Jurnal Mahasiswa Teknik Informatika

Klasifikasi Bentuk Rambut Manusia (Lurus, Keriting, Bergelombang) Menggunakan Teachable Machine Pendekatan berbasis Gambar

Manisa Sopia Mori mori, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Klasifikasi bentuk rambut manusia yaitu lurus, keriting dan bergelombang, telah berhasil dikembangkan menggunakan Teachable Machine melalaui pendekatan citra digital. Bentuk rambut adalah karakreristik pembeda bologis dan sosial antara individu. Teachable Machine sebagai platform web yang disediakan oleh Google, yang mudah digunakan, memanfaatkan transfer learning untuk pengenalan pola visual. Peroses pengembanagan melibatakan penggunak citra yang telah di pra-proses, dan pelatihan model Teachable Machine diatur dengan 50 epoch, ukuran batch 15, dan laju pembelajaran 0,008. Evaluas kinerja menunjukan hasil yang sangat memuaskan dengan akurasi keseluruhan mencapai (87%) dan nilai loss yang rendah 0,004. Akurasi per katagori adalah 0,87 untuk lurus dan keriting, dan 0,81 untuk bergelombang. Prototipe model dapat diakses dan diuji secara real-time melalaui unggahan gambar setelah diekspor menggunakan fitur Cloud Shareable. Teachable Machine merupakan alat yang efektif untuk membangun sebuah sistem klasifikasi bentuk rambut yang otomatis dan memiliki akurasi tinggi.

Kata Kunci:Klasifikasi, Teachable Machine, Bentuk Rambut Manusia, gambar.

The classification of human hair shapes, namely straight, curly, and wavy, has been successfully developed using Teachable Machine through a digital image approach. Hair shape is a biological and social distinguishing characteristic between individuals. Teachable Machine, as a web platform provided by Google that is easy to use, utilizes transfer learning for visual pattern recognition. The development process involves the use of pre-processed images, and the training of the Teachable Machine model is set with 50 epochs, a batch size of 15, and a learning rate of 0.008. Performance evaluation shows very satisfactory results with an overall accuracy of 87% and a low loss value of 0.004. The accuracy per category is 0.87 for straight and curly, and 0.81 for wavy. The model prototype can be accessed and tested in real-time by uploading images after being exported using the Cloud Shareable feature. Teachable Machine is an effective tool for building an automatic and high-accuracy hair shape classification system.

Keywords:Classification, Teachable Machine, Human Hair Shape, image.

Klasifikasi Kualitas Udara di Jakarta Menggunakan Algoritma K-Nearest Neighbor (KNN)

Sofiatuz Zamani, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Kualitas udara di Jakarta mengalami fluktuasi signifikan akibat meningkatnya aktivitas transportasi, industri, dan kepadatan penduduk, sehingga diperlukan sistem klasifikasi yang akurat untuk memantau dan menilai tingkat pencemaran udara. Penelitian ini bertujuan untuk mengklasifikasikan kualitas udara di Jakarta menggunakan algoritma K-Nearest Neighbor (KNN) berdasarkan parameter seperti PM2.5, PM10, CO, SO₂, NO₂, dan O₃ yang diperoleh dari data penginderaan atau stasiun pemantauan udara. Tahapan penelitian meliputi pengumpulan data, praproses data (normalisasi dan pembersihan), pembagian data menjadi data latih dan uji, penerapan algoritma KNN dengan variasi nilai k, serta evaluasi menggunakan metrik akurasi, presisi, dan recall. Hasil penelitian menunjukkan bahwa algoritma KNN dengan nilai k optimal memberikan tingkat akurasi yang cukup tinggi dalam mengklasifikasikan kualitas udara ke dalam kategori baik, sedang, dan buruk. Kesimpulan penelitian ini menegaskan bahwa KNN dapat digunakan sebagai metode yang efektif dan sederhana untuk mendukung sistem pemantauan kualitas udara di wilayah perkotaan seperti Jakarta.

Kata kunci: Kualitas udara, KNN, klasifikasi, pencemaran udara, Jakarta.

Air quality in Jakarta fluctuates significantly due to increasing transportation, industrial activities, and population density, thus requiring an accurate classification system to monitor and assess pollution levels. This study aims to classify air quality in Jakarta using the K-Nearest Neighbor (KNN) algorithm based on parameters such as PM2.5, PM10, CO, SO₂, NO₂, and O₃ obtained from air monitoring stations or sensor data. The research stages include data collection, preprocessing (normalization and cleaning), data splitting into training and testing sets, applying the KNN algorithm with various k values, and evaluating performance using accuracy, precision, and recall metrics. The results indicate that KNN with the optimal k value achieves high accuracy in classifying air quality into good, moderate, and poor categories. The findings conclude that KNN is an effective and simple method to support air quality monitoring systems in urban areas such as Jakarta.

Keywords: Air quality, KNN, classification, air pollution, Jakarta.

Penerapan Algoritma FP-Growth untuk Menentukan Pola Asosiasi pada Data Transaksi Penjualan

Lailatul Badriya, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Dalam dunia bisnis ritel, analisis data transaksi menjadi hal penting untuk memahami perilaku konsumen dan meningkatkan strategi penjualan. Dengan jumlah transaksi yang tinggi, data penjualan menjadi sumber berharga untuk mengumpulkan informasi dan pola yang dapat meningkatkan efisiensi bisnis. Harus dipahami bahwa Toko Lidya masih belum memiliki panduan tertentu untuk mengevaluasi kenaikan pendapatan dan pengisian barang berdasar strategi bisnis yang dijalankan, dengan kata lain Toko Lidya hanya menggunakan perkiraan saja. Willermark dan Islind melakukan penelitian untuk menemukan kombinasi barang yang kerap dibeli bersama oleh konsumen dengan memanfaatkan algoritma FP-Growth. Dan dalam rangka menyusun strategi promosi serta penempatan produk di toko, digunakan analisis Market Basket Analysis. Hasil penelitian ini dengan menggunakan ambang batas dukungan minimal 20% dan tingkat kepercayaan 80% berhasil mengungkap perilaku pembelian konsumen yang bisa dimanfaatkan untuk meningkatkan strategi penjualan.

Kata Kunci: Penjualan, Asosiasi, Algoritma, FP-Growth, Market Basket Analysis

In the retail business world, transaction data analysis is crucial for understanding consumer behavior and improving sales strategies. With a high number of transactions, sales data is a valuable resource for gathering information and patterns that can improve business efficiency. It should be noted that Toko Lidya still lacks specific guidelines for evaluating revenue growth and inventory replenishment based on its business strategy; in other words, Toko Lidya only relies on estimates. Willermark and Islind conducted research to identify product combinations frequently purchased together by customers using the FP-Growth algorithm. Market Basket Analysis was used to develop promotional strategies and product placement in stores. The results of this study, using a minimum support threshold of 20% and an 80% confidence level, successfully revealed consumer purchasing behavior that can be used to improve sales strategies.

Keyword: Sales, Association, Algorithm, FP-Growth, Market Basket Analysis

Klasifikasi Prestasi Akademik Siswa Menggunakan Algoritma Decision Tree dengan RapidMiner

Alifan Ibrohim, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penelitian ini bertujuan untuk mengklasifikasikan prestasi akademik siswa dengan mempertimbangkan berbagai faktor yang memengaruhi hasil belajar. Algoritma Decision Tree diimplementasikan menggunakan perangkat lunak RapidMiner dengan data bersumber dari dataset Student Performance Factors. Dataset tersebut memuat atribut seperti Hours_Studied, Attendance, Parental_Involvement, Access_to_Resources, Previous_Scores, Motivation_Level, Sleep_Hours, Internet_Access, dan Tutoring_Sessions, dengan Exam_Score sebagai label target. Proses penelitian meliputi tahapan pengumpulan, pembersihan, dan transformasi data, kemudian pembagian data menjadi 80% data latih dan 20% data uji. Hasil analisis menunjukkan bahwa atribut Hours_Studied dan Attendance merupakan faktor dominan dalam menentukan prestasi siswa. Model pohon keputusan berhasil mengelompokkan siswa ke dalam tiga kategori, yaitu Low (100 data), Medium (4.498 data), dan High (27 data) dari total 4.625 data. Temuan ini membuktikan bahwa metode Decision Tree efektif untuk mengenali pola hubungan faktor belajar terhadap prestasi akademik dan dapat menjadi dasar evaluasi bagi pihak sekolah dalam meningkatkan kualitas pembelajaran.

Kata Kunci: Decision Tree, RapidMiner, Data Mining, Klasifikasi Prestasi Akademik, Student Performance Factors

This study aims to classify students' academic achievement by considering various factors that influence learning outcomes. The Decision Tree algorithm was implemented using RapidMiner software with data sourced from the Student Performance Factors dataset. The dataset contains attributes such as Hours_Studied, Attendance, Parental_Involvement, Access_to_Resources, Previous_Scores, Motivation_Level, Sleep_Hours, Internet_Access, and Tutoring_Sessions, with Exam_Score as the target label. The research process included data collection, cleaning, and transformation, followed by dividing the data into 80% training data and 20% test data. The analysis results showed that the attributes Hours_Studied and Attendance were dominant factors in determining student achievement. The decision tree model successfully grouped students into three categories, namely Low (100 data), Medium (4,498 data), and High (27 data) from a total of 4,625 data. These findings prove that the Decision Tree method is effective in recognizing patterns of the relationship between learning factors and academic achievement and can be used as a basis for evaluation by schools in improving the quality of learning.

Keyword :Decision Tree, RapidMiner, Data Mining, Academic Achievement Classification, Student Performance Factors

Klasifikasi Data Penyakit Demam Berdarah Dengue (DBD) Melalui Algoritma Decision Tree Dengan RapidMiner

Fitra Lia Shofiah, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Demam Berdarah Dengue (DBD) merupakan permasalahan kesehatan masyarakat yang hingga kini terus mendapat perhatian serius di Indonesia. Proses diagnosis untuk DBD biasanya dilakukan melalui pemeriksaan laboratorium dan evaluasi klinis, Akan tetapi, pendekatan konvensional ini cenderung membutuhkan waktu yang relatif panjang serta sangat bergantung pada analisis profesional kesehatan. Oleh karena itu, diperlukan suatu pendekatan berbasis teknologi yang mampu mempercepat sekaligus mempermudah proses klasifikasi secara lebih akurat. Penelitian ini bertujuan untuk mengidentifikasi tingkat keparahan penyakit Demam Berdarah Dengue (DBD) dengan menerapkan algoritma Decision Tree yang dijalankan melalui aplikasi RapidMiner. Data yang digunakan merupakan algoritma sekunder yang di ambil dari internet,berisi 200 catatan pasien dengan delapan artibut medis, yaitu suhu tubuh, jumlah trombosit, jumlah leukosit, tekanan darah, ruam kulit, sakit kepala, nyeri otot, dan muntah. Langkah-langkah dalam penelitian mencakup pengumpulan data, preprocessing, penerapan algoritma Decision Tree, serta evaluasi model dengan memanfaatkan confusion matrix dengan metode cross-validation. Temuan dari studi ini memperlihatkan bahwa model Decision Tree mencapai tingkat ketepatan akurasi mencapai 85%, precision 84%, recall 83%, dan F1-score 83%, dengan trombosit dan leukosit sebagai variabel yang paling dominan dalam proses klasiifikasi. Dengan merujuk pada hasil yang diperoleh, studi ini menyimpulkan bahwasanya algoritma Decision Tree cukup efektif dalam mengklasifikasikan tingkat keparahan penyakit DBD dan dapat di gunakan sebagai dasar untuk mengembangkan system pendukung keputusan di bidang kesehatan.

Kata Kunci: Demam Berdarah Dengue, Data Mining, Decision Tree,RapidMIner, Klasifikasi

Dengue Hemorrhagic Fever (DHF) is a public health problem that continues to receive serious attention in Indonesia. The diagnosis process for DHF is usually carried out through laboratory examinations and clinical evaluations. However, this conventional approach tends to take a relatively long time and relies heavily on the analysis of health professionals. Therefore, a technology-based approach is needed that can accelerate and simplify the classification process more accurately. This study aims to identify the severity of Dengue Hemorrhagic Fever (DHF) by applying the Decision Tree algorithm run through the RapidMiner application. The data used is a secondary algorithm taken from the internet, containing 200 patient records with eight medical attributes, namely body temperature, platelet count, leukocyte count, blood pressure, skin rash, headache, muscle pain, and vomiting. The steps in the study include data collection, preprocessing, application of the Decision Tree algorithm, and model evaluation using the confusion matrix with the cross-validation method. The findings of this study show that the Decision Tree model achieved an accuracy rate of 85%, precision of 84%, recall of 83%, and an F1-score of 83%, with platelets and leukocytes as the most dominant variables in the classification process. Based on these results, this study concludes that the Decision Tree algorithm is quite effective in classifying the severity of dengue fever and can be used as a basis for developing decision support systems in the healthcare sector.

Keywords: Dengue Hemorrhagic Fever, Data Mining, Decision Tree, RapidMiner, Classification

Klasifikasi Penerima Bantuan Sosial Menggunakan Algoritma Naive Bayes

Anis Mukarromah, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penelitian ini memiliki tujuan untuk mengategorikan penerima bantuan sosial dengan memanfaatkan algoritma Naive Bayes agar sasaran distribusi bantuan lebih tepat. Masalah utama dalam penyaluran bantuan sosial sering terjadi karena kesalahan dalam penentuan penerima yang layak. Untuk mengatasi masalah ini, dilakukan pemodelan klasifikasi yang berbasis pada data sosial ekonomi masyarakat dengan menggunakan perangkat lunak RapidMiner Studio. Dataset yang digunakan dalam penelitian ini terdiri dari 200 penerima bantuan yang memiliki berbagai atribut seperti nama, NIK, besar bantuan, alamat, desa, serta status penyaluran. Proses pengolahan data mencakup langkah-langkah pengambilan data, normalisasi, pembagian data, pelatihan model, pengujian, dan evaluasi kinerja. Hasil pengujian menunjukkan bahwa model Naive Bayes mencapai akurasi 100%, dengan nilai presisi dan recall juga mencapai 100% untuk dua kelas yaitu Tersalurkan dan Belum Tersalurkan. Temuan ini mengindikasikan bahwa metode Naive Bayes efektif dalam mengklasifikasikan data sosial secara objektif dan dapat menjadi dasar untuk pengambilan keputusan yang lebih tepat bagi lembaga yang menyalurkan bantuan sosial.

Kata Kunci: Naïve Bayes, Klasifikasi, RapidMiner, Bantuan Sosial

This study aims to categorize social assistance recipients using the Naive Bayes algorithm to more accurately target aid distribution. The main problem in social assistance distribution often occurs due to errors in determining eligible recipients. To address this issue, a classification model based on community socioeconomic data was conducted using RapidMiner Studio software. The dataset used in this study consists of 200 aid recipients with various attributes such as name, National Identity Number (NIK), aid amount, address, village, and distribution status. The data processing process included data collection, normalization, data division, model training, testing, and performance evaluation. The test results showed that the Naive Bayes model achieved 100% accuracy, with precision and recall values also reaching 100% for two classes: Distributed and Not Yet Distributed. These findings indicate that the Naive Bayes method is effective in objectively classifying social data and can serve as a basis for more informed decision-making by institutions distributing social assistance.

Keywords: Naive Bayes, Classification, RapidMiner, Social Assistance

Prediksi Penyakit Jantung Menggunakan Algoritma Decision Tree C4.5

Muhammad Salman Al Farisy, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penyakit jantung masih merupakan ancaman kesehatan global yang serius, bertanggung jawab atas kematian lebih dari 17 juta orang di dunia pada tahun 2015. Diagnosis tradisional rentan terhadap variasi subjektif dan memakan waktu. Untuk meningkatkan efisiensi dan akurasi, teknik data mining dan machine learning telah muncul sebagai alat yang menjanjikan. Penelitian ini mengusulkan pengembangan model untuk memprediksi penyakit jantung menggunakan algoritma Decision Tree C4.5, yang dipilih karena kekuatannya sebagai metode klasifikasi dan kemampuannya menghasilkan model yang intuitif serta mudah diinterpretasikan. Data yang digunakan adalah 303 sampel catatan medis pasien yang diambil dari repositori publik Kaggle.com. Prosesnya meliputi pra-pemrosesan data untuk eliminasi nilai kosong dan transformasi format, diikuti dengan pembagian data menggunakan teknik Hold-Out 70%:30% (212 sampel pelatihan, 91 sampel pengujian). Implementasi model dan evaluasi kinerja dilakukan menggunakan aplikasi RapidMiner. Hasil menunjukkan bahwa model C4.5 mencapai akurasi keseluruhan sebesar 70.33% pada set pengujian. Secara spesifik, model menunjukkan kekuatan dalam mendeteksi kasus positif (Sakit) dengan nilai Recall untuk kelas 'Iya' sebesar 84.00%, yang sangat penting untuk meminimalkan False Negative dalam konteks medis. Atribut Jenis Nyeri Dada teridentifikasi sebagai faktor klinis paling dominan (node akar) dalam penentuan kemungkinan penyakit jantung. Model ini valid sebagai sistem pendukung keputusan awal, khususnya dalam mengidentifikasi pasien berisiko tinggi.

Kata Kunci: Prediksi Penyakit Jantung , Decision Tree C4.5 , Klasifikasi , Data Mining , RapidMiner

Heart disease remains a serious global health threat, was accountable for the demise of over 17 million people worldwide in 2015. Traditional diagnosis is prone to subjective variations and is time-consuming. To improve efficiency and accuracy, data mining and machine learning techniques have emerged as promising tools. This study proposes the development of a model for predicting heart disease using the Decision Tree C4.5 algorithm, chosen for its robustness as a classification method and its ability to produce intuitive and easily interpretable models. The data used are 303 patient medical record samples taken from the public repository Kaggle.com. The process includes data preprocessing for null value elimination and format transformation, followed by data splitting using the 70%:30% Hold-Out technique (212 training samples, 91 testing samples). Model implementation and performance evaluation were performed using the RapidMiner application. The results show that the C4.5 model achieves an overall accuracy of 70.33% on the test set. Specifically, the model demonstrated robustness in detecting positive cases (Sick) with a Recall value for the 'Yes' class of 84.00%, which is crucial for minimizing False Negatives in a medical context. The Chest Pain Type attribute was identified as the most dominant clinical factor (root node) in determining the likelihood of heart disease. This model is valid as an early decision support system, particularly in identifying high-risk patients.

