Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal TIMES Jurnal Nasional Teknologi Komputer
Aidul Safii
Universitas Pembangunan Panca Budi
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Application of Decision Tree Algorithm for Classification of Adolescent Mental Health Using RapidMiner Aidul Safii
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i3.468

Abstract

Abstract−Mental health problems among adolescents have emerged as a serious concern in global scientific discourse, particularly as digital media usage intensifies. This study aims to develop a depression risk classification model for adolescents aged 13–19 years using the C4.5 (J48) Decision Tree algorithm, with predictor variables including daily social media usage duration, sleep quality and quantity, academic performance, and stress level. The data source is the Teen Mental Health Dataset from Kaggle, comprising 1,200 records with 13 attributes collected from 2022 to 2024. All analytical stages—from data preprocessing to model evaluation—were conducted using RapidMiner Studio. Model validation was performed through 10-fold cross-validation, yielding accuracy of 92.5%, precision of 91.8%, recall of 89.3%, and F1-Score of 90.5%. Based on feature importance analysis, stress_level, anxiety_level, and addiction_level proved to be the three dominant predictors of depression risk. TikTok users consistently showed higher stress levels than Instagram or combined platform users. The resulting model is interpretable and has potential for direct integration into school counseling practice and digital health research.
LSTM DENGAN DEEP LEARNING UNTUK KLASIFIKASI OPINI PUBLIK KELANGKAAN BAHAN BAKAR PASCA BANJIR DI MEDIA SOSIAL X Aidul Safii; Muhammad Iqbal
Jurnal TIMES Vol 15 No 1 (2026): Jurnal TIMES
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51351/jtm.15.1.2026903

Abstract

Penelitian ini berjudul Pemanfaatan LSTM dalam Deep Learning untuk Klasifikasi Opini Publik Kelangkaan Bahan Bakar Pasca Banjir di Media Sosial X. Penelitian bertujuan menganalisis sentimen publik terkait kelangkaan bahan bakar pasca banjir dengan menerapkan metode Long Short-Term Memory (LSTM) pada unggahan di platform X (dahulu Twitter). Data dikumpulkan menggunakan tool Tweet-Harvest melalui API X, kemudian diproses dengan tahapan preprocessing seperti case folding dan tokenizing, serta pelabelan otomatis menggunakan model transformer IndoBERT. Sebanyak 8.850 tweet tentang kelangkaan bahan bakar pasca banjir diklasifikasikan ke dalam dua kategori sentimen, yaitu positif dan negatif. Model LSTM dibangun dengan satu layer embedding, satu layer LSTM berukuran 128 unit, dan satu layer dropout, lalu dievaluasi menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi keseluruhan sebesar 85,11% dengan performa yang lebih baik dalam mengklasifikasikan sentimen negatif dibandingkan positif. Mayoritas tweet yang dianalisis cenderung menunjukkan sentimen negatif terhadap kelangkaan bahan bakar, mencerminkan keresahan masyarakat terhadap ketersediaan serta distribusi energi pasca bencana. Simpulan penelitian menegaskan bahwa metode LSTM efektif digunakan untuk menganalisis opini publik mengenai kelangkaan bahan bakar dan temuannya dapat menjadi masukan penting bagi pemangku kebijakan dalam merumuskan respons yang tepat. Penelitian ini juga memberikan kontribusi pada pengembangan studi analisis sentimen di Indonesia, khususnya terkait isu-isu kebencanaan dan krisis energi dengan pendekatan deep learning
Analisis Prediksi Tahfiz Qur'an Santri Mengunakan Algoritma K-means dan Naive Bayes Studi Kasus Pondok Pesantren Darul Makmur Al-Hafiz Aceh Tenggara Aidul Safii; Zulham Sitorus; Muhammad Iqbal
Jurnal Nasional Teknologi Komputer Vol 6 No 4 (2026): Oktober 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i4.632

Abstract

Program tahfiz Pondok Pesantren Darul Makmur Al-Hafiz Aceh Tenggara berharap setiap santri dapat menghafal tiga puluh juz. Namun, pembinaan yang konsisten tidak efektif karena capaian hafalan santri sangat beragam. Studi ini mengelompokkan siswa berdasarkan karakteristik capaian tahfiz dan menggunakan algoritma K-Means dan Naive Bayes untuk memprediksi tingkat hafalan mereka pada akhir masa pendidikan. Data penelitian terdiri dari 211 siswa dari kelas 7 hingga 11. Proses penelitian meliputi pembersihan data, transformasi jumlah hafalan ke satuan juz, penciptaan atribut turunan untuk laju hafalan (juz per tahun), normalisasi antara min dan max, penggunaan metode Elbow untuk menghitung jumlah klaster, dan ulangi perhitungan jarak Euclidean hingga konvergen. Hasil penelitian menunjukkan bahwa algoritma konvergen pada iterasi keempat dengan nilai Sum of Squared Error (SSE) sebesar 2,3707 dan koefisien Silhouette sebesar 0,628, yang menunjukkan bahwa algoritma memiliki struktur klaster yang wajar. Santri dibagi menjadi tiga kelompok klister: Rendah 149 santri (70,6%) menghafal 1,08 juz dan laju 0,52 juz per tahun; Sedang 53 santri (25,1%) menghafal 5,96 juz dan laju 2,09 juz per tahun; dan Tinggi 9 santri (4,3%) menghafal 18,56 juz dan laju 4,87 juz per tahun. Model menggunakan empat kategori hafalan, jenjang kelas, nilai muhadhoroh, dan jenis kelamin. Data diklasifikasikan secara sistematis menjadi 169 data latih dan 42 data uji, dengan perbandingan sekitar 80:20. Untuk menghindari peluang nol, peluang prior dan kemungkinan dihitung dengan koreksi Laplace. Selanjutnya, kelas dipilih berdasarkan nilai posterior terbesar. Hasil pengujian menunjukkan bahwa model sangat andal dalam mengenali santri kategori Rendah (recall 96,30%) dan Tinggi (recall 100%), dengan F1-score makro sebesar 74,85%. Kategori Sedang masih sering tertukar (recall 53,85%) karena interval kategori hafalan yang luas. Hasilnya menunjukkan bahwa Naive Bayes adalah alat yang tepat untuk digunakan saat merencanakan pembinaan tahfiz di pesantren.
Co-Authors Muhammad Iqbal Sitorus, Zulham