cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Hendra Nelva Saputra
Contact Email
hendra.nelva@umkendari.ac.id
Phone
+6282193165892
Journal Mail Official
hendra.nelva@umkendari.ac.id
Editorial Address
Jl. K.H. Ahmad Dahlan No. 10, Gedung E Lantai 2
Location
Kota kendari,
Sulawesi tenggara
INDONESIA
Decode: Jurnal Pendidikan Teknologi Informasi
Published by Universitas Muhammadiyah Kendari
ISSN : 27752984     EISSN : 27751813     DOI : https://doi.org/10.51454/decode
Core Subject : Science, Education, Engineering,
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other
DECODE: Jurnal Pendidikan Teknologi Informasi publishes articles in English and Indonesian which will be published 3 times a year, namely March, July and November. Articles that can be considered for publication in this journal are the results of research that is in accordance with the focus and scope of the journal including: (1) Software Engineering, (2) Data Mining, (3) Artificial Intelligence, (4) Computer Network, (5) Robotics System, (6) Information Security, (7) Mobile Learning, (8) Online Learning, (9) Multimedia, (10) Development Learning Media, (11) Integration of Technology in Learning.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 2 Documents
 1 
Search results for , issue "Vol. 6 No. 2: JULI 2026" : 2 Documents clear
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.
Optimasi Deteksi Situs Judi Online Menggunakan Algoritma Decision Tree untuk Mitigasi Risiko Kebocoran Data Pribadi Syabriansyah, Andi Moch; Sunyoto, Andi
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.v6i2.1658

Abstract

Transformasi digital yang masif telah memperluas celah kejahatan siber, salah satunya melalui proliferasi platform judi online di Indonesia yang mengancam keamanan data pribadi masyarakat. Penelitian ini bertujuan untuk mengimplementasikan Artificial Intelligence (AI) menggunakan algoritma Decision Tree sebagai mekanisme proaktif dalam mendeteksi situs judi online guna melindungi informasi sensitif pengguna dari eksploitasi. Metode yang digunakan adalah pendekatan kuantitatif eksperimental dengan mengembangkan model klasifikasi berbasis fitur URL, seperti panjang karakter, jumlah digit, dan keberadaan kata kunci spesifik perjudian. Hasil penelitian menunjukkan bahwa model Decision Tree berhasil mencapai performa yang sangat tinggi dengan akurasi sebesar 96,98% pada data pengujian dan nilai ROC-AUC sebesar 0,984. Fitur "judi_keyword_count" ditemukan sebagai indikator terkuat yang berkontribusi sebesar 77,1% terhadap keputusan klasifikasi. Aturan keputusan yang dihasilkan bersifat transparan (interpetabel), sehingga memudahkan proses audit teknis maupun hukum dalam pemblokiran situs. Penelitian ini membuktikan bahwa penggunaan AI berbasis Decision Tree efektif dalam memitigasi risiko kebocoran data pribadi melalui deteksi situs ilegal secara real-time.

Page 1 of 1 | Total Record : 2

 1 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol. 6 No. 2: JULI 2026 Vol. 6 No. 1: MARET 2026 Vol. 5 No. 3: NOVEMBER 2025 Vol. 5 No. 2: JULI 2025 Vol. 5 No. 1: MARET 2025 Vol. 4 No. 3: NOVEMBER 2024 Vol. 4 No. 2: JULI 2024 Vol. 4 No. 1: MARET 2024 Vol. 3 No. 2: SEPTEMBER 2023 Vol. 3 No. 1: MARET 2023 Vol. 2 No. 2: SEPTEMBER 2022 Vol. 2 No. 1: MARET 2022 Vol. 1 No. 2: SEPTEMBER 2021 Vol. 1 No. 1: MARET 2021 More Issue