Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal RABIT: Jurnal Teknologi dan Sistem Informasi Univrab Jurnal Ekonomi Manajemen Sistem Informasi Bulletin of Computer Science Research
Lola Oktavia
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
IMPLEMENTASI K-MEANS CLUSTERING PADA DATA PENGELOMPOKAN PENDAFTARAN MAHASISWA BARU (STUDI KASUS UNIVERSITAS ABDURRAB Muhammad Hanif Abdurrohman; Elin Haerani; Fadhilah Syafria; Lola Oktavia
Rabit : Jurnal Teknologi dan Sistem Informasi Univrab Vol 9 No 1 (2024): Januari
Publisher : LPPM Universitas Abdurrab

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36341/rabit.v9i1.4255

Abstract

Menghadapi dinamika kompleks pendaftaran mahasiswa baru, metode k-means clustering diperkenalkan sebagai pendekatan utama. Fokusnya adalah pada Universitas Abdurrab, di mana diselidiki berbagai atribut calon mahasiswa, termasuk jenis kelamin, pendidikan orangtua, penghasilan orangtua, kota/kabupaten asal, provinsi, usia, dan pilihan program studi. Dengan algoritma k-means clustering, tujuan penelitian adalah mengungkap pola yang mendasari preferensi dan karakteristik kelompok mahasiswa baru. Hasil dari penelitian ini memberikan wawasan mendalam mengenai faktor-faktor yang mempengaruhi keputusan penerimaan mahasiswa baru di lingkungan kampus Universitas Abdurrab. Pada penelitian ini Davies-Bouldin Index (DBI) digunakan sebagai metode untuk menentukan jumlah cluster optimal, nilai DBI terendah adalah 1,5 yang terjadi pada 8 cluster. Hal ini menunjukkan bahwa 8 cluster adalah jumlah cluster optimal untuk data yang telah ditransformasi dan siap dilakukan k-means clustering. Setelah melaksanakan proses clustering dengan metode K-Means yang melibatkan pembentukan 8 cluster, untuk menemjukan pola dan wawasan dari hasil clustering, ada dua cara yang digunakan pada penelitian ini, pertama membuat heatmap korelasi fitur yang ditampilkan, dapat diperoleh informasi mengenai hubungan antar variabel. Nilai korelasi berkisar antara -0.4 hingga 1.0 dimana nilai positif menunjukkan korelasi positif dan nilai negatif menunjukkan korelasi negatif. Korelasi positif berarti bahwa jika nilai salah satu variabel meningkat, maka nilai variabel lainnya juga cenderung meningkat. Sebaliknya, korelasi negatif berarti bahwa jika nilai salah satu variabel meningkat, maka nilai variabel lainnya cenderung menurun.
Analisis Tingkat Kualitas Computerized Maintenance Management System (CMMS) Menggunakan COBIT 5 Fahrul Al Hidayat; Novriyanto Novriyanto; Muhammad Irsyad; Lola Oktavia
Jurnal Ekonomi Manajemen Sistem Informasi Vol. 6 No. 2 (2024): Jurnal Ekonomi Manajemen Sistem Informasi (November - Desember 2024)
Publisher : Dinasti Review

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38035/jemsi.v6i2.3451

Abstract

PT Perkebunan Nusantara V Pekanbaru adalah sebuah Badan Usaha Milik Negara (BUMN) yang mengelola perkebunan karet dan kelapa sawit. Dalam pemanfaaatan teknologi untuk meningkatkan kualitasnya, PTPN V menggunakan Computerized Maintenance Management System (CMMS) sebagai sistem pengawasan untuk pemeliharaan. Selain itu, CMMS juga memiliki kemampuan untuk meningkatkan kondisi peralatan dan hasil produksinya. Hingga saat ini, belum ada pengukuran tingkat kualitas untuk mengevaluasi kualitas keseluruhan dari aktivitas bisnis yang menghasilkan solusi TI pada CMMS. Penelitian ini bertujuan untuk meninjau sejauh mana perkembangan tingkat manajemen kualitas dari yang direncanakan dengan yang sudah direalisasikan sekaligus pengusulan suatu rekomendasi perbaikan dalam CMMS pada PTPN V Pekanbaru menggunakan framework COBIT 5 domain APO11 tentang manage quality. Melakukan pengisian kusioner kepada 5 orang responden, kemudian mewawancarai salah satu responden yang terkait dengan CMMS, diperoleh hasil tingkat kemampuan keseluruhan (capability level) dari subdomain APO11 pada CMMS di PTPN V Pekanbaru sebesar 4,45 atau berada di level 4 (Predictable Process). Hal ini menunjukkan bahwa PTPN V Pekanbaru telah mampu menghasilkan proses secara berkelanjutan dan melakukan perbaikan secara konsisten untuk masa depan. Namun, berdasarkan keadaan yang ingin untuk dicapai dan keadaan sekarang, CMMS yang digunakan pada PTPN Pekanbaru harus melakukan pengembangan secara konsisten dan berkelanjutan untuk mencapai keadaan yang diinginkan.
Penerapan Metode Support Vector Machine Untuk Analisis Sentimen Pada Komentar Bitcoin Di Aplikasi X Yaskur Bearly Fernandes; Elin Haerani; Fadhilah Syafria; Muhammad Fikry; Lola Oktavia
Bulletin of Computer Science Research Vol. 6 No. 1 (2025): December 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bulletincsr.v6i1.928

Abstract

Social media has become a primary medium for users to express opinions, including those related to Bitcoin, whose fluctuating value often triggers diverse public responses. The large volume of unstructured comments makes manual sentiment analysis inefficient, thereby necessitating an automated approach based on machine learning. This study aims to classify positive and negative sentiments in Bitcoin-related comments on the X platform using the Support Vector Machine (SVM) algorithm with Term Frequency–Inverse Document Frequency (TF-IDF) feature weighting. The dataset consists of 1,750 Indonesian-language comments labeled by three annotators. The data were processed through several preprocessing stages, including case folding, text cleaning, tokenization, stopword removal, and stemming. Model evaluation was conducted using four data split ratios, namely 90:10, 80:20, 70:30, and 60:40. The experimental results indicate that the 90:10 ratio achieved the best performance, with an accuracy of 72.57%, precision of 0.75, recall of 0.73, and an F1-score of 0.67. The SVM model demonstrates strong performance in identifying positive sentiments; however, it is less effective in detecting negative sentiments due to class imbalance in the dataset. As an additional experiment, testing was performed using a balanced dataset obtained through an undersampling process and several SVM kernel types for comparison. The results show that using a balanced dataset leads to more evenly distributed classification performance across sentiment classes, while the linear kernel provides the most stable performance compared to other kernels. Overall, SVM with TF-IDF weighting proves to be an effective approach for sentiment analysis of Bitcoin-related comments on social media.
Co-Authors Elin Haerani Fadhilah Syafria Fahrul Al Hidayat Muhammad Fikry Muhammad Hanif Abdurrohman Muhammad Irsyad Novriyanto Novriyanto Yaskur Bearly Fernandes