Keyword: Heart Disease Prediction, Decision Tree C4.5, Classification, Data Mining, RapidMiner

Eksplorasi Frequent Itemset untuk Pola Asosiasi Produk Toko Bahan Kue Menggunakan Algoritma Apriori

Mayla Dini Zakkia, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Data Mining dan Analisis Pola adalah teknik penting dalam bisnis untuk menemukan pola tersembunyi dalam data transaksi. Penelitian ini membandingkan dua algoritma aturan asosiasi, yaitu Apriori dan FP-Growth, dalam mengidentifikasi hubungan antar produk. Tujuan dari penelitian ini adalah mengevaluasi kecepatan pemrosesan dan kualitas aturan yang dihasilkan oleh kedua algoritma dalam konteks ritel. Dataset yang digunakan berasal dari transaksi toko bahan kue, terdiri dari 143.523 entri dan 97.548 transaksi. Dataset ini dipilih karena relevansinya dalam analisis pola belanja pelanggan untuk meningkatkan strategi pemasaran. Uji coba dilakukan dengan parameter minimum support sebesar 0,01, dan hasil menunjukkan bahwa FP-Growth lebih cepat dalam pemrosesan dibandingkan Apriori, dengan selisih waktu rata-rata sebesar 33,33% lebih cepat pada dataset yang sama. Hasil penelitian ini memberikan manfaat bagi pemilik minimarket, yaitu penggunaan algoritma FP-Growth dalam analisis pola belanja dapat membantu dalam menyusun penataan produk dan strategi promosi yang lebih efektif. Selain itu, penelitian ini juga memberikan kontribusi dalam bidang Sistem Informasi dengan menunjukkan kemampuan FP-Growth dalam menangani data transaksi skala besar, serta memberikan wawasan dalam memilih algoritma yang sesuai untuk keperluan bisnis ritel.

Kata Kunci: Algoritma Apriori, Aturan Asosiasi, Data Mining.

Data mining is an important technique in business analysis for finding hidden patterns in transaction data. This research compares the performance of two association rule algorithms, Apriori and FP-Growth, in identifying patterns of product relationships. The study aims to evaluate the processing time efficiency and the quality of association rules generated by both algorithms in a retail context. The dataset used comes from a bakery supplies store, including 143,523 entries and 97,548 transactions. This dataset was chosen based on its relevance to customer purchasing pattern analysis for marketing strategy optimization. Testing was conducted with a minimum support parameter of 0.01, and the results showed that FP-Growth performed better in processing speed compared to Apriori, with an average execution time difference of 33.33% faster on the same dataset. The implications of this research for minimarket owners are that using the FP-Growth algorithm for purchase pattern analysis can help improve product arrangement and more effective promotional strategies. Additionally, this study contributes to the field of Information Systems by showing the effectiveness of FP-Growth in handling large-scale transaction data, as well as providing insights into selecting the right algorithm for retail business needs.

Keywords: Apriori algorithm, Association rules, Data mining.

Prediksi Jenis Bunga Iris dengan Alqoritma K-Nearest Neighbor Menggunakan RapidMiner

Ahmad Fauzan, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Pada kesempatan ini peneliti brtujuan untuk mengklasifikasi tumbuhan Iris Species menggunakan metode alqoritma K-Nearest Neighbor yang mengimplementasikan dalam RapidMiner Studio 2025.0.1. Yang mana Dataset berisi 150 entri yang mewakili tiga spesies iris (sclerotium, iris beraneka warna, dan eceng gondok), masing-masing berisi empat fitur utama yang digunakan sebagai variabel studi: ukuran Panjang dan lebar dibagian kelopak serta mahkota bunga. Metodologi penelitian ini melibatkan beberapa Langkah yaitu: akuisisi data (Retrieve Iris), penandaan fitur (Set Role), pemisahan data (70% data pelatihan, 30% data uji), pelatihan model menggunakan algoritma K-NN dengan K = 5 dan pembobotan, implementasi model (Apply Model), dan evaluasi kinerja. Hasil pengujian menunjukkan bahwa model K-NN dapat mengklasifikasikan tumbuhan Iridaceae dengan akurasi 97,78%, tingkat presisi dan recall melebihi 93%, dan kesalahan klasifikasi yang sangat rendah. Penelitian ini juga menunjukkan efektifitas tinggi alqoritma K-NN dalam pengenalan pola mortofologi bunga dan juga menunjukkan bahwa aplikasi RapidMiner dapat dijadikan alat yang efektif dan praktis untuk mengembangkan model klasifikasi berbasis pembelajaran mesin.

Kata Kunci: K-Nearset Neighbor, RapidMiner, Klasifikasi, iris, Pembelajaran mesin.

On this occasion, the researcher aims to classify Iris Species plants using the K-Nearest Neighbor algorithm method implemented in RapidMiner Studio 2025.0.1. The dataset contains 150 entries representing three iris species (sclerotium, variegated iris, and water hyacinth), each containing four main features used as study variables: petal length and width, and petal length and width. The methodology of this study involves several steps, namely: data acquisition (Retrieve Iris), feature marking (Set Role), data separation (70% training data, 30% test data), model training using the K-NN algorithm with K = 5 and weighting, model implementation (Apply Model), and performance evaluation. The test results show that the K-NN model can classify Iridaceae plants with an accuracy of 97.78%, precision and recall levels exceeding 93%, and very low classification errors. This study also shows the high effectiveness of the K-NN algorithm in recognizing flower morphological patterns and also shows that the RapidMiner application can be used as an effective and practical tool for developing machine learning-based classification models.

Keywords: K-Nearest Neighbor, RapidMiner, Classification, iris, Machine learning.

Perbandingan Klasifikasi Status Beasiswa Mahasiswa Menggunakan Algoritma Decision Tree dan Algoritma Naive Bayes

Putri Navizah, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Beasiswa memainkan peran penting dalam meningkatkan keberhasilan pendidikan tinggi, terutama untuk mahasiswa yang memiliki keterbatasan finansial. Penelitian ini bertujuan untuk mengategorikan penerima beasiswa dengan mempertimbangkan beberapa variabel akademik dan non-akademik, seperti usia, jenis kelamin, indeks prestasi kumulatif (IPK), partisipasi dalam kegiatan kampus, serta cara belajar. Dua algoritma dalam bidang machine learning, yaitu Decision Tree dan Naive Bayes, diterapkan untuk menilai efektivitas klasifikasi berdasarkan tingkat akurasi yang diperoleh. Hasil uji coba menunjukkan bahwa algoritma Decision Tree menghasilkan akurasi sebesar 76,44%, sementara Naive Bayes mencapai akurasi yang lebih tinggi, yaitu 96,26%. Temuan ini menunjukkan bahwa model Naive Bayes menawarkan kestabilan dan efektivitas yang lebih baik, terutama ketika diterapkan pada data dengan distribusi kelas yang tidak seimbang. Oleh karena itu, penerapan metode klasifikasi ini dapat membantu institusi pendidikan dalam proses seleksi penerima beasiswa dengan cara yang lebih adil, terukur, dan berbasis data.

Kata Kunci: beasiswa mahasiswa, klasifikasi data, pembelajaran mesin, Decision Tree, Naive Bayes

Scholarships play a crucial role in improving higher education success, especially for students with financial constraints. This study aims to categorize scholarship recipients by considering several academic and non-academic variables, such as age, gender, grade point average (GPA), participation in campus activities, and learning styles. Two machine learning algorithms, Decision Tree and Naive Bayes, were applied to assess the effectiveness of the classification based on the level of accuracy achieved. The trial results showed that the Decision Tree algorithm achieved an accuracy of 76.44%, while Naive Bayes achieved a higher accuracy of 96.26%. These findings indicate that the Naive Bayes model offers greater stability and effectiveness, especially when applied to data with an imbalanced class distribution. Therefore, the application of this classification method can assist educational institutions in the scholarship recipient selection process in a fairer, more measurable, and data-driven manner.

Keywords: student scholarships, data classification, machine learning, Decision Tree, Naive Bayes

Implementasi FP-Growth Untuk Analisis Wilayah Strategis Madrasah Aliyah Miftahul Ulum Bengkak

Tuti Alawiyah, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Pemanfaatan data mining semakin penting bagi lembaga pendidikan dalam mendukung pengambilan keputusan berbasis data dengan mengidentifikasi pola hubungan antar data adalah algoritma FP-Growth. Studi ini bertujuan untuk menganalisis pola wilayah asal calon siswa Madrasah Aliyah Miftahul Ulum Bengkak untuk menentukan daerah strategis sebagai sasaran promosi. Penelitian menggunakan data pendaftaran beberapa tahun terakhir dengan tahapan pengumpulan data, pra-pemrosesan, dan penerapan algoritma FP-Growth melalui RapidMiner Studio. Hasil penelitian menunjukkan adanya aturan asosiasi dengan nilai support dan confidence tinggi pada wilayah Bengkak, Wongsorejo, Alasbuluh, Ketapang, dan Banyuwangi. Temuan tersebut menunjukkan bahwa wilayah tersebut memiliki keterkaitan kuat dalam pola pendaftaran siswa baru. Algoritma FP-Growth terbukti efektif untuk mengungkap pola tersembunyi pada data wilayah calon siswa dan dapat digunakan sebagai dasar penyusunan strategi promosi madrasah yang lebih tepat sasaran.

Kata kunci: FP-Growth, data mining, wilayah strategis, Association rules, RapidMiner.

The use of data mining has become a strategic need for educational institutions in supporting data-driven planning. Madrasah Aliyah Miftahul Ulum Bengkak requires an analysis of students’ origin areas to determine potential regions for promotional activities. This study aims to identify regional pattern associations using the FP-Growth algorithm, enabling the institution to recognize strategic areas that significantly contribute to new student enrollment. This research employs a descriptive quantitative approach using registration data from several academic years. Data gathering, data preprocessing, and applying the FP-Growth algorithm in RapidMiner Studio are all steps. The findings reveal association rules with high support and confidence values, particularly in Bengkak, Wongsorejo, Alasbuluh, Ketapang, and Banyuwangi. These regions demonstrate strong relationships in enrollment patterns and are therefore suitable as priority targets for promotion. This study concludes that the FP-Growth algorithm is effective in uncovering hidden patterns within students’ regional-origin data and provides a reliable foundation for formulating more targeted, efficient, and data-driven promotional strategies.

Keywords: FP-Growth, Data mining, Astrategic areas, Aassociation rules, RapidMiner.

Sistem Informasi Data Sakit Santri Berbasis Web di Pondok Pesantren Salafiyah Syafi'iyah Sukorejo

Evvatun Nafiah, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Sistem Informasi Data Sakit Santri berbasis web ini dirancang untuk mempermudah proses pendataan dan pelaporan kondisi kesehatan santri di Pondok Pesantren Salafiyah Syafi’iyah. Sebelumnya, pencatatan data santri yang sakit masih dilakukan secara manual melalui buku catatan, sering terjadi telatnya informasi, salah input, dan sulit untuk mencari riwayat kesehatan santri. Penelitian ini bermaksud sebagai tindak lanjut dari mengelola data sakit santri secara cepat, akurat, dan terintegrasi. Metode penelitian yang digunakan adalah Waterfall, meliputi fase analisis kebutuhan, desain, implementasi, uji coba, dan pemeliharaan. Sistem dibuat dengan PHP dan MySQL dan disajikan melalui antarmuka web untuk memudahkan petugas kesehatan serta pengurus dalam pengoperasian. Hasil pengujian menunjukkan bahwa sistem ini mampu menampilkan data santri sakit, riwayat pemeriksaan, serta laporan kesehatan dengan baik dan efisien. Dengan adanya sistem ini, proses administrasi kesehatan di pondok pesantren menjadi lebih terstruktur, transparan, dan membantu pihak pengurus dalam pengambilan keputusan terkait penanganan kesehatan santri.

Kata Kunci: Sistem Informasi, Data Sakit Santri, Pondok Pesantren, Metode Waterfall

This web-based Student Illness Data Information System is designed to simplify the process of recording and reporting student health conditions at the Salafiyah Syafi'iyah Islamic Boarding School. Previously, recording student illness data was done manually through notebooks, often resulting in delays in information, incorrect input, and difficulties in locating student health records. This research aims to develop a rapid, accurate, and integrated approach to managing student illness data. The research method used is the Waterfall method, encompassing the phases of needs analysis, design, implementation, testing, and maintenance. The system was developed using PHP and MySQL and presented through a web interface to facilitate its operation by health workers and administrators. Test results indicate that the system is capable of displaying student illness data, examination history, and health reports effectively and efficiently. This system improves the health administration process at the Islamic boarding school and makes it more structured and transparent, assisting administrators in decision-making regarding student health care.

Keywords: Information System, Student Illness Data, Islamic Boarding School, Waterfall Method

Klasifikasi Kematangan Tanaman Buah Tomat Menggunakan Teachable Machine: Pendekatan Berbasis Gambar

Maridatul Husna, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Identifying the ripeness level of tomatoes (Solanum lycopersicum) is important in agriculture because it affects product quality, market value, and harvesting efficiency. This study aims to classify tomato ripeness (raw, semi-ripe, ripe) using digital images through Teachable Machine (Google's AI platform). The approach used is image-based classification utilizing machine learning techniques to detect color and texture patterns. Data were collected directly, labeled, and used to train the model. Evaluation results showed high accuracy (94%) and low loss values. The developed prototype allows real-time ripeness classification. The implementation of these findings is expected to improve harvest quality, reduce losses, and support sustainable agriculture through systematic technology.

Keywords: Teachable Machine. Classification, Tomato Ripeness, image.

Identifikasi tingkat kematangan tomat (Solanum lycopersicum) penting dalam agrikultur karena memengaruhi kualitas produk, nilai jual, dan efisiensi panen. Studi ini bertujuan mengklasifikasikan kematangan tomat (mentah, setengah matang, matang) menggunakan citra digital melalui Teachable Machine (platform AI Google). Pendekatan yang digunakan adalah klasifikasi berbasis gambar yang memanfaatkan teknik pembelajaran mesin untuk mendeteksi pola warna dan tekstur. Data diperoleh langsung, dilabeli, dan digunakan untuk melatih model.Hasil evaluasi menunjukkan akurasi tinggi (94%) dan nilai kerugian rendah. Prototipe yang dikembangkan memungkinkan klasifikasi kematangan secara waktu nyata. Implementasi temuan ini diharapkan dapat meningkatkan mutu hasil panen, meminimalisir kerugian, dan mendukung pertanian yang berkelanjutan melalui pendekatan teknologi yang terencana.

Kata Kunci: Teachable Machine. Klasifikasi, Kematangan Tomat, gambar.

Penerapan Algoritma Decision Tree untuk Klasifikasi Diagnosa Pasien

Risma Nur Kholishah, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penelitian ini memanfaatkan algoritma Decision Tree sebagai metode analisis tipe C4.5 untuk mengklasifikasikan kondisi kesehatan pasien berdasarkan data diagnosis dari Sri Clinics di Kota Batam. Data dianalisis menggunakan RapidMiner dengan atribut seperti suhu tubuh, tekanan darah, detak jantung, jenis kelamin, usia, dan gejala utama. Hasil penelitian menunjukkan bahwa suhu tubuh merupakan faktor paling dominan dalam klasifikasi, di mana pasien dengan suhu ≤ 37,05°C dikategorikan sehat, sedangkan suhu > 37,05°C menunjukkan penyakit ringan atau berat. Model Decision Tree menghasilkan akurasi 96,67%, membuktikan bahwa metode ini efektif dan akurat sebagai alat bantu keputusan medis untuk menunjang proses penentuan penyakit dengan efisiensi dan ketepatan tinggi

Kata Kunci: Decision Tree C4.5, Data Mining, Diagnosis Pasien, Klasifikasi

This study utilized the Decision Tree algorithm, a C4.5 type analysis method, to classify patient health conditions based on diagnostic data from Sri Clinics in Batam City. The data was analyzed using RapidMiner with attributes such as body temperature, blood pressure, heart rate, gender, age, and primary symptoms. The results showed that body temperature was the most dominant factor in the classification, with patients with a temperature below 37.05°C categorized as healthy, while temperatures above 37.05°C indicated mild or severe disease. The Decision Tree model achieved 96.67% accuracy, demonstrating its effectiveness and accuracy as a medical decision-making tool to support the process of determining disease with high efficiency and accuracy.

Keywords: Decision Tree C4.5, Data Mining, Patient Diagnosis, Classification

Penerapan K-Means Clustering Untuk Segmentasi UMKM Berbasis Rapid Miner

Mohammad Nailul Fahmi, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Despite their significant contribution to economic development, Micro, Small, and Medium Enterprises (MSMEs) face heterogeneous operational challenges and market barriers, necessitating a segmented approach—such as cluster analysis—to better understand and address their diverse needs. their varied characteristics present challenges in formulating effective and focused empowerment policies and programs. This study seeks to develop an MSME segmentation model based on objective data using the K-Means Clustering algorithm. Secondary MSME data analysis was conducted considering four key performance indicators: annual revenue, net profit, number of employees, and operational lifespan. The data mining process, from data preparation to model development, was applied in a structured manner using the RapidMiner application. The findings of this research show that the most appropriate clustering results in K business groups with distinct performance profiles, for example, MSMEs with high profitability and MSMEs with a low level of maturity (operational lifespan). This segmentation provides strategic insights that can be utilized by financial institutions and business advisors to design more accurate, efficient programs tailored specific to the profile of each MSME segment.

Keywords: Segmentation, K-Means Clustering, MSMEs, RapidMiner, Data Mining.

UMKM memegang peranan krusial sebagai buffer ekonomi selama periode krisis serta menjadi tulang punggung perekonomian domestik, meskipun demikian variasi karakteristik yang ada menghadirkan tantangan dalam merumuskan kebijakan dan program pemberdayaan yang efektif dan terfokus. Kajian ini berupaya untuk membangun sebuah model segmentasi UMKM yang didasarkan pada data objektif dengan menerapkan algoritma K-Means Clustering. Analisis data sekunder UMKM dilakukan dengan mempertimbangkan empat indikator kinerja utama, yakni pendapatan tahunan, laba bersih, jumlah tenaga kerja, dan rentang waktu operasional. Proses Data Mining, mulai dari tahap persiapan data hingga pembentukan model, diaplikasikan secara terstruktur menggunakan aplikasi RapidMiner. Temuan dari analisis ini mengindikasikan bahwa pembentukan klaster yang paling sesuai menghasilkan K kelompok usaha dengan profil kinerja yang mencolok, contohnya kelompok UMKM dengan tingkat profitabilitas tinggi dan kelompok UMKM dengan tingkat kematangan (rentang waktu operasional) yang belum tinggi. Segmentasi ini memberikan wawasan strategis yang dapat dimanfaatkan oleh lembaga keuangan dan pendamping usaha untuk merancang program yang lebih akurat, efisien, dan berdasarkan analisis kebutuhan yang spesifik tiap-tiap kelompok UMKM.

Kata Kunci: Segmentasi, K-Means Clustering ,UMKM, RapidMiner, Data Mining.

