Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal Djtechno: Jurnal Teknologi Informasi Brilliance: Research of Artificial Intelligence
Mutia Fadhila Putri
Universitas Jambi
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Mathematics Other

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

Found 4 Documents
Search

 1 
Indonesian Online News Topic Classification Using Naive Bayes and Support Vector Machine Winando Parbo Kusuma; Pradita Eko Prasetyo Utomo; Mutia Fadhila Putri
Brilliance: Research of Artificial Intelligence Vol. 6 No. 3 (2026): Brilliance: Research of Artificial Intelligence, Article Research August 2026
Publisher : Yayasan Cita Cendekiawan Al Khwarizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/brilliance.v6i3.8905

Abstract

Indonesian online news portals publish large volumes of articles every day, making manual topic grouping time-consuming, inconsistent, and difficult to maintain when articles contain overlapping contexts. Objective: This study develops and compares Naive Bayes and support vector machine models for Indonesian online news topic classification and identifies the model that can be used as the basis for an automatic newsroom support tool. Methods: A dataset of 1,631 Kompas.com articles was collected through web scraping from six channels: economy, automotive, technology, lifestyle, politics, and sport. The article body was used as input, while the source channel became the class label. The text was prepared through duplicate checking, text normalization, case folding, tokenizing, filtering with Indonesian and custom stopwords, and stemming with Sastrawi. The processed texts were transformed with TF-IDF using a maximum of 10,000 unigram and bigram features, min_df=2, and max_df=0.9. The data were split into 80% training data and 20% testing data with stratification. GridSearchCV with five-fold cross validation was applied to tune Multinomial Naive Bayes and support vector machine parameters. Results: Naive Bayes achieved 97.25% testing accuracy, while support vector machine with a linear kernel, C=10, and gamma=scale achieved 98.17%. SVM also produced higher macro precision, recall, and F1-score. Remaining errors mainly appeared in technology articles because their vocabulary overlapped with lifestyle, automotive, and politics topics. Conclusion: TF-IDF with linear SVM effectively classifies Indonesian online news topics and supports automated content organization workflows.
EVALUASI SENTIMEN TERHADAP IMPLEMENTASSI CORETAX MENGGUNAKAN INDOBERTWEET DAN BERTOPIC Selfy Ilafia; Daniel Arsa; Mutia Fadhila Putri
Djtechno: Jurnal Teknologi Informasi Vol 7, No 2 (2026): Agustus
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/djtechno.v7i2.9036

Abstract

Coretax (Sistem Administrasi Perpajakan Inti) merupakan sistem administrasi perpajakan yang diimplementasikan oleh Direktorat Jenderal Pajak (DJP) pada 1 Januari 2025. Implementasi sistem ini memunculkan beragam respons dari publik di media sosial, khususnya platform X. Penelitian ini bertujuan menganalisis sentimen dan pemodelan topik terhadap tweet terkait Coretax menggunakan IndoBERTweet dan BERTopic. Hasil evaluasi model IndoBERTweet menunjukkan akurasi terbaik sebesar 92% dengan F1-score kelas positif 69% pada pendekatan tanpa preprocessing tanpa normalisasi, stopword removal, dan stemming dibandingkan pendekatan dengan preprocessing yang menghasilkan akurasi 90% dan F1-score kelas positif 65%. BERTopic berhasil mengidentifikasi 14 topik utama dengan rata-rata coherence score 0,54, yang didominasi oleh isu teknis seperti error sistem, login, faktur pajak, NPWP, dan pelaporan SPT. Secara keseluruhan, sentimen publik terhadap implementasi Coretax didominasi sentimen negatif yang berpusat pada kendala teknis dan permasalahan operasional sistem.Kata Kunci: Coretax, IndoBERTweet, Analisis Sentimen, BERTopic, Pemodelan Topik
ANALISIS SENTIMEN APLIKASI SHOPEEPAY MENGGUNAKAN NAÏVE BAYES DAN PEMODELAN TOPIK LATENT DIRICHLET ALLOCATION Dinda Fatimah Sarah; Ulfa Khaira; Mutia Fadhila Putri
Djtechno: Jurnal Teknologi Informasi Vol 6, No 2 (2025): Agustus
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/djtechno.v6i2.6586

