Article Per Year (5 Year)
p-Index From 2021 - 2026
2.218
P-Index
This Author published in this journals
All Journal Jurnal SOLMA JOURNAL OF APPLIED INFORMATICS AND COMPUTING JURIKOM (Jurnal Riset Komputer) INTI Nusa Mandiri Amalee: Indonesian Journal of Community Research & Engagement Jurnal Sistem Komputer dan Informatika (JSON) International Journal of Engineering, Science and Information Technology Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD Decode: Jurnal Pendidikan Teknologi Informasi Jurnal Pengabdian, Riset, Kreativitas, Inovasi, dan Teknologi Tepat Guna (Parikesit) Jurnal Teras Pengabdian Masyarakat Scientific: Journal of Computer Science and Informatics
Afril Efan Pajri
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Astronomy Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Analisis Perbandingan Algoritma SVM, Logistic Regression, Naive Bayes, dan XGBoost Untuk Deteksi Fake News Umar Farid Al Faqihi; Afril Efan Pajri; Muhammad Jauhar Vikri
JURNAL RISET KOMPUTER (JURIKOM) Vol. 13 No. 1 (2026): Februari 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v13i1.9492

Abstract

The rapid growth of digital technology and internet access has completely changed how information is shared, enabling content to spread quickly across various online platforms. However, these advancements have also made it easier for misleading or entirely fabricated news to circulate, posing serious risks to social stability, political environments, and public health. This study tackles this problem by employing several machine learning-based classification methods for analyzing textual data. Four algorithms Support Vector Machine (SVM), Logistic Regression (LR), Naive Bayes (NB), and Extreme Gradient Boosting (XGBoost) were applied to detect linguistic patterns that differentiate genuine news from fake content. A major contribution of this research is the creation of a custom dataset gathered directly from Indonesian online news portals, comprising a total of 4,909 entries. The evaluation results demonstrate exceptionally high accuracy across the models: 99.69% for SVM, 99.39% for LR, 99.29% for NB, and 99.19% for XGBoost. To verify reliability, each model was further evaluated using cross-validation, yielding average accuracy scores of 99.57% (SVM), 99.52% (LR), 99.44% (NB), and 99.49% (XGBoost). These findings confirm that all four classifiers are highly effective and well-suited for identifying fake news in text-based data.
Analisis Sentimen Komentar iPhone 17 pada Platform YouTube Menggunakan IndoBERT dan Support Vector Machine MARATUS SHOLIHAH, SITI; Afril Efan Pajri; Ita Aristia Sa’ida
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i3.9507

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen komentar YouTube berbahasa Indonesia terkait iPhone 17 dengan membandingkan metode Support Vector Machine berbasis Term Frequency–Inverse Document Frequency dan model IndoBERT. Data diperoleh melalui proses crawling komentar pada kanal YouTube GadgetIn, kemudian diproses melalui tahapan pre-processing untuk mengurangi noise dan menormalkan teks. Pelabelan sentimen dilakukan secara otomatis menggunakan InSetLexicon dengan dua kelas, yaitu positif dan negatif. Dataset selanjutnya dibagi menggunakan teknik stratified split menjadi data latih, validasi, dan uji. Selain dua model utama, pendekatan ensemble IndoBERT–SVM diuji sebagai metode tambahan untuk menilai stabilitas performa klasifikasi. Evaluasi dilakukan menggunakan confusion matrix serta metrik Accuracy, Precision, Recall, dan F1-score. Hasil pengujian menunjukkan bahwa IndoBERT memperoleh performa terbaik dengan nilai Accuracy sebesar  92, 29%, diikuti oleh model ensemble sebesar 91,63%, dan Support Vector Machine sebesar 88,99%. Temuan ini mengindikasikan bahwa model berbasis transformer lebih efektif dalam memahami konteks bahasa informal pada komentar YouTube dibandingkan metode berbasis fitur tradisional. Dengan demikian, penelitian ini memberikan bukti empiris mengenai efektivitas pendekatan machine learning dan transformer dalam analisis sentimen media sosial berbahasa Indonesia.
Analisis Sentimen Pemindahan Ibu Kota Nusantara (IKN) dengan Algoritma Random Forest, Naive Bayes, dan Support Vector Machine Aini, Siti Azizah; Pajri, Afril Efan; Kartini, Alif Yuanita
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 6 No. 1: MARET 2026
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v6i1.1567

Abstract

Reaksi masyarakat Indonesia terhadap pemindahan Ibu Kota Nusantara (IKN) bervariasi, terutama di media sosial, yang merupakan platform utama untuk menyuarakan pendapat. Tujuan penelitian ini adalah untuk mengevaluasi persepsi publik tentang rencana pemindahan IKN dengan menggunakan tiga metode klasifikasi yaitu Random Forest, Naïve Bayes, dan Support Vector Machine (SVM). Data diproses melalui beberapa tahap preprocessing, Tahap-tahap ini termasuk tokenisasi, penghilangan kata umum, pemrosesan huruf, pembersihan teks, dan pengurangan kata dasar. Pelabelan data mengelompokkan komentar dalam kategori sentimen positif dan negatif, sedangkan ekstraksi fitur dilakukan dengan metode TF-IDF. Dataset tersebut kemudian dibagi menjadi dua, 20% untuk data pengujian dan 80% untuk data latihan. Hasil penelitian ini menunjukkan bahwa setiap model memiliki tingkat akurasi yang berbeda, dengan Random Forest mencapai 98%, Naïve Bayes 91%, dan SVM 97%, yang menunjukkan bahwa Random Forest adalah algoritma ensemble yang paling akurat dan dapat digunakan untuk analisis sentimen.Studi ini menemukan bahwa setiap model memberikan tingkat akurasi yang berbeda. Hasil penelitian ini menunjukkan bahwa Random Forest adalah algoritma ensemble terbaik untuk mengelompokkan sentimen publik tentang masalah pemindahan IKN. Kesimpulan penelitian ini menekankan bahwa menggunakan algoritma ensemble seperti Random Forest dapat menghasilkan analisis sentimen yang lebih akurat, dan ini dapat digunakan sebagai pedoman untuk proses pengambilan keputusan di masa mendatang tentang evaluasi kebijakan publik
ANALISIS SENTIMEN PUBLIK TERHADAP CHATGPT: PERBANDINGAN LOGISTIC REGRESSION DAN DISTILBERT Meilasaroh, Wella Vernanda; Pajri, Afril Efan; Nurdiansyah, Denny
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 6 No. 2: JULI 2026
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v6i2.1644