Algoritma Keputusan C4.5 Untuk Klasifikasi Data Medis Pasien

Rifki Dwi Saputra, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penelitian ini bertujuan untuk mengklasifikasikan status kesehatan pasien berdasarkan data rekam medis menggunakan algoritma pohon keputusan C4.5. Dataset yang digunakan terdiri dari 1000 entri pasien dengan atribut seperti usia, kadar gula, tekanan darah, gejala, dan riwayat keluarga. Studi ini dilakukan menggunakan metode kuantitatif dengan karakter deskriptif eksploratif. Pemodelan dilakukan menggunakan perangkat lunak RapidMiner dengan tahapan: praproses data, penentuan atribut target, pembangunan model klasifikasi, dan evaluasi hasil. Hasil pemodelan menunjukkan bahwa atribut Kadar_Gula memiliki bobot tertinggi dan menjadi akar dari pohon keputusan, disusul oleh Usia dan Riwayat_Keluarga. Model yang dihasilkan bersifat logis dan sistematis, serta menunjukkan jalur klasifikasi yang mudah ditelusuri. Proses pruning otomatis yang dilakukan oleh algoritma mencegah overfitting, sehingga model memiliki performa generalisasi yang baik. Model dievaluasi memakai teknik 10-fold cross-validation, kemudian hasilnya dipresentasikan dalam bentuk visualisasi melalui struktur pohon serta grafik bobot atribut. Analisis data mengindikasikan bahwa implementasi algoritma C4.5 memberikan performa yang efisien dalam pengolahan data rekam medis untuk mendukung sistem pengambilan keputusan medis yang berbasis data.

Kata Kunci: Medical Data, Algoritma C4.5, Decision Tree, RapidMine, Klasifikasi.

The study is conducted to determine patient health categories through the utilization of the C4.5 decision tree model on medical data. The dataset used consists of 1000 patient entries with attributes such as age, blood sugar level, blood pressure, symptoms, and family history. This work is conducted using a quantitative method that emphasizes descriptive and exploratory analysis. Modeling is carried out using RapidMiner software with the following stages: data preprocessing, determining target attributes, building a classification model, and evaluating results. The modeling results show that the Blood Sugar Level attribute has the highest weight and is the root of the decision tree, followed by Age and Family History. The resulting model is logical and systematic, and shows an easy-to-track classification path. The automatic pruning process carried out by the algorithm prevents overfitting, so that the model has good generalization performance. Employing the 10-fold cross-validation procedure, the model evaluation results were depicted via a decision tree layout and an attribute importance graph. These results indicate that the C4.5 algorithm is effective in processing medical record data to support a data-based medical decision-making system.

Keywords: Medical Data, C4.5 Algorithm, Decision Tree, RapidMiner, Classification.

Penerapan Metode K-Nearest Neighbor (KNN) Untuk Klasifikasi Cuaca Hujan Berbasis Data Mining

Muhammad Marizal, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Perubahan iklim telah menyebabkan pola cuaca global menjadi semakin tidak teratur, sehingga mengharuskan adanya sistem peramalan yang mampu bekerja dengan cepat dan tepat. Riset ini bertujuan untuk mengklasifikasikan kondisi cuaca harian menggunakan algoritma K-Nearest Neighbor (KNN) berbasis business intelligence. Data yang dimanfaatkan dalam penelitian ini mencakup 13.201 sampel data cuaca dengan 11 atribut utama, yaitu suhu udara, kelembapan, kecepatan angin, curah hujan, tutupan awan, tekanan atmosfer, indeks ultraviolet, musim, jarak pandang, lokasi geografis, dan tipe cuaca sebagai label klasifikasi. Proses pengujian diterapkan dengan metode 10-Fold Cross Validation memanfaatkan perangkat lunak Altair AI Studio 2024.1.0. Hasil penelitian menunjukkan bahwa nilai parameter k berpengaruh signifikan terhadap performa model. Nilai k=7 menghasilkan akurasi tertinggi sebesar 89,28%, sedangkan nilai k=9 menunjukkan sedikit penurunan akurasi akibat efek over-smoothing. Analisis confusion matrix menunjukkan bahwa kelas Rainy dan Sunny memiliki tingkat klasifikasi tertinggi, sementara kesalahan terbesar terjadi antara Cloudy dan Sunny. Analisis bobot atribut menggunakan metode Weight by Information Gain menunjukkan bahwa temperature dan humidity memiliki pengaruh paling dominan terhadap hasil klasifikasi. Riset ini menegaskan bahwa algoritma KNN digunakan sebagai metode efektif dalam sistem prediksi cuaca berbasis data mining dengan hasil yang akurat dan stabil

Kata Kunci: Klasifikasi, K-Nearest Neighbor, Cuaca, Model Akurasi, Data Mining

Climate change has caused global weather patterns to become increasingly irregular, necessitating a forecasting system that can work quickly and accurately. This research aims to classify daily weather conditions using the K-Nearest Neighbor (KNN) algorithm based on business intelligence. The data utilized in this study includes 13,201 weather data samples with 11 main attributes, namely air temperature, humidity, wind speed, rainfall, cloud cover, atmospheric pressure, ultraviolet index, season, visibility, geographic location, and weather type as classification labels. The testing process was implemented using the 10-Fold Cross Validation method using Altair AI Studio 2024.1.0 software. The results showed that the value of the k parameter significantly influenced model performance. A value of k = 7 produced the highest accuracy of 89.28%, while a value of k = 9 showed a slight decrease in accuracy due to the over-smoothing effect. Confusion matrix analysis showed that the Rainy and Sunny classes had the highest classification rates, while the largest error occurred between Cloudy and Sunny. Attribute weight analysis using the Weight by Information Gain method showed that temperature and humidity had the most dominant influence on the classification results. This research confirms that the KNN algorithm is an effective method for data mining-based weather prediction systems, yielding accurate and consistent results.

Keywords: Classification, K-Nearest Neighbor, Weather, Accuracy Model, Data Mining

Klasifikasi Bentuk Tubuh Manusia (kurus, ideal dan gemuk) Berdasarkan Citra Digital Menggunakan Teachable Machine

Siti Afiyah Suryadi Rahmah, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Klasifikasi bentuk tubuh manusia adalah salah satu tantangan dalam bidang pengolahan citra digital dan kecerdasan buatan. Penelitian ini bertujuan menciptakan sistem yang mampu mengklasifikasikan bentuk tubuh manusia menjadi tiga kategori, yaitu kurus, ideal, dan gemuk, berdasarkan gambar yang diambil. Sistem ini menggunakan platform Teachable Machine yang dikembangkan oleh Google. Metode yang digunakan mencakup pengumpulan gambar tubuh manusia dari berbagai sudut, memberi label pada gambar sesuai kategori yang sudah ditentukan, pelatihan model klasifikasi dengan metode pengenalan gambar berbasis pembelajaran mesin, serta pengujian akurasi model tersebut. Hasil penelitian menunjukkan bahwa sistem mampu mengklasifikasikan bentuk tubuh dengan tingkat akurasi yang tinggi, tergantung pada kualitas dan variasi gambar yang digunakan. Dengan pendekatan ini, klasifikasi bentuk tubuh dapat dilakukan secara otomatis dan langsung tanpa perlu melakukan pengukuran fisik secara manual. Penelitian ini diharapkan bisa membantu pengembang aplikasi kecerdasan buatan dalam bidang kebugaran, kesehatan, serta personalisasi produk.

Implementasi Data Mining Pada Penjualan Buku Dengan Algoritma FP-GROWTH Menggunakan Rapidminer

Muhammad Al Madany, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Studi ini menerapkan algoritma FP-Growth di RapidMiner untuk mengidentifikasi pola pembelian dalam dataset penjualan buku Kaggle. Menggunakan proses KDD, atribut seperti genre dan penerbit ditransformasikan menjadi itemset transaksional untuk analisis asosiasi. Hasilnya menunjukkan bahwa genre fiksi paling sering muncul, dan Penguin Group (USA) LLC memiliki korelasi yang kuat dengan genre ini, ditunjukkan dengan nilai keyakinan 83%. Temuan ini dapat mendukung strategi pemasaran yang tepat sasaran dan keputusan rekomendasi produk.

Kata Kunci: FP-Growth, Data Mining, Penjualan Buku, RapidMiner, KDD

This study applies the FP-Growth algorithm in RapidMiner to identify purchasing patterns in a Kaggle book sales dataset. Using the KDD process, attributes such as genre and publisher were transformed into transactional itemsets for association analysis. The results show that the fiction genre appears most frequently, and Penguin Group (USA) LLC has a strong correlation with this genre, indicated by an 83% confidence value. These findings can support targeted marketing strategies and product recommendation decisions.

Keywords: FP-Growth, Data Mining, Book Sales, RapidMiner, KDD

Implementasi Aplikasi Kehadiran Berbasis Web menggunakan Codeigniter pada SMK Ibrahimy 2 Sukorejo Situbondo

Rofi Dian Andini, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Ada kebutuhan yang berkembang akan struktur administrasi yang efisien dan terkoordinasi dengan baik karena pergeseran operasional di sektor pendidikan. Aplikasi kehadiran daring yang dibangun menggunakan kerangka CodeIgniter 4 dan diimplementasikan di SMK Ibrahimy 2 Sukorejo Situbondo merupakan tujuan dari penelitian ini. Research and development (R&D) menggunakan model waterfall merupakan proses yang digunakan. Prosesnya terdiri dari langkah-langkah berikut: pengumpulan persyaratan, desain persyaratan, implementasi (menggunakan kerangka kerja seperti PHP CodeIgniter 4, MySQL, dan Bootstrap), pengujian (baik fungsional maupun kegunaan), dan terakhir, penilaian oleh pengguna akhir. Menurut desain sistem, ada modul login multi-level yang memungkinkan admin, guru, dan siswa untuk masuk. Selain itu, ada fitur input kehadiran kelas setiap jam, rekap otomatis, dan kemampuan untuk mengekspor laporan dalam format PDF atau XLS. Menurut pengujian fungsional, semua fitur utama beroperasi seperti yang diharapkan. Menurut studi kegunaan, baik instruktur maupun administrator sangat puas dengan kesederhanaan penggunaan sistem dan kemampuannya untuk mengurangi waktu rekapitulasi. Artikel ini merinci arsitektur sistem, mengujinya, memberikan contoh ilustratif dari hasil pengujian, dan menyarankan cara untuk memperbaikinya.

Kata Kunci: kehadiran, CodeIgniter, sistem informasi sekolah, absensi web, R&D

The growing need for efficient and well-coordinated administrative structures amid shifting operational demands in the education sector has encouraged the development of digital management solutions. This study aims to develop an online attendance application built using the CodeIgniter 4 framework and implemented at SMK Ibrahimy 2 Sukorejo Situbondo. The research adopts a Research and Development (R&D) approach using the waterfall model, consisting of requirement collection, system design, implementation with PHP CodeIgniter 4, MySQL, and Bootstrap, followed by functional and usability testing, and final evaluation by end users.The system design includes a multi-level login module for administrators, teachers, and students; hourly class attendance input; automatic attendance recap; and export features for PDF and XLS reports. Functional testing shows that all core features operate as intended. Usability testing indicates high satisfaction among teachers and administrators regarding system simplicity and its effectiveness in reducing recap time. This article presents the system architecture, testing procedures, illustrative test results, and recommendations for future improvements. Konteks berikutnya dapat berlanjut pada penyempurnaan gaya penulisan atau struktur ilmiah agar selaras dengan standar publikasi lainnya.

Keywords: attendance, CodeIgniter, school information system, web attendance, R&D

Clustering Tingkat Kecanduan Media Sosial pada Mahasiswa Generasi Z Menggunakan Algoritma K-Means

Alvananta Farhan Maulana, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

This study analyzes and categorizes the degree of Generation Z students' addiction to social media using the K-Means algorithm. The daily life of a student is now synonymous with social media, especially among Generation Z, known as a digital native group with high levels of online interaction. A survey methodology was utilized in this study to capture data pertaining to different dimensions of social media habits, for instance, how often platforms are used, duration of online time, types of platforms used, and their impact on academic and social activities. Students were grouped according to their social media usage habits and behavioral traits using the K-Means algorithm. Data analysis verifies the existence ofseveral main clusters that describe low, medium, and high levels of addiction. These findings provide important insights for educational institutions and related parties in understanding patterns of social media addiction among students, thereby informing the creation of targeted educational programs to counteract the negative consequences of problematic social media consumption.

Keyword: Social Media Addiction, Generation Z Students, K-Means Clusterin

Penelitian ini menganalisis dan mengelompokkan tingkat kecanduan media sosial pada mahasiswa Generasi Z dengan menggunakan algoritma K-Means. Kehidupan sehari-hari siswa sekarang melibatkan media sosial, terutama Generasi Z yang dikenal sebagai kelompok digital native dengan tingkat interaksi tinggi di dunia maya. Dalam penelitian ini, Data dikumpulkan melalui survei yang mencakup elemen seperti frekuensi penggunaan media sosial, durasi waktu online, jenis platform yang digunakan, serta dampaknya terhadap aktivitas akademik dan sosial. Metode K-Means digunakan untuk mengelompokkan siswa berdasarkan pola penggunaan media sosial dan perilakunya terhadap media sosial. Hasil analisis menunjukkan bahwa ada beberapa klaster utama yang menunjukkan tingkat kecanduan rendah, sedang, dan tinggi. Temuan ini memberikan wawasan penting bagi lembaga pendidikan dan pihak terkait dalam memahami pola kecanduan media sosial di kalangan mahasiswa, serta menjadi dasar dalam penyusunan strategi edukatif untuk mengurangi efek negatif yang disebabkan oleh penggunaan media sosial yang berlebihan.

Kata Kunci: Kecanduan Media Sosial, Mahasiswa Generasi Z, K-Means Clustering.

E-Monitoring Hafalan Alfiyah Ibnu Malik Berbasis Web di MTs Salafiyah Syafi’iyah Putra

Mohammad Zainuddin, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penelitian ini bertujuan mengembangkan sistem e-monitoring berbasis web untuk memantau hafalan Alfiyah Ibnu Malik di MTs Salafiyah Syafi’iyah Putra. Permasalahan utama yang ditemukan adalah validasi hafalan yang masih dilakukan secara manual melalui tanda tangan guru di kitab siswa, sehingga rentan terjadi kecurangan, hilang, atau rusak. Penelitian ini dilaksanakan dengan menggunakan pendekatan kualitatif melalui desain studi kasus, yang melibatkan proses wawancara, observasi langsung, serta pengumpulan dokumen terkait. Temuan penelitian mengindikasikan bahwa penerapan sistem e-monitoring memberikan pencatatan hafalan yang jauh lebih presisi, mengurangi potensi kecurangan, mempercepat proses penyusunan rekap data, dan membantu guru dalam memantau perkembangan hafalan siswa secara lebih efektif. Sistem ini juga menghasilkan laporan otomatis yang dapat diakses oleh wali kelas, siswa, maupun pihak madrasah.

Kata Kunci: e-monitoring, hafalan, Alfiyah Ibnu Malik, sistem informasi, pendidikan pesantren.

This research aims to develop a web-based e-monitoring system to monitor the memorization progress of Alfiyah Ibnu Malik students at MTs Salafiyah Syafi’iyah Putra. The main problem lies in the manual validation process using teacher signatures on students' books, which is vulnerable to fraud and data loss. This study uses a qualitative case study approach through interviews, observations, and documentation. The results indicate that the system improves the accuracy of memorization records, prevents fraudulent validation, accelerates recap processes, and helps teachers monitor students’ progress efficiently. The system also generates automatic reports for teachers, students, and school authorities.

Keywords: e-monitoring, memorization, Alfiyah Ibnu Malik, information system, Islamic school.

Klasifikasi Level Stress Dengan Algoritma Naïve Bayes Menggunakan Rapidminer

Ahmad Afif Azmi, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Tujuan dari penelitian ini adalah untuk mengklasifikasikan Tingkat stress berdasarkan berbagai indicator psikologis, fisik, dan lingkungan menggunakan agoritma Naïve Bayes pada Rapidminer. Prevelensi gangguan Kesehatan mental dan kebutuhan metode deteksi dini yang akurat, cepat, dan tidak bergantung pada pengakuan subyektif individu. Dataset yang digunakan merupakan data Tingkat stress yang telah melalui tahapan-tahapan seperti data tranformasi, data selection, dan juga data cleaning. Proses pemodelan dilakukan dengan mengimplementasikan algoritma naïve bayes, sementara evaluasi model dilakuakn dengan memanfaatkan metrik penelinaian seperti Accuracy, precision, recall, dan melakukan anaisis dengan confusion matrix. Hasil penelitian menunjukan bahwa model menghasilkan akurasi sebesar 71,56% dengan recall yang sangat tinggi pada kelas mayoritas. Ini menujukan bahwa algoritma Naïve Bayes mampu meberikan performa klasifikasi yang cukup baik dalam memprediksi Tingkat stress hingga dapat digunakan sebagai pendekatan awal dalam sistem deteksi stress berbasis data.

Kata Kunci: klasifikasi level stress, Naïve Bayes, Data mining, Rapidminer

The purpose of this study is to classify stress levels based on various psychological, physical, and environmental indicators using the Naïve Bayes algorithm in Rapidminer. The prevalence of mental health disorders and the need for early detection methods that are accurate, fast, and independent of individual subjective recognition. The dataset used is stress level data that has gone through stages such as data transformation, data selection, and data cleaning. The modeling process is carried out by implementing the Naïve Bayes algorithm, while model evaluation is carried out by utilizing assessment metrics such as Accuracy, precision, recall, and analyzing with a confusion matrix. The results show that the model produces an accuracy of 71.56% with a very high recall in the majority class. This indicates that the Naïve Bayes algorithm is able to provide quite good classification performance in predicting stress levels so that it can be used as an initial approach in a data-based stress detection system.

Keywords: stress level classification, Naïve Bayes, Data mining, Rapidminer

Sistem Informasi Penggajian Karyawan Berbasis Web pada Pengadialan Negeri Situbondo

Lummatul Aisi aisi, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Perkembangan teknologi dan informasi yang pesat telah mendorong kebutuhan akan pemanfaatan teknologi informasi di berbagai sektor, termasuk instansi pemerintahan. Pengadilan Negeri Situbondo, sebagai lembaga penegak hukum, memiliki tugas kompleks yang memerlukan administrasi internal yang efisien, salah satunya adalah sistem penggajian pegawai. Saat ini, proses pengelolaan penggajian, termasuk pelaporan kehadiran dan kinerja, masih dilakukan secara manual, yang sering menimbulkan masalah ketidakakuratan data, waktu pengelolaan yang lama, dan potensi kesalahan perhitungan.

