset Komdigi Haris Setyo Pratomo; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.1255

Abstract

The spread of Indonesian-language hoaxes continues to increase along with the development of digital platforms, making it necessary to develop an automatic classification system capable of accurately and efficiently categorizing types of hoaxes. This study compares the performance of five machine learning algorithms, namely Support Vector Machine (SVM), Random Forest, Logistic Regression, Decision Tree, and Naive Bayes, in classifying Indonesian hoax categories using the Komdigi dataset consisting of 16,308 articles across six categories. Feature representation was performed using TF-IDF with n-gram combination (1,2) enriched with text statistical features, while the extreme class imbalance was handled using SMOTE applied internally within the Stratified K-Fold Cross-Validation pipeline to prevent data leakage. Evaluation results show that SVM (LinearSVC) achieved the highest accuracy of 95.9% and cross-validation score of 0.960, while Logistic Regression outperformed others in AUC Macro at 0.952 and macro F1-Score of 0.460, reflecting the best ability to recognize all categories in a balanced manner. Decision Tree showed the lowest performance with an AUC Macro of 0.635. These findings confirm that the selection of the best algorithm depends on the priority of evaluation metrics used according to the needs. This study contributes a recommendation of effective algorithms for Indonesian hoax classification and a valid, data leakage-free methodological framework.
Perbandingan Sentimen Ulasan Pengguna Aplikasi Brainly dan Ruangguru Menggunakan Naïve bayes, KNN, Decision Tree Adrianus Windi; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.1294

Abstract

Sentiment analysis is an important way to understand user opinions about digital education apps, as the number of reviews on the Google Play Store is too large to be manually analyzed one by one. This study compares three machine learning methods, namely Naïve Bayes, K-Nearest Neighbor (KNN), and Decision Tree, to classify sentiments from user reviews of the Brainly and Ruang Guru apps. Data were collected by scraping 8,000 reviews from the Google Play Store, i.e., 4,000 reviews per app, from May to June 2026; after removing duplicate reviews, 6,151 reviews remained, consisting of 2,836 reviews for Brainly and 3,315 reviews for Ruang Guru. Sentiment labels were arranged based on the number of stars (1–3 means negative, 4–5 means positive), resulting in an unbalanced distribution of 79.8% positive and 20.2% negative. The text was processed through nine pre-processing stages specifically used for informal Indonesian. Features were then extracted using the TF-IDF method, resulting in 2,398 features and a viewing rate of 99.78%. The training data was quantity-equalized using the SMOTE technique, and the model was optimized with GridSearchCV using StratifiedKFold with 5 data splits. In the tuning and SMOTE scenarios, the Naïve Bayes method showed the best performance with an accuracy of 82.78%, an F1-Score of 83.79%, and an ROC-AUC of 88.44%, which was better than Decision Tree and KNN. Interestingly, the Naïve Bayes method without using SMOTE actually achieved the highest overall accuracy of 88.95%, indicating that using SMOTE on high-dimensional TF-IDF data does not always improve model performance. Differentiating keyword analysis helps to identify positive sentiments such as 'helpful', 'easy', and 'best', as well as negative sentiments such as 'trash', 'ads', and 'error', which can be used as a benchmark in providing service quality by the second application developer.
Analisis Sentimen Program Bantuan Sosial Menggunakan Metode Machine Learning Anna; Riski Annisa; Panny Agustia Rahayuningsih
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 2 (2026): April, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/thpxny55

