Article Per Year (5 Year)
p-Index From 2020 - 2025
0.92
P-Index
This Author published in this journals
All Journal BEMAS: Jurnal Bermasyarakat Jurnal of Information Technology and Society (JITS) Jurnal Ilmiah Nusantara
Eka Altiarika
Unknown Affiliation
Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Health Professions Languange, Linguistic, Communication & Media Social Sciences Other

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

Found 5 Documents
Search

 1 
Optimalisasi keberlanjutan zona usaha desa belimbing melalui integrasi digital Fikri Fahrudin; Vanny Aulia; Friti May Sandi; Iis Khurniati; Chairun Nisa; Ani; Ranny Anggraeni Rahmawardani; Nurul Aurila Mafaza; Suwandi; Suhendri; Eka Altiarika; Khusniyati Masykuroh; Meyke Garzia
BEMAS: Jurnal Bermasyarakat Vol 5 No 1 (2024): BEMAS: Jurnal Bermasyarakat
Publisher : LPPMPK-Sekolah Tinggi Teknologi Muhammadiyah Cileungsi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37373/bemas.v5i1.1091

Abstract

Strategi untuk mengembangkan Usaha Mikro, Kecil, dan Menengah (UMKM) dalam menghadapi pasar global sedang diminati banyak masyarakat di Indonesia. Desa Belimbing, dengan sumber daya lokal yang berlimpah, menghadapi tantangan dan peluang unik di era digital. Artikel ini berfokus pada bagaimana integrasi digital dapat menjadi alat penting dalam pemberdayaan dan optimalisasi zona usaha di Desa Belimbing. Melalui digitalisasi, warga Desa Belimbing diberdayakan untuk memasarkan produk mereka ke audiens yang lebih luas, sementara memastikan keberlanjutan bisnis dalam jangka panjang. Strategi integrasi mencakup penggunaan media sosial dan platform berbasis web. Kegiatan pengabdian masyarakat dilakukan dengan pelatihan pembuatan keripik batang pisang dan lilin aromaterapi, serta pengembangan aplikasi mobile untuk mempromosikan dan menjual produk dari zona usaha Desa Belimbing. Melalui pelatihan, masyarakat Desa Belimbing memperoleh keterampilan dalam mengolah bahan baku lokal menjadi produk bernilai ekonomi. Aplikasi mobile yang dikembangkan membantu meningkatkan visibilitas dan jangkauan pasar produk-produk dari zona usaha Desa Belimbing. Integrasi digital, dalam konteks ini, bukan hanya tentang adopsi teknologi, tetapi juga memadukan tradisi dan inovasi untuk memastikan keberlanjutan ekonomi Desa Belimbing
Pengembangan Aplikasi Asisten Virtual Menggunakan Machine Learning Berbasis Mobile untuk Meningkatkan Pelayanan Kampus di Universitas Muhammadiyah Bangka Belitung Gunawan, Ari; Eka Altiarika; Suprayuandi Pratama; Yudistira Bagus Pratama
Jurnal Teknologi Informasi dan Masyarakat Vol 2 No 2 (2024): Journal of Information Technology and Society (JITS)
Publisher : Universitas Muhammadiyah Bangka Belitung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35438/jits.v2i2.45

Abstract

The development of technology, particularly in the fields of artificial intelligence (AI) and machine learning, has transformed the paradigm of information services across various sectors, including education. This research aims to develop a mobile-based virtual assistant application using machine learning algorithms to enhance information accessibility at Universitas Muhammadiyah Bangka Belitung. The research methodology employed in this study is a qualitative approach with a waterfall development model. Data collection was conducted through observation, interviews, and questionnaire distribution. The research findings indicate that the developed virtual assistant application is capable of providing faster, more precise, and accurate information services to students, faculty, and other campus stakeholders. The benefits of this research include improved time efficiency in information services, reduction of errors in information delivery, and enhancement of campus reputation. This research has practical implications, including recommendations for Universitas Muhammadiyah Bangka Belitung to continue developing and implementing virtual assistant applications as part of a strategy to enhance technology-based information services in the future. This research's theoretical contributions expand the literature on the application of AI and machine learning technologies in higher education contexts in Indonesia, while also providing practical insights for other educational institutions interested in adopting similar technologies. Furthermore, this research opens up opportunities for further studies into the development of AI-based information systems in educational environments. Keywords: Virtual Assistant; Machine Learning; Artificial Intelligence; Mobile Application; Information Services
PENGENALAN POLA KASUS POTENSI BANJIR DI PANGKALPINANG DENGAN ALGORITMA RANDOM FOREST DAN XGBOOST MENGGUNAKAN GOOGLE EARTH ENGINE Randi Atul Aufa; Eka Altiarika; Arvi Pramudyantoro; Yudistira Bagus Pratama; Zikri Wahyuzi
Jurnal Teknologi Informasi dan Masyarakat Vol 3 No 1 (2025): Journal of Information Technology and Society (JITS)
Publisher : Universitas Muhammadiyah Bangka Belitung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35438/jits.v3i1.1415

