Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
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 : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 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

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
Co-Authors Muhammad Iqbal