cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhammad Khoiruddin Harahap
Contact Email
publikasi@itscience.org
Phone
+6282251583783
Journal Mail Official
publikasi@itscience.org
Editorial Address
Jl. Pancasila Gg. M. Nur Desa Paya Gambar, Deli Serdang Sumatera Utara
Location
Unknown,
Unknown
INDONESIA
Digital Transformation Technology (Digitech)
Published by Information Technology and Science
ISSN : -     EISSN : 28079000     DOI : https://doi.org/10.47709
Core Subject : Science,
Computer Science & IT Library & Information Science
Digital Transformation Technology (Digitech) merupakan Jurnal ilmiah Sains dan transformasi Teknologi Digital, terbitan ini berisi artikel bidang Rekayasa Perangkat Lunak, Technology 5.0 Society, Teknologi Industri dan lainnya dengan diterbitkan secara berkala 6 bulanan yaitu Maret dan September.
Arjuna Subject : Teknik (semua kategori) - Komputasi Mekanik
Articles 622 Documents
 59   60   61   62   63 
Analisis Pengaruh Artifical Intelligence Terhadap Kualitas, Efisiensi, dan Pemahaman Penyelesaian Tugas Mahasiswa Metode Unsupervised Learning Fariz Septiawan; Adam Muiz
Digital Transformation Technology Vol. 6 No. 1 (2026): Periode Maret 2026
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v6i1.9051

Abstract

Penelitian ini menganalisis dampak Artificial Intelligence (AI) terhadap kualitas tugas, efisiensi waktu, dan pemahaman materi di kalangan mahasiswa. Dengan menggunakan algoritma K-Means Clustering pada data kuesioner dari 35 responden, penelitian ini berhasil mengelompokkan mahasiswa ke dalam tiga profil pengguna AI: pengguna AI seimbang (optimal), pengguna minimal, dan pengguna intensif (berisiko ketergantungan). Metodologi yang digunakan meliputi pengumpulan data melalui kuesioner berbasis skala Likert dan pengukuran numerik. Data kemudian diproses dengan standardisasi Z-score dan reduksi dimensi menggunakan Principal Component Analysis (PCA) untuk pemrosesan dan visualisasi yang efisien. Penentuan jumlah klaster optimal (k=3) didukung oleh Elbow Method, yang menunjukkan "titik siku" optimal pada WCSS, dan Silhouette Score rata-rata tertinggi. Hasil penelitian menunjukkan bahwa AI memiliki potensi signifikan untuk meningkatkan kualitas dan efisiensi penyelesaian tugas mahasiswa. Mahasiswa dalam klaster "Penggunaan AI Seimbang (Optimal)" (Klaster 0) menunjukkan kualitas tugas yang baik (rata-rata 4.00) dan efisiensi tinggi (rata-rata 4.31) dengan ketergantungan yang rendah (rata-rata 2.46). Klaster "Pengguna Minimal" (Klaster 1) memiliki frekuensi penggunaan AI terendah (rata-rata 2.85), dengan kualitas tugas dan efisiensi yang lebih rendah. Sementara itu, klaster "Pengguna Intensif (Berisiko Ketergantungan)" (Klaster 2) menunjukkan frekuensi penggunaan AI tertinggi (rata-rata 5.00), serta kualitas tugas (rata-rata 4.44) dan efisiensi (rata-rata 4.89) yang sangat tinggi, namun dengan risiko ketergantungan yang signifikan (rata-rata 4.78). Meskipun AI menawarkan manfaat, temuan ini menyoroti perlunya pendekatan yang seimbang dalam penggunaan AI untuk menghindari ketergantungan yang berlebihan dan potensi penurunan pemahaman mendalam serta keterampilan berpikir kritis. Oleh karena itu, direkomendasikan agar institusi pendidikan mengembangkan pedoman yang jelas dan etis untuk penggunaan AI dan meningkatkan literasi digital mahasiswa.
Pendekatan Natural Language Processing Berbasis Long Short-Term Memory untuk Klasifikasi Sentimen Ulasan Aplikasi Access by Kereta Api Indonesia Ign.F.Bayu Andoro.S
Digital Transformation Technology Vol. 6 No. 1 (2026): Periode Maret 2026
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v6i1.9454

Abstract

Perkembangan layanan digital pada sektor transportasi mendorong penyedia layanan untuk terus meningkatkan kualitas aplikasi berbasis mobile agar mampu memenuhi kebutuhan pengguna secara optimal. Salah satu pendekatan yang dapat dilakukan untuk memperoleh umpan balik secara objektif adalah melalui analisis sentimen terhadap ulasan pengguna pada Google Play Store. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna aplikasi Access by KAI menggunakan algoritma Long Short-Term Memory (LSTM) serta mengevaluasi kinerja model berdasarkan metrik evaluasi standar. Data penelitian diperoleh melalui proses web scraping menggunakan pustaka google-play-scraper, menghasilkan sebanyak 2.041 ulasan yang dipublikasikan pada periode Januari 2025 hingga April 2026. Tahapan pengolahan data meliputi cleaning, case folding, normalisasi kata, tokenization, stopword removal, pelabelan sentimen berbasis lexicon, transformasi teks menjadi representasi numerik, serta pembagian dataset menggunakan skema 80:20 untuk data pelatihan dan pengujian. Model LSTM dievaluasi menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi sebesar 92,87%, dengan nilai precision, recall, dan F1-score berturut-turut sebesar 0,93, 0,93, dan 0,93 pada weighted average. Analisis confusion matrix memperlihatkan bahwa model mampu mengidentifikasi sebagian besar sentimen negatif maupun positif secara tepat, meskipun masih ditemukan sejumlah kecil kesalahan klasifikasi akibat variasi konteks linguistik pada ulasan pengguna. Temuan ini menunjukkan bahwa algoritma LSTM efektif diterapkan untuk analisis sentimen berbahasa Indonesia serta berpotensi dimanfaatkan sebagai pendukung evaluasi kualitas layanan dan pengambilan keputusan berbasis data dalam pengembangan aplikasi Access by KAI.

Page 63 of 63 | Total Record : 622

 59   60   61   62   63 

Filter by Year

2021 2026


Reset
Filter By Issues
All Issue Vol. 6 No. 1 (2026): Periode Maret 2026 Vol. 5 No. 2 (2025): Periode September 2025 Vol. 5 No. 1 (2025): Periode Maret 2025 Vol. 4 No. 2 (2024): Periode September 2024 Vol. 4 No. 1 (2024): Periode Maret 2024 Vol. 3 No. 2 (2023): Artikel Periode September 2023 Vol. 3 No. 1 (2023): Artikel Periode Maret Tahun 2023 Vol. 2 No. 2 (2022): Artikel periode September 2022 Vol. 2 No. 1 (2022): Research Artikel Periode Maret 2022 Vol. 1 No. 2 (2021): Research Artikel Periode September 2021 Vol. 1 No. 1 (2021): Article Research Paper Periode Maret 2021 More Issue