Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal SainsTech Innovation Journal
Asno Azzawagama Firdaus
Universitas Qamarul Huda Badaruddin Bagu
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
CLUSTERING DAFTAR PEMILIH TETAP (DPT) DI DESA KEREMBONG PADA PILKADA 2024 MENGGUNAKAN ALGORITMA K-MEANS DENGAN RAPIDMINER Samsul Arifin; Yuan Sa'adati; Asno Azzawagama Firdaus; M. Afriansyah; Joni Saputra
SainsTech Innovation Journal Vol. 8 No. 2 (2025): SIJ VOLUME 8 NOMOR 2 TAHUN 2025
Publisher : LPPM Universitas Qamarul Huda Badaruddin

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37824/sij.v8i2.2025.1120

Abstract

Pemilihan Kepala Daerah (Pilkada) merupakan elemen krusial dalam sistem demokrasi yang menuntut pengelolaan Daftar Pemilih Tetap (DPT) secara akurat dan efisien. Penelitian ini bertujuan untuk mengelompokkan Daftar Pemilih Tetap (DPT) di Desa Kerembong pada Pilkada 2024 menggunakan algoritma K-Means dengan bantuan RapidMiner. Latar belakang penelitian ini adalah masih ditemukannya penempatan pemilih yang tidak sesuai dengan domisili dusun, sehingga berpotensi menurunkan partisipasi pemilih. Metode penelitian meliputi tahap pra-pemrosesan data (preprocessing), konversi data kategorikal menjadi numerik dengan operator Nominal to Numerical, pelaksanaan clustering K-Means dengan nilai K = 12, serta evaluasi hasil menggunakan Davies-Bouldin Index (DBI). Jumlah data yang digunakan sebanyak 5.554 pemilih. Hasil clustering menunjukkan bahwa seluruh data berhasil dikelompokkan ke dalam 12 klaster yang mewakili pola lokasi tempat tinggal serupa. Nilai DBI sebesar 0.093 menunjukkan pemisahan antar klaster yang baik. Analisis perbandingan data sebelum dan sesudah clustering juga menunjukkan adanya TPS yang mengalami peningkatan jumlah pemilih hingga 70,11% (TPS 6) dan penurunan hingga 43,12% (TPS 7), sedangkan Tps 9 dan Tps 12 tetap stabil. Kesimpulan dari penelitian ini adalah algoritma KMeans efektif membantu Komisi Pemilihan Umum (KPU) dalam menata ulang distribusi pemilih agar penempatan TPS lebih tepat sasaran, logistik lebih efisien, dan partisipasi pemilih dapat meningkat.
Classification of Child Stunting Status Using the K-Nearest Neighbor (KNN) Algorithm Based on Toddler Growth Data in East Lombok Regency, West Nusa Tenggara Asno Azzawagama Firdaus; Arif Himawan; Junaedi; Anggun Sindiana; Istianah; Baiq Selviana Pertiwi; Baiq Wangi Narsih; Kartika Yundia; Ahmad Azhari
SainsTech Innovation Journal Vol. 9 No. 1 (2026): SIJ VOLUME 9 NOMOR 1 TAHUN 2026
Publisher : LPPM Universitas Qamarul Huda Badaruddin

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37824/sij.v9i1.2026.1351

Abstract

Stunting is a major nutritional issue in Indonesia that significantly impacts children's physical growth, cognitive development, and future quality of life. Childhood stunting can be identified using nutritional status indicators—such as weight-for-age (W/A), height-for-age (H/A), and weight-for-height (W/H)—specifically by observing a Z-score below -2 for the H/A indicator. The growing volume of anthropometric data on children under five necessitates a rapid and objective method for identifying stunting status. This study aims to classify children's stunting status using the K-Nearest Neighbor (KNN) algorithm based on growth data from children under five in East Lombok Regency, West Nusa Tenggara. The dataset comprises records for 3,416 children, including information on gender, age, weight-for-age (W/A), weight-for-height (W/H), and height-for-age (H/A). Data preprocessing involved removing duplicates, handling missing values, transforming categorical data, and applying Min-Max normalization. The data was split into 70% training data and 30% testing data, with the KNN algorithm applied using k = 5. Model evaluation was conducted using a confusion matrix. The results demonstrate that the KNN model achieved an accuracy rate of 83.15%, indicating a strong capability to classify stunting status based on the children's anthropometric characteristics. These findings confirm that the KNN algorithm can serve as a tool for healthcare professionals to identify stunting more rapidly, objectively, and efficiently, thereby supporting early prevention and management efforts.
Co-Authors Anggun Sindiana Arif Himawan Azhari, Ahmad Baiq Selviana Pertiwi Baiq Wangi Narsih Istianah Joni Saputra Junaedi Kartika Yundia M. Afriansyah Samsul Arifin Yuan Sa'adati