Garuda - Garba Rujukan Digital

ASSOCIATION RULE MINING EKSTRAKSI POLA PERILAKU PENGGUNA TIKTOK SISWA SD Sopi Sopi; Chandra Kirana
Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/joism.2026v8i1.2528

Penelitian ini didasari oleh fenomena paparan konten digital yang masif pada anak usia dini, yang memicu kekhawatiran terkait pola konsumsi konten yang tidak terkendali. Urgensi penelitian ini terletak pada pentingnya pemetaan perilaku digital siswa secara empiris guna mendukung efektivitas pengawasan orang tua dan pihak sekolah. Dengan menerapkan teknik Association Rule Mining melalui algoritma Apriori, penelitian ini mengekstraksi pola perilaku tersembunyi dari 96 responden di SD Negeri 19 Toboali. Fokus analisis diarahkan pada hubungan antara kategori konten, durasi menonton, dan jenis interaksi pengguna. Hasil penelitian menunjukkan bahwa konten hiburan (dance dan comedy) secara konsisten memicu interaksi Like pada durasi sesi pendek dengan nilai confidence mencapai 90,91%. Hal ini mengidentifikasi kecenderungan anak dalam mencari keputusan instan di media sosial. Di sisi nilai, ditemukan pola loyalitas tinggi pada konten edukasi terhadap perilaku Full Watch dengan nilai lift ratio 2,14. Temuan ini diharapkan menjadi instrumen strategis dalam merumuskan langkah literasi digital yang lebih presisi.

ANALISIS KOMPARATIF NAIVE BAYES, RANDOM FOREST: INDIKATOR DEPRESI TEKS PADA TWITTER Ika Sari Romadon; Chandra Kirana
Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/joism.2026v8i1.2547

Depresi mereupakan isu kesehatan mental krusial pada remaja, di mana stigma sosial mendorong ekspresi emosional secara daring. Penelitian ini bertujuan melakukan studi komparatif antara algoritma Naïve Bayes (NB) dan Random Forest (RF) untuk mengidentifikasi model klasifikasi yang paling efektif dalam deteksi depresi berbasis teks. Data dikumpulkan melalui Twitter API (N = 100 pengguna) dengan prapemrosesan seperti normalisasi slang dan penanganan negasi, kemudian diubah menjadi vektor menggunakan TF-IDF. Hasil menunjukkan Random Forest mencapai akurasi 90%, mengungguli Naïve Bayes yang mencatat akurasi 80%. RF menunjukkan kinerja superior pada metrik diagnostik dengan F1-Score 89,3%, sementara NB memiliki Recall tinggi namun rentan terhadap False Positive. Random Forest direkomendasikan untuk sistem deteksi dini karena stabilitas akurasi dan presisi yang tinggi dalam menangani data teks media sosial yang tidak terstruktur.

ANALISIS SENTIMEN ULASAN APLIKASI SNAPSEED DI GOOGLE PLAYSTORE MENGGUNAKAN NAÏVE BAYES Rahmat Arifin; Chandra Kirana
Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/joism.2026v8i1.2562

Tujuan dalam penelitian ini adalah untuk menganalisis sentimen ulasan dari pengguna aplikasi Snapseed di Google Play Store dengan menggunakan algoritma Naïve Bayes. Ulasan yang didapat dari para pengguna mengandung informasi penting mengenai tingkat kepuasan dan kualitas pada sebuah aplikasi, namun dibutuhkan pendekatan otomatis berbasis text mining karena jumlahnya yang besar. Data penelitian yang didapat melalui proses web scraping sebanyak 1000 ulasan, lalu setelah tahap seleksi dan pra-pemrosesan dapatlah 899 data ulasan berbahasa Indonesia. Pelabelan sentimen dilakukan otomatis menurut rating pengguna menjadi sentimen positif dan negatif. Data teks direpresentasikan memakai metode pembobotan TF-IDF dan diklasifikasikan menerapkan algoritma Multinomial Naïve Bayes dengan pembagian data latih dan data uji sebesar 80:20. Hasil yang diperoleh dari penelitian membuktikan bahwa model menghasilkan akurasi sebesar 0,90 dan mampu mengklasifikasikan sentimen ulasan dengan baik, dengan sentimen positif lebih mendominasi terhadap aplikasi Snapseed. ini menandakan bahwa algoritma Naïve Bayes efektif digunakan dalam menganalisis sentimen ulasan aplikasi berbasis teks.

