Article Per Year (5 Year)
p-Index From 2020 - 2025
2.231
P-Index
This Author published in this journals
All Journal PROCESSOR Jurnal Ilmiah Sistem Informasi, Teknologi Informasi dan Sistem Komputer JURTEKSI Jurnal Manajemen Pendidikan dan Ilmu Sosial (JMPIS) Jurnal Informatika dan Rekayasa Komputer Jurnal Manajemen Teknologi dan Sistem Informasi Media Journal of General Computer Science (MJGCS) Jurnal Pengabdian Masyarakat Unama
Sharipuddin
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Social Sciences

Published : 17 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 17 Documents
Search

 1   2 
Studi Perbandingan Model TAM dan UTAUT dalam Adopsi Teknologi Chatbot AI untuk Penyelesaian Tugas Akhir Mahasiswa Rahmaningtyas, Anindya; Purnama, Benni; Sharipuddin
JURNAL MANAJEMEN PENDIDIKAN DAN ILMU SOSIAL Vol. 6 No. 6 (2025): Jurnal Manajemen Pendidikan dan Ilmu Sosial (Oktober-November 2025)
Publisher : Dinasti Review

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38035/jmpis.v6i6.6403

Abstract

Artificial Intelligence (AI) merupakan teknologi yang dirancang untuk memungkinkan sistem komputer berpikir, belajar, dan bertindak layaknya manusia. Dalam konteks pendidikan tinggi, AI telah membawa perubahan yang signifikan, terutama dalam penyelesaian tugas akhir mahasiswa. Khususnya, chatbot AI yang banyak dimanfaatkan untuk menjawab pertanyaan terkait metodologi penelitian, analisis data, melakukan otomatisasi analisis statistik, visualisasi data, dan interpretasi hasil penelitian, sehingga membantu mempercepat penyusunan tugas akhir dengan tingkat akurasi lebih tinggi. Dengan demikian, chatbot AI tidak hanya meningkatkan produktivitas, tetapi juga memfasilitasi penelitian yang lebih terstruktur, memperkaya wawasan akademik, serta membantu mahasiswa menghasilkan karya ilmiah berkualitas dengan pendekatan sistematis berbasis data. Meskipun teknologi chatbot AI menawarkan berbagai kemudahan, namun tingkat adopsi teknologi ini di kalangan mahasiswa masih dipengaruhi oleh berbagai faktor, seperti persepsi kemudahan penggunaan, manfaat yang dirasakan, serta faktor sosial dan pribadi lainnya. Oleh karena itu, penelitian ini berfokus untuk menganalisis dan membandingkan faktor-faktor yang memengaruhi adopsi teknologi chatbot AI dengan menggunakan 2 model teoritis, yaitu model TAM dan UTAUT. Responden dalam penelitian ini adalah mahasiswa UNAMA Jambi dan POLTEKKES KEMENKES Jambi yang sedang atau telah mengerjakan tugas akhir. Hasil dari penelitian menunjukkan bahwa kedua model memiliki validitas dan reliabilitas yang baik dalam menjelaskan adopsi teknologi chatbot AI oleh mahasiswa untuk penyelesaian tugas akhir. Model UTAUT menunjukkan nilai koefisien determinasi (R²) yang lebih tinggi dalam menjelaskan niat penggunaan (Behavioral Intention to Use), sedangkan model TAM menunjukkan struktur hubungan antar variabel yang lebih stabil dan signifikan secara statistik. Seluruh jalur pada model TAM terbukti signifikan, sementara pada model UTAUT terdapat satu jalur yang tidak signifikan, yaitu pengaruh Social Influence terhadap Behavioral Intention to Use. Hal ini mengindikasikan bahwa keputusan mahasiswa untuk menggunakan chatbot AI lebih dipengaruhi oleh faktor persepsi pribadi daripada pengaruh sosial. Dengan demikian, meskipun model UTAUT secara teoritis lebih komprehensif, namun model TAM terbukti lebih stabil dan efektif dalam konteks penelitian ini.
Analisis Sentimen Terhadap Tagar Kabur Aja Dulu Di Twitter Menggunakan Metode Lexicon-Based Eko Arip Winanto; ali, zidan; Pareza Alam Jusia; Sharipuddin
Jurnal PROCESSOR Vol 20 No 2 (2025): Jurnal Processor
Publisher : LPPM Universitas Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/processor.2025.20.2.2542

