Article Per Year (5 Year)
p-Index From 2021 - 2026
2.495
P-Index
This Author published in this journals
All Journal CESS (Journal of Computer Engineering, System and Science) IJISTECH (International Journal Of Information System & Technology) Jurdimas (Jurnal Pengabdian Kepada Masyarakat) Royal JOURNAL OF SCIENCE AND SOCIAL RESEARCH Building of Informatics, Technology and Science Journal of Education and Teaching Learning IJISTECH Jurnal Teknik Informatika Golden Ratio of Data in Summary
Sitorus, Zunaida
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : JOURNAL OF SCIENCE AND SOCIAL RESEARCH

 1 
ANALISIS PENCATATAN AKTA KELAHIRAN MENGGUNAKAN METODE CLUSTERING Fahlefi, Reza Revo; Sitorus, Zunaida
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2711

Abstract

Abstract: This study explores the application of the K-Means Clustering algorithm in grouping birth certificate data in Labuhanbatu Utara Regency. The aim of this research is to identify patterns in birth certificate ownership across various regions and to facilitate data clustering to support government planning related to birth certificate ownership. The analysis reveals that the K-Means Clustering method is effective in categorizing data according to the level of birth certificate ownership. Regions such as Kualuh Hulu, NA IX-X, and Kualuh Selatan have high levels of birth certificate ownership, while Kualuh Hilir, Aek Kuo, and Marbau fall into the medium category. Meanwhile, Kualuh Leidong and Aek Natas show low levels of birth certificate ownership. This information is crucial for designing targeted outreach programs to raise public awareness of the importance of having a birth certificate. The consistency of clustering results between the first and second iterations demonstrates the stability and efficiency of the K-Means method, achieving accurate outcomes without the need for multiple iterations. Therefore, the K-Means algorithm proves to be a reliable data analysis tool for decision-making in government programs. Keywords: K-Means Clustering, Birth Certificate, Data Clustering. Abstrak: Penelitian ini membahas penerapan algoritma K-Means Clustering dalam pengelompokan data akta kelahiran di Kabupaten Labuhanbatu Utara. Tujuan dari penelitian ini adalah untuk mengidentifikasi pola kepemilikan akta kelahiran di berbagai wilayah serta mempermudah proses pengelompokan data guna mendukung perencanaan program pemerintah terkait kepemilikan akta kelahiran. Penelitian ini menggunakan data kuantitatif dari Disdukcapil Kabupaten Labuhanbatu Utara. Berdasarkan analisis yang dilakukan, hasil menunjukkan bahwa metode K-Means Clustering efektif dalam mengelompokkan data sesuai dengan tingkat kepemilikan akta kelahiran. Wilayah Kualuh Hulu, NA IX -X, dan Kualuh Selatan memiliki tingkat kepemilikan yang tinggi, sementara Kualuh Hilir, Aek Kuo, dan Marbau berada pada kategori sedang. Sedangkan wilayah Kualuh Leidong dan Aek Natas menunjukkan tingkat kepemilikan akta kelahiran yang rendah. Informasi ini penting untuk merancang program penyuluhan yang lebih tepat sasaran guna meningkatkan kesadaran masyarakat akan pentingnya memiliki akta kelahiran. Konsistensi hasil clustering antara iterasi pertama dan kