Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Manajemen Informatika dan Sistem Informasi TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi
Lady Agustin Fitriana
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance

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

Found 2 Documents
Search

 1 
ANALISIS ALGORITMA GRADIENT BOOSTING DALAM PENGARUH MASYARAKAT MEMILIH RUMAH SEWA Rizka Dahlia; Lady Agustin Fitriana; Syarah Seimahuira
Jurnal Manajemen Informatika dan Sistem Informasi Vol. 8 No. 1 (2025): MISI Januari 2025
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/misi.v8i1.1356

Abstract

Tingginya pertumbuhan populasi yang tidak sejalan dengan ketersediaan lahan perumahan telah menimbulkan tantangan yang kompleks, terutama terkait dengan peningkatan harga tanah yang berujung pada naiknya harga rumah. Rumah sewa hadir menjadi alternatif yang semakin penting bagi masyarakat untuk mendapatkan tempat tinggal yang layak. Selain itu, rumah sewa juga memberikan peluang bisnis yang menguntungkan bagi pemilik properti dan penyedia jasa sewa. Untuk membantu masyarakat dalam memilih rumah sewa yang sesuai dengan kebutuhan mereka, penerapan algoritma Gradient Boosting dapat menjadi solusi yang efektif. Algoritma ini bekerja dengan cara membangun serangkaian model prediktif secara berurutan, di mana setiap model mencoba memperbaiki kesalahan yang dihasilkan oleh model sebelumnya. Sebagai salah satu metode dalam machine learning, Gradient Boosting termasuk dalam kategori ensemble learning, yang membangun model yang kuat dari gabungan beberapa model yang relatif lebih lemah. Penelitian ini menggunakan data dari repository Kaggle dan menemukan bahwa algoritma Gradient Boosting menunjukkan kinerja yang sangat menjanjikan dalam memprediksi harga sewa rumah, dengan tingkat akurasi mencapai 84,38%. Evaluasi lebih lanjut menggunakan metrik Area Under the Curve (AUC) menunjukkan hasil sebesar 92,65%, yang mengindikasikan kemampuan algoritma ini dalam memprediksi baik data positif maupun negatif dengan akurasi yang tinggi. Hasil penelitian ini menunjukkan bahwa Gradient Boosting memiliki potensi besar sebagai alat bantu dalam memprediksi harga sewa rumah secara akurat, serta membantu mengatasi tantangan ketersediaan perumahan yang terjangkau.
Perbandingan Kinerja Naïve Bayes, Support Vector Machine, dan K-Nearest Neighbor dalam Analisis Sentimen Mobile Legends Zikirlah, Hikmawan Alvin; Iltavera Paula; Muhammad Fazilla; Riski Annisa; Lady Agustin Fitriana
TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi Vol 5 No 2 (2025): TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The rapid advancement of information and communication technology has significantly increased the popularity of online games in Indonesia, one of which is Mobile Legends: Bang Bang (MLBB), with millions of active users. The abundance of user reviews on digital platforms provides valuable data for analysis using text mining and natural language processing (NLP) approaches. Sentiment analysis is applied to classify user opinions into positive, negative, and neutral categories, offering insights into player satisfaction and perceptions of game quality. This study compares the performance of three classification algorithms, Naïve Bayes (NB), Support Vector Machine (SVM), and K-Nearest Neighbor (KNN), in analyzing sentiment from Mobile Legends user reviews on the Google Play Store. A total of 5,000 reviews were collected using the web scraping technique and processed through the Knowledge Discovery in Databases (KDD) framework, which includes cleaning, case folding, tokenization, normalization, and stopword removal. Sentiment labeling was performed using a lexicon-based approach with the InSet sentiment lexicon. The dataset was divided into training and testing sets with an 80:20 ratio and evaluated using accuracy, precision, recall, and F1-score metrics. The results indicate that the SVM algorithm achieved the highest accuracy of 88.1%, followed by KNN at 65.1% and NB at 62.6%. Thus, SVM is recommended as the most effective model for sentiment analysis of Mobile Legends user reviews.
Co-Authors Iltavera Paula Muhammad Fazilla Riski Annisa Rizka Dahlia Syarah Seimahuira Zikirlah, Hikmawan Alvin