Sistem informasi penggajian berbasis web dirancang dan diimplementasikan menggunakan Model Waterfall untuk mengintegrasikan data kehadiran dan kinerja pegawai. Sistem yang dihasilkan menyediakan platform terpusat yang mampu memproses penggajian secara otomatis, cepat, dan akurat. Hasil evaluasi menunjukkan bahwa implementasi sistem ini berhasil mengurangi kesalahan pencatatan dan mempersingkat siklus pelaporan, sehingga meningkatkan transparansi dan efisiensi operasional secara keseluruhan. Penelitian ini menyimpulkan bahwa aplikasi web ini memberikan solusi yang efektif dan berkontribusi positif terhadap akuntabilitas administrasi kepegawaian di Pengadilan Negeri Situbondo.

Kata Kunci: Sistem Informasi, penggajian Karyawan, Berbasis Web, Pengadilan Negeri situbondo.

The rapid development of technology and information has driven the need for the utilization of information technology across various sectors, including government institutions. The Situbondo District Court, as a law enforcement agency, carries out complex tasks that require efficient internal administration, one of which is the employee payroll system. Currently, payroll management processes, including attendance and performance reporting, are still conducted manually, often resulting in data inaccuracies, lengthy processing times, and potential calculation errors.

The web-based payroll information system was designed and implemented using the Waterfall Model to integrate employee attendance and performance data. The resulting system provides a centralized platform capable of processing payroll automatically, quickly, and accurately. Evaluation results indicate that the implementation of this system successfully reduces recording errors and shortens reporting cycles, thereby enhancing overall operational transparency and efficiency. This study concludes that the web application offers an effective solution and contributes positively to administrative accountability in the Situbondo District Court.

Keywords: Information System, Employee Payroll, Web-Based, Situbondo District Court.

Implementasi Decision Tree Dalam Prediksi Penyakit Stroke Menggunakan Rapidminer

Ahmada Ilham Huzaini, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Di Indonesia, stroke merupakan faktor kritis yang berkontribusi terhadap mortalitas dan kecacatan di seluruh negeri. Prediksi dini terhadap risiko stroke menjadi penting untuk menekan angka kejadian dan meningkatkan kualitas hidup masyarakat. Penelitiaan ini bertujuan untuk mengimplementasikan algoritma decision tree dalam memprediksi penyakit stroke menggunakan aplikasi RapidMiner. Data yang digunakan berasal dari Kaggle yang mencakup atribut-atribut seperti usia, tekanan darah, status merokok, riwayat penyakit jantung, dan lainnya. Metode Decision Tree dipilih karena kemampuannya mengidentifikasi pola dari data dan menghasilkan model klasifikasi dalam bentuk struktur pohon yang mudah dipahami. Hasil pemodelan menunjukkan bahwa metode ini mampu memberikan prediksi risiko stroke yang cukup akurat dan dapat di manfaatkan sebagai alat bantu dalam deteksi dini oleh instansi kesehatan. Model akhir berupa pohon regresi memungkinkan prediksi nilai risiko stroke dalam bentuk numerik.

Kata Kunci: Decision Tree, Stroke, RapidMiner, Data Mining, Prediksi Penyakit.

Being a primary contributor to death and impairment of function in Indonesia, stroke necessitates early risk prediction to mitigate its incidence and enhance public health outcomes. This research implements a decision tree algorithm via RapidMiner to predict stroke risk, utilizing a Kaggle-sourced dataset containing attributes such as age, blood pressure, and medical history. Selected for its ability to discern data patterns and generate an interpretable model, the decision tree yielded a highly accurate predictive model. The resulting regression tree facilitates numerical stroke risk prediction, presenting a viable tool for early detection in healthcare contexts.

Keywords: Decison Tree, Stroke, RapidMiner, Data Mining, Desease Prediction.

Sistem Informasi Pelayanan (SKTM) Berbasis Web di Desa Banyuputih

Tilawatus Syarqiyah, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penyediaan Layanan penerbitan Surat Keterangan Warga Tidak Mampu (SKTM) di Desa Banyuputih masih bersifat manual, sehingga sering mengalami keterlambatan dan kurang efisien. Penelitian ini Membangun Sistem Informasi Berbasis Web dalam rangka meningkatkan efisiensi pendataan warga tidak mampu memberikan kemudahan warga dalam mengajukan SKTM secara online. Pengembangan sistem menggunakan kombinasi PHP dan MySQL sebagai teknologi back-end utama, dan dirancang untuk meningkatkan kecepatan, efesiensi, serta akurasi dalam pelayanan administrasi desa. Hasil implementasi menunjukkan sistem mampu mempercepat proses layanan, mengurangi beban kerja Aparatur desa, serta mempercepat proses akses untuk warga.

Kata Kunci: SKTM, Sistem layanan masyarakat desa, Website,PHP. MySQL

"The provision of services for issuing the Certificate of Indigence (Surat Keterangan Tidak Mampu / SKTM) in Banyuputih Village is still manual, which often leads to delays and inefficiency. This research aims to develop a Web-Based Information System to enhance the efficiency of data collection for indigent residents and provide convenience for citizens to submit their SKTM applications online. The system development utilizes a combination of PHP and MySQL as the primary back-end technologies, and is designed to improve the speed, efficiency, and accuracy of village administrative services. The results of the implementation demonstrate that the system is capable of accelerating the service process, reducing the workload of village officials (Aparatur Desa), and speeding up the access process for citizens."

Keywords: SKTM, Village Community Service System, Website,PHP,MySQL

Klasifikasi Harga Handphone Menggunakan Algoritma Decision Tree

Ahmad Farissul Haq, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Perkembangan teknologi smartphone yang cepat menghasilkan banyak variasi merek dan spesifikasi, yang membuat harga handphone sangat bervariasi. penelitian ini bertujuan untuk mengklasifikasikan harga handphone berdasarkan fitur-fitur seperti RAM, memori intertal, kamera, prosesor, dan merek menggunakan algoritma Decision Tree. Metode ini dipilih karna kemampuannya menentukan model klasifikasi yang mudah dipahami dan diinterpretasi. Dataset yang digunakan terdiri dari 64 data handphone yang telah diberi label harga yaitu ‘Murah, Sedang, Mahal’. Hasil klasifikasi menunjukan tingkat akurasi sebesar 97%, model yang dihasilkan dapat membantu konsumen serta penjual dalam memahami segmentasi pasar smartphone.

Kata Kunci: Data Mining, Decision Tree, Klasifikasi, Harga Handphone.

The rapid development of smartphone technology has resulted in various brands and specefications, cousing price diversity. This study aims to classify smartphone prices based on features such as RAM, internal memory, camera, processor, and brand using the Decision Tree algorithm. This method was chosen for its ability to build interpretble clasification models. The dataset consists of 64 smartphone records labeled by price (low, Medium, High). the clasifacation achieved an accuracy of 97%, and the resulting model helps consumers and sellers understand smartphone market segmentation.

Keywords: Data Mining, Decision Tree, Classification, Smartphone Price

Penerapan Metode Asosiasi Menggunakan Algoritma Apriori pada Penjualan Buku dan Majalah

Putri Ghina Ardhika, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Dalam sektor perdagangan dan ritel, data merupakan hal yang sangat penting terutama di era digital. Data transaksi penjualan terus meningkat, tetapi banyak bisnis masih belum menggunakannya untuk pengambilan keputusan. Penelitian ini melihat algoritma Apriori dalam analisis data penjualan buku dan majalah untuk menemukan pola pembelian yang tersembunyi. Dengan menggunakan teknik data mining, khususnya metode asosiasi, algoritma ini juga dapat menemukan jenis buku yang sering dibeli bersamaan dan membantu dalam pengambilan keputusan strategis seperti mengatur katalog dan merencanakan kampanye pemasaran. Tujuan dari penelitian ini adalah untuk mendapatkan pemahaman yang lebih baik tentang algoritma Apriori dan pola pembelian yang tersembunyi. Hasil analisis ini dapat meningkatkan dampak penjualan dan membangun lingkungan bisnis yang memperhatikan permintaan pelanggan. penelitian ini juga tidak hanya memberikan wawasan tentang penggunaan metode asosiasi dalam analisis data penjualan tetapi juga menawarkan solusi kreatif untuk meningkatkan dampak penjualan dan menciptakan ekosistem bisnis yang lebih cerdas dan responsif terhadap kebutuhan pelanggan. Penerapan metode ini menjadi semakin relevan dalam konteks data-driven decision making di sektor perdagangan buku dan majalah di Indonesia.

Kata Kunci: Data Mining, Metode Asosiasi, Algoritma Apriori, Pola Pembelian, Buku dan Majalah

In the trade and retail sector, data is crucial,especially in the digital era. Sales transaction data continues to increase, but many businesses still don’t utilize it for decision-making. This study examines the apriori algorithm in analyzing book and magazine sales data to uncover hidden purchasing patterns. Using data mining techniques, specifically association methods, this algorithm can also identify types of books frequently purchased together and assist in strategic decision-making such as catalog organization and marketing campaign planning. A better understanding of the Apriori algorithm and hidden purchasing patterns is the goal of this research. The results of this analysis can improve sales impact and build a business environment that is responsive to customer demand. This study not only shows how to use association techniques in sales data analysis, but it also offers innovative ideas to increase sales impact and build a business ecosystem that is more intelligent and responsive to what customers want. The application of this method is becoming increasingly relevant in the context of data-driven decision-making in the book and magazine trade sector in Indonesia.

Keywords : Data Mining, Association Method, Apriori Algorithm, Purchasing Patterns, Books and Magazines

Analisis Klasifikasi Kinerja Penanganan COVID-19 Provinsi di Indonesia dengan Decision Tree C4.5

Abd. Moeqshit, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Pandemi Penyakit Coronavirus 2019 (COVID-19) telah menciptakan tantangan yang sangat besar dan rintangan signifikan bagi seluruh sistem perawatan kesehatan di negara ini, yang membutuhkan penilaian efektivitas manajemen di berbagai bidang. Studi ini berupaya untuk memeriksa dan membuat kerangka klasifikasi untuk menilai seberapa baik provinsi-provinsi di Indonesia telah mengelola COVID-19, membagi kinerja ke dalam kategori seperti Baik, Rata-rata, dan Buruk, Dengan mengandalkan metode Data Mining dan algoritma C4.5. Data sekunder yang digunakan mencakup variabel yang terkait dengan infeksi yang dikonfirmasi, pemulihan, dan kematian, yang kemudian dikonversi menjadi metrik kinerja vital seperti Case Fatality Rate (CFR) dan Recovery Rate (RR). Untuk mengukur performa, Model C4.5 diuji menggunakan ꞣ-fold cross-validation. Hasilnya, model klasifikasi ini menunjukkan Akurasi yang signifikan sebesar 95.60%, angka yang menguatkan keandalan serta efektivitas model tersebut. Analisis pohon keputusan mengungkapkan bahwa CFR dan RR adalah atribut yang paling penting dan berfungsi sebagai faktor utama (simpul akar) dalam membedakan kinerja provinsi. Model ini memberikan pedoman klasifikasi eksplisit yang dapat digunakan sebagai dasar bagi pemerintah daerah dan organisasi kesehatan untuk memprioritaskan kebijakan pada elemen yang berdampak langsung pada angka kematian dan tingkat pemulihan, yang pada akhirnya meningkatkan efisiensi penanganan COVID-19.

Kata Kunci: COVID-19, Klasifikasi, Decision Tree C4.5, Kinerja Penanganan, Case Fatality Rate (CFR).

The Coronavirus Disease 2019 (COVID-19) pandemic has created immense challenges and significant hurdles for the entire healthcare system across the country, necessitating an assessment of management effectiveness in various areas. This study seeks to examine and establish a classification framework to evaluate how well Indonesian provinces have managed COVID-19, dividing performance into categories such as Good, Average, and Poor, by relying on Data Mining methods and the C4.5 algorithm. The secondary data used includes variables related to confirmed infections, recoveries, and deaths, which were then converted into vital performance metrics like the Case Fatality Rate (CFR) and Recovery Rate (RR). To measure performance, the C4.5 Model was tested using ꞣ-fold cross-validation. Consequently, the classification model demonstrated a significant Accuracy of 95.60%, a figure that reinforces the model's reliability and effectiveness. The decision tree analysis revealed that CFR and RR are the most critical attributes and serve as the major factors (root nodes) in differentiating provincial performance. This model provides explicit classification guidelines that can be used as a basis for local governments and health organizations to prioritize policies on elements that directly impact mortality and recovery rates, ultimately improving the efficiency of COVID-19 handling.

Keywords: COVID-19, Classification, Decision Tree C4.5, Handling Performance, Case Fatality Rate (CFR).

Klasifikasi Komentar YouTube pada Video Pembelajaran Bahasa Inggris Menggunakan Naïve Bayes Classifier (NBC)

Eny Itsnainy Agustin, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Perkembangan teknologi informasi yang pesat telah menempatkan platform YouTube sebagai sumber utama untuk memperoleh informasi dan pendidikan, khususnya dalam konteks pembelajaran bahasa Inggris, yang menghasilkan volume umpan balik pengguna yang besar dalam bentuk komentar. Tujuan penelitian ini adalah menganalisis dan mengklasifikasikan sentimen (Positif, Negatif, dan Netral) dari 50.954 komentar pada video pembelajaran bahasa Inggris di YouTube dengan mengaplikasikan algoritma Naïve Bayes Classifier (NBC). Metode penelitian kuantitatif ini melibatkan tahapan text mining yang komprehensif, mulai dari preprocessing data, pelabelan otomatis menggunakan VADER Sentiment Analyzer, hingga pembentukan matriks fitur (confusion matrix) dengan TF-IDF. Hasil evaluasi kinerja model NBC menunjukkan Akurasi Keseluruhan sebesar 84%. Walaupun akurasi tinggi, ditemukan adanya ketidakseimbangan kelas (class imbalance) yang signifikan, dengan sentimen Netral mendominasi (56.34%). Analisis metrik per kelas mengungkapkan bahwa model lemah dalam mengklasifikasikan sentimen Negatif (memiliki Recall 0.41), dengan 313 komentar Negatif salah diprediksi sebagai Positif. Penelitian menyimpulkan bahwa NBC merupakan solusi valid dan efektif, namun disarankan untuk mengaplikasikan teknik penanganan class imbalance pada studi mendatang guna meningkatkan kemampuan deteksi sentimen Negatif, yang merupakan umpan balik penting untuk peningkatan kualitas konten.

Kata Kunci: Analisis Sentimen, Naïve Bayes Classifier, YouTube, Pembelajaran Bahasa Inggris, Class Imbalance

The rapid development of information technology has positioned YouTube as a primary platform for accessing information and education, particularly within the context of English language learning, which generates a substantial volume of user feedback in the form of comments. This research aims to analyze and classify the sentiments (Positive, Negative, and Neutral) of 50,954 comments on English learning videos on YouTube using the Naïve Bayes Classifier (NBC) algorithm. This quantitative research employs a comprehensive text mining workflow, including data preprocessing, automated labeling using the VADER Sentiment Analyzer, and feature matrix construction with TF-IDF. The performance evaluation of the NBC model shows an overall accuracy of 84%. Despite this high accuracy, a significant class imbalance was identified, with Neutral sentiment dominating (56.34%). Class-wise metric analysis reveals that the model underperforms in classifying Negative sentiment (with a Recall of 0.41), where 313 Negative comments were misclassified as Positive. This study concludes that NBC serves as a valid and effective approach; however, it is recommended that future research incorporate class imbalance handling techniques to enhance the detection of Negative sentiment, which provides essential feedback for improving content quality.

Keywords: Class Imbalance, English Language Learning, Naïve Bayes Classifier, Sentiment Analysis, YouTube

Sistem Informasi Data Acara Kegiatan PROKOPIM (Protokol dan Komunikasi Pimpinan) Berbasis Mobile Di Pemkab Bondowoso

Irma Siftiana, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Kemajuan teknologi informasi saat ini menekan organisasi dan instansi agar mampu merespon perubahan dengan cepat, bekerja secara efisien, serta mengelola proses operasional secara terintegrasi. PROKOPIM Bondowoso memiliki beragam aktivitas yang membutuhkan pengelolaan data secara sistematis dan tepat waktu. Namun, proses pencatatan kegiatan masih dilakukan secara manual melalui Microsoft Office Excel, sehingga berpotensi menimbulkan ketidakakuratan data serta membutuhkan durasi yang cukup panjang. Oleh karena itu, penelitin ini diarahkan pada perancangan sistem informasi data acara kegiatan PROKOPIM berbasis mobile, Proses pencatatan dan pengelolaan data dapat dilakukan secara real-time, sehingga memudahkan efisiensi kerja, serta memperkuat transparansi dan akuntabilitas dalam pelaksanaan kegiatan pemerintahan. Hasil perancangan menunjukkan bahwa sistem berbasis mobile ini dapat meningkatkan efisiensi kerja, memperbaiki alur komunikasi antar bagian, serta mendukung transparansi dan akuntabilitas kegiatan di lingkungan Pemkab Bondowoso. Dengan adanya sistem ini, diharapkan pelayanan pemerintahan dapat berjalan lebih modern, efisien, serta sejalan dengan perkembagan teknologi informasi masa kini. Sistem informasi berbasis mobile yang di rancang untuk PROKOPIM Pemerintah Kabupaten Bondowoso diharapkan mampu meningkatkan efektivitas pengelolaan data acara dan kegiatan, sekaligus mendukung koordinasi antar pihak terkait secara lebih terintegrasi.

Kata Kunci: Sistem Informasi, Mobile, PROKOPIM, Pemerintah Daerah, Efisiensi Kerja.

Currently, the advancement of information technology requires every institution to operate more quickly, efficiently, and in an integrated manner. The Protocol and Leadership Communication Division (PROKOPIM) of the Bondowoso Regency Government manages various activities that demand systematic and timely data management. However, the recording of activities is still carried out manually using Microsoft Office Excel, which often leads to data inaccuracies and consumes considerable time.This study focuses on designing a mobile-based Information System for PROKOPIM events and activities, aimed at supporting more effective, faster, and integrated management processes. The system is designed to store, display, and update activity data in real time, enabling all stakeholders to access information more conveniently through smartphones. The design results indicate that the mobile-based system can improve work efficiency, streamline communication across divisions, and enhance transparency and accountability in the Bondowoso Regency Government’s activities. With the implementation of this system, government services are expected to become more modern, efficient, and aligned with current technological developments. The mobile information system developed for PROKOPIM is anticipated to increase the effectiveness of event and activity data management while strengthening coordination among related parties.

Keywords: Information System, Mobile, PROKOPIM, Local Government, Work Efficiency.