Abstract

Tujuan penelitian ini adalah menganalisis opini publik terhadap ChatGPT berdasarkan ulasan pengguna di Google Play Store, juga mengkomparasikan kinerja dua metode klasifikasi sentimen: Logistic Regression (klasik) + TF-IDF dan DistilBERT (Transformer modern). Dataset dari ChatGPT Reviews Daily Updated yang diproses melalui prapemrosesan teks, pelabelan sentimen, pembentukan fitur, pelatihan model, dan evaluasi performa. Hasil menunjukkan dominasi sentimen positif (87,41%) dan karakteristik teks yang sangat pendek (1–10 kata). Logistic Regression mencapai akurasi 88,39% dan F1-Score 84,12%, tetapi gagal mengenali kelas minoritas karena ketidakseimbangan data. Sedangkan DistilBERT mencapai akurasi 89,57% dan F1-Score 87,35%, dengan kemampuan jauh lebih baik dalam mengklasifikasikan sentimen negatif dan netral. Hal ini menunjukkan bahwa model Transformer lebih mampu memahami konteks semantik dan tahan terhadap variasi bahasa informal. Secara keseluruhan, opini publik terhadap ChatGPT sangat positif, dan DistilBERT terbukti lebih efisien untuk menganalisis ulasan aplikasi dengan distribusi kelas tidak seimbang dan teks pendek. Penelitian ini memberikan dasar empiris dalam memilih model NLP untuk analisis sentimen terkait teknologi generatif.
Strengthening Product Innovation, Managerial Capability, and Market Expansion to Enhance Revenue Generation of the ‘Putri’ Sapodilla Syrup Enterprise Shoimah, Siti; Pajri, Afril Efan; Rochmaniyah, Fatichatur; Saadah, Eka Fadlilatus; Sholihin, Muhammad
Jurnal Pengabdian, Riset, Kreativitas, Inovasi, dan Teknologi Tepat Guna Vol 4 No 1 (2026): Mei
Publisher : Direktorat Pengabdian kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/parikesit.v4i1.27774

Abstract

Kegiatan pengabdian masyarakat dilaksanakan untuk memberdayakan Industri Rumah Tangga (IRT) Sirup Sawo ‘Putri’ di Desa Pangkatrejo, Kecamatan Sugio, Lamongan. Mitra menghadapi permasalahan pada tiga aspek utama: (1) kualitas produk yang belum konsisten dan tidak tahan lama akibat keterbatasan teknologi produksi, (2) lemahnya sistem manajemen usaha dan pencatatan keuangan, serta (3) pemasaran yang terbatas pada promosi konvensional. Metode pelaksanaan mencakup lima tahap: sosialisasi, pelatihan, penerapan teknologi tepat guna, pendampingan, dan evaluasi. Intervensi yang diberikan antara lain penggunaan mesin pasteurisasi, blender heavy duty, pH meter, refraktometer, serta vacuum sealer untuk meningkatkan higienitas dan daya simpan produk. Pada aspek manajemen, dilakukan pelatihan pencatatan keuangan digital, penyusunan identitas merek, dan pengarsipan usaha sederhana. Pada aspek pemasaran, diterapkan desain ulang kemasan melalui aplikasi Canva Pro, aktivasi akun media sosial (Instagram, TikTok), serta distribusi di e-commerce (Shopee, Tokopedia). Hasil kegiatan menunjukkan peningkatan signifikan: produk sirup mampu bertahan hingga 3 bulan tanpa pengawet, penjualan meningkat hingga 30% dalam 6 bulan, dan keterampilan manajerial mitra meningkat melalui pencatatan digital. Program ini berkontribusi pada pencapaian SDGs 8, 9, dan 12, serta mendukung penguatan ekonomi hijau berbasis potensi lokal
Co-Authors Aini, Siti Azizah Aprillia Dwi Ardianti Arum , Arum Fatmawati Denny Nurdiansyah Diah Fitriani Eka Fadlilatus Saadah Fatichatur Rochmaniyah Fikram, Muhammad Ita Aristia Sa'ida Jauhar Vikri, Muhammad Jauhara Rana Budiani, Jauhara Rana Kartini, Alif Yuanita Liana, Putri M. Iqbal Tawakkal MARATUS SHOLIHAH, SITI Maruf, Anang Meilasaroh, Wella Vernanda Muhammad Sholihin Rochmaniyah, Fatichatur Saadah, Eka Fadlilatus Sabar, Rohmat Abidin Sahri Sahri Sahri Siti Shoimah Suci Mulyani Sutriawan Taufik Azhary Tawakkal, M. Iqbal Umar Farid Al Faqihi