Article Per Year (5 Year)
p-Index From 2021 - 2026
3.235
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 Indonesian Community Journal Jurnal Pengabdian, Riset, Kreativitas, Inovasi, dan Teknologi Tepat Guna (Parikesit) Jurnal Teras Pengabdian Masyarakat Scientific: Journal of Computer Science and Informatics Indonesian Applied Research Computing and Informatics
Afril Efan Pajri
Universitas Nahdatul Ulama Sunan Giri
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 Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Analisis Sentimen Pemindahan Ibu Kota Nusantara (IKN) dengan Algoritma Random Forest, Naive Bayes, dan Support Vector Machine Siti Azizah Aini; Afril Efan Pajri; Alif Yuanita Kartini
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 Wella Vernanda Meilasaroh; Afril Efan Pajri; Denny Nurdiansyah
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.
RANCANG BANGUN APLIKASI PREDIKSI TAGIHAN AIR BERBASIS WEB MENGGUNAKAN REGRESI LINIER BERGANDA Arum Fatmawati Arum; Afril Efan Pajri; Sahri
INTI Nusa Mandiri Vol. 20 No. 1 (2025): INTI Periode Agustus 2025
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/inti.v20i1.6899

Abstract

The management of water billing in the PAMSIMAS service in Sidobandung Village is still conducted manually and does not provide early information regarding bill estimates, often resulting in delayed payments by customers. This study aims to design and develop a web-based water bill prediction application using the Multiple Linear Regression (MLR) method, capable of delivering fast, accurate, and accessible billing estimates. The dataset used in this research consists of historical monthly water usage and billing data from January to December 2024, with a structure comprising 231 rows of customer data and 30 feature columns. The research stages include data preprocessing, model training using MLR, integration of the model into a web-based system, and evaluation of prediction results using the Mean Squared Error (MSE) and R-squared ( ) metrics. Evaluation results showed that the model achieved an MSE of 18,882 and an  of 0,8, indicating a fairly good and stable prediction performance. The system allows customers to log in, view predicted water bills for the 13th month based on previous data, and access graphical visualizations of usage and cost trends. Meanwhile, the admin can efficiently manage customer data through a dedicated dashboard. With the implementation of this application, the management and prediction process of water billing becomes more transparent, efficient, and helps customers in planning their water expenses more precisely .
Co-Authors Alif Yuanita Kartini Amelia Faza Aprillia Dwi Ardianti Arum , Arum Fatmawati Arum Fatmawati Arum Denny Nurdiansyah Diah Fitriani Dwi Remawati Eka Fadlilatus Saadah Eka Fadlilatus Saadah Fatichatur Rochmaniyah Fatichatur Rochmaniyah Fikram, Muhammad Ifnu Wisma Dwi Prastya Ita Aristia Sa'ida Jauhar Vikri, Muhammad Jauhara Rana Budiani, Jauhara Rana Khairunnisa Kholifatus Sholihah Kumaratih Sandradewi Lindya Rossita Handoko M. Iqbal Tawakkal MARATUS SHOLIHAH, SITI Maruf, Anang Meliysa Pasa Bagna Aprilia Said Muhammad Sholihin Muhammad Sholihin Mula Agung Barata Nanda Sahita Pepbelia Veronyca Putri Liana Sabar, Rohmat Abidin Sahri Sahri Sahri Sahri Sahri Sahri Silviana Agustin Sirozul Huda Siti Azizah Aini Siti Shoimah Sri Hariyati Fitriasih Suci Mulyani Sutriawan Taufik Azhary Tawakkal, M. Iqbal Umar Farid Al Faqihi Wella Vernanda Meilasaroh