Abstract:Abstract: The increasing use of the Maxim ride-hailing application in Manokwari highlights the need to understand the factors influencing user acceptance and satisfaction. However, the growing number of users does not necessarily…
cessarily reflect a high level of technology acceptance and user satisfaction. This study aims to examine the effects of performance expectancy, effort expectancy, facilitating conditions, and habit on behavioral intention, as well as the effect of behavioral intention on user satisfaction among Maxim users in Manokwari. A quantitative approach based on the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) was employed. Data were collected through questionnaires using a purposive sampling technique from 156 valid respondents and analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM) with SmartPLS 4.0. The results show that performance expectancy (β = 0.343, p < 0.001), effort expectancy (β = 0.191, p = 0.002), facilitating conditions (β = 0.142, p = 0.029), and habit (β = 0.359, p < 0.001) positively and significantly influence behavioral intention. Furthermore, behavioral intention positively and significantly affects user satisfaction (β = 0.771, p < 0.001). These findings confirm the applicability of the UTAUT2 model and provide practical insights for Maxim management and application developers to improve service quality and user satisfaction.
Keywords: behavioral intention; effort expectancy; facilitating conditions; habit; performance expectancy; user satisfaction.
Abstrak: Meningkatnya penggunaan aplikasi transportasi daring Maxim di Manokwari mendorong perlunya memahami faktor-faktor yang memengaruhi penerimaan teknologi dan kepuasan pengguna. Namun, peningkatan jumlah pengguna belum tentu mencerminkan tingginya tingkat penerimaan teknologi dan kepuasan pengguna. Penelitian ini bertujuan menganalisis pengaruh performance expectancy, effort expectancy, facilitating conditions, dan habit terhadap behavioral intention, serta pengaruh behavioral intention terhadap user satisfaction pada pengguna aplikasi Maxim di Manokwari. Penelitian ini menggunakan pendekatan kuantitatif berdasarkan model Unified Theory of Acceptance and Use of Technology 2 (UTAUT2). Data dikumpulkan melalui kuesioner menggunakan teknik purposive sampling terhadap 156 responden dan dianalisis menggunakan Partial Least Squares Structural Equation Modeling (PLS-SEM) dengan SmartPLS 4.0. Hasil penelitian menunjukkan bahwa performance expectancy (β = 0,343; p < 0,001), effort expectancy (β = 0,191; p = 0,002), facilitating conditions (β = 0,142; p = 0,029), dan habit (β = 0,359; p < 0,001) berpengaruh positif dan signifikan terhadap behavioral intention. Selanjutnya, behavioral intention berpengaruh positif dan signifikan terhadap user satisfaction (β = 0,771; p < 0,001). Temuan ini menegaskan penerapan model UTAUT2 serta memberikan masukan bagi manajemen Maxim dan pengembang aplikasi untuk meningkatkan kualitas layanan dan kepuasan pengguna.
Kata kunci: behavioral intention; effort expectancy; facilitating conditions; habit; performance expectancy; user satisfaction.
Abstract:Abstract: Digital technology has expanded the usage of mobile apps like M-Tix for movie ticket booking. The success of an app depends on its features, user experience, and technical acceptability. The User Experience Questionnaire…
stionnaire (UEQ) and Technology acceptability Model (TAM) will be used to examine how user experience affects technology acceptability and M-Tix application usage in Manokwari Regency. Quantitative methods were used with 149 respondents. SmartPLS 4 was used to analyse data using PLS-SEM. Researchers found that Hedonic Quality positively impacts Perceived Usefulness (β=0.288; p=0.005). Pragmatic Quality significantly impacts Perceived Ease of Use (β=0.651; p<0.001) and Usefulness (β=0.372; p=0.002). Additionally, Perceived Ease of Use (β=0.180; p=0.043) and Usefulness (β=0.453; p<0.001) favourably impact Behavioural Intention. However, Perceived Ease of Use does not substantially impact Perceived Usefulness (β=0.105; p=0.265). These data show that user experience is crucial to technological adoption and M-Tix application usage.
Keywords: m-tix; PLS-SEM; technology acceptance model (TAM); user experience; user experience questionnaire (UEQ).
