Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Building of Informatics, Technology and Science Abdimasku : Jurnal Pengabdian Masyarakat
Alvin, Fris
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Health Professions Industrial & Manufacturing Engineering Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pembentukan Etika Digital melalui Program Belajar dan Bermain dalam Pemanfaatan Internet di SD Islam Bilingual Annisa Ratmana, Danny Oka; Sri Winarsih, Nurul Anisa; Pramunendar, Ricardus Anggi; Rohman, Muhammad Syaifur; Alvin, Fris
ABDIMASKU : JURNAL PENGABDIAN MASYARAKAT Vol 7, No 2 (2024): MEI 2024
Publisher : LPPM UNIVERSITAS DIAN NUSWANTORO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/ja.v7i2.2122

Abstract

Pada era kontemporer ini, internet telah menjadi suatu elemen yang tak terpisahkan dan menjadi kebutuhan esensial bagi seluruh lapisan masyarakat, tak terkecuali dari kalangan anak-anak hingga orang tua. Dalam konteks kehidupan sehari-hari, internet digunakan untuk berbagai keperluan seperti aktivitas pekerjaan, proses pembelajaran, transaksi berbelanja, dan beragam fungsi lainnya. Meskipun terdapat berbagai manfaat yang dapat diperoleh melalui pemanfaatan internet, perlu diakui bahwa penggunaannya juga membawa risiko tertentu, seperti potensi kecanduan dan penyebaran informasi yang tidak valid. Oleh karena itu, menjadi suatu keharusan bagi para pengguna internet untuk menjalankan aktivitasnya dengan penuh kebijaksanaan dan tanggung jawab. Dalam konteks ini, perlu ditekankan bahwa pengguna internet, terutama anak-anak usia sekolah dasar, mungkin belum sepenuhnya mampu menggunakan internet secara bijak. Hal ini disebabkan oleh keterbatasan dalam hal kematangan mental, pola pikir, dan kedewasaan dalam berperilaku. Sebagai contoh, di lingkungan Sekolah Dasar Islam Bilingual Annisa, sebagian besar siswa telah memiliki eksposur terhadap internet, namun ada pula yang belum memahami cara menggunakan internet dengan bijak. Penting untuk dicermati bahwa penggunaan internet yang tidak terkontrol dapat berpotensi mengekspos anak-anak terhadap konten yang tidak pantas, bahkan dapat mempengaruhi mereka melalui penyebaran informasi yang ambigu. Mengobservasi situasi dan permasalahan yang timbul, kami, sebagai penulis, bermaksud memberikan bantuan kepada anak-anak Sekolah Dasar Islam Bilingual Annisa dalam meningkatkan pemahaman mereka terkait penggunaan internet secara bijak
Perbandingan Kinerja Model IndoBERT, IndoBERTweet, dan Algoritma Klasik pada Analisis Sentimen Isu Indonesia Gelap Alvin, Fris; Winarsih, Nurul Anisa Sri
Building of Informatics, Technology and Science (BITS) Vol 7 No 3 (2025): December 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i3.8636

Abstract

This study aims to compare the performance of Transformer-based models, namely IndoBERT and IndoBERTweet, with three classical machine learning algorithms, namely Support Vector Machine (SVM), Logistic Regression, and Random Forest, in analyzing public sentiment regarding the “Indonesia Gelap” issue that has been widely discussed on social media. The dataset was collected using a crawling process on TikTok user comments containing keywords related to the issue, resulting in 5.000 comments. After the preprocessing stage, 4.667 comments were deemed suitable for analysis and were labeled into positive, negative, and neutral sentiment categories using a lexicon-based approach. To address the imbalance in class distribution, three oversampling strategies were applied: without oversampling, oversampling before data splitting, and oversampling after data splitting applied only to the training data. Each model was evaluated using four performance metrics: accuracy, precision, recall, and F1-score. The results show that oversampling before data splitting yielded the best performance across all models, with IndoBERT achieving the highest F1-score of 0.93, followed by IndoBERTweet with 0.91, while the classical algorithms achieved average F1-scores ranging from 0.89 to 0.90. Meanwhile, both the non-oversampling scenario and oversampling after data splitting on the training data resulted in lower performance, with average F1-scores ranging from 0.70 to 0.78. These findings indicate that Transformer-based models are more effective in capturing informal language characteristics commonly found in social media comments. Furthermore, balancing the dataset before model training significantly improves the stability and performance of sentiment classification on imbalanced data.
Co-Authors Ratmana, Danny Oka Ricardus Anggi Pramunendar Rohman, Muhammad Syaifur Winarsih, Nurul Anisa Sri