Article Per Year (5 Year)
p-Index From 2021 - 2026
0.92
P-Index
This Author published in this journals
All Journal Transformasi Journal Islamic Economics Ad Diwan Jurnal Komtekinfo The Indonesian Journal of Computer Science
Tesa Vausia Sandiva
Unknown Affiliation
Religion Computer Science & IT Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Analisis Pengaruh Digital Marketing terhadap Pertumbuhan Penjualan UMKM Tinjauan Menggunakan Metode Systematic Literature Review: Analysis of the Influence of Digital Marketing on MSME Sales Growth Review Using the Systematic Literature Review Method Tesa Vausia Sandiva; Jhon Veri
JOURNAL ISLAMIC ECONOMICS AD DIWAN Vol 4 No 1 (2024): AD DIWAN
Publisher : Program Studi Ekonomi Syariah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51192/ad.v4i1.997

Abstract

This study uses the Systematic Literature Review (SLR) method to analyze the influence of digital marketing on sales growth of Micro, Small and Medium Enterprises (MSMEs). From a review of 19 articles published between 2019 and 2024, this research consistently shows that digital marketing strategies, such as the use of social media platforms and other digital marketing techniques, play an important role in increasing brand awareness, consumer engagement and sales conversions for MSMEs. Optimization Information technology infrastructure has also been proven to increase the effectiveness of digital marketing strategies in MSMEs. These findings have a significant impact on industry players and MSME related parties, emphasizing the importance of implementing and managing digital marketing strategies for sustainable business growth and competitive advantage in the current digital era. Keywords: Digital Marketing, UMKM, Systematic Literature Review (SLR)
Implementasi Algoritma C4.5 Untuk Prediksi Penerima Beasiswa Program Indonesia Pintar Tesa Vausia Sandiva; Defit, Sarjon; Nurcahyo, Gunadi Widi
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.582

Abstract

Pendidikan merupakan fondasi utama dalam pengembangan sumber daya manusia dan berperan penting dalam meningkatkan kualitas hidup. Namun, hambatan finansial sering kali menjadi penghalang bagi banyak keluarga kurang mampu untuk melanjutkan pendidikan ke jenjang yang lebih tinggi. Program Indonesia Pintar (PIP) adalah inisiatif pemerintah Indonesia yang dirancang untuk memberikan bantuan keuangan kepada siswa yang memenuhi kriteria tertentu, sehingga mereka dapat melanjutkan pendidikan tanpa kendala ekonomi. Penelitian ini bertujuan untuk mengembangkan model prediksi penerima beasiswa PIP dengan menggunakan Algoritma C4.5, yang telah terbukti efektif dalam menangani masalah klasifikasi. Penelitian ini menggunakan 50 data siswa, yang diperoleh dari Sistem Dapodik Sekolah Dasar. Data ini dianalisis untuk menemukan pola-pola yang relevan dalam menentukan kelayakan penerima beasiswa, yang kemudian digunakan untuk membangun model prediksi. Pola utama yang ditemukan menunjukkan bahwa status siswa sebagai penerima Kartu Indonesia Pintar (KIP) sangat menentukan prediksi model C4.5 siswa penerima KIP cenderung diprediksi menerima beasiswa PIP. Hasil penelitian menunjukkan bahwa model klasifikasi yang dihasilkan memiliki tingkat akurasi yang sangat tinggi, yaitu sebesar 96.00%. Selain itu, precision dan recall untuk kategori penerima beasiswa masing-masing mencapai 95.65%, sementara precision dan recall untuk kategori bukan penerima beasiswa tercatat sebesar 96.30%. Temuan ini menunjukkan bahwa model prediksi berbasis Algoritma C4.5 dapat berfungsi sebagai metode yang dapat diandalkan untuk mendukung pengambilan keputusan di sektor pendidikan, serta memiliki potensi untuk diterapkan dalam berbagai konteks yang memerlukan prediksi berbasis data yang akurat. Dengan demikian, penelitian ini tidak hanya memberikan kontribusi signifikan terhadap pengembangan ilmu pengetahuan, tetapi juga memiliki dampak nyata dalam upaya pemerataan pendidikan di Indonesia.
Identifikasi Pengolahan Citra Pada Face Detection Menggunakan Metode Median Filtering dan Viola-Jones Sandiva, Tesa Vausia; Yemi, Leonardo; Ramadhanu, Agung
The Indonesian Journal of Computer Science Vol. 13 No. 2 (2024): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i2.3675

