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

 12   13   14   15   16 
Sistem Informasi Peminjaman Dan Pengembalian Alat Laboratorium Komputer Berbasis Web Endah Wahyu Rizki; 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.v5i1.4698

Abstract

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
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.v5i1.4701

Abstract

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
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.v5i1.4703

Abstract

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.
Implementasi Algoritma Random Forest untuk Prediksi Harga Mobil Menggunakan Dataset Car Assignment Daniel As’ad Amrullah; 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.v5i1.4711

Abstract

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,
Menerapkan Algoritma Data Mining Untuk Memahami Profil dan Preferensi Pembeli Online Menggunakan Metode K – Means Nafilil Madani Al-Qur’ani; 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.v5i1.4712

Abstract

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.
Implementasi Teknik Data Mining Terhadap Data Pola Minat Mahasiswa Menggunakan Metode Apriori Achmad Nanung Fambriyadi; 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.v5i1.4732

Abstract

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
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.v5i1.4733

Abstract

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
Implementasi Decision Tree untuk Prediksi Tingkat Kesehatan Berdasarkan Data Rekam Medis Pasien Dhiyaul Haq Hasan; 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.v5i1.4734

Abstract

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
Clustering Data Produksi untuk Identifikasi Pola Perakitan Hardware Menggunakan K-Means Kiki Setiawan Heri Ananda Putra; 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.v5i1.4737

Abstract

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
Sistem Informasi Administrasi Insentif Huffadz Berbasis Web Pada Kabupaten Bondowoso Nurul Lailiyah; 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.v5i1.4804

Abstract

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
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