Mendeteksi Curah Hujan Ekstrem sebagai Upaya Mitigasi Banjir Menggunakan Algoritma K-Means

Rendi Aldiansyah, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Pengelompokan informasi cuaca berdasarkan variasi suhu dan curah hujan melalui pendekatan K-Means Clustering merupakan suatu langkah krusial untuk memahami perubahan iklim di daerah Bogor. Dalam konteks perubahan iklim dan peningkatan risiko bencana hidro-meteorologi, identifikasi pola iklim menjadi sangat diperlukan untuk mendukung perencanaan mitigasi dan adaptasi. Dataset yang digunakan dalam penelitian ini mencakup atribut-atribut seperti suhu maksimum, suhu minimum, curah hujan harian, jumlah hari hujan, serta parameter temporal seperti bulan dan tahun pengamatan. Data tersebut melalui proses pembersihan, normalisasi, dan transformasi agar siap dianalisis menggunakan algoritma K-Means. Hasil pengelompokan menunjukkan adanya dua kelompok utama kondisi iklim dengan karakteristik yang berbeda. Kelompok pertama menggambarkan periode dengan curah hujan tinggi dan suhu relatif rendah, sedangkan kelompok kedua menunjukkan pola curah hujan lebih rendah disertai suhu udara yang lebih hangat. Temuan ini memberikan wawasan penting mengenai variasi iklim lokal, serta dapat dimanfaatkan oleh pihak terkait untuk menyusun strategi mitigasi bencana, pengelolaan ruang terbuka hijau. Dengan adanya pengelompokan ini, diharapkan pemerintah daerah maupun lembaga terkait dapat memahami struktur pola iklim secara lebih komprehensif dan meningkatkan kesiapsiagaan terhadap potensi kejadian iklim ekstrem.

Kata Kunci: Algoritma K-Means Clustering, RapidMiner, Curah Hujan, Pembelajaran Mesin.

Clustering climate data based on air temperature and rainfall variation patterns using the K-Means Clustering method is a crucial step in understanding climate dynamics in the Bogor region. Regarding climate change and the increasing risk of hydro-meteorological disasters, identifying climate patterns is crucial to support mitigation and adaptation planning. The dataset used in this study includes attributes such as maximum temperature, minimum temperature, daily rainfall, number of rainy days, and temporal parameters such as month and year of observation. The data underwent a cleaning, normalization, and transformation process to prepare it for analysis using the K-Means algorithm. The clustering results indicate two main clusters of climate conditions with distinct characteristics. The first cluster describes periods with high rainfall and relatively low temperatures, while the second cluster shows a pattern of lower rainfall accompanied by warmer air temperatures. These findings provide important insights into local climate variations and can be utilized by relevant parties to develop disaster mitigation strategies, manage green open spaces, and develop More climate-adaptive spatial planning. With this clustering, it is hoped that local governments and related institutions can understand the structure of climate patterns more comprehensively and improve preparedness for potential extreme climate events.

Keywords: K-Means Algorithm, RapidMiner, rainfall, Machine learning.

Analisis Kinerja dan Akurasi Algoritma K-Nearest Neighbor Pada Dataset Heart Disease

Mohammad Hadi Sujatmiko, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Since heart disease is the world's largest cause of mortality, early identification is crucial. This research assesses how effectively the KNN algorithm classifies data on heart disease. With k = 3 and an 80:20 split between training and test data, supervised learning was employed. The target function served as the classification label for the Heart Disease Dataset, which includes characteristics associated with heart disease. RapidMiner software was used for the analytical procedure, which included data splitting, normalization, application of the KNN model, and making use of a confusion matrix to assess the model's performance. According to the findings, the KNN algorithm produced a weighted mean recall of 95.00%, a weighted mean precision of 96.15%, a classification error of 4.55%, and an accuracy of 95.45%. These findings support the notion that the KNN algorithm is highly accurate and dependable in identifying possible cardiac problems.

Keywords: heart disease, K-Nearest Neighbor, data mining, accuracy, classification.

Penyakit jantung, penyebab kematian tertinggi di dunia, memerlukan diagnosis cepatTujuan dari studi ini adalah untuk mengevaluasi tingkat akurasi algoritma KNN. dalam mengklasifikasikan data yang berkaitan dengan penyakit jantung. Metode pengajaran supervisi digunakan, dengan parameter k = 3, dan rasio pembagian data pengajaran dan pengujian sebesar 80:20. Dataset yang digunakan berasal dari Dataset Penyakit Jantung, yang mengandung atribut terkait diagnosis penyakit jantung dengan label klasifikasi target. Proses analisis dilakukan melalui perangkat lunak RapidMiner. Ini mencakup proses split data, normalisasi fase, penerapan model KNN, dan evaluasi kinerja model confusion matriks kekacauan. Menurut hasil penelitian, algoritma KNN memiliki nilai akurasi 95,45%. kesalahan klasifikasi sebesar 4,55%, keakuratan rata-rata rata-rata sebesar 95,00%, dan keakuratan rata-rata rata-rata sebesar 96,15%. Hasil ini menunjukkan algoritma KNN memiliki tingkat akurasi hampir sempurna dan cukup andal untuk deteksi potensi dari dataset yang digunakan.

Kata Kunci: klasifikasi, penyakit jantung, data mining, K-Nearest Neighbor, akurasi.

Analisis Opini Publik di YouTube terhadap Pemindahan Ibu Kota Negara Menggunakan Metode Naïve Bayes

Roy Hamdan, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Pemindahan pusat pemerintahan nasional dari DKI Jakarta ke wilayah Kalimantan Timur telah memicu beragam tanggapan publik, menjadikannya isu strategis yang penting untuk dianalisis. Studi ini dilaksanakan untuk mengkaji kecenderungan sentimen masyarakat Indonesia mengenai berbagai pandangan yang muncul terkait isu tersebut pembangunan IKN melalui data komentar yang diambil dari platform YouTube. Analisis sentimen kebijakan publik ini Menjadi hal yang krusial untuk menggali bagaimana pandangan publik terhadap fungsi yang dimaksud strategis IKN sebagai sentra aktivitas pemerintahan, perekonomian, serta budaya. Kajian ini menggunakan pendekatan Data Mining dengan menerapkan algoritma klasifikasi Naïve Bayes. Proses dimulai dengan mengumpulkan 700 baris data komentar yang mengandung 8 atribut, yang kemudian dipisahkan digunakan sebagai sekitar 80% bagian untuk data pelatihan (560 komentar) serta dialokasikan sekitar 20% sebagai data untuk pengujian. Data pra-pemrosesan (pre-processing) dilakukan untuk memastikan kualitas data sebelum model Naïve Bayes dibangun menggunakan perangkat lunak RapidMiner. Model Naïve Bayes dipilih karena meskipun berasumsi independensi fitur yang sederhana, metode ini kerap menghasilkan keluaran klasifikasi tepat serta efektif., terutama didalam pengolahan teks. Hasil pengumpulan data menunjukkan distribusi sentimen yang cukup berimbang, terdiri dari 236 komentar positif, 248 komentar negatif, dan 216 komentar netral, dengan sedikit dominasi opini negatif. Kinerja model Naïve Bayes kemudian diuji menggunakan 352 sampel dari testing set. Hasil evaluasi, yang disajikan melalui Matriks Konfusi dan metrik kinerja, menjadi dasar penilaian kualitas prediksi model. Studi ini berhasil memanfaatkan metode Naïve Bayes dalam melakukan proses klasifikasi opini publik IKN, menunjukkan bahwa algoritma berbasis probabilitas ini efektif dalam menganalisis sentimen dari data media sosial

Kata Kunci: Analisis Opini Publik di YouTube terhadap Pemindahan pusat Ibu Kota Negara, Naïve bayes, Klasifikasi , Data Mining , RapidMiner

Relocation of the National Capital (IKN) from its previous area DKI from Jakarta to the East Kalimantan region has triggered various public responses, making it a critical strategic issue for analysisThis study seeks to analyze public sentiment in Indonesia regarding opini publik regarding IKN development using comment data collected from the YouTube platform. This public policy sentiment analysis is crucial for understanding the community's perception of IKN's strategic role as a center of governance, economy, and culture. The research employs a Data mining approach by utilizing the Naïve Bayes classification algorithm. process began with collecting 700 rows of comment data containing 8 attributes, which were then separated into 80% parts for training data (560 comments) and 20% testing data. Data pre-processing was performed to ensure data quality before the Naïve Bayes model was built using the RapidMiner software. The Naïve Bayes model was chosen because, despite its simple assumption of feature independence, it often provides accurate and efficient classification results, particularly in text processing. The data collection results showed a relatively balanced sentiment distribution, consisting of 236 positive, 248 negative, and 216 neutral comments, with a slight dominance of negative opinions. The performance of the Naïve Bayes model was subsequently tested using 352 samples from the testing set. The evaluation results, presented through the Confusion Matrix and performance metrics, served as the basis for assessing the model's prediction quality. This study successfully implemented Naïve Bayes to classify public opinion on IKN, demonstrating that this probability-based algorithm is effective in analyzing sentiment from social media data

Kata Kunci: Public Opinion Analysis on YouTube regarding the Relocation of the National Capital, Naïve Bayes, Classification, Data Mining, RapidMiner

Klasifikasi Risiko Stroke Menggunakan Metode Decision Tree pada Healthcare Dataset Stroke Data

Mahattir Rahman Muhammad, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Artikel ini menguraikan tahapan penggunaan algoritma Decision Tree guna membangun model prediktif untuk klasifikasi status pekerjaan menggunakan atribut usia dan level glukosa rata-rata sebagai variabel prediktor. Fokus utama adalah pada tantangan ketidakseimbangan kelas dalam data sosial dan kesehatan, yang mempengaruhi performa model dalam mengidentifikasi kelas minoritas. Dalam era Big Data, data mining dan machine learning memungkinkan ekstraksi pola dari data kompleks, tetapi sering kali bias terhadap kelas mayoritas terjadi. Oleh karena itu, proses pra-pemrosesan data yang meliputi teknik penanganan ketidakseimbangan seperti SMOTE penting dilakukan sebelum pembangunan model. Model yang dibangun menggunakan perangkat lunak RapidMiner Studio divalidasi melalui Cross Validation 10-Fold guna memastikan generalisasi dan mengurangi risiko overfitting. Hasil evaluasi menunjukkan bahwa meskipun Decision Tree mampu menghasilkan model interpretatif dan cukup akurat, performa pada kelas minoritas masih rendah akibat ketidakseimbangan data, tercermin dari rendahnya nilai Recall. Penggunaan teknik balancing data seperti SMOTE terbukti meningkatkan Recall dan keadilan model, menghasilkan prediksi yang lebih seimbang dan adil. Temuan ini menegaskan pentingnya penanganan ketidakseimbangan data dalam membangun model klasifikasi yang handal serta sebagai panduan pengembangan metode klasifikasi yang lebih efektif dalam bidang sosial dan kesehatan.

Kata Kunci: Decision Tree, Ketidakseimbangan, Data Mining, Klasifikasi, Kesehatan

This article describes the stages of using the Decision Tree algorithm to build a predictive model for occupational status classification using age and average glucose level attributes as predictor variables. The main focus is on the challenge of class imbalance in social and health data, which affects the model's performance in identifying minority classes. In the Big Data era, data mining and machine learning enable pattern extraction from complex data, but often bias towards the majority class occurs. Therefore, data preprocessing processes that include imbalance handling techniques such as SMOTE are important before model development. The model built using RapidMiner Studio software was validated through 10-Fold Cross Validation to ensure generalization and reduce the risk of overfitting. The evaluation results show that although Decision Tree is capable of producing interpretive and fairly accurate models, its performance on minority classes is still low due to data imbalance, reflected in the low Recall value. The use of data balancing techniques such as SMOTE has been shown to improve model Recall and fairness, resulting in more balanced and fair predictions. These findings emphasize the importance of handling data imbalance in building reliable classification models and serve as a guide for developing more effective classification methods in the social and health fields.

Keyword: Decision Tree, Imbalance, Data Mining, Classification, Health

Implementasi Algoritma C4.5 dalam Mengklasifikasi Tingkat Kepuasan Konsumen E-Commerce Berdasarkan Ulasan Online

Egi Gusnandi Pratama, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Tujuan dari studi ini adalah untuk mengimplementasikan algortima C4.5 decision tree guna melakukan klasifikasi terhadap tingkat kepuasan pelanggan, yang diestrak dari data teks ulasan online di platform e-commerce. Salah satau cara penting untuk mengetahui seberapa baik produk atau layanan memenuhi harapan atau layanan memenuhi harapan pelanggan adalah dengan menentukan tingkat kepuasan pelanggan, namun penjual saat ini hanya mengetahui kepuasan dari komentar dan rating saja. Metode penelitian ini menggunakan teknik data mining yang diimplementasikan melalui software Altair AI Studio 2025. Dataset ulasan pelanggan dari Kaggle, dataset dipartisi menjadi data pelatihan dan data pengujian dengan proporsi 70:30. Hasil evaluasi model menunjukkan efektif dan menghasilkan akurasi sebesar 99.13%. pohon keputusan yang terbentuk mengidentifikasi bahwa atribut utama yang memengaruhi sentimen adalah Customer Rating dengan nilai ambang 3.500. untuk rating di atas 3.500, sentimen selanjutnya ditentukan oleh atribut emotion, di mana emosi Happy dan Love menghasilkan sentimen positif. Hasil klasifikasi yang sistematis ini dapat dimanfaatkan oleh perusahaan untuk mendukung pengambilan keputusan strategis, meningkatkan kualitas layanan, dan memperbaiki aspek yang menjadi keluhan pelanggan guna meningkatkan daya saing bisnis e-commerce.

Kata Kunci: Algoritma C4.5, Decision Tree, Kepuasan Pelanggan, E-Commerce

This research aims to classify the level of e-commerce client happiness based on online reviews using the implementation of the decision tree model based on the C4.5 Algorithm. Customer satisfaction is a key measure for evaluating how well expectations for a product for a service are met, though sellers currently only gauge satisfaction from comments and ratings. The research method utilizes data mining techniques implemented through the Altair AI Studio 2025 software. The customer review dataset obtained from Kaggle, A division of the dataset was performed, creating training and testing subsets by employing a 70:30 split. The classification results indicate that the C4.5 model is effective and yields an accuracy of 99.13%. the resulting decision tree identifies the primary attribute influencing sentiment as Customer Rating with a threshold value of 3.500. for ratings above 3.500, the sentiment is further determined by the Emotion attribute, where emotions such as Happy and Love lead to positive sentiment. This systematic classification result can be utilized by companies to support strategic decision-making, enhance service quality, and address complaints, thereby improving the competitiveness of the e-commerce business.

Keywords: C4.5 Algorithm, Decision Tree, Customer Satifaction, E-Commerce

Klasifikasi Kemiskinan Menggunakan Metode Decision Tree Pada Rapidminer

Muhammad Nur Alif Haqiqi, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Kemiskinan adalah salah satu isu sosial yang masih menjadi tantangan di Indonesia, khususnya dalam hal pembagian bantuan sosial yang seharusnya diterima dengan layak menjadi tidak tepat. Penelitian ini memiliki tujuan untuk mengategorikan kondisi kemiskinan isi rumah dengan metode Pohon Keputusan yang dihasilkan dari pengolahan data. Prosedur dilakukan melalui serangkaian langkah pengolahan data, pemilihan atribut dengan menggunakan algoritma genetika, pengembangan model klasifikasi, serta penilaian hasil menggunakan perangkat lunak Rapidminer Studio. Data yang digunakan dari berbagai atribut sosial ekonomi seperti pendidikan, jumlah tanggungan, kepemilikan aset, dan kondisi tempat tinggal. Hasil penelitian membuktikan bahwa algoritma Decision Tree mampu menghasilkan model klasifikasi yang sangat akurat serta mudah dipahami melalui representasi pohon keputusan. Atribut energocinar2 dan overcrowding memiliki kontribusi signifikan terhadap hasil klasifikasi, sementara itu klasifikasi atribut seperti hacapo menampakkan pengaruh yang lebih rendah. Temuan ini membuktikan bahwa metode Decision Tree sangat efektif dalam mengelompokkan data serta mengidentifikasi variabel-variabel penting. Model ini berguna diterapkan sebagai penolong dalam mengambil keputusan final saat penentuan penerima bantuan sosial agar lebih menguntungkan kepada khalayak umum yang memang berhak untuk menerima

Kata Kunci: Klasifikasi , Kemiskinan , Data Mining , Decision Tree , Seleksi Atribut

Poverty is a social issue that remains a challenge in Indonesia, particularly in terms of the inaccurate distribution of social assistance. This study aims to categorize household poverty using the Decision Tree method, which is generated from data processing. The procedure involves a series of data processing steps, attribute selection using a genetic algorithm, classification model development, and evaluation of the results using Rapidminer Studio software. The data used were from various socioeconomic attributes such as education, number of dependents, asset ownership, and housing conditions. The results demonstrate that the Decision Tree algorithm is capable of producing a highly accurate and easily understood classification model through a decision tree representation. The energocinar2 and overcrowding attributes significantly contributed to the classification results, while classification attributes such as hacapo showed a lesser influence. These findings demonstrate that the Decision Tree method is highly effective in grouping data and identifying important variables. This model is useful for assisting in making final decisions when determining social assistance recipients to better benefit the general public who are truly entitled to receive it.

Kata Kunci: Classification, Poverty, Data Mining, Decision Tree, Attribute Selection

Penerapan Metode Random Forest Untuk Klasifikasi Kelulusan Mahasiswa Tepat Waktu di Pondok Pesantren Salafiyah Syafi'iyah

Lisa Muhfidha, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Timely graduation is one of the main indicators used to evaluate how effectively a higher education system operates. The Salafiyah Syafi'iyah Islamic Boarding School, which integrates the formal education system with pesantren tradition, experiences particular challenges in ensuring students graduate according to schedule, as they must balance academic requirements with rigorous religious and community programs. This research implements the Random Forest algorithm to classify student graduation outcomes based on past data containing attributes such as GPA, skill assessments, educational background, community service, and student identity. The method was selected due to its capacity to process complex datasets, its resistance to overvitting, and its usefulness in identifying the relative significance of each predictor variable. The modeling process was executed in RappidMinner Studio, covering stages of data cleaning, model training, and evaluation. The analysis show that GPA contributes the most to predicting timely graduation (Weight =0.4), followed by school background and community service (each 0.3). the resulting decision tree indicates that students with a GPA above 2.85 are most likely to graduate on time. The developed model can function as a decision-support System, helping educators detect students who may face delays in graduation and enabling timely interventions such as personalized guidance or mentoring sessions.