Abstrak: Teknologi digital telah memperluas penggunaan aplikasi seluler seperti M-Tix untuk pemesanan tiket film. Keberhasilan suatu aplikasi bergantung pada fitur-fiturnya, pengalaman pengguna, dan penerimaan teknis. Kuesioner Pengalaman Pengguna (UEQ) dan Model Penerimaan Teknologi (TAM) akan digunakan untuk meneliti bagaimana pengalaman pengguna memengaruhi penerimaan teknologi dan penggunaan aplikasi M-Tix di Kabupaten Manokwari. Metode kuantitatif digunakan dengan 149 responden. SmartPLS 4 digunakan untuk menganalisis data menggunakan PLS-SEM. Peneliti menemukan bahwa Kualitas Hedonik berdampak positif pada Kegunaan yang Dirasakan (β=0,288; p=0,005). Kualitas Pragmatis berdampak signifikan pada Kemudahan Penggunaan yang Dirasakan (β=0,651; p<0,001) dan Kegunaan (β=0,372; p=0,002). Selain itu, Kemudahan Penggunaan yang Dirasakan (β=0,180; p=0,043) dan Kegunaan (β=0,453; p<0,001) berdampak positif terhadap Niat Perilaku. Namun, Kemudahan Penggunaan yang Dirasakan tidak berdampak signifikan terhadap Kegunaan yang Dirasakan (β=0,105; p=0,265). Data ini menunjukkan bahwa pengalaman pengguna sangat penting untuk adopsi teknologi dan penggunaan aplikasi M-Tix.
Kata kunci: m-tix; PLS-SEM; technology acceptance model (TAM); user experience; user experience questionnaire (UEQ).
Abstract:Abstract: The development of information technology has begun to enter the world of education, especially universities, one of which is the academic information system because with this system it greatly influences the learning…
earning process and also in the delivery of information. A web-based academic information system is very adequate, but there are several obstacles such as in learning that does not require a laptop device, it will be very disruptive if the implementation of attendance and others is done on a mobile phone but with a web view. So this research aims to design a mobile-based UI/UX academic information system application with the hope that it can be an alternative in accessing the use of academic information systems for lecturers and students can also be accessed anytime and anywhere through mobile phones with a comfortable display. This study also tested the UI/UX design prototype to assess its feasibility. This test uses the system usability scale (SUS) method with a convident interval validation of 95% to determine the lower and upper limits of the SUS value. For the final score of SUS obtained was 78.75, and in the 95% CI test a Lower CI of 66.27 was produced, and for the Upper CI of 91.23 so that it was given a grade of B. It can be concluded that the design developed in this study is worthy of further development.
Keywords: academic information systems; design thinking; system usability scale
Abstrak: Perkembangan teknologi informasi sudah mulai masuk kedalam dunia pendidikan terutama perguruan tinggi, salah satunya sistem informasi akademik karena dengan adanya sistem ini sangat mempengarusi proses pembelajaran dan juga dalam penyampaian informasi. Sistem informasi akademik berbasis web sudah sangat memadai namun ada beberapa kendala seperti dalam pembelajaran yang tidak memerlukan perangkat laptop akan sangat menganggu jika pelaksanaan absensi dan lainya dilakukan pada ponsel tapi dengan tampilan web. Sehingga penelitian ini bertujuan untuk merancang UI/UX aplikasi sistem informasi akademik berbasis mobile dengan harapan dapat menjadi alternatif dalam akses penggunaan sistem informasi akademik bagi dosen dan mahasiswa juga dapat diakses kapan saja dan dimana saja melalui ponsel dengan tampilan yang nyaman. Penelitian ini juga melakukan pengujian terhadap prototype desain UI/UX untuk menilai kelayakannya. Pengujian ini menggunaka metode system usability scale (SUS) dengan validasi convident interval 95% untuk mengetahui batas bawah dan batas atas nilai SUS. Untuk nilai akhir SUS yang didapatkan adalah 78,75, dan dalam pengujian CI 95 % dihasilkan CI Lower 66,27, dan untuk CI Upper 91,23 Sehingga mendapat grade B. Dapat disumpulkan bahwa desain yang dikembangkan dalam penelitian ini layak untuk dikembangkan lebih lanjut.