Abstract

Abstrak - Program bantuan sosial merupakan instrumen penting yang diimplementasikan oleh pemerintah untuk meningkatkan kesejahteraan masyarakat dan mengurangi kesenjangan ekonomi. Studi ini bertujuan untuk menganalisis sentimen publik terhadap program bantuan sosial di Indonesia dengan memanfaatkan metode machine learning. Jaringan media sosial menyediakan data teks berupa jawaban, pandangan, dan komentar publik. Data teks mentah diproses terlebih dahulu menggunakan pembersihan teks, case folding, tokenisasi, penghapusan stop word, dan stemming sebelum analisis sentimen dilakukan. Selain itu, dua annotator menggunakan aturan anotasi yang disediakan untuk mengkategorikan data teks secara manual dengan sentimen (positif, negatif, atau netral). Tiga model machine learning—Bidirectional Encoder Representations from Transformers (BERT), Long Short-Term Memory (LSTM), dan Regresi Logistik—digunakan untuk menilai sentimen. Kinerja model diuji menggunakan metrik presisi, recall, dan F1-score untuk menentukan akurasi dan efektivitasnya. Dengan F1-score 0,93, temuan menunjukkan bahwa model BERT berkinerja terbaik dalam analisis sentimen. Analisis sentimen mengungkapkan bahwa sentimen netral mendominasi tanggapan publik terhadap program bantuan sosial, yang menunjukkan bahwa publik belum memiliki opini yang kuat, baik positif maupun negatif, terhadap program bantuan sosial. Temuan ini memberikan informasi berharga bagi para pembuat kebijakan dan pelaksana program untuk mengevaluasi program bantuan sosial secara komprehensif, mengidentifikasi area yang perlu ditingkatkan, dan meningkatkan kualitas layanan untuk memaksimalkan manfaat bagi masyarakat. Kata kunci: Logistic Regression; Machine Learning; Analisis Sentimen; Program Bantuan Sosial; Twitter; Abstract - Social assistance programs are important instruments implemented by the government to improve public welfare and reduce economic disparities. This study aims to analyze public sentiment towards social assistance programs in Indonesia by utilizing machine learning methods. Social media networks provided text data in the form of public answers, views, and comments. Raw text data was preprocessed using text cleaning, case folding, tokenization, stop word removal, and stemming before sentiment analysis was performed. Additionally, two annotators used the supplied annotation rules to manually categorize the text data with sentiment (positive, negative, or neutral). Three machine learning models—Bidirectional Encoder Representations from Transformers (BERT), Long Short-Term Memory (LSTM), and Logistic Regression—were used to assess sentiment. Model performance was tested using precision, recall, and F1-score metrics to determine their accuracy and efficacy. With an F1-score of 0.93, the findings demonstrated that the BERT model performed the best in sentiment analysis. Sentiment analysis revealed that neutral sentiment dominates public responses to social assistance programs, indicating that the public does not yet have a strong opinion, positive or negative, towards social assistance programs. This finding provides valuable information for policy makers and program implementers to comprehensively evaluate social assistance programs, identify areas that need improvement, and improve service quality to maximize benefits to the community. Keywords: Logistic Regression; Machine Learning; Sentiment Analysis; Social Assistance Program; Twitter;
Perbandingan Metode Support Vektor Machine dan Random Forest untuk Analisis Sentimen Ulasan Adapundi dan Kreditpintar di Google Playstore Lupias; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1324

Abstract

Layanan pinjaman online (pinjol) seperti AdaPundi dan KreditPintar menghasilkan ribuan ulasan pengguna di Google Play Store yang bersifat tidak terstruktur, sehingga sulit dianalisis secara manual untuk memahami persepsi publik. Penelitian ini bertujuan membandingkan performa algoritma Support Vector Machine (SVM) dan Random Forest dalam mengklasifikasikan sentimen ulasan kedua aplikasi tersebut, serta mengidentifikasi kata kunci yang membentuk sentimen positif dan negatif. Data dikumpulkan melalui scraping sebanyak 4.998 ulasan, dibersihkan menjadi 2.739 baris, dan diberi label sentimen berdasarkan rating (1–3 negatif, 4–5 positif), menghasilkan proporsi 69,19% positif dan 30,81% negatif. Pra-pemrosesan teks dilakukan melalui sepuluh tahap dengan modifikasi khusus berupa proteksi kata negasi, menghasilkan 2.695 data bersih yang selanjutnya diekstraksi menjadi fitur TF-IDF (matriks 2.695×1.204, sparsity 99,48%). Ketidakseimbangan kelas ditangani melalui class_weight='balanced' tanpa SMOTE. Hasil pengujian pada data uji menunjukkan SVM kernel RBF memperoleh akurasi 87,76%, F1-Score 0,8794, dan MCC 0,7276, mengungguli Random Forest yang memperoleh akurasi 86,64%, F1-Score 0,8670, dan MCC 0,6919, meskipun Random Forest mencatat ROC-AUC lebih tinggi (0,9216 berbanding 0,9077). Validasi 5-fold cross validation menguatkan temuan ini secara konsisten. Perbandingan kedua aplikasi menunjukkan AdaPundi memperoleh sentimen lebih positif (74,4%) dibandingkan KreditPintar (63,8%), dengan kata "tolak" menjadi penanda khas keluhan pada KreditPintar terkait penolakan pengajuan pinjaman.
Sistem Pemeringkatan Resume Berbasis LLM untuk Seleksi Kandidat PT Triputra Khatulistiwa Herman Firmansyah; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1329