Keywords: Random Forest, Classification, Timely Graduation, Data Mining, Islamic Boarding School

Ketepatan waktu kelulusan mahasiswa merupakan indikator penting dalam menilai efektivitas suatu sitem pendidikan tinggi. Pondok pesantren Salafiyah Syafi’iyah yang memadukan sistem formal dengan nilai-nilai kepesantrenan, menghadapi tantangan tersendiri dalam memastikan mahasiswa dapat lulus tepat waktu. Hal ini karena santri harus menyeimbangkan antara penyelesaian beban akademik dengan berbagai kegiatan pesantren yang padat. Penelitian ini menerapkan metode Random Forest untuk mengklasifikasikan status kelulusan mahasiswa berdasarkan data historis yang mencakup atribut sepeti Indeks Prestasi Kumulatif (IPK), Keterampilan Kelulusan, asal Madrasah, kegiatan Pengabdian Masyarakat, dan Nama mahasiswa. Metode Random Forest dipilih karena kemampuannya dalam mengelolah data berdimensi tinggi, tahan terhadap overfitting, serta mampu mengidentifikasi tingkat kepentingan setiap variabel. Proses klasifikasi dilakukan menggunakan RapidMiner Studio, melalui tahapan praproses data, pembentukan model, dan evaluasi performa. Hasil penelitian menunjukkan bahwa IPK merupakan faktor paling dominan dengan bobot tertinggi (0.4) dalam menentukan kelulusan tepat waktu, diikutioleh Madrasah dan Pengabdian dengan bobot masing-masing 0.3. Visualisasi pohon keputusan menunjukkan threshold IPK > 2.850 sebagai titik percabangan utama. Model yang dihasilkan dapat digunakan sebagai sistem pendukung keputusan untuk identifikasi dini mahasiswa berisiko terlambat lulus, memungkinkan institusi memberikan intervensi akademik yang tepat seperti bimbingan intensif dan pendampingan khusus untuk meningkatkan tingkat kelulusan tepat waktu.

Kata Kunci: Random Forest, Klasifikasi, Kelulusan Tepat Waktu, Data Mining, Pondok Pesantren

Clustering Data Penyakit Jantung Menggunakan K-MEANS dalam Sistem Informasi Kesehatan

Farizal Maulana Sopyan, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Pada kesempatan ini penelitian bertujuan untuk mengklasifikasikan data penyakit kardiovaskular menggunakan algoritma k-means dan mengintegrasikan hasilnya ke dalam sistem informasi kesehatan. Salah satu tantangan terbesar dalam pelayanan kesehatan adalah meningkatnya jumlah data pasien yang tidak dimanfaatkan secara optimal untuk analisis risiko. Setelah pra-pemrosesan, data dibersihkan dan dinormalisasi untuk klasifikasi. Jumlah kelompok ideal ditentukan menggunakan metode k-means, dan tiga kelompok risiko utama – rendah, sedang, dan tinggi – diidentifikasi. Klasifikasi ini mengungkapkan bahwa setiap kelompok memiliki karakteristik klinis spesifik seperti tekanan darah, kadar kolesterol, detak jantung, dan faktor risiko lainnya. Hasil klasifikasi diintegrasikan ke dalam sistem informasi kesehatan untuk menyediakan representasi visual bagi tenaga kesehatan untuk analisis risiko pasien. Studi ini menunjukkan efektivitas k-means dalam mengidentifikasi kelompok risiko penyakit kardiovaskular dan potensinya sebagai alat pendukung keputusan dalam sistem informasi kesehatan. Lebih lanjut, hasil ini membuka arah penelitian baru, seperti membandingkan berbagai metode klasifikasi dan mengembangkan sistem peringatan dini berbasis penambangan data.

Kata kunci : klasifikasi, k-means, penyakit kardiovaskular, penambangan data, sistem informasi Kesehatan

The goal of this research is to use the k-means algorithm to categorize cardiovascular disease data and incorporate the findings into a health information system. The growing volume of patient data that is not being used to its full potential for risk analysis is one of the largest issues facing the healthcare industry. The data was cleaned and normalized for categorization after preprocessing. The k-means approach was used to estimate the optimal number of clusters, and three primary risk groups—low, medium, and high—were identified. This classification revealed that each cluster has specific clinical characteristics such as blood pressure, cholesterol levels, heart rate, and other risk factors. The classification results were integrated into a health information system to provide healthcare professionals with a visual representation for patient risk analysis. This study demonstrates the effectiveness of k-means in identifying cardiovascular disease Risk clusters and their potential as a tool for decision-making in health information systems. Furthermore, these results open new research directions, such as comparing various classification methods and developing data mining-based early warning systems.

Keywords: classification, k-means, cardiovascular disease, data mining, health information system

Klasifikasi Jenis Kulit Manusia (Terang, Sawo Matang, Gelap) Berdasarkan Citra Digital Menggunakan Teachable Machine

Dwi Inayatul Fadila, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penelitian ini bertujuan untuk mengklasifikasikan jenis kulit manusia meliputi kategori terang, sawo matang, dan gelap berdasarkan citra digital dengan memanfaatkan platform Teachable Machine. Pengumpulan data dilakukan melalui platform pencarian gambar di internet seperti Goggle Images, Pinterest, dan beberapa situs terbuka lainnya dengan bantuan teknik web scraping. Data yang diperoleh kemudian melalui proses pembersihan untuk menghilangkan duplikasi serta menyaring citra sesuai kategori warna kulit. Model dilatih menggunakan parameter pelatihan yang telah disesuaikan untuk memperoleh kinerja opyimal. Evaluasi model dilakukan menggunakan confusion matrix, grafik akurasi, dan nilai loss untuk menilai performa klasifikasi pada masing-masing kelas. Hasil penelitian menunjukkan bahwa model mampu mengenali kelas kulit terang dan gelap dengan tingkat akurasi yang sangat tinggi, namun masih mengalami kesulitan dalam membedakan kulit sawo matang karena kemiripan karakteristik visual dengan kelas lainnya. Pengujian dilakukan melalui dua metode input, yakni citra sederhana dan citra kompleks secara real-time. Secara keseluruhan, penelitian ini menunjukkan bahwa Teachable Machine dapat digunakan sebagai solusi cepat dan praktis dalam melakukan klasifikasi warna kulit berbasis citra digital.

Kata kunci: klasifikasi citra, Teachable Machine, Web Scraping, Machine Learning

This study aims to classify human skin types into light, tan, and dark skin categories based on digital images using the Teachable Machine platform. Data collection was conducted through image search platforms on the internet such as Google Images, Pinterest, and several other open sites with the help of web scraping techniques. The obtained data then underwent a cleaning process to remove duplications and filter images according to skin color categories. The model was trained using adjusted training parameters to obtain optimal performance. Model evaluation was carried out using a confusion matrix, accuracy graphs, and loss values to assess the classification performance of each class. The results showed that the model was able to recognize light and dark skin classes with a very high level of accuracy, but still had difficulty in distinguishing tan skin due to the similarity of visual characteristics with other classes. Testing was carried out using two input methods, namely simple images and complex images in real-time. Overall, this study shows that Teachable Machine can be used as a fast and practical solution for digital image-based skin color classification.

Keywords: image classification, Teachable Machine, web scraping, machine learning

Analisis Klasifikasi Status Perokok Menggunakan Algoritma Decision Tree Berbasis RapidMiner

Sri Wahyuni, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Perilaku merokok merupakan salah satu kebiasaan yang berdampak negatif terhadap kesehatan dan menjadi faktor utama berbagai penyakit kronis. Penelitian ini bertujuan untuk menganalisis klasifikasi status perokok menggunakan algoritma Decision Tree berbasis RapidMiner. Data yang digunakan meliputi atribut seperti usia, jenis kelamin, tingkat pendidikan, pekerjaan, serta jumlah konsumsi rokok per hari. Melalui penerapan algoritma Decision Tree, proses klasifikasi dilakukan untuk membedakan individu ke dalam kategori perokok ringan, sedang, dan berat. Hasil penelitian menunjukkan bahwa algoritma Decision Tree mampu menghasilkan tingkat akurasi yang baik dalam mengidentifikasi status perokok berdasarkan pola data yang dianalisis. Implementasi model ini diharapkan dapat membantu pihak terkait dalam memahami faktor-faktor yang mempengaruhi kebiasaan merokok dan menjadi dasar dalam upaya pengendalian perilaku merokok di masyarakat.

Kata Kunci: Decision Tree, Klasifikasi, Status Perokok, RapidMiner, Data Mining.

Smoking is a major risk factor for various chronic diseases, such as lung cancer and heart disease. This study aims to classify smoker status using a decision tree algorithm based on RapidMiner software. The data used consists of several attributes such as age, gender, education level, occupation, and daily cigarette consumption frequency. The C4.5 algorithm was used as the basis for the decision tree method due to its ability to handle both numeric and categorical data. The research process included data collection, data cleaning, model development, and evaluation using a confusion matrix with accuracy, precision, and recall parameters. Test results showed that the classification model using the Decision Tree algorithm achieved an accuracy rate of 92.4%, precision of 91.2%, and recall of 90.8%. This demonstrates the effectiveness of the RapidMiner-based Decision Tree in classifying smoker status in the Indonesian community.

Keywords: Decision Tree, RapidMiner, C4.5, Classification, Smoker Status.

Implementasi Algoritma Random Forest untuk Prediksi Harga Mobil Menggunakan Dataset Car Assignment

Daniel As’ad Amrullah, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Prediksi harga mobil bekas merupakan tantangan signifikan di industri otomotif karena harga dipengaruhi oleh multifaktor seperti spesifikasi teknis, tahun produksi, jarak tempuh, dan kondisi pasar. Akurasi prediksi harga secara manual seringkali tidak optimal. Penelitian ini bertujuan untuk mengimplementasikan algoritma Random Forest Regression dalam memprediksi harga mobil menggunakan dataset Car Price Assignment. Proses penelitian meliputi tahapan pengumpulan data (webscrapping atau dari dataset publik), preprocessing (termasuk Label Encoding untuk data kategorikal), pembagian data, pemodelan, dan evaluasi. Algoritma Random Forest dikenal memiliki akurasi tinggi dan ketahanan terhadap overfitting. Hasil evaluasi dari model yang dikembangkan menunjukkan performa yang kuat dengan nilai metrik $\mathbf{R^2}$ sebesar 0.9638 dan sebesar 2201.815. Hasil ini mengindikasikan bahwa model Random Forest sangat efektif dan dapat diandalkan sebagai acuan bagi penjual maupun pembeli dalam menentukan estimasi harga mobil.

Kata Kunci: Random Forest, Prdiksi Harga Mobil, Machine Learning, Regresi,

Pred Used car price prediction is a significant challenge in the automotive industry as prices are influenced by multiple factors such as technical specifications, production year, mileage, and market conditions. Manual price prediction accuracy is often suboptimal. This study aims to implement the Random Forest Regression algorithm for used car price prediction using the Car Price Assignment dataset. The research process includes data collection (web scraping or from a public dataset), preprocessing (including Label Encoding for categorical data), data splitting, modeling, and evaluation. The Random Forest algorithm is known for its high accuracy and resilience to overfitting. The evaluation results of the developed model demonstrate strong performance with metric value of 0.9638 and $\mathbf{MAE}$ of 2201.815. This finding indicates that the Random Forest model is highly effective and can be a reliable benchmark for both sellers and buyers in estimating car prices.

Keywords: Random Forest, Car Price Prediction, Machine Learning, Regresi,

Sistem Informasi Peminjaman Dan Pengembalian Alat Laboratorium Komputer Berbasis Web

Endah Wahyu Rizki, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Sistem informasi untuk peminjaman dan pengembalian alat laboratorium adalah cara yang baik untuk membuat pengelolaan peralatan di laboratorium lebih efisien dan lebih efisie. Sistem ini di rancang untuk meningkatkan efisiensi dan efektivitas Pengelolahan peralatan di laboratorium Desain Kumunikasi Visual (DKV) di Sekolah Menengah Kejuruan Negeri 6 Kupang. Metode manual yang selama inidigunakan dalam peminjaman membawa berbagai kendala, seperti keterlambatan dalam pengembalian,kehilangan peralatan, serta kesulitan dalam pengelolaan inventaris. Tujuan Penelitian ini adalah merancang dan membangun sistem. manajemen untuk pengelolahan dan pencatatan data. Metode pengembangan system yang digunakan metode Waterfell, yang mencakup analisis kebutuhan, desai, implementasi, pengujin, dan pemeliharaan. Diharapkan penelitian ini akan menghasilkan sebuah sistem berbasis web, serta mampu menyimpan sseluruh data peminjaman dalam satu database pusat. Dengan adanya system,pengelolaan data dapat berjalan dengan lebih efisisen dan transparan.

Kata Kunci: Berbasis Web, Laboratorium, Peminjaman,Pengembalian,Sistem informasi

The information system for borrowing and returning laboratory eguipment is a solution to improve efficiency and effectiveness in managing in the Visual Communication Desaign (DKV) laboratory at the State Vocational Institute,which has been handled cerried manually, This manual system has delays in returns, loss of control over inventory, and difficulties and collecting inventory data.This research aims to design and develop a management system for borrowing and recording, The system development method used is the Waterfell method, which includes reguirements analysis, design, implementation, testing and main tenance. This research hopes for a we-bead system, and storing all loan data in a centralized database. With the data system data management will be more efficient and transparent.

Keywords: information system,laboratory, lending, returning. Web-based

Prediksi Penjualan Sepeda Motor Menerapkan Metode K-Nearest Neighbor

Muhammad Syafiq, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Advances in information technology and the increasing public demand for motorized vehicles have driven the continued growth of motorcycle sales each year. This situation requires companies to have accurate sales prediction capabilities to optimally manage inventory and reduce potential losses. One method that can be utilized is K-Nearest Neighbor (K-NN), a method that operates based on distance measurements classification algorithm that works by comparing new data with historical data to determine specific categories.

The K-NN method has proven effective in various studies focusing on sales prediction, including motorcycles, spare parts, and other commercial products, with a high degree of accuracy. Some studies even report accuracy of up to 96.15% in motorcycle sales prediction, as well as optimal performance in predicting car and motorcycle spare part sales.

This study used 60 used motorcycle sales data sets from the OLX platform with a K value of 5 and Euclidean distance calculations. The dataset was split into 70% for training and 30% for testing. It is hope that the results of this research will provide benefits generate more accurate predictions regarding the sales categories of used motorcycles both popular and non-popular so that it can be used as a reference in dicision making regarding stock management and developing more effective sales strategies.

Keywords: K-Nearest Neighbor, Sales Prediction, Used Motorcycles, Data Mining, OLX

Kemajuan teknologi informasi serta meningkatnya kebutuhan masyarakat akan kendaraan bermotor telah mendorong pertumbuhan penjualan sepeda motor yang terus meningkat setiap tahun. Situasi ini membuat perusahaan perlu memiliki kemampuan prediksi penjualan yang akurat agar dapat mengatur persediaan secara optimal dan mengurangi potensi kerugian. Salah satu metode yang bisa diterapkan yaitu metode K-Nearest Neighbor (K-NN), yakni algoritma klasifikasi yang mengelompokkan data dengan mengukur kedekatan antara data yang baru masuk dibandingkan dengan data yang telah tersimpan sebelumnya, lalu penentuannya dilakukan berdasarkan kedekatan dengan data historis yang paling mirip.

Metode K-NN telah terbukti efektif dalam berbagai penelitian yang berfokus pada prediksi penjualan, baik penjualan sepeda motor, sparepart, maupun produk dagang lainnya, dengan tingkat akurasi yang tinggi. Beberapa studi bahkan melaporkan akurasi hingga 96,15% pada kasus prediksi penjualan motor, serta performa optimal dalam prediksi penjualan sparepart mobil dan motor.

Pada penelitian ini, digunakan 60 data penjualan motor bekas dari platform OLX dengan nilai K = 5 dan perhitungan jarak Euclidean. Dataset tersebut dipisahkan menjadi 70% data latihan dan 30% data uji coba. Penelitian ini diharapkan bisa memberikan hasil prediksi yang akurat terkait klasifikasi penjualan motor bekas, baik yang termasuk kategori laris maupun tidak laris, sehingga bisa dijadikan acuan dalam pengambilan keputusan mengenai pengelolaan persediaan maupun penyusunan strategi penjualan yang lebih optimal.

Kata Kunci: K-Nearest Neighbor, Prediksi Penjualan, Motor Bekas, Data Mining, OLX

Prediksi Harga Rumah Menggunakan Algoritma Regresi Linier

Muwasatil Muhtajin, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

The property market, particularly the housing sector, frequently experiences price fluctuations influenced by various complex factors such as location, building size, number of rooms, and economic and demographic conditions. This price uncertainty often makes it difficult for sellers to set competitive selling prices and makes it difficult for buyers to estimate the fair value of a residence. This study aims to develop a house price prediction model using a Machine Learning algorithm, namely Multiple Linear Regression. The research data was obtained from the Kaggle public repository (USA Housing Dataset), which contains 5,000 transaction data with independent variables being the average regional income, building age, number of rooms, number of bedrooms, and regional population. The research methodology follows the stages of Knowledge Discovery in Database (KDD), starting from data collection, cleaning, transformation, modeling, and evaluation. The model was built using the Python programming language with the help of the Scikit-Learn library. The test results show that linear regression is able to provide house price predictions with very good performance, indicated by an R-Squared (R²) value of 0.91, a Mean Absolute Error (MAE) of 81,250, and a Root Mean Squared Error (RMSE) of 100,500. These findings indicate that demographic characteristics and physical attributes of buildings have a strong linear relationship to house selling prices.

Keywords: Data Mining, Machine Learning, House Price Prediction, Python, Linear Regression.

Pasar properti, khususnya sektor perumahan, sering mengalami perubahan harga yang dipengaruhi oleh berbagai faktor kompleks seperti letak wilayah, luas bangunan, jumlah ruangan, serta kondisi ekonomi dan demografi. Ketidakpastian harga tersebut kerap menyulitkan penjual dalam menetapkan harga jual yang kompetitif dan membuat pembeli kesulitan memperkirakan nilai wajar suatu hunian. Penelitian ini bertujuan mengembangkan model prediksi harga rumah dengan memanfaatkan algoritma Machine Learning, yaitu Multiple Linear Regression. Data penelitian diperoleh dari repositori publik Kaggle (USA Housing Dataset) yang berisi 5.000 data transaksi dengan variabel bebas berupa rata-rata pendapatan kawasan, usia bangunan, jumlah ruangan, jumlah kamar tidur, dan populasi wilayah. Metodologi penelitian mengikuti tahapan Knowledge Discovery in Database (KDD), mulai dari pengumpulan data, pembersihan, transformasi, pemodelan, hingga evaluasi. Model dibangun menggunakan bahasa pemrograman Python dengan bantuan pustaka Scikit-Learn. Hasil pengujian menunjukkan bahwa regresi linear mampu memberikan prediksi harga rumah dengan performa yang sangat baik, ditunjukkan oleh nilai R-Squared (R²) sebesar 0.91, Mean Absolute Error (MAE) sebesar 81.250, dan Root Mean Squared Error (RMSE) sebesar 100.500. Temuan ini mengindikasikan bahwa karakteristik demografi dan atribut fisik bangunan memiliki hubungan linear yang kuat terhadap harga jual rumah.

