Article Per Year (5 Year)
p-Index From 2021 - 2026
17.547
P-Index
This Author published in this journals
All Journal JURNAL INFORMATIKA Conference on Innovation and Application of Science and Technology (CIASTECH) JSI (Jurnal sistem Informasi) Universitas Suryadarma Scientific Journal of Informatics G-Tech : Jurnal Teknologi Terapan Community Development Journal: Jurnal Pengabdian Masyarakat GANDRUNG: Jurnal Pengabdian Kepada Masyarakat Jurnal Aplikasi Teknologi Informasi dan Manajemen (JATIM) Journal of Students‘ Research in Computer Science (JSRCS) As-Sidanah : Jurnal Pengabdian Masyarakat Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan (JUSTIKPEN) Al-Khidmah Jurnal Pengabdian Masyarakat JUSTIFY : Jurnal Sistem Informasi Ibrahimy Jurnal Pengabdian Kolaborasi dan Inovasi IPTEKS JEECS (Journal of Electrical Engineering and Computer Sciences) Journal Of Computer Science And Technology JURNAL ILMIAH SAINS TEKNOLOGI DAN INFORMASI "JAMASTIKA" Jurnal Mahasiswa Teknik Informatika Jurnal Ilmiah Multidisiplin Nusantara Jurnal Cendekia Mengabdi Berinovasi dan Berkarya Jurnal Pengabdian Sosial GEMBIRA (Pengabdian Kepada Masyarakat) NGARSA: Journal of Dedication Based on Local Wisdom JUAN: Jurnal Pengabdian Nusantara Jurnal Riset Teknik Komputer Jurnal Pengabdian Masyarakat Ekonomi dan Bisnis Digital Jurnal Padamu Negeri Jurnal Sistem Informasi Karya Anak Bangsa Journal Educational Research and Development Journal Dekstop Application (JDA) Jurnal Teras Pengabdian Masyarakat (JISCO) Journal of Information System and Computing NJCOM: Community Service Journal Jurnal Pengabdian Masyarakat Multidisiplin Journal Of Global Computer Science
Fatah, Zaehol
Fakultas Sains Dan Teknologi Universitas Ibrahimy
Religion Agriculture, Biological Sciences & Forestry Humanities Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mechanical Engineering Physics Public Health Social Sciences Other

Published : 157 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 157 Documents
Search

 11   12   13   14   15 
Implementasi Data Mining Pada Penjualan Buku Dengan Algoritma FP-GROWTH Menggunakan Rapidminer Muhammad Al Madany; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4651

Abstract

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
Analisis Opini Publik di YouTube terhadap Pemindahan Ibu Kota Negara Menggunakan Metode Naïve Bayes Roy Hamdan; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4662

Abstract

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 Level Stress Dengan Algoritma Naïve Bayes Menggunakan Rapidminer Ahmad Afif Azmi; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4663

Abstract

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
Implementasi Algoritma C4.5 dalam Mengklasifikasi Tingkat Kepuasan Konsumen E-Commerce Berdasarkan Ulasan Online Egi Gusnandi Pratama; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4664

Abstract

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 Risiko Stroke Menggunakan Metode Decision Tree pada Healthcare Dataset Stroke Data Mahattir Rahman Muhammad; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4665

Abstract

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
E-Monitoring Hafalan Alfiyah Ibnu Malik Berbasis Web di MTs Salafiyah Syafi’iyah Putra Mohammad Zainuddin; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4667

Abstract

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 Komentar YouTube pada Video Pembelajaran Bahasa Inggris Menggunakan Naïve Bayes Classifier (NBC) Eny Itsnainy Agustin; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4668

Abstract

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
Clustering Data Penyakit Jantung Menggunakan K-MEANS dalam Sistem Informasi Kesehatan Farizal Maulana Sopyan; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4670

Abstract

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
Sistem Informasi Data Acara Kegiatan PROKOPIM (Protokol dan Komunikasi Pimpinan) Berbasis Mobile Di Pemkab Bondowoso Irma Siftiana; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4671

Abstract

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.
Klasifikasi Sentimen Komentar Youtube tentang Tagar #KaburAjaDulu dengan Algoritma Naïve Bayes untuk Menggambarkan Persepsi Gen Z Indonesia Nauradhia Shofarianti Putri; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4672