Abstract

Proses screening resume pada PT. Triputra Khatulistiwa, sebuah perusahaan jasa ekspedisi dan logistik di Kalimantan Barat dengan cakupan operasional di 14 kabupaten/kota, masih dilakukan secara sepenuhnya manual oleh tim HR yang terbatas. Rata-rata jumlah pelamar mencapai 20 orang per periode rekrutmen dengan waktu screening 3 hingga 7 hari kerja, sehingga rentan terhadap inkonsistensi penilaian antar evaluator dan bias subjektif. Penelitian ini bertujuan merancang dan membangun sistem pemeringkatan resume berbasis web bernama SmartLoker yang mengintegrasikan Large Language Model (LLM) untuk mengotomatisasi proses seleksi kandidat. Sistem dikembangkan menggunakan metode waterfall dengan pemodelan UML (use case, activity, entity relationship diagram, dan sequence diagram), dibangun menggunakan framework Nuxt 3 (Vue 3) dengan basis data MySQL melalui ORM Prisma. Integrasi LLM menggunakan model GPT-4o-mini melalui layanan Sumopod yang kompatibel dengan OpenAI, dengan pendekatan two-stage prompting, yaitu ekstraksi informasi resume dan penilaian berbobot terhadap kriteria kesesuaian skill, pengalaman, dan pendidikan. Sistem melibatkan empat peran pengguna (Super Admin, Admin, HR, dan Pelamar) serta dilengkapi fitur analisis jejak digital, perankingan kandidat berbasis AI, penjadwalan wawancara, dan notifikasi otomatis melalui email dan WhatsApp. Pengujian dengan metode black box terhadap 26 skenario pada seluruh modul menunjukkan seluruh fungsi berjalan valid, dengan waktu pemrosesan screening kurang dari 30 detik per resume. Hasil ini menunjukkan bahwa sistem mampu mempersingkat waktu seleksi, meningkatkan konsistensi penilaian, dan mengurangi bias subjektif dalam proses rekrutmen di PT. Triputra Khatulistiwa.
Analisis Sentimen Ulasan Pengguna Aplikasi Mobile Banking Bank Kalbar Menggunakan Algoritma Svm Random Forest dan Naive Bayes Theofilus BA; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1331

Abstract

Perkembangan dalam layanan perbankan seluler telah meningkatkan jumlah ulasan pengguna di platform seperti Google Play Store, yang menyimpan data berharga terkait kepuasan dan keluhan dari nasabah. Penelitian ini memiliki tujuan untuk menganalisis sentimen dari ulasan pengguna aplikasi mobile banking Bank Kalbar dengan memanfaatkan tiga algoritma machine learning untuk klasifikasi, yaitu Support Vector Machine (SVM), Random Forest, dan Naive Bayes, yang diterapkan dengan representasi fitur berbasis TF-IDF. Data yang digunakan dalam penelitian ini mencakup 2.923 ulasan yang diperoleh melalui web scraping dan secara otomatis diberi label melalui model LLaMA 3.1 8B Instant menggunakan Groq API ke dalam tiga kategori sentimen: positif (49,3%), negatif (41,2%), dan netral (9,5%). Ketidakseimbangan dalam distribusi kelas ditangani dengan metode SMOTE, sedangkan optimisasi hyperparameter dilakukan dengan teknik GridSearchCV menggunakan Stratified 5-Fold Cross Validation. Hasil evaluasi menunjukkan bahwa SVM berperforma sebagai model paling unggul dengan akurasi 87,52%, F1-Weighted 86,80%, dan F1-Macro 79,59%, diikuti oleh Naive Bayes (85,98%) dan Random Forest (85,47%). Namun, analisis statistik McNemar mengindikasikan bahwa perbedaan kinerja di antara ketiga model tidak signifikan secara statistik (p > 0,05), yang menunjukkan bahwa ketiga algoritma ini memiliki kemampuan generalisasi yang setara pada dataset ini. Tantangan utama yang teridentifikasi adalah rendahnya tingkat recall pada kelas netral (41–46%) disebabkan oleh ketidakseimbangan data. Hasil dari penelitian ini memberikan wawasan yang jelas mengenai pola sentimen dari pengguna aplikasi mobile banking Bank Kalbar dan dapat menjadi referensi bagi manajemen untuk meningkatkan kualitas layanan digital, terutama dalam hal stabilitas aplikasi dan kemudahan akses.
Co-Authors Adrianus Windi Anna Anna Anna Anna Anna Anna Anna Anna, Anna Anna, Anna - Ardiyansyah Ardiyansyah Ardiyansyah Ardiyansyah Ardiyansyah Ardiyansyah Asmu’I Nurfi’i Bima Mukti Nugroho Eliska, Puspa Eri Bayu Pratama Erni Erni Fadilah, Aldi Fikri Fikri Fradinata Fradinata Fuad Nur Hasan Haris Setyo Pratomo Herman Firmansyah Hidayana, Reymond Syahputra Ifran Augitiansyah Kartika Handayani Laurensius Kevin Megachandra Myne Laurensius Kevin Megachandra Myne Lupias Maulana, Reza - Mohammad Kamal Reza Monikka Nur Winnarto Muhammad Rezki Muhammad Sony Maulana Nadia, Putri Nurfia Oktaviani Syamsiah Patina Patina Patina, Patina Purwaningtias, Deasy Purwaningtias, Deasy Raja Sabaruddin Raja Sabaruddin Raja Sabarudin Ramadhani, Zulfikar Ismaya Reza Maulana Riski Annisa Rona Santi Santi Siti Nurdiani Sri Murni Theofilus BA Wahyu Nugraha Winnaarto, Monikka Nur Yulia yulia Yulia Yulia Zabaniyah Zabaniyah