Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika) Profitabilitas Jurnal Komputer dan Teknologi (JUKOMTEK)
Agustin Fitriana, Lady
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Library & Information Science

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
ANALISIS SENTIMEN PUBLIK PENGGUNA TWITTER TERHADAP KANKER SERVIKS DI INDONESIA MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER Faddillah, Umi; Sugiyarto, Ipin; Agustin Fitriana, Lady
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13460

Abstract

Media sosial, khususnya Twitter, telah menjadi bagian dari kehidupan sehari-hari sebagai sumber informasi serta sebagai indikator opini publik terhadap berbagai isu yang sedang ramai diperbincangkan. Salah satu topik yang mendapat perhatian adalah kanker serviks, yang menurut data Kementerian Kesehatan RI merupakan penyakit mematikan kedua setelah kanker payudara. Perbincangan mengenai kanker serviks di Twitter mencerminkan tingkat pemahaman dan kesadaran masyarakat terhadap penyakit ini, sehingga penting untuk dianalisis lebih lanjut. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap kanker serviks di Indonesia menggunakan algoritma Naïve Bayes Classifier sebagai model klasifikasi sentimen. Data yang digunakan berupa 325 tweet terkait kanker serviks yang dikumpulkan selama lima tahun terakhir (2020–2024). Metode yang digunakan dalam penelitian ini meliputi pengumpulan data tweet, pemrosesan teks, penerapan algoritma Naïve Bayes Classifier, serta evaluasi akurasi model. Hasil penelitian menunjukkan bahwa model klasifikasi mencapai tingkat akurasi yang bervariasi setiap tahunnya, yaitu 0,76 pada tahun 2020 dengan 48 tweet positif, 0,73 pada tahun 2021 dengan 45 tweet positif, 0,76 pada tahun 2022 dengan 51 tweet positif, 0,88 pada tahun 2023 dengan 53 tweet positif, dan 0,81 pada tahun 2024 dengan 71 tweet positif. Berdasarkan hasil tersebut, dapat disimpulkan bahwa sentimen positif terhadap kanker serviks mengalami peningkatan setiap tahunnya. Hal ini mengindikasikan meningkatnya kesadaran masyarakat terhadap penyakit ini, yang dapat menjadi dasar bagi pemerintah dan lembaga kesehatan untuk terus mengedukasi masyarakat mengenai pencegahan serta deteksi dini kanker serviks guna menekan angka kasus di Indonesia.
Analisis Ulasan Konsumen sebagai Data Non-Keuangan dalam Sistem Informasi Akuntansi Agustin Fitriana, Lady; Fahmi Julianto, Muhammad; Dahlia , Rizka; Rifqi Firdaus , Muhammad; Fazriansyah, Agung
PROFITABILITAS Vol 5 No 1 (2025): JURNAL PROFITABILITAS
Publisher : Sistem Informasi Akuntansi Kampu Kabupaten Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/profitabilitas.v5i1.8269

Abstract

Di era digital saat ini, ulasan pengguna pada platform e-commerce seperti Shopee telah menjadi salah satu sumber informasi non-keuangan yang penting dalam menilai persepsi konsumen terhadap produk maupun layanan. Informasi ini memiliki nilai strategis dalam sistem informasi akuntansi, khususnya dalam mendukung pengambilan keputusan berbasis data pelanggan. Namun, tantangan utama yang dihadapi adalah besarnya volume data ulasan yang tidak terstruktur. Oleh karena itu, penelitian ini bertujuan untuk mengeksplorasi metode yang efektif dalam mengklasifikasikan sentimen ulasan pengguna aplikasi Shopee sebagai data non-keuangan yang dapat digunakan dalam sistem informasi akuntansi manajerial. Penelitian ini memanfaatkan kombinasi teknik Natural Language Processing (NLP) dan algoritma K-Nearest Neighbors (KNN). Data ulasan dikumpulkan melalui proses crawling dari Google Play Store menggunakan pustaka google-play-scraper. Data tersebut kemudian diproses melalui serangkaian tahapan NLP seperti case folding, tokenization, normalisasi, penghapusan stopword, dan stemming. Untuk ekstraksi fitur, digunakan metode TF-IDF dan Cosine Similarity untuk menghasilkan representasi vektor yang sesuai dengan kebutuhan klasifikasi. Model KNN digunakan untuk mengklasifikasikan sentimen berdasarkan data latih, dengan pengujian pada berbagai nilai n_neighbors. Hasil penelitian menunjukkan bahwa model dengan n_neighbors = 9 menghasilkan akurasi 88%, presisi 85%, recall 86%, dan F1-score 85%.Temuan ini menunjukkan bahwa kombinasi NLP dan KNN efektif dalam mengklasifikasikan sentimen ulasan pengguna, serta berpotensi besar untuk diterapkan sebagai bagian dari sistem informasi akuntansi guna memperkuat analisis non-keuangan dalam mendukung evaluasi kinerja penjualan dan pengambilan keputusan manajerial.
PEMODELAN ANALISIS SENTIMEN ROBLOX MENGGUNAKAN ALGORITMA MACHINE LEARNING Agnes, Veronika; Mutia Sari, Elsa; Annisa, Riski; Agustin Fitriana, Lady
Jurnal Komputer dan Teknologi Vol 5 No 1 (2026): JUKOMTEK JANUARI 2026
Publisher : Yayasan Pendidikan Cahaya Budaya Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64626/jukomtek.v5i1.505

Abstract

The rapid advancement of digital technology has fostered the rise of various interactive online gaming platforms, with Roblox standing out as one of the most prominent. This platform allows users not only to play but also to design and share their own games. As the number of active users increases, the volume of reviews submitted on the Google Play Store also grows. These reviews contain valuable information but require sentiment analysis to automatically understand users’ opinions, satisfaction levels, and complaints. This research aims to conduct sentiment analysis on Roblox user reviews by comparing the performance of three machine learning algorithms—Naïve Bayes, Random Forest, and Decision Tree—to determine which yields the most optimal results. The study follows the Knowledge Discovery in Databases (KDD) framework, which includes several stages: selecting 5,000 reviews, performing text preprocessing (such as cleaning, case folding, tokenizing, normalization, stopword removal, stemming, and labeling), transforming data using word embedding, and evaluating model performance with metrics including Confusion Matrix, Accuracy, Precision, Recall, and F1-Score. The experimental findings indicate that the Decision Tree algorithm achieved the best performance, with an accuracy of 85%, precision of 0.847, recall of 0.850, and a weighted F1-score of 0.848. In contrast, Random Forest obtained an accuracy of 83.6% and a macro F1-score of 0.773, while Naïve Bayes recorded the lowest performance with 64.2% accuracy and a macro F1-score of 0.527. Overall, the Decision Tree algorithm demonstrated superior capability and balance in classifying positive, negative, and neutral sentiments in Roblox user reviews, showing more effective text pattern recognition compared to probabilistic-based methods.
Co-Authors Agnes, Veronika Dahlia , Rizka Faddillah, Umi Fahmi Julianto, Muhammad Fazriansyah, Agung Mutia Sari, Elsa Rifqi Firdaus , Muhammad Riski Annisa Sugiyarto, Ipin