Kata Kunci: Data Mining, Machine Learning, Prediksi Harga Rumah, Python, Regresi Linier.

Penerapan Algoritma Apriori untuk menghasilkan pola penjualan produk bangunan

Angga Saputra, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Tujuan dari penelitian ini adalah menganalisis kecenderungan konsumen dalam melakukan pembelian material bangunan dengan memanfaatkan algoritma Apriori, yang diterapkan pada proses analisis asosiasi dalam data mining. Dalam dunia toko bahan bangunan, pengertian tentang perilaku belanja konsumen sangat krusial untuk memperbaiki strategi penjualan dan penataan barang. Penelitian ini menggunakan 500 transaksi penjualan yang telah melewati proses prapengolahan dan kemudian diubah ke dalam format biner melalui teknik one-hot encoding. Pada tahap analisis, algoritma Apriori diterapkan dengan menentukan batas minimum dukungan sebesar 10% dan batas minimum kepercayaan sebesar 50%. Temuan dari analisis ini mengindikasikan bahwa kombinasi produk seperti Semen dan Pasir serta Batu Bata dan Semen menunjukkan nilai dukungan dan kepercayaan yang signifikan. Temuan pola tersebut menyediakan informasi berharga yang dapat digunakan oleh pemilik toko material bangunan untuk menata ulang posisi produk secara lebih efektif, mengelola persediaan dengan lebih terencana, serta merancang strategi promosi yang lebih tepat sasaran. Representasi visual dari pola asosiasi juga digunakan untuk memberikan gambaran visual tentang interaksi antar produk. Hasil penelitian ini menunjukkan bahwa algoritma Apriori dapat berfungsi sebagai sarana yang efisien dalam mendukung proses pengambilan keputusan di dunia bisnis yang berlandaskan pada catatan data penjualan.

Kata kunci: Apriori, Penambangan Data, Pola Belanja, Bahan Konstruksi, Aturan Asosiasi.

This study seeks to identify trends in how building materials are bought, using the Apriori algorithm within association-based data mining techniques. Grasping how customers buy things at building supply stores is really important for making better sales plans and arranging products in a smart way. This study looks at 500 sales records that have been cleaned up and changed into a one-hot encoded format. The Apriori method was implemented utilizing a support threshold of at least 10% and a confidence threshold of at least 50%. The study revealed that certain sets of products, like Cement with Sand and Bricks with Cement, showed strong support and confidence levels. These relationships give helpful information that can help building supply store owners create better product placement strategies, handle inventory better, and make more focused sales offers. Visual representations of these patterns are also used to visually show the links between different products. This study indicates that the Apriori approach serves as a valuable tool for informing business decisions by utilizing patterns derived from past sales data.

Keywords: Apriori Algorithm, Data Mining, Sales Patterns, Building Products, Association Rules

Klasifikasi Citra Tingkat Kematangan Buah Alpukat Berdasarkan Bentuk Warna Menggunakan Metode K-Nearest Neighbor

Mas’udah masudah, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Manually determining the ripeness level of avocados is often subjective and requires experience from the observer. Therefore, an automated system capable of accurately classifying the ripeness level of avocados is needed. This study aims to classify the ripeness level of avocados based on shape and color characteristics using the K-Nearest Neighbor (K-NN) method. The research process begins with capturing images of avocados at various ripeness levels, followed by image preprocessing in the form of resizing, segmentation, and extraction of color (mean, standard deviation, and skewness) and shape (area, perimeter, and shape ratio) features. The extracted features are used as input for the K-NN algorithm with varying k values to achieve the best accuracy. Based on the test results, the K-NN method is able to classify the ripeness level of avocados with a good level of accuracy, indicating that the combination of color and shape features is effective in distinguishing ripeness categories. This system is expected to assist farmers and industry players in determining the quality of avocados quickly and objectively.

Keywords: Image classification, avocado, ripeness level, K-Nearest Neighbor, feature extraction.

Perkembangan teknologi informasi saat ini telah memungkinkan identifikasi buah berdasarkan ciri warna melalui pemrosesan citra digital. Proses ini memanfaatkan kamera untuk mengambil gambar buah, yang kemudian diolah menggunakan perangkat lunak komputer dengan teknik pengolahan citra digital untuk menentukan tingkat kematangan buah secara efisien. Penentuan tingkat kematangan buah alpukat secara manual sering kali bersifat subjektif dan memerlukan pengalaman dari pengamat. Oleh karena itu, diperlukan sistem otomatis yang mampu mengklasifikasikan tingkat kematangan buah secara akurat. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kematang buah alpukat berdasarkan ciri bentuk dan warna menggunakan metode K-Nearest Neighbor (K-NN). Proses penelitian diawali dengan pengambilan citra buah alpukat pada berbagai tingkat kematangan, kemudian dilakukan pra-pemprosesan citra berupa resize, segmentasi, dan ekstraksi fitur warna (mean, standar deviasi, dan skewness) serta bentuk (luas, keliling, dan rasio bentuk). Hasil ekstraksi fitur tersebut digunakan sebagai masukan untuk algoritma K-Nearest Neighbor dengan variasi nilai k untuk memperoleh akurasi terbaik. Berdasarkan hasil pengujian, metode K-Nearest Neighbor mampu mengklasifikasikan tingkat kematangan buah alpukat dengan tingkat akurasi yang baik, menunjukkan bahwa kombinasi fitur warna dan bentuk efektif dalam membedakan kategori kematangan. Sistem ini diharapkan dapat membantu petani maupun pelaku industri dalam menentukan kualitas buah alpukat secara cepat dan objektif.

Kata Kunci: klasifikasi citra, buah alpukat, tingkat kematangan, K-Nearest Neighbor, ekstraksi fitur.

Menerapkan Algoritma Data Mining Untuk Memahami Profil dan Preferensi Pembeli Online Menggunakan Metode K – Means

Nafilil Madani Al-Qur’ani, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

The swift growth of e-commerce produces vast volumes of transaction records which are currently not fully leveraged to comprehend the habits and choices of online consumers. This research utilizes the K-Means algorithm for clustering, a technique in data mining, to uncover buying habits and create profiles of digital shoppers.The research procedure includes data collection, preprocessing, normalization, determination of the optimal number of clusters using the Elbow Method, and cluster quality evaluation through the Silhouette Score and Davies–Bouldin Index. The results reveal that online buyers can be grouped into several distinct segments, including high-value consumers, high-frequency active buyers, and low-spending passive users. Every segment exhibits distinctive patterns of behavior which enable businesses to formulate highly tailored marketing plans, boost customer loyalty, and refine decisions based on data.The results demonstrate the efficacy of the K-Means algorithm in processing transactional information, yielding valuable insights concerning customer preferences. Consequently, this research underscores the critical role of clustering methodologies in improving strategic choices within the digital commerce sphere.

Keywords: K-Means, data mining, customer segmentation, e-commerce, purchasing patterns.

Pertumbuhan pesat e-commerce menyebabkan meningkatnya volume data transaksi yang belum dimanfaatkan secara optimal untuk memahami perilaku dan preferensi pembeli online. Berbagai penelitian terkait segmentasi pelanggan menunjukkan bahwa metode K-Means Clustering efektif dalam mengidentifikasi pola pembelian dan karakteristik konsumen berdasarkan atribut seperti frekuensi transaksi, nilai belanja, waktu pembelian, serta variabel perilaku lainnya. Penelitian ini menerapkan algoritma K-Means sebagai teknik data mining untuk memprofilkan pembeli online dan menggali preferensi mereka melalui analisis pola transaksi. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan, normalisasi, penentuan jumlah klaster optimal menggunakan Metode Elbow, serta evaluasi kualitas klaster dengan Silhouette Score maupun Davies-Bouldin Index sebagaimana diterapkan pada penelitian sebelumnya . Hasil dari klasterisasi dalam penelitian ini mengindikasikan bahwa para pembeli dapat dibagi menjadi berbagai segmen pelanggan yang memiliki karakteristik yang berbeda. Segmen-segmen ini mencakup konsumen dengan nilai transaksi tinggi, konsumen yang sangat aktif (berfrekuensi tinggi), dan juga konsumen yang kurang aktif dengan nilai pembelian yang rendah. Penemuan ini konsisten dengan hasil studi sebelumnya yang relevan dalam bidang e-commerce dan ritel. Dengan demikian, penerapan algoritma K-Means terbukti mampu membantu memahami profil dan preferensi pembeli online secara lebih mendalam serta meningkatkan efektivitas strategi bisnis digital.

Kata Kunci: K-Means, data mining, segmentasi pelanggan, e-commerce, pola pembelian.

Klasifikasi Sentimen Komentar Youtube tentang Tagar #KaburAjaDulu dengan Algoritma Naïve Bayes untuk Menggambarkan Persepsi Gen Z Indonesia

Nauradhia Shofarianti Putri, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Tagar #KaburAjaDulu mencerminkan keresahan yang dirasakan Generasi Z di Indonesia mengenai dinamika sosial, ekonomi, dan politik saat ini. Fenomena ini sekaligus menggambarkan dorongan kuat untuk mencari peluang hidup yang dinilai lebih menjanjikan di luar negeri. Penelitian ini bertujuan mengidentifikasi kecenderungan sentimen masyarakat yang terekam dalam komentar YouTube, dengan memanfaatkan metode klasifikasi Multinomial Naive Bayes. Sebanyak 2.667 komentar dari 15 video dikumpulkan. Penelitian ini menganalisis sentimen dari komentar dengan melalui beberapa tahapan preprocessing (pemrosesan awal) data, yaitu normalisasi (penyeragaman format), tokenisasi (pemecahan teks menjadi kata-kata), penghapusan stopword (kata-kata umum yang tidak relevan), dan stemming (pengembalian kata ke bentuk dasar). Selanjutnya, semua komentar diberi label sentimen secara manual menjadi positif, negatif, atau netral. Untuk mengatasi masalah ketidakseimbangan jumlah data antar kelas sentimen, digunakan teknik Random Oversampling. Setelah itu, data dibagi menjadi set pelatihan dan pengujian. Algoritma yang dipilih untuk klasifikasi adalah Multinomial Naive Bayes, karena dianggap paling sesuai untuk menangani karakteristik teks yang singkat dan tidak formal. Hasil penilaian menggunakan berbagai indikator seperti akurasi, presisi, recall, dan F1-score menunjukkan bahwa model bekerja secara konsisten, dengan akurasi yang mencapai 89,3%. Temuan ini memberikan gambaran mengenai ekspresi digital Generasi Z sekaligus memperlihatkan efektivitas pendekatan klasifikasi teks dalam analisis opini berbasis media sosial.

Kata Kunci: Analisis sentimen, YouTube, Naive Bayes, Generasi Z, klasifikasi teks.

The hashtag #KaburAjaDulu reflects the anxiety felt by Generation Z in Indonesia regarding current social, economic, and political dynamics. This phenomenon also illustrates a strong urge to seek out opportunities for a better life abroad. This study aims to identify trends in public sentiment recorded in YouTube comments, using the Multinomial Naive Bayes classification method. A total of 2,667 comments from 15 videos were collected. This study analyzes sentiment from comments through several stages of data preprocessing, namely normalization (format standardization), tokenization (breaking text into words), stopword removal (irrelevant common words), and stemming (returning words to their basic form). Next, all comments were manually labeled as positive, negative, or neutral. To overcome the problem of data imbalance between sentiment classes, the Random Oversampling technique was used. After that, the data is divided into training and testing sets. The algorithm chosen for classification is Multinomial Naive Bayes, as it is considered the most suitable for handling short and informal text characteristics. Evaluation through metrics such as accuracy, precision, recall, and F1-score indicates that the model performs consistently, achieving an accuracy of 89.3%. These findings provide an overview of Generation Z's digital expressions while demonstrating the effectiveness of the text classification approach in social media-based opinion analysis.

Keywords: Sentiment analysis, YouTube, Naive Bayes, Generation Z, text classification

Analisis Sentimen Komentar Youtube Terkait Vidio Demo DPR Menggunakan Algoritma Naïve Bayes

Khoiriyah Agustin Ulumiyah, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

mengekspresikan pandangan dan reaksi mereka terhadap berbagai isu, termasuk peristiwa sosial dan politik seperti demonstrasi DPR. Dalam studi ini, metode Naïve Bayes digunakan untuk mengategorikan komentar teks berbahasa Indonesia pada video terkait dibagi menjadi tiga kategori: positif, negatif, dan netral. Hasilnya menunjukan bahwa mayoritas komentar bersifat netral (88,1%), dengan 9,3% negatif dan hanya 2,4% positif, yang menunjukan bahwa pengguna umumnya mengekspresikan reaksi non-emosional atau umum tanpa dukungan atau kritik eksplisit. Selain itu, efektivitas algoritma dalam mengklasifikasikan sentimen teks Bahasa Indonesia telah dibuktikan, terutama setelah Langkah-langkah pra proses yang tepat diterapkan. Studi ini berkontribusi pada literatur dengan mengkaji opini public terhadap isu-isu demonstrasi publik, menawarkan temuan yang dapat digunakan oleh pemangku kepentingan dalam memahami reaksi public yang cepat.

Kata Kunci: Analisis Sentimen, Naïve Bayes, Demo DPR, Youtube

YouTube has grown in popularityas a social networking site for the public to express their views and reactions toward various issues, including social and political events such as the DPR demonstrations. In this study, the Nave Bayes algorithm was used to classify Indonesian-language text comments on DPR-related videos devided positive, negative, and neutral. The findings indicate that the majority of comments are neutral (88.1%), with 9.3% negative and only 2.4% positive, indicating that users generally expressed non-emotional or general reactions without explicit support or criticism. Moreover, the effectiveness of the algorithm in classifying Indonesian text sentiment has been demonstrated, especially after proper preprocessing steps are applied. This research of literature looking into public opinions toward political demonstration issues, offering conclusions that might be used as a guide for stakeholders in understanding rapid public reactions

Keywords: Sentiment Analysis, Naïve Bayes, DPR Demo, YouTube.

Implementasi Teknik Data Mining Terhadap Data Pola Minat Mahasiswa Menggunakan Metode Apriori

Achmad Nanung Fambriyadi, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Kebutuhan akan informasi yang terus meningkat menuntut berbagai pihak untuk lebih cermat dalam memanfaatkan serta memilih teknologi yang tersedia. Data dapat digunakan dalam proses analisis maupun penelitian guna menghasilkan informasi yang bernilai. Pada institusi pendidikan, data mengenai minat mahasiswa dapat dikelola sebagai aset penting. Melalui data mining, analisis dapat dilakukan secara berkelanjutan sehingga keputusan dapat diambil dengan lebih optimal. Data mahasiswa dapat diolah menggunakan metode apriori untuk mengetahui kecenderungan minat mereka terhadap mata kuliah pilihan. Dengan mengenali kombinasi mata kuliah yang diminati, pihak kampus dapat merancang program studi yang lebih menarik dan sesuai kebutuhan. Melalui penggunaan aplikasi RapidMiner, diperoleh tingkat confidence sebesar 70% terhadap pilihan mahasiswa pada mata kuliah Pemrograman CMS, Realitas Virtual, dan Data Mining.

Kata Kunci: Data mining; apriori; minat mahasiswa.

The growing need for information requires various parties to be more careful in utilizing and selecting the available technologies. Data can be used in analytical processes and research to generate valuable information. In educational institutions, data on student interests can be managed as an important asset. Through data mining, continuous analysis can be carried out so that decisions can be made more optimally. Student data can be processed using the Apriori method to identify their interest tendencies toward elective courses. By identifying combinations of courses that students prefer, universities can design study programs that are more engaging and aligned with their needs. Using the RapidMiner application, a confidence level of 70% was obtained for student preferences in the CMS Programming, Virtual Reality, and Data Mining courses.

Keywords: Data mining; apriori; studen interest

Perancangan Sistem Pendukung Keputusan Pemilihan Guru Berprestasi Berbasis Web Menggunakan Metode Simple Additive Weighting (Studi Kasus Madrasah Ta’hiliyah Ibrahimy Sukorejo Situbondo)

Mohamad Afil Nadiq Nabil, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Proses penentuan guru berprestasi di Madrasah Ta’hiliyah Ibrahimy Sukorejo Situbondo selama ini masih dijalankan secara manual dengan memanfaatkan dokumen tertulis dan lembar kerja terpisah. Pola kerja tersebut menyebabkan proses seleksi berjalan lambat, rawan kesalahan perhitungan, serta belum sepenuhnya mencerminkan prinsip transparansi dan objektivitas. Penelitian ini bertujuan untuk merancang sebuah sistem pendukung keputusan berbasis web yang mampu membantu madrasah dalam menentukan guru berprestasi secara lebih sistematis melalui penerapan metode Simple Additive Weighting (SAW).

Pengumpulan data dilakukan melalui observasi terhadap proses seleksi yang berjalan, wawancara dengan pihak manajemen madrasah, serta telaah pustaka yang relevan. Pengembangan sistem mengacu pada tahapan System Development Life Cycle (SDLC) model waterfall yang mencakup perencanaan, analisis, perancangan, dan pengujian. Sistem yang dirancang mampu mengelola data guru, kriteria dan bobot penilaian, nilai evaluasi, serta menghasilkan peringkat guru secara otomatis berdasarkan perhitungan SAW.

Hasil perancangan menunjukkan bahwa sistem mampu mendukung pengambilan keputusan secara lebih terstruktur dan konsisten. Otomatisasi proses perhitungan dan integrasi data penilaian dalam satu basis data terpusat diharapkan dapat mengurangi beban pekerjaan administrasi, menekan risiko kesalahan penghitungan, serta menyajikan informasi hasil seleksi secara jelas bagi pihak pengambil keputusan.

Kata kunci: Sistem Pendukung Keputusan, SAW, Guru Berprestasi, Sistem Web, Madrasah.

The process of selecting outstanding teachers at Madrasah Ta’hiliyah Ibrahimy Sukorejo Situbondo has so far been carried out manually using written documents and separate worksheets. This conventional approach causes the selection process to be time-consuming, prone to calculation errors, and not fully aligned with the principles of transparency and objectivity. Therefore, this study aims to design a web-based decision support system that can assist the madrasah in determining outstanding teachers in a more systematic manner through the application of the Simple Additive Weighting (SAW) method.

Data were collected through direct observation of the ongoing selection process, interviews with the management of the madrasah, and a review of relevant literature. The system was developed using the System Development Life Cycle (SDLC) with the waterfall model, which includes the stages of planning, analysis, design, and testing. The developed system is capable of managing teacher data, evaluation criteria and their respective weights, assessment scores, and automatically generating teacher rankings based on SAW calculations.