Abstract

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
Co-Authors Abd. Moeqshit Abdul Jalil Abu Dzarrin Al Ghifari Achmad Baijuri Achmad Nanung Fambriyadi Adinia Zulfa nurany Afdhaliyah Ramadhatul Fitriyah Agel Ahmad Maulana Agus Hamid Cholil Ahmad Afif Azmi Ahmad Efendi Ahmad Farissul Haq Ahmad Fauzan Ahmad Homaidi Ahmad Muflih Wafir Ahmad Wahyu Fernando Ahmad Yasin Ahmad Yogianto Ahmada Ilham Huzaini Ainur Yakin Aisyah Putri Sabrina Akhlis Munazilin Ali Muhajir Alifan Ibrohim Alvananta Farhan Maulana Alvina Jelita Firdaus Angga Saputra Anis Mukarromah Anisatul Rhodiah Ardila Dwi Putri Asvic Baid Anbala As’ad Alwi Shihab Auliya Auliya Bayu Ainur Rifki Cindy Nur Dina Alifia Daniel As’ad Amrullah dewi khoirunisak Dhiyaul Haq Hasan Dofiyanto Dwi Inayatul Fadila Dwi Norrepa Egi Gusnandi Pratama Endah Wahyu Rizki Eny Itsnainy Agustin Evvatun Nafiah Faqih Nur Rahman Farizal Maulana Sopyan Fikri Febrian Filsa Salsabila Fitra Lia Shofiah Hilma Aufini Ika Ayu Herlina Imam Nawawi Indra Hidayatullah Sofyan Intan Nayla Widad Hidayat Iqbal Saputra Irma Siftiana Irma Yunita Irma Yunita Jarot Dwi Prasetyo Jarot Dwi Prasetyo Karomah Nikmatul Maula Khoiriyah Agustin Ulumiyah Kiki Setiawan Heri Ananda Putra Lailatul Badriya Lailatur Romadhaniyah Lisa Muhfidha Lukman Aliyasin Lukman Fakih Lidimilah Lummatul Aisi aisi M. Fazlur Rahman Assauqi Madatahliya Mahattir Rahman Muhammad Mahmudi Mahmudi Manisa Sopia Mori mori Maridatul Husna Mas’udah masudah Maulidya Hanun Mayla Dini Zakkia Mita Abelia Moh Nailul Fahmi Moh. Aqil Mukhtar Alfarera Moh. Bahauddin Mohamad Afil Nadiq Nabil Mohammad Hadi Sujatmiko Mohammad Zainuddin Muhamad Iqbal Facruzi Muhammad Al Madany Muhammad Ilzam Asrori Muhammad Irsyad Syarif Muhammad Marizal Muhammad Muhajir Saddami Muhammad Nabil Dhiya’ul Haq Muhammad Nur Alif Haqiqi Muhammad Salman Al Farisy Muhammad Syafiq Muhammad Zakaria Muwasatil Muhtajin Nafilil Madani Al-Qur’ani Naila Ismi Fadila Nasywa Faiz Atillah Mifta Nauradhia Shofarianti Putri Nazwa Andita Neny Yuli Susanti Neny Yuli Susanti Nori Nur Fasratul Aini Nur Aini Nur Azizah Nur Kamila Nurul Lailiyah Putri Ghina Ardhika Putri Ilma Raudatuss Syifa Putri Navizah Qurrotul A'yun Rafi Jaabil Haqqi Rahmat Syarifuddin Chairil Anwar Rendi Aldiansyah Resti Aprilianingsih Riana Agustin Rifki Dwi Saputra Rinayatul Fadilah Riskiyatul Hasanah Risma Nur Kholishah Rofi Dian Andini Rofiatul Aulia Rohiqim Mahtum Rohiqim Mahtum Roy Hamdan Samsul Shinta Nuriyah Lailatul Iqrimah Siti Afiyah Suryadi Rahmah Siti Farhatus Shofiyyah Sitti Hafidzaturrafiah Sofiatuz Zamani Sri Wahyuni Supandi Syadza Najwatis Shaleha Syafiq Ilham Hakim Syamsul Arifin Syarif Hidayatullah Syariful Abrori Taufik Saleh Taufik Saleh Tawakal, Anzori Tilawatus Syarqiyah Tuti Alawiyah Ubay Dillah Mas’ud Ulfatun Najiyah Ummariyatul Fitriyah Ummul Karimah Uny Khafifah Uswatul Muftakiyah Wahyu Achmad Putra wardatun nafisa wardhatun khasanah Yaumil Farah Zainal Mu'en Zainul Arifin Alwi Al Qayyis Zainur Rohman Zeinurrahman Zeinurrahman