STUDI KOMPARASI SVM DAN NBC TERHADAP KLASIFIKASI SENTIMEN APLIKASI DANA Muhammad Rapi; Chandra Kirana
Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/joism.2026v8i1.2569

Penelitian ini mengeksplorasi efektivitas komparasi antara model Support Vector Machine (SVM) dan Naïve Bayes Classifier (NBC) dalam menganalisis sentiment ulasan pengguna aplikasi DANA pada Google Play Store. Studi ini dilakukan untuk mengisi kesenjangan penelitian sebelumnya yang belum mengeksplorasi penanganan kelas opini netral secara spesifik pada objek aplikasi finansial yang sama. Sebanyak 4.800 data tekstual diproses melalui tahapan prapemrosesan sistemas, meliputi cleaning, case folding, tokenisasi, dan stemming Sastrawi. Melalui pembobotan TF-IDF yang menghasilkan 3.715 fitur unik, temuan riset mengonfirmasi dominansi SVM dengan capaian akurasi sebesar 82,29%, melampaui arsitektur NBC yang mencatatkan nilai 81,46%. Meskipun performa pada kelas positif dan negative sangat mumpuni, kedua algoritma menghadapi kendala signifikan dalam mengidentifikasi kategori netral (f1-score 0,00) akibat distribusi data yang tidak seimbang secara ekstrem. Hasil penelitian ini memberikan rekomendasi strategis bagi pengembang aplikasi dan akademisi dalam mengoptimalkan model klasifikasi sentiment pada sektor fintech.

IMPLEMENTASI QOS PADA JARINGAN HOTSPOT LABORATORIUM KAMPUS BERBASIS MIKROTIK Muhammad Irawan; Chandra Kirana
Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/joism.2026v8i1.2586

Laboratorium komputer di lingkungan kampus memiliki tiga ruang laboratorium dengan total 90 komputer yang terhubung ke jaringan hotspot kampus dengan kapasitas bandwidth internet sebesar 1 Gbps. Namun, keterbatasan kemampuan perangkat router dan access point dalam menangani banyak koneksi secara bersamaan, serta belum adanya mekanisme pengelolaan bandwidth, menyebabkan distribusi bandwidth tidak merata dan kualitas sinyal WiFi tidak stabil. Kondisi ini mengakibatkan penurunan kualitas layanan seperti tingginya delay, meningkatnya packet loss, dan rendahnya throughput terutama pada saat penggunaan serentak. Penelitian ini bertujuan untuk mengimplementasikan Quality of Service (QoS) pada jaringan hotspot laboratorium kampus berbasis Mikrotik guna meningkatkan stabilitas dan pemerataan akses internet. Metode yang digunakan adalah penerapan manajemen bandwidth menggunakan teknik Simple Queue dengan algoritma Per Connection Queue (PCQ), kemudian dilakukan pengukuran parameter QoS berupa throughput, delay, jitter, dan packet loss sebelum dan sesudah implementasi. Hasil pengujian menunjukkan bahwa penerapan QoS berbasis PCQ mampu meningkatkan throughput sebesar 170%, menurunkan delay sebesar 74%, menurunkan jitter sebesar 89%, dan menurunkan packet loss sebesar 83%. Dengan demikian, penerapan QoS berbasis PCQ mampu meningkatkan kestabilan jaringan dan pemerataan bandwidth pada seluruh komputer laboratorium sehingga kualitas layanan internet menjadi lebih optimal untuk mendukung kegiatan praktikum dan pembelajaran.

Two-Stage Tuning of Machine Learning Models for Heart Disease Classification on Synthetic Data Marini; Tri Sugihartono; Chandra Kirana; Benny Wijaya; Hamidah
Journal of Information System and Informatics Vol 8 No 3 (2026): June
Publisher : Asosiasi Doktor Sistem Informasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63158/journalisi.v8i3.1599

Heart disease remains a leading global cause of mortality, highlighting the need for accurate early risk classification. This study benchmarks Random Forest, XGBoost, and Logistic Regression for heart disease risk classification using a synthetic, perfectly balanced dataset, while addressing performance limitations caused by inadequate hyperparameter configuration. The dataset comprised 70,000 samples with a 50/50 class distribution and 18 clinical and demographic features. Although useful for controlled benchmarking, synthetic balanced data may yield optimistic estimates and may not fully represent real-world clinical variability. Each model was implemented in a scikit-learn Pipeline with median imputation and, where applicable, standard scaling. A two-stage tuning strategy was applied by combining RandomizedSearchCV with GridSearchCV refinement to optimize model configurations systematically. Under these benchmarking conditions, XGBoost achieved the best test performance, with an F1-score of 99.34%, AUC-ROC of 99.97%, and accuracy of 99.34%. Random Forest obtained an F1-score of 99.20% and AUC-ROC of 99.95%, while Logistic Regression achieved an F1-score of 99.12% and AUC-ROC of 99.95%. Age, pain in the arms/jaw/back, and cold sweats/nausea were the most influential predictors. The proposed framework is reproducible, computationally efficient, and suitable for validation on heterogeneous clinical datasets.

Title

Found 6 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search