Abstract

Penelitian ini bertujuan untuk mengidentifikasi pengolahan citra pada sistem deteksi wajah (Face Detection) dengan memanfaatkan metode Median Filtering dan Viola-Jones. Metode Median Filtering digunakan dalam tahap preprocessing untuk mengurangi noise dan meningkatkan kualitas citra, khususnya dalam mengatasi noise seperti salt & pepper. Selanjutnya, metode Viola-Jones diterapkan sebagai metode utama untuk mendeteksi wajah, memanfaatkan Haar Like Feature, Integral Image, Adaboost Learning, dan Cascade Classifier. Penelitian ini mencapai tingkat akurasi keberhasilan deteksi wajah sebesar 90%, menunjukkan efektivitas kombinasi kedua metode dalam meningkatkan performa sistem. Hasil penelitian ini diharapkan dapat memberikan kontribusi positif terhadap perkembangan teknologi pengolahan citra, khususnya dalam aplikasi pengenalan wajah dengan tingkat akurasi yang tinggi.
SENTIMEN ANALISIS ULASAN PENGGUNA GOJEK MENGGUNAKAN ALGORITMA MACHINE LEARNING SUPPORT VECTOR MACHINE Sandiva, Tesa Vausia; Kristiyanto, Arip; Sandi, Leo
TRANSFORMASI Vol 21, No 2 (2025): TRANSFORMASI
Publisher : STMIK BINA PATRIA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56357/jt.v21i2.472

Abstract

The development of digital technology has brought significant changes to various sectors of life, including the transportation sector. One popular mode of transportation among the public is online motorcycle taxis, such as Gojek. Gojek continues to innovate to meet customer needs more effectively and expand its service coverage. This study aims to identify the number of positive, neutral, and negative sentiments in a user review dataset, as well as evaluate the performance of the SVM algorithm used. The analysis was conducted on 10,000 customer reviews from the Play Store application, resulting in 2,057 positive sentiments, 1,135 neutral sentiments, and 6,295 negative sentiments. The classification model employed, namely SVM, achieved an accuracy of 89% and an F1-score of 90%.
Comparison of Random Forest and Support Vector Machine Learning Algorithms in Sentiment Analysis of Gojek User Reviews Sandiva, Tesa Vausia; Kristiyanto, Arip
Jurnal KomtekInfo Vol. 12 No. 4 (2025): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v12i4.669

Abstract

The development of digital technology has brought significant changes across various sectors of life, including transportation. One of the most popular modes of transportation among the public today is online motorcycle taxis, such as Gojek. Gojek continues to innovate to meet customer needs more effectively and to expand its range of services. This study aims to identify the number of positive, neutral, and negative sentiments in a user review dataset, as well as to evaluate the performance of the algorithms used—namely, SVM and Random Forest. The analysis was conducted on 10,000 customer reviews from the Play Store application, resulting in 2,057 positive sentiments, 1,135 neutral sentiments, and 6,295 negative sentiments. The classification model compared the SVM algorithm with the Random Forest algorithm, and the results show that Random Forest achieved better performance, with 91% accuracy compared to SVM’s 89%. These findings demonstrate that Random Forest performs better in handling word distribution within review texts than the SVM method.
Co-Authors Arip Kristiyanto Gunadi Widi Nurcahyo Jhon Veri Leo Sandi Ramadhanu, Agung Sarjon Defit Yemi, Leonardo