Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING JATI (Jurnal Mahasiswa Teknik Informatika)
Amanda Ardhani, Dhita
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
PREDIKSI SENTIMEN PENGGUNA SPOTIFY MENGGUNAKAN METODE NAÏVE BAYES STUDI KASUS ULASAN PENGGUNA DI PLAY STORE Fatihaturrahmah, Aisyah; Amanda Ardhani, Dhita; Putri Casanova, Musdalifa; Cahya Aulia, Syifa; Najwa Widasari, Yesya; Ditha Tania, Ken; Kurnia Sari, Winda
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.14112

Abstract

Spotify merupakan salah satu platform layanan streaming music digital yang banyak digunakan, tetapi ulasan pengguna menunjukkan variasi tingkat kepuasan terhadap layanan yang tersedia. Penelitian ini berfokus pada analisis dan prediksi sentimen pengguna Spotify berdasarkan ulasan yang diperoleh dari Google Play Store dengan menggunakan metode Naïve Bayes. Penelitian ini mencakup beberapa proses, yaitu pengumpulan data, pra-pemrosesan teks (tokenisasi, normalisasi, penghapusan kata tidak bermakna, dan stemming) serta ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Sentimen pengguna diklasifikasikan ke dalam dua kategori, yaitu positif dan negative. Evaluasi model dilakukan dengan menggunakan metrik akurasi, presisi recall dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu mengklasifikasikan sentimen pengguna Spotify dengan akurasi sebesar 88,42%, precision 0,89, recall 0,74, dan F1-Score 0,79 (macro average). Selain itu, nilai Area Under Curve (AUC) sebesar 0,94 yang mengindikasikan bahwa model memiliki kemampuan klasifikasi yang sangat baik. Sehingga hasil ini menunjukkan bahwa pendekatan yang digunakan sudah sangat efektif dalam menganalisis sentimen pengguna dan dapat menjadi acuan bagi pengembang untuk meningkatkan kualitas terhadap layanan streaming music Spotify.
ANALISIS PENGARUH PEMBAYARAN DIGITAL APLIKASI Y TERHADAP PENGELUARAN MAHASISWA MENGGUNAKAN METODE REGRESI LINEAR BERGANDA Fathoni, Fathoni; Amanda Ardhani, Dhita; Andini Bahri, Cheisya; Najwa Widasari, Yesya; Putri Casanova, Musdalifa; Ibrahim, Ali
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.14150

Abstract

Kemajuan teknologi mendorong perubahan perilaku konsumsi mahasiswa, terutama dalam penggunaan dompet digital. Penelitian ini bertujuan menganalisis pengaruh penggunaan pembayaran digital pada Aplikasi Y terhadap tingkat pengeluaran mahasiswa Universitas Sriwijaya. Permasalahan utama adalah meningkatnya perilaku konsumtif akibat kemudahan transaksi dan fitur aplikasi. Penelitian menggunakan pendekatan kuantitatif dengan regresi linier berganda untuk menguji hubungan antara intensitas penggunaan, kemudahan, impulsivitas, dan variabel lainnya. Data dikumpulkan melalui kuesioner daring kepada 102 mahasiswa yang sesuai kriteria. Hasil menunjukkan adanya hubungan signifikan antara penggunaan Aplikasi Y dan peningkatan pengeluaran mahasiswa, dengan nilai koefisien determinasi (R²) sebesar 0,832. Faktor seperti perilaku impulsif, sulit mengontrol pengeluaran, jarang memeriksa saldo, dan persepsi uang cepat habis berpengaruh signifikan. Penelitian ini memberikan wawasan tentang dampak dompet digital terhadap keuangan mahasiswa dan menjadi dasar dalam menyusun rekomendasi penggunaan yang lebih bijak
Knowledge Discovery on E-Commerce Customer Churn Using Interpretable Machine Learning: A Comparative Study of SHAP-Based Classifiers Amanda Ardhani, Dhita; Tania, Ken Ditha
Journal of Applied Informatics and Computing Vol. 9 No. 5 (2025): October 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i5.10811

Abstract

Customer churn remains one of the most pressing issues in the e-commerce sector, as it directly erodes revenue and reduces customer lifetime value. This study proposes an interpretable machine learning approach designed not only to predict churn but also to uncover practical insights that can inform retention strategies. The analysis draws on a publicly available dataset containing customer behavior and transaction records. Data preparation involved handling missing values, applying label encoding, and addressing class imbalance with SMOTE. Five classification models—Logistic Regression, Random Forest, XGBoost, Support Vector Machine, and Gradient Boosting—were trained on an 80:20 stratified split, with performance assessed through accuracy, precision, recall, F1-score, and AUC. Among these, XGBoost delivered the most consistent results, achieving 96% accuracy, 95% precision, 92% recall, and a near-perfect AUC of 0.999, followed closely by Random Forest. Logistic Regression produced the lowest AUC at 0.886. To ensure transparency in decision-making, SHAP (SHapley Additive exPlanations) was applied, revealing Tenure, Complain, and CashbackAmount as the most influential predictors. Longer customer relationships were linked to reduced churn risk, while frequent complaints and higher cashback usage indicated a greater likelihood of leaving. These findings contribute knowledge by blending robust predictive performance with interpretability, enabling e-commerce businesses to design more targeted and proactive customer retention measures.
Co-Authors Ali Ibrahim Andini Bahri, Cheisya Cahya Aulia, Syifa Fathoni Fathoni Fatihaturrahmah, Aisyah Ken Ditha Tania Kurnia Sari, Winda Najwa Widasari, Yesya Putri Casanova, Musdalifa