The results of the system development indicate that the proposed system is able to support the decision-making process in a more structured and consistent manner. The automation of calculations and the integration of assessment data into a centralized database are expected to reduce administrative workload, minimize the risk of calculation errors, and present the selection results clearly to decision-makers.

Keywords: Decision Support System, SAW, Outstanding Teacher, Web-Based System, Madrasah

Clustering Data Produksi untuk Identifikasi Pola Perakitan Hardware Menggunakan K-Means

Kiki Setiawan Heri Ananda Putra, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Studi ini bertujuan untuk mengidentifikasi pola pengelompokan komponen perakitan komputer menggunakan metode K-Means Clustering. Dataset yang digunakan meliputi CPU, motherboard, RAM, GPU, PSU, dan casing. Proses penelitian melibatkan eksplorasi data, pembersihan data, imputasi nilai yang hilang, pengkodean kategorikal, normalisasi, dan rekayasa fitur seperti total TDP dan rasio daya PSU. Hasil clustering menunjukkan terbentuknya empat kelompok utama: komponen kelas bawah, komponen kelas menengah, komponen kelas atas, dan kelompok RAM yang berdiri sendiri. Temuan ini menunjukkan bahwa K-Means efektif dalam memetakan karakteristik perangkat keras dan dapat digunakan sebagai dasar untuk mengembangkan sistem rekomendasi perakitan PC.

Kata kunci: K-Means, Clustering, Perangkat Keras, Algoritma

This study aims to identify grouping patterns of computer assembly components using the K-Means Clustering method. The dataset includes CPU, motherboard, RAM, GPU, PSU, and casing. The research process involves data exploration, data cleaning, missing value imputation, categorical encoding, normalization, and feature engineering such as total TDP and PSU power ratio. The clustering results show the formation of four main groups: low-end components, mid-range components, high-end components, and a standalone RAM cluster. These findings demonstrate that K-Means is effective in mapping hardware characteristics and can be used as a basis for developing a PC assembly recommendation system.

Keywords: K-Means, Clustering, Hardware, Algorithm

Implementasi Algoritma C4.5 untuk Mendiagnosis Penyakit Jantung Koroner pada RapidMiner

Mayla Dini Zakkia, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penyakit kardoivaskular, khususnya penyakit jantung koroner, menjadi alasan utama terjadinya kematian di seluruh dunia dan menduduki posisi kedua di Indonesia setelah stroke. Tingginya angka kematian akibat penyakit ini menuntut inovasi dalam proses diagnosis yang lebih cepat dan akurat. Studi ini mengaplikasikan metode penggalian data untuk menemukan faktor risiko utama yang terkait dengan penyakit jantung koroner, dengan menerapkan metode klasifikasi Decision Tree menggunakan algoritma C4.5. Algoritma C4.5 dipilih karena kemampuannya untuk memproses data berkelanjutan dengan efisiensi tinggi dan dapat menghasilkan model prediksi yang mudah dipahami. Proses analisis dilakukan dengan memanfaatkan perangkat lunak RapidMiner, yang menawarkan visualisasi terstruktur untuk membantu memahami hasil. Temuan dari penelitian ini diharapkan bisa menjadi pedoman dalam pengembangan sistem yang mendukung keputusan untuk tenaga medis, baik dalam meningkatkan mutu diagnosis maupun penanganan penyakit jantung.

Kata Kunci: Algritma C4.5, Data Mining, Penyakit Jantung, Klasifikasi

Cardiovascular disease, particularly coronary heart disease, is the leading cause of death worldwide and ranks second in Indonesia after stroke. The high mortality rate from this disease demands innovation in faster and more accurate diagnostic processes. This study applies data mining methods to identify key risk factors associated with coronary heart disease, using the Decision Tree classification method using the C4.5 algorithm. The C4.5 algorithm was chosen for its ability to process continuous data with high efficiency and can produce easy-to-understand predictive models. The analysis process was carried out using RapidMiner software, which offers structured visualizations to aid in understanding the results. The findings of this study are expected to guide the development of decision-support systems for medical personnel, both in improving the quality of diagnosis and treatment of heart disease.

Keywords: C4.5 Algorithm, Data Mining, Heart Disease, Classification

Implementasi Decision Tree untuk Prediksi Tingkat Kesehatan Berdasarkan Data Rekam Medis Pasien

Dhiyaul Haq Hasan, Zaehol Fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penelitian ini bertujuan untuk meramalkan kondisi kesehatan pasien di waktu yang akan tiba. Proses tersebut dilakukan melalui analisis data rekam medis pasien dengan menerapkan metode Decision Tree. Metode ini digunakan karena mampu menampilkan pola hubungan antarvariabel medis secara jelas dan mudah diinterpretasikan. Data penelitian terdiri dari beberapa parameter laboratorium seperti Haematocrit, Haemoglobin, Erythrocyte, Leucocyte, Thrombocyte, MCH, MCHC, dan variabel pendukung lainnya. Proses pengolahan data dilakukan menggunakan aplikasi RapidMiner melalui tahapan preprocessing, pemodelan, dan evaluasi. Algoritma Decision Tree berhasil diimplementasikan untuk menciptakan model klasifikasi yang andal. Berdasarkan model tersebut, dapat diketahui bahwa MCHC, Haematocrit, dan Leucocyte adalah faktor dominan yang memiliki daya pengaruh tertinggi dalam mengkategorikan kondisi kesehatan pasien. Model yang dihasilkan juga mampu menggambarkan struktur keputusan secara sistematis sehingga dapat mendukung proses identifikasi kondisi kesehatan secara cepat dan berbasis data. Hasil dari studi ini diharapkan dapat difungsionalkan sebagai dasar untuk penggunaan sistem yang menggunakan teknologi komputer untuk mendukung dokter dan tenaga medis dalam pengambilan keputusan terkait kondisi pasien.

Kata Kunci: Decision Tree, Prediksi Kesehatan, Rekam Medis, RapidMiner, Data Mining

This study aims to predict a patient's future health condition. This process is carried out through analysis of patient medical records using the Decision Tree method. This method is used because it is able to display patterns of relationships between medical variables clearly and easily interpreted. The research data consists of several laboratory parameters such as Hematocrit, Hemoglobin, Erythrocytes, Leukocytes, Platelets, MCH, MCHC, and other supporting variables. The data processing process is carried out using the RapidMiner application through preprocessing, modeling, and evaluation stages. The Decision Tree algorithm is successfully implemented to create a reliable classification model. Based on this model, it can be seen that MCHC, Hematocrit, and Leukocytes are the dominant factors that have the highest influence in categorizing a patient's health condition. The resulting model is also able to systematically describe structural decisions so that it can support the process of identifying health conditions quickly and based on data. The results of this study are expected to function as a basis for the use of systems that use computer technology to support doctors and medical personnel in making decisions regarding patient conditions.

Kata Kunci : Decision Tree, Health Prediction, Medical Records, RapidMiner, Data Mining

Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma KNN

Asvic Baid Anbala, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penyakit diabetes mellitus merupakan salah satu Deabetes lronis meningkat setiap tahun di banyak negara, termasuk Indonesia. Sangat penting untuk mendeteksi diabetes dini untuk mencegah komplikasi serius dan meningkatkan kualitas hidup pasien. Berdasarkan data medis pasien diabetes, penelitian ini menggunakan algoritma K-NN untuk mengklasifikasikan pasien diabetes. kumpulan data csv. Penelitian meliputi tahapan preprocessing data seperti penanganan nilai hilang, normalisasi, pembagian data (split data), serta implementasi algoritma K-NN pada RapidMiner Studio. Berdasarkan hasil pengujian dengan nilai k tertentu, diperoleh akurasi sebesar 71,43%, weighted mean recall sebesar 66,50%, dan weighted mean precision sebesar 68,41%. Hasil Ini menunjukkan bahwa algoritma K-NN dapat mengklasifikasikan dengan baik. data penderita diabetes, meskipun masih terdapat ruang untuk peningkatan performa melalui pengaturan parameter k dan metode optimasi jarak.

Kata Kunci: Klasifikasi, Diabetes Mellitus, K-Nearest Neighbor, Data Mining, RapidMiner

Diabetes mellitus is a long-term condition that is becoming prevalent across the world, especially in Indonesia. To avoid serious problems and enhance patients' quality of life, early identification of possible diabetes is essential. The K-Nearest Neighbor (K-NN) method was used in this investigation. was used to classify diabetes patients based on medical data obtained from the diabetes.csv dataset. The research process included data preprocessing steps such as handling missing values, normalization, data splitting, and implementing the K-NN algorithm using RapidMiner Studio. Based on the test results with a specific k value, the obtained accuracy was 71.43%, weighted mean recall 66.50%, and weighted mean precision 68.41%. These findings show that the K-NN algorithm does a respectable job at identifying diabetic data; however, there is still an opportunity for improvement: parameter tuning and distance optimization methods.

Keywords: Klasifikasi, Diabetes Mellitus, K-Nearest Neighbor, Data Mining, RapidMiner

Sistem Informasi Administrasi Insentif Huffadz Berbasis Web Pada Kabupaten Bondowoso

Nurul Lailiyah, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Pemanfaatan teknologi informasi menjadi salah satu faktor utama yang mendorong pemerintah untuk meningkatkan efisiensi layanan publik, khususnya pada tahapan seleksi adminstrasi insentif bagi para Huffadz di Kabupaten Bondowoso. Dalam penelitian ini dikembangkan sistem informasi berbasis web untuk memfasilitasi proses seleksi administratif penerima insentif Huffadz pada Bagian Kesejahteraan Rakyat Bondowoso terutama pada tahapan pendaftaran, verifikasi, penilaian, dan laporan penerima insentif dengan menerapkan pendekatan kualitatif yang didukung menggunakan teknik pengumpulan data yang meliputi observasi lapangan, wawancara mendalam, dan penelitian kepustakaan. meskipun pengembangan sistem didasarkan pada metodologi waterfall, yang digunakan dalam Siklus Hidup Pengembangan Sistem (SDLC) dan mencakup implementasi sistem, yang meliputi implementasi sistem, dan analisis sistem, dan pemeliharaan sistem, serta pengembangan menggunakan data MySQL dan bahasa pemrograman PHP. Penelaahan akademik ini menunjukkan bahwa sistem informasi dapat meningkatkan efektivitas peng data Huffadz, memperbaiki proses seleksi, dan meningkatkan tingkat akurasi dan transparansi dalam penetapan penerima insentif, sehingga penggunaan system Tingkat akurasi dan transparansi dalam intensif penetapan, mampu menjadi alternatif yang efektif untuk digitalisasi pelayanan administrasi pada bidang kesejahteraan masyarakat.

Kata Kunci: Sistem Informasi, Huffadz, Insentif, Web, Waterfall

The rapid growth of information technology has led governments to continuously enhace public services’ effectivenees and quality, particularly in the administrative selection process for Huffadz incentives in Bondowoso Regency. The study’s goal is to develop an online information system for Huffadz’s administrative selection incentives at the Public Welfare Section of the Bondowoso Regency Government in order to support registration, data verification, assessment, and reporting processes.
This study uses a qualitative research methodology, gathering information through in-depth interviews, literature analysis, and observation. The system is developed by following. Utilizing the waterfall model for the System Development Life Cycle (SDLC), which comprises the stages of system design, implementation, testing, requirements analysis, and maintenance. PHP and a MySQL database are employed in the application’s development. The findings show that the information system that was created can increase the effectiveness of Huffadz data management, shortening the administrative selection process, and increasing accuracy and transparency in determining incentive recipients. Therefore, the suggested method may be a useful way to assist the public welfare sector’s digital transformation of administrative services.

Keywords: Information System, Huffadz, Incentive, Web Application, Waterfall

Klasifikasi Prestasi Akademik Mahasiswa Berdasarkan Kehadiran dan Aktivitas Menggunakan Metode Naïve Bayes

Afdhaliyah Ramadhatul Fitriyah, Zaehol fatah — Thu, 16 Apr 2026 00:00:00 +0000

Penelitian ini bertujuan mengklasifikasikan prestasi akademik mahasiswa berdasarkan tingkat kehadiran dan aktivitas belajar menggunakan metode Naïve Bayes. Data yang digunakan meliputi atribut kehadiran, aktivitas perkuliahan, dan status akademik yang diolah menggunakan aplikasi RapidMiner Studio 7.1 melalui tahapan pembersihan, seleksi, dan transformasi data. Hasil pengujian menunjukkan tingkat akurasi sebesar 89,20%, dengan nilai precision dan recall di atas 88%. Hasil ini menunjukkan bahwa metode Naïve Bayes efektif dalam memprediksi prestasi akademik mahasiswa serta dapat digunakan sebagai dasar pengambilan Keputusan akademik untuk meningkatkan kinerja belajar.

Kata Kunci: Klasifikasi, Prestasi Akademik, Kehadiran, Aktivitas Mahasiswa, Naïve Bayes

This study aims to classify students’ academic performance based on attendance levels and learning activities using the Naïve Bayes method. The data used include attendance, class activity, and academic status attributes, which were processed using RapidMiner Studio 7.1 through the stages of data cleaning, selection, and transformation. The testing results show an accuracy rate of 89.20%, with precision and recall values above 88%. These results indicate that the Naïve Bayes method is effective in predicting students’ academic performance and can be utilized as a basis for academic decision-making to improve learning outcomes.

Keywords: Classification, Academic Performance, Attendance, Student Activity, Naïve Bayes

Sistem Pakar Diagnosa Penyakit Pernapasan Menggunakan Metode Naive Bayes Berbasis Web

Cintya Ayu Putri, Iwan Setiawan Wibisono, Abdul Rohman — Thu, 16 Apr 2026 00:00:00 +0000

Perkembangan teknologi informasi memberikan kontribusi besar dalam bidang kesehatan, khususnya dalam pengembangan sistem pakar untuk membantu proses diagnosis penyakit. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pakar berbasis web dalam mendiagnosis penyakit pernapasan menggunakan metode Naive Bayes. Sistem ini dibangun menggunakan bahasa pemrograman PHP dan database MySQL, serta dikembangkan dengan metode waterfall. Data penelitian diperoleh melalui observasi, wawancara dengan tenaga medis, dan studi literatur. Hasil penelitian menunjukkan bahwa sistem mampu memberikan diagnosis berdasarkan gejala yang dimasukkan pengguna dengan tingkat probabilitas tertentu. Pengujian sistem menggunakan metode blackbox menunjukkan bahwa sistem berjalan sesuai dengan fungsinya, sementara hasil User Acceptance Test (UAT) memperoleh nilai rata-rata 81,70% yang menunjukkan bahwa sistem sangat layak digunakan. Dengan demikian, sistem ini dapat membantu masyarakat dalam melakukan diagnosis awal penyakit pernapasan sebelum berkonsultasi dengan dokter.

Kata kunci: Sistem pakar, Naive Bayes, penyakit pernapasan, diagnosis, web.

The development of information technology has made a significant contribution to the health sector, particularly in the development of expert systems to assist in the disease diagnosis process. This study aims to design and implement a web-based expert system for diagnosing respiratory diseases using the Naive Bayes method. The system was built using the PHP programming language and a MySQL database, and developed using the waterfall method. Research data was obtained through observation, interviews with medical personnel, and literature review. The results indicate that the system is capable of providing a diagnosis based on user-entered symptoms with a certain degree of probability. System testing using the black-box method demonstrated that the system functioned according to its intended purpose, while the User Acceptance Test (UAT) obtained an average score of 81.70%, indicating that the system is highly suitable for use. Therefore, this system can assist the public in making an initial diagnosis of respiratory diseases before consulting a doctor.

Keywords: Expert system, Naive Bayes, respiratory disease, diagnosis, web.

Implementasi Sistem Informasi Layanan Online Berbasis Website Sitepak Pada Dinas Kependudukan Dan Pencatatan Sipil Kabupaten Bekasi

Hendri Rahman — Thu, 16 Apr 2026 00:00:00 +0000

Seiring dengan pesatnya perkembangan globalisasi. Peran sistem teknologi informasi dan komunikasi akan menciptakan konektivitas terhadap hubungan masyarakat dan pemerintah selaku pelayan publik. Di Indonesia termasuk dalam negara dengan sistem otonom daerah, perlu untuk mewujudkan pemerintahan yang baik (good governance) dengan memanfaatkan media teknologi infromasi dan komunikasi atau e-government. Penerapan e-government di Pemerintah Kabupaten Bekasi menggunakan website SITEPAK sebagai sarana pelayanan administrasi masyarakat. Tujuan penelitian ini untuk mengetahui bagaimana implementasi dari pengembangan sistem informasi layanan online berbasis website SITEPAK pada Dinas Kependudukan Dan Pencatatan Sipil Kabupaten Bekasi. Data yang diperoleh pada penelitian ini adalah dari literature yang relevan dari tahun 2018-2023. Metode penelitian ini menggunakan metode kuantitatif dengan sampel sebanyak 80 responden. Metode pengambilan sampel ini menggunakan model purposive sampling dengan Teknik analisis data berupa uji normalitas data, heteros yang di olah dengan menggunakan aplikasi SPSS versi 27 uji normalitas, uji heterokesdastisitas serta uji linieritas. Hasil dari penelitian ini menunjukan sistem informasi layanan online berbasis website SITEPAK sangat berpengaruh terhadap layanan Dinas Kependudukan Dan Pencatatan Sipil Kabupaten Bekasi dikarenakan didukung dengan factor pemanfaatan sistem layanan online SITEPAK berupa kenyamanan pengguna, layanan pengguna dan fasilitas teknologi informasi.

Kata Kunci : Sistem Informasi; Layanan online; Website; SITEPAK; Studi Kuantitatif

Along with the rapid development of globalization. The role of information and communication technology systems will create connectivity between the community and government as public servants. In Indonesia, which is a country with a regional autonomous system, it is necessary to realize good governance by utilizing information and communication technology media or e-government. The implementation of e-government in the Bekasi Regency Government uses the SITEPAK website as a means of community administration services. The aim of this research is to find out how to implement the development of an online service information system based on the SITEPAK website at the Bekasi Regency Population and Civil Registration Service. The data obtained in this research is from relevant literature from 2018-2023. This research method uses quantitative methods with a sample of 80 respondents. This sampling method uses a purposive sampling model with data analysis techniques in the form of data normality tests, heteroscedasticity which is processed using the SPSS version 27 application, normality test, heteroscedasticity test and linearity test. The results of this research show that the online service information system based on the SITEPAK website is very influential on the services of the Bekasi Regency Population and Civil Registration Service because it is supported by utilization factors of the SITEPAK online service system in the form of user comfort, user service and information technology facilities.

Keywords: Information Systems; Online Services; Website SITEPAK; Studi Kuantitatif