Abstract

Banjir merupakan bencana yang sering terjadi di Kota Pangkalpinang dan menimbulkan dampak sosial serta ekonomi yang signifikan. Setiap tahun, curah hujan tinggi dan elevasi wilayah yang rendah menyebabkan genangan air di berbagai titik, mengganggu aktivitas masyarakat dan infrastruktur kota. Oleh karena itu, diperlukan sistem peringatan dini yang efektif berbasis teknologi untuk mengenali pola potensi banjir secara akurat dan cepat. Penelitian ini bertujuan untuk mengenali pola kasus banjir dengan menggabungkan data historis lingkungan dan iklim menggunakan algoritma pembelajaran mesin melalui platform Google Earth Engine (GEE). Metode yang digunakan dalam penelitian ini meliputi pengumpulan data spasial dan klimatologis dari GEE, seperti curah hujan, kelembapan tanah, suhu permukaan, tutupan lahan, dan elevasi. Data selanjutnya diproses menggunakan Google Colab, termasuk tahapan preprocessing dan feature engineering. Algoritma Random Forest dan XGBoost digunakan dalam pendekatan ensemble learning dengan metode soft voting. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1 Score. Hasil penelitian menunjukkan bahwa model memiliki performa tinggi dengan Accuracy 0.98, Precision 0.97, Recall 0.99 dan F1 Score 0.98. Prediksi potensi banjir tahun 2025–2030 menunjukkan tren perubahan jumlah titik banjir dengan probabilitas tinggi setiap tahunnya. Visualisasi pengenalan pola potensi banjir dalam bentuk peta interaktif di GEE mempermudah analisis spasial dan mendukung pengambilan keputusan mitigasi. Penelitian ini diharapkan dapat menjadi solusi praktis dalam peringatan dini dan strategi adaptasi terhadap bencana banjir.
Perbandingan Sentimen Komentar Youtube pada Video Promosi Bisnis Kuliner di Bangka Belitung Menggunakan Algoritma Machine Learning Al Ahfaz Reza Ramdani; Yudistira Bagus Pratama; Arvi Pramudyantoro; Eka Altiarika; Zikri Wahyuzi
Jurnal Teknologi Informasi dan Masyarakat Vol 3 No 1 (2025): Journal of Information Technology and Society (JITS)
Publisher : Universitas Muhammadiyah Bangka Belitung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35438/jits.v3i1.1416

Abstract

Penelitian ini membandingkan sentimen komentar youtube pada video promosi bisnis kuliner di Bangka Belitung menggunakan algoritma machine learning. Penelitian ini bertujuan untuk memahami persepsi masyarakat terhadap bisnis kuliner lokal yang tersebar di platform youtube, serta mengetahui algoritma mana yang lebih efektif dalam mengklasifikasikan sentimen komentar. Metode yang digunakan adalah analisis sentimen dengan pendekatan kualitatif. Algoritma machine learning yang digunakan adalah Support Vector Machine (SVM) dan Naïve Bayes. Data diperoleh melalui proses web scraping terhadap 27 video kuliner khas Bangka Belitung, seperti lempah kuning, mie Koba, otak-otak, dan martabak Bangka, yang kemudian dikumpulkan menjadi 13.692 komentar. Komentar-komentar tersebut diproses melalui tahapan preprocessing, seperti case folding, penghapusan simbol dan angka, tokenisasi, stopword removal, serta stemming. Setelah itu, dilakukan pelabelan sentimen secara manual dan otomatis untuk mengklasifikasikan komentar ke dalam kategori positif, negatif, dan netral. Model klasifikasi kemudian dibangun menggunakan algoritma SVM dan Naïve Bayes, dan dilakukan evaluasi menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil evaluasi menunjukkan bahwa SVM memiliki akurasi lebih tinggi (86.55%) dibandingkan Naïve Bayes (84.63%). Hasil penelitian menunjukkan bahwa mayoritas komentar memiliki sentimen netral, dengan sedikit komentar positif dan negatif. Penelitian ini memberikan wawasan tentang sentimen masyarakat terhadap bisnis kuliner di Bangka Belitung, yang dapat bermanfaat bagi pelaku bisnis kuliner dalam meningkatkan strategi pemasaran dan pelayanan mereka.
PERBANDINGAN PERFORMA ALGORITMA NAIVE BAYES DAN SVM UNTUK ANALISIS SENTIMEN KOMENTAR YOUTUBE TERHADAP INDUSTRI ESPORTS DI INDONESIA Tito Dian Permana; Yudistira Bagus Pratama; Zikri Wahyuzi; Eka Altiarika; Arvi Pramudyantoro
JURNAL ILMIAH NUSANTARA Vol. 2 No. 6 (2025): Jurnal Ilmiah Nusantara
Publisher : CV. KAMPUS AKADEMIK PUBLISING

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61722/jinu.v2i6.6753

Abstract

The esports industry in Indonesia is rapidly growing and gaining significant attention on social media, particularly YouTube, where comments reflect public perceptions. This study compares the performance of Naive Bayes and Support Vector Machine (SVM) in classifying sentiments from YouTube comments and explores key themes using Latent Dirichlet Allocation (LDA). Data were collected via the YouTube Data API v3, labeled with TextBlob and manually verified into positive, negative, and neutral categories. After preprocessing and TF-IDF representation, class imbalance was handled with SMOTE, and models were trained and evaluated using accuracy, precision, recall, F1-score, and confusion matrix. Results indicate that Naive Bayes achieved 73.85% accuracy with an F1-score of 0.71, while SVM slightly outperformed with 73.97% accuracy and the same F1-score. SVM showed better consistency in classifying negative and neutral comments, whereas Naive Bayes was more effective for positive ones. LDA revealed dominant discussion topics such as appreciation, enthusiasm, community interaction, criticism, and support for esports development. These findings highlight SVM’s superior overall performance and the value of LDA in uncovering public discourse, providing both academic contribution and practical insights for the esports industry in understanding public sentiment.
Co-Authors Al Ahfaz Reza Ramdani Ani Ari Gunawan Arvi Pramudyantoro Chairun Nisa Fikri Fahrudin Friti May Sandi Iis Khurniati Khusniyati Masykuroh Meyke Garzia, Meyke Nurul Aurila Mafaza Randi Atul Aufa Ranny Anggraeni Rahmawardani Suhendri Suprayuandi Pratama Suwandi Tito Dian Permana Vanny Aulia Yudistira Bagus Pratama Zikri Wahyuzi