Abstract

Tagar #KaburAjaDulu sempat menjadi perbincangan hangat di media sosial Twitter, mencerminkan respons masyarakat digital Indonesia terhadap dinamika sosial dan politik yang sedang berlangsung. Penelitian ini bertujuan untuk mengevaluasi sentimen publik terhadap tagar tersebut dengan menerapkan pendekatan lexicon-based menggunakan InSet (Indonesia Sentiment Lexicon).Data penelitian diperoleh melalui teknik scraping dengan pustaka Tweet Harvest, menghasilkan 581 tweet berbahasa Indonesia yang memuat tagar #KaburAjaDulu. Analisis dilakukan menggunakan Google Colaboratory dengan dukungan pustaka Python. Tahapan penelitian mencakup pra-pemrosesan teks (pembersihan data, tokenisasi, stopword removal, serta stemming/lematisasi), klasifikasi sentimen dengan metode lexicon-based, dan visualisasi hasil.Hasil analisis menunjukkan bahwa sentimen negatif mendominasi dengan persentase 41,72%, diikuti sentimen netral sebesar 33,73% dan sentimen positif sebesar 24,55%. Kata-kata dominan pada kategori negatif merepresentasikan kritik, keluhan, dan sindiran yang banyak disampaikan dalam gaya bahasa satir khas media sosial. Temuan ini mengindikasikan bahwa tagar #KaburAjaDulu lebih sering digunakan sebagai sarana ekspresi ketidakpuasan publik terhadap kondisi sosial-politik nasional.Secara keseluruhan, pendekatan lexicon-based terbukti efektif dalam memberikan gambaran umum mengenai kecenderungan opini publik tanpa memerlukan pelatihan model. Namun, metode ini memiliki keterbatasan dalam menangkap makna kontekstual dari bahasa informal maupun sarkastik. Oleh karena itu, penelitian ini dapat dijadikan pijakan awal bagi studi lanjutan yang mengintegrasikan pendekatan machine learning untuk meningkatkan akurasi analisis sentimen pada media sosial.
PERANCANGAN APLIKASI E-LEARNING PADA MTS NEGERI 1 MERANGIN SHARIPUDDIN; EFFIYANDI; DWI
Jurnal PROCESSOR Vol 14 No 1 (2019): Jurnal Processor
Publisher : LPPM Universitas Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/processor.2019.14.1.576

Abstract

Proses pembelajaran yang berlangsung di MTS Negeri 1 Merangin masih bersifat konvensional, guru dan murid masih bertatap muka secara langsung untuk melakukan proses belajar-mengajar, sehingga apabila guru berhalangan hadir maka informasi tentang materi pelajaran yang disampaikan kurang maksimal dan keterbatasan waktu yang disediakan menyebabkan lambatnya proses pembelajaran dan kurangnya pemahaman materi pelajaran pada siswa. E-learning adalah proses pembelajaran efektif yang diciptakan dengan cara menggabungkan konten yang disampaikan secara digital dengan jasa dan sarana pendukung pembelajaran. Aplikasi dibangun menggunakan Macromedia Adobe Dreamweaver CS5 dan database MySQL. Hasil dari penelitian ini adalah sebuah aplikasi e-learning yang dapat memberikan kemudahan pada siswa untuk mengakses materi pelajaran meski tidak ada pertemuan di kelas dan sebagai solusi alternatif bagi guru untuk tetap dapat memberikan materi meski tidak bisa hadir saat jam pelajaran.
Perbandingan Algoritma Regresi Linier Berganda dan Random Forest Regression untuk Prediksi Konsentrasi Particulate Matter 2,5 (PM2,5) Kota Jambi Aulia, Dinda; Jasmir; Sharipuddin
Jurnal Manajemen Teknologi Dan Sistem Informasi (JMS) Vol 5 No 2 (2025): JMS Vol 5 No 2 September 2025
Publisher : LPPM STIKOM Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/jms.2025.5.2.2273

Abstract

The problem of increasing air pollution that occurs globally also occurs in Indonesia, including in Jambi Province. Air pollution has dust particles in it, one of which is Particulate Matter (PM2.5). The concentration of PM2.5 in the air is influenced by the meteorological conditions of an area, as well as the events around it, whether it is a natural event or an event caused by human activities. This study predicted PM2.5 concentration in Jambi city using Multiple Linear Regression and Random Forest Regression algorithms with air temperature, air humidity, wind speed, rainfall and hot spots as independent variabels. In the process, this study compares the two algorithms and assesses the accuracy of each algorithm. The Multiple Linear Regression algorithm is able to generate a model that can describe the relationship between air temperature, air humidity, wind speed, rainfall and hot spots to PM2.5 concentration, although the error value is larger than that of the Random Forest Regression algorithm. The Random Forest Regression algorithm produces a model with an RMSE of 0.033μg/mm3 smaller than the Multiple Linear Regression algorithm. In the accuracy test with MAPE, the Random Forest Regression algorithm has a value of 74,0% where Multiple Linear Regression has a value of 73,0% so that the Random Forest Regression algorithm has a higher accuracy in predicting PM2.5 concentrations.
PENINGKATAN ALGORITMA DECISION TREE DALAM MENGKLASIFIKASI TINGKAT KELULUSAN MAHASISWA UNIVERSITAS JAMBI DENGAN SELEKSI FITUR CHI-SQUARE Wahyu Hardian, Reza; Jasmir; Sharipuddin
Jurnal Manajemen Teknologi Dan Sistem Informasi (JMS) Vol 5 No 2 (2025): JMS Vol 5 No 2 September 2025
Publisher : LPPM STIKOM Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/jms.2025.5.2.2331