Abstract

AbstrakGerakan Nasional Non-Tunai (GNNT) yang diluncurkan oleh Bank Indonesia telah mendorong pertumbuhan signifikan dalam penggunaan e-wallet sebagai alat pembayaran digital. ShopeePay menjadi salah satu platform dominan dengan penetrasi pasar mencapai 68%. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi ShopeePay serta menginterpretasi topik-topik sentimen yang dominan dalam ulasan pengguna. Metode yang digunakan adalah analisis sentimen dengan algoritma Naïve Bayes dan pemodelan topik menggunakan Latent Dirichlet Allocation (LDA) berdasarkan data ulasan Google Play Store periode Januari–Desember 2024. Hasil analisis menunjukkan akurasi model sebesar 89,70% dengan precision 82%, recall 86%, dan F1-score 84%. Dari 2.811 ulasan hasil preprocessing, model memprediksi 2.183 ulasan positif, sedangkan 628 ulasan negatif. Analisis topik mengungkap bahwa pengguna puas dengan kemudahan transaksi, keandalan sistem, dan kualitas layanan dengan koherensi 0,5157 pada kelompok topik 7, sementara keluhan utama terkait masalah teknis akun dan layanan pinjaman dengan nilai koherensi 0,3453 pada kelompok topik 10. Temuan ini memberikan rekomendasi bagi pengembang untuk meningkatkan kualitas layanan terkait penanganan isu teknis dan fitur pinjaman. Kata Kunci: ShopeePay, Naïve Bayes, Latent Dirichlet Allocation, Analisis sentimen
IMPLEMENTASI SISTEM BUSINESS INTELLIGENCE UNTUK MENDUKUNG PENINGKATAN PENGAMBILAN KEPUTUSAN MANAJERIAL KESEHATAN Mutia Fadhila Putri; Ken Ditha Tania; Ali Bardadi
Djtechno: Jurnal Teknologi Informasi Vol 7, No 1 (2026): April
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/djtechno.v7i1.8535

Abstract

Pengelolaan data kesehatan masyarakat pada instansi pemerintah daerah umumnya masih bergantung pada mekanisme pelaporan manual yang terfragmentasi, sehingga menghambat efektivitas pengambilan keputusan berbasis bukti. Penelitian ini bertujuan merancang dan mengimplementasikan sistem Business Intelligence (BI) pada Dinas Kesehatan Kota Palembang guna meningkatkan integrasi data, kualitas analisis informasi, dan ketepatan pengambilan keputusan. Penelitian mengadopsi pendekatan Business Intelligence Roadmap yang terdiri dari fase analisis bisnis, perencanaan, desain, dan konstruksi. Data laporan oprasional dari 39 Pusat Kesehatan Masyarakat (PUSKESMAS) di wilayah Kota Palembang diintegrasikan melalui proses extract, transform, dan load (ETL) data ke dalam arsitektur data warehouse multidimensional, kemudian dianalisis menggunakan Pentaho dashboard visualisasi dan teknik clustering dengan algoritma K-Means. Hasil implementasi menunjukkan bahwa sistem yang dikembangkan mampu mengatasi permasalahan fragmentasi data dan menghasilkan dashboard interaktif yang mendukung pemantauan kondisi kesehatan masyarakat secara multidimensi. Penerapan teknik clustering menghasilkan tiga klaster wilayah kerja puskesmas berdasarkan profil epidemiologis yang berbeda, memberikan wawasan yang sebelumnya tidak dapat diidentifikasi melalui laporan periodik konvensional. Evaluasi melalui user acceptance test (UAT) menunjukkan tingkat penerimaan yang baik dari pengguna sitem. Penelitian ini menegaskan bahwa BI berpotensi meningkatkan transparansi informasi dan mendukung perumusan kebijakan kesehatan yang lebih tepat sasaran di tingkat pemerintah daerah.
Co-Authors Ali Bardadi Arsa, Daniel Dinda Fatimah Sarah Ken Ditha Tania Khaira, Ulfa Selfy Ilafia Utomo, Pradita Eko Prasetyo Winando Parbo Kusuma