Kata kunci: sistem informasi akademik; desain thinking; system usability scale
Abstract:Abstract: The rapid growth of e-commerce mobile applications has generated large volumes of user reviews, making manual sentiment analysis increasingly impractical. This study aims to compare the effectiveness of three machine…
achine learning algorithms Support Vector Machine (SVM), Random Forest, and Naive Bayes for automated sentiment classification of Indonesian-language mobile application reviews. A dataset of 3,000 user reviews from the RupaRupa application on the Google Play Store was collected and preprocessed through normalization, tokenization, stopword removal, and stemming. TF-IDF vectorization was applied for feature extraction, while the Synthetic Minority Over-sampling Technique (SMOTE) was used to address class imbalance across three sentiment categories: positive, negative, and neutral. The results show that SVM achieved the highest accuracy of 90.02%, while Random Forest obtained the best F1-score of 88.08% when sufficient training data were available. Naive Bayes demonstrated relatively stable performance across varying training data sizes. Furthermore, TF-IDF keyword analysis revealed that negative reviews were primarily associated with delivery issues, technical problems, and pricing concerns. These findings demonstrate the effectiveness of machine learning approaches for sentiment classification and provide practical insights for improving mobile application services.
Keywords: sentiment analysis; machine learning; SMOTE; TF-IDF; text classification
Abstrak: Pertumbuhan pesat aplikasi mobile e-commerce telah menghasilkan volume ulasan pengguna yang sangat besar, sehingga analisis sentimen secara manual menjadi semakin tidak praktis. Penelitian ini bertujuan untuk membandingkan efektivitas tiga algoritma machine learning Support Vector Machine (SVM), Random Forest, dan Naive Bayes dalam melakukan klasifikasi sentimen otomatis terhadap ulasan aplikasi mobile berbahasa Indonesia. Dataset yang digunakan terdiri dari 3.000 ulasan pengguna aplikasi RupaRupa yang dikumpulkan dari Google Play Store. Data kemudian diproses melalui tahapan preprocessing yang meliputi normalisasi, tokenisasi, penghapusan stopword, dan stemming. Ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), sedangkan ketidakseimbangan kelas ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE) pada tiga kategori sentimen, yaitu positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa SVM mencapai tingkat akurasi tertinggi sebesar 90,02%, sementara Random Forest memperoleh nilai F1-score terbaik sebesar 88,08% ketika tersedia data pelatihan yang memadai. Naive Bayes menunjukkan performa yang relatif stabil pada berbagai ukuran data pelatihan. Selain itu, analisis kata kunci berbasis TF-IDF mengungkapkan bahwa ulasan negatif terutama berkaitan dengan masalah pengiriman, kendala teknis aplikasi, dan isu harga. Temuan ini menunjukkan bahwa pendekatan machine learning efektif untuk klasifikasi sentimen serta memberikan wawasan yang bermanfaat dalam meningkatkan kualitas layanan aplikasi mobile.
Kata Kunci: analisis sentimen; pembelajaran mesin; SMOTE; TF-IDF; klasifikasi teks.
Abstract:Abstract: Rehabilitation programs are essential in correctional systems to equip inmates with the skills and behavioral readiness required for social reintegration. However, rehabilitation program assignment in many correctional…
ectional institutions remains dependent on manual and subjective assessments, which may result in inconsistent decisions. This study develops a Random Forest–based prediction system to support objective and data-driven rehabilitation program determination. A quantitative approach was applied using historical inmate data from January 2023 to January 2025, comprising 2,023 records. The research process included data preprocessing, an 80:20 training–testing split, model training, and performance evaluation using accuracy, precision, recall, and F1-score metrics. The results show that the model achieved an accuracy of 86.17% during training in Google Colab and 68.83% when deployed within the application system. This performance gap reflects real-world deployment and computational constraints rather than model failure. The proposed system provides consistent and objective rehabilitation program recommendations, thereby supporting more effective rehabilitation planning and decision-making in correctional institutions.