Abstract

The increasing number of students at Universitas Jambi each year is not accompanied by a proportional graduation rate, making it necessary to analyze student data to provide strategic solutions. This study aims to apply data mining techniques to student data to assist academic advisors in predicting students' graduation status and providing early warnings to help students complete their studies on time, thereby minimizing graduation delays. The data used in this study consists of alumni records from the Faculty of Science and Technology at Universitas Jambi from 2019 to 2024, which have undergone a data cleaning process. The classification method used is the Decision Tree algorithm with Chi-Square feature selection to enhance model accuracy. The results indicate that applying feature selection to the Decision Tree algorithm improves the accuracy to 80.00%, compared to 78.57% without feature selection. Additionally, the precision increased from 86.82% to 84.41%, recall improved from 86.72% to 92.24%, and F1-score rose from 86.77% to 88.13%. These findings suggest that feature selection significantly contributes to enhancing the classification model’s performance in predicting student graduation at Universitas Jambi, particularly by improving recall, which reflects the model’s ability to more accurately identify students who graduate on time.
Analisis Penerimaan SIREKAP Pemilu 2024 dengan Metode UTAUT dan TTF (Studi Kasus : Paal Merah) Calista Devi, Anisa; Sharipuddin; Joni Devitra
Jurnal Manajemen Teknologi Dan Sistem Informasi (JMS) Vol 5 No 2 (2025): JMS Vol 5 No 2 September 2025
Publisher : LPPM STIKOM Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/jms.2025.5.2.2336

Abstract

This study analyzes the acceptance and use of the Sistem Informasi Rekapitulasi (SIREKAP) application in the 2024 Simultaneous Election in Indonesia, with a focus on Paal Merah District, Jambi City. The main objective of this research is to evaluate the factors influencing SIREKAP acceptance using the Unified Theory of Acceptance and Use of Technology (UTAUT) and Task Technology Fit (TTF) models. Based on data analysis from 254 respondents, the study found that Performance Expectancy positively influences the intention to use the application, while factors such as Effort Expectancy and Social Influence have no significant effect. Additionally, Task Technology Fit plays a significant role in improving performance and the usage of the SIREKAP application. These findings provide insights into the factors that need to be considered when implementing information technology in the election sector, as well as the importance of task-technology alignment in influencing the acceptance of applications.
Peningkatan Performa Naïve Bayes dengan Information Gain Menggunakan Machine Learning untuk Klasifikasi Kanker Payudara: Peningkatan Performa Naïve Bayes dengan Information Gain Menggunakan Machine Learning untuk Klasifikasi Kanker Payudara Mardiana; Jasmir; Sharipuddin
Jurnal Manajemen Teknologi Dan Sistem Informasi (JMS) Vol 5 No 2 (2025): JMS Vol 5 No 2 September 2025
Publisher : LPPM STIKOM Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/jms.2025.5.2.2338

Abstract

This study aims to enhance the performance of the Naïve Bayes algorithm in breast cancer diagnosis classification by integrating the Information Gain feature selection method. The dataset used is the Wisconsin Breast Cancer (Diagnostic) dataset, consisting of 569 samples. This study evaluates the effectiveness of feature selection in improving the accuracy, sensitivity, and specificity of the classification model. The implementation of the Information Gain feature selection method successfully increased the Naïve Bayes model's accuracy from 94.15% to 96.49%, a 2.34% improvement. The addition of feature selection significantly enhanced the predictive capability of the model. The findings of this study can support more accurate medical decision-making, potentially influencing treatment decisions and patient outcomes in clinical practice. This research provides new insights into the application of machine learning in medical diagnostics and suggests directions for future research.
Co-Authors ali, zidan Andika, Tripa Andrian, Rafli Dicky Aulia, Dinda Aulia, M. Farhan Calista Devi, Anisa Dea Maharani Dwi Effiyaldi, Effiyaldi EFFIYANDI Eko Arip Winanto Ester Pardede Feranika, Ayu Fitriani Hartiwi, Yessi Husaein, Ahmad Jasmir Joni Devitra Kurniabudi MARDIANA Nur Hazizah Pareza Alam Jusia Pareza Alam Jusia, Pareza Alam Purnama, Benni Putra, Rafi Septiandi Rahmaningtyas, Anindya Ramadhan, Fauzan purma Saloma SAYID ACHMAD MAULANA Wahyu Hardian, Reza