Keywords: correctional institutions; inmate rehabilitation programs; machine learning; random Forest; prediction system
Abstrak: Program pembinaan narapidana memiliki peran penting dalam sistem pemasyarakatan untuk membekali warga binaan dengan keterampilan serta kesiapan perilaku dalam proses reintegrasi ke masyarakat. Namun, pada banyak lembaga pemasyarakatan, penentuan program pembinaan masih bergantung pada penilaian manual yang bersifat subjektif, sehingga berpotensi menimbulkan ketidakkonsistenan dalam pengambilan keputusan. Penelitian ini mengembangkan sistem prediksi program pembinaan narapidana berbasis algoritma Random Forest guna mendukung pengambilan keputusan yang objektif dan berbasis data. Pendekatan kuantitatif diterapkan menggunakan data historis narapidana periode Januari 2023 hingga Januari 2025 sebanyak 2.023 data. Tahapan penelitian meliputi prapemrosesan data, pembagian data latih dan uji dengan rasio 80:20, pelatihan model, serta evaluasi performa menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 86,17% pada tahap pelatihan di Google Colab dan 68,83% saat diimplementasikan pada sistem aplikasi. Perbedaan performa tersebut mencerminkan keterbatasan lingkungan operasional, bukan kegagalan model. Secara keseluruhan, sistem yang dikembangkan mampu memberikan rekomendasi program pembinaan yang lebih objektif dan konsisten, sehingga mendukung perencanaan pembinaan yang lebih efektif.
Kata kunci: mesin pembelajaran; program pembinaan narapidana; random Forest; sistem pemasyarakatan; sistem prediksi
Abstract:Abstract: Human metapneumovirus (HMPV) poses a global health threat, but its detection remains challenging due to limited environmental monitoring. This study aims to develop a portable diagnostic tool for rapid HMPV detection…
ection by integrating cutting-edge biotechnology (CRISPR-Cas system and immunoassay) with air quality sensors on an Internet of Things (IoT)-based microfluidic platform controlled by an ESP32 microcontroller. The system is supported by a companion application and data analysis using Vertex AI, and is capable of providing results in less than fifteen minutes. The development results demonstrate the potential for improving detection accuracy and reliability, particularly with further development of virus-specific biosensors, sensor optimization, and algorithms. This technology is effective as a complementary tool for early screening and environment-based risk management in areas with limited laboratory facilities, although it does not completely replace molecular diagnostic methods such as PCR. A rapid diagnostic approach based on environmental sensors, IoT, and artificial intelligence is a promising strategy to improve early HMPV detection, accelerate public health responses, and strengthen respiratory infection prevention through integrated environmental monitoring and education functions.
Keywords: air quality; CRISPR-Cas; Human Metapneumovirus (HMPV); Internet of Things, portable diagnostic; public health; rapid detection; sensors.
Abstrak: Human metapneumovirus (HMPV) merupakan ancaman bagi kesehatan global, namun pendeteksiannya masih sulit akibat keterbatasan pemantauan lingkungan. Studi ini bertujuan mengembangkan alat diagnostik portabel untuk deteksi cepat HMPV melalui integrasi bioteknologi mutakhir (sistem CRISPR-Cas dan immunoassay) dengan sensor kualitas udara pada platform mikrofluida berbasis Internet of Things (IoT) yang dikendalikan mikrokontroler ESP32. Sistem ini didukung aplikasi pendamping dan analisis data menggunakan Vertex AI, serta mampu memberikan hasil dalam waktu kurang dari lima belas menit. Hasil pengembangan menunjukkan potensi peningkatan akurasi dan keandalan deteksi, terutama dengan pengembangan lanjutan berupa biosensor spesifik virus, optimalisasi sensor, dan algoritma. Teknologi ini efektif sebagai alat pelengkap untuk skrining awal dan manajemen risiko berbasis lingkungan di wilayah dengan keterbatasan fasilitas laboratorium, meskipun tidak sepenuhnya menggantikan metode diagnostik molekuler seperti PCR. Pendekatan diagnostik cepat berbasis sensor lingkungan, IoT, dan kecerdasan buatan menjadi strategi menjanjikan untuk meningkatkan deteksi dini HMPV, mempercepat respons kesehatan masyarakat, serta memperkuat pencegahan infeksi saluran pernapasan melalui fungsi pemantauan dan edukasi lingkungan yang terintegrasi.
Kata kunci: CRISPR-Cas; diagnostik portabel; deteksi cepat; Human Metapneumovirus (HMPV); kesehatan masyarakat; IoT (Internet of Things); sensor kualitas udara.
Abstract:Abstract: The rapid degradation of mangrove ecosystems threatens coastal biodiversity, shoreline stability, and carbon sequestration capacity, particularly in areas experiencing intense human activity. However, community-based…
-based participatory mangrove monitoring remains limited due to the lack of accessible and user-friendly digital tools. This study aims to design an intuitive mobile application for mangrove tree detection and participatory ecological monitoring using a User-Centered Design (UCD) approach. The research was conducted iteratively through user needs analysis, prototype development, and usability evaluation involving local governments, conservation practitioners, and non-expert users. The proposed application integrates machine learning for automated mangrove recognition with geospatial visualization and real-time feedback to support field-based monitoring. Usability evaluation using the System Usability Scale (SUS) yielded an overall score of 82.3, categorized as excellent usability, indicating high user satisfaction and intuitive interaction. The results demonstrate that integrating UCD and machine learning enhances usability, user engagement, and the accuracy of mangrove documentation under real field conditions. Overall, this study presents a field-ready, user-centered mobile solution that bridges usability engineering and participatory mangrove monitoring as a replicable model for inclusive ecological application development.
Keywords: Carbon sequestration; mangrove monitoring; mobile application; user-centered design; usability evaluation
Abstrak: Degradasi ekosistem mangrove yang semakin cepat mengancam keanekaragaman hayati pesisir, stabilitas garis pantai, dan kapasitas sekuestrasi karbon, terutama di wilayah dengan aktivitas manusia yang intens. Namun, pemantauan mangrove secara partisipatif berbasis komunitas masih terbatas akibat kurangnya perangkat digital yang mudah diakses dan ramah pengguna. Penelitian ini bertujuan merancang aplikasi mobile yang intuitif untuk deteksi pohon mangrove dan pemantauan ekologi partisipatif dengan menggunakan pendekatan User-Centered Design (UCD). Penelitian dilakukan secara iteratif melalui analisis kebutuhan pengguna, pengembangan prototipe, dan evaluasi kegunaan dengan melibatkan pemerintah daerah, praktisi konservasi, serta pengguna non-ahli. Aplikasi yang diusulkan mengintegrasikan pembelajaran mesin untuk pengenalan mangrove secara otomatis dengan visualisasi geospasial dan umpan balik waktu nyata guna mendukung pemantauan di lapangan. Evaluasi kegunaan menggunakan System Usability Scale (SUS) menghasilkan skor keseluruhan sebesar 82,3 yang termasuk dalam kategori kegunaan sangat baik, menunjukkan tingkat kepuasan pengguna yang tinggi dan interaksi yang intuitif. Hasil penelitian menunjukkan bahwa integrasi UCD dan pembelajaran mesin meningkatkan kegunaan, keterlibatan pengguna, serta akurasi dokumentasi mangrove dalam kondisi lapangan. Secara keseluruhan, penelitian ini menyajikan solusi mobile berbasis UCD yang siap digunakan di lapangan dan menjembatani rekayasa kegunaan dengan pemantauan mangrove partisipatif sebagai model replikatif bagi pengembangan aplikasi ekologi yang inklusif.
Kata kunci: Carbon sequestration; mangrove monitoring; mobile application; user-centered design; usability evaluation
Abstract:Abstract: SMP Muhammadiyah 5 Samarinda still relies on manual evaluation with limited data analysis tools in predicting student academic achievement. This study aims develop a system for predicting the learning achievement…
nt of students at SMP Muhammadiyah 5 Samarinda using the Naive Bayes classification method. The dataset used consists of 192 student exam scores covering academic scores, attendance, parents’ education and income, and living conditions as independent variables, while the dependent variable is the achievement label (achieved or not achieved). The preprocessing stage includes label normalization, feature selection, and median imputation to handle missing data. The dataset was divided into 75% training data and 25%. The model was implemented as a pipeline consisting of a median imputer and a Gaussian Naive Bayes classifier. The evaluation results showed that the model achieved an accuracy of 79.2%, with a perfect recall value (1.00) in the high-achieving class and (0.64) in the low-achieving class. This shows that the model is quite effective in identifying high-achieving students. The trained model was then integrated into a Flask-based web application, which enables online predictions through a simple form interface, facilitating contextual interpretation. This system is expected to assist in educational decision-making by helping teachers identify students’ achievement levels early on and design more targeted learning interventions.
Keywords: academic performance; educational data mining; naive bayes; prediction system; student achievement
Abstrak: SMP Muhammadiyah 5 Samarinda masih bergantung pada evaluasi manual dengan alat analisis data terbatas dalam melakukan prediksi prestasi akademik siswa. Penelitian ini bertujuan mengembangkan sistem prediksi prestasi belajar siswa SMP Muhammadiyah 5 Samarinda menggunakan metode klasifikasi Naive Bayes. Dataset yang digunakan terdiri atas 192 data nilai ujian siswa yang mencakup skor akademik, kehadiran, pendidikan dan pendapatan orang tua, serta kondisi tempat tinggal sebagai variabel independen, sedangkan variabel dependen berupa label prestasi (berprestasi atau tidak berprestasi). Tahap preprocessing meliputi normalisasi label, seleksi fitur, serta imputasi median untuk menangani data yang hilang. Dataset dibagi menjadi 75% data latih dan 25%. Model diimplementasikan dalam bentuk pipeline yang terdiri atas median imputer dan Gaussian Naive Bayes classifier. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 79,2%, dengan nilai recall sempurna (1,00) pada kelas berprestasi dan lebih rendah (0,64) pada kelas tidak berprestasi. Hal ini menunjukkan bahwa model cukup efektif dalam mengidentifikasi siswa berprestasi. Model yang telah dilatih kemudian diintegrasikan ke dalam aplikasi web berbasis Flask, yang memungkinkan prediksi secara daring melalui antarmuka formulir sederhana untuk mendukung interpretasi kontekstual. Sistem ini diharapkan dapat membantu untuk pengambilan keputusan dalam pendidikan dengan membantu guru mengidentifikasi tingkat prestasi siswa sejak dini dan merancang intervensi pembelajaran yang lebih terarah.
Kata kunci: prestasi akademik; penambangan data Pendidikan; naive bayes; sistem prediksi; prestasi siswa
Abstract:Abstract: The increasing use of digital banking applications has led to the need for a deeper understanding of user perceptions, especially through aspect-based sentiment analysis. This study aims to classify the sentiment…
nt of SeaBank app users by focusing on four main aspects: learnability, efficiency, technical issues or errors, and satisfaction. Review data totaling 1,971 comments were collected from the Google Play Store and labeled with sentiments based on the scores (ratings) given by users. The CRISP-DM approach serves as the methodological framework for this study, which includes five classification algorithms: Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (k-NN), Decision Tree, and Random Forest. The evaluation results show that the SVM algorithm provides the best performance with the highest average value of the four aspects achieving accuracy of 93.91%, Precision of 91.16%, recall of 97.96% and F1-Measure of 94.33%. According to the research findings, the Support Vector Machine (SVM) algorithm provides the best performance when performing aspect-based sentiment analysis on text data from digital banking application reviews. The findings are expected to serve as a reference for the development of automated evaluation systems that rely on user opinions as the basis for decision making.
Keywords: aspects; CRISP-DM; digital Banking; seabank; sentiment analysis
Abstrak: Peningkatan pemakaian aplikasi perbankan digital mendorong perlunya pemahaman yang lebih dalam mengenai persepsi pengguna, terutama melalui analisis sentimen berbasis aspek. Penelitian ini bertujuan untuk mengklasifikasikan sentimen pengguna aplikasi SeaBank dengan berfokus pada empat aspek utama: kemudahan dipelajari (learnability), efisiensi penggunaan (efficiency), kendala atau kesalahan teknis (error), serta tingkat kepuasan (satisfaction). Data ulasan berjumlah 1.971 komentar dikumpulkan dari Google Play Store dan diberi label sentimen berdasarkan skor (rating) yang diberikan oleh pengguna. Pendekatan CRISP-DM berfungsi sebagai kerangka metodologis untuk penelitian ini, yang mencakup lima algoritma klasifikasi: Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (k-NN), Decision Tree, dan Random Forest. Hasil evaluasi menunjukkan bahwa algoritma SVM memberikan performa terbaik dengan nilai rata-rata dari ke empat aspek tertinggi yang mencapai accuracy sebesar 93.91%, Precision sebesar 91.16%, recall sebesar 97.96% dan F1-Measure sebesar 94.33%. Menurut temuan penelitian, algoritma Support Vector Machine (SVM) memberikan kinerja terbaik saat melakukan analisis sentimen berbasis aspek pada data teks dari ulasan aplikasi Seabank. Temuan ini diharapkan dapat menjadi referensi bagi pengembangan sistem evaluasi otomatis yang mengandalkan opini pengguna sebagai dasar pengambilan keputusan.
Kata kunci: Analisis Sentimen, Aspek, Bank Digital, SeaBank, CRISP-DM
Abstract:Abstract: The development of digital learning systems requires not only effective content delivery but also database consistency and performance, particularly when used at scale by lecturers and students. Weaknesses in database…
atabase design can lead to data duplication, relational violations, and transaction failures that compromise system reliability. This study designed the Royal Mengajar application using PHP and MySQL, supported by JavaScript, HTML, and Bootstrap 5. The Crowdsourced Academic Content model enables lecturers to contribute learning materials openly, while students evaluate them through a user rating system. The objective of this research is to design and optimize the database architecture of the Royal Mengajar application by implementing multiple control mechanisms—namely views, triggers, transactions, and constraints—to enhance data efficiency, consistency, and integrity in digital learning environments. Database optimization focuses on the use of views to improve query efficiency, triggers to maintain automatic consistency, transactions to ensure atomicity in multi-table operations, and constraints to preserve data integrity. The results show that views reduced the average query execution time to 0.12 seconds, triggers maintained consistency without manual intervention, and constraints achieved 100% referential integrity. The application of these mechanisms significantly improved system speed, reduced data redundancy, and enhanced information reliability, thus reinforcing the sustainability of Royal Mengajar as a community-driven learning platform
Keywords: crowdsourced academic content; constraint; database optimization; trigger.
Abstrak: Pengembangan sistem pembelajaran digital tidak hanya menuntut penyajian materi, tetapi juga konsistensi serta kinerja basis data ketika sistem digunakan secara masif oleh dosen dan mahasiswa. Kelemahan rancangan database dapat menimbulkan duplikasi data, pelanggaran relasi, dan kegagalan transaksi yang memengaruhi keandalan sistem. Penelitian ini merancang aplikasi Royal Mengajar berbasis PHP dan MySQL dengan dukungan JavaScript, HTML, dan Bootstrap 5. Model Crowdsourced Academic Content memungkinkan dosen berkontribusi secara terbuka, sedangkan mahasiswa melakukan evaluasi melalui user rating system. Tujuan penelitian ini adalah untuk merancang dan mengoptimalkan basis data aplikasi Royal Mengajar melalui penerapan berbagai mekanisme pengendali, seperti view, trigger, transaction, dan constraint, guna meningkatkan efisiensi, konsistensi, dan integritas data dalam sistem pembelajaran digital. Optimalisasi database difokuskan pada penerapan view untuk efisiensi query, trigger untuk menjaga konsistensi otomatis, transaction untuk memastikan atomicity pada operasi multi-tabel, serta constraint guna menjamin integritas data. Hasil pengujian menunjukkan view menurunkan rata-rata waktu eksekusi query menjadi 0,12 detik, trigger menjaga konsistensi tanpa intervensi manual, dan constraint memastikan integritas referensial tercapai 100%. Penerapan mekanisme ini berdampak pada peningkatan kecepatan sistem, berkurangnya redundansi, serta keandalan informasi yang lebih tinggi, sehingga mendukung keberlanjutan Royal Mengajar sebagai platform pembelajaran berbasis kontribusi komunitas.
Kata kunci: basis data; optimasi; trigger; constraint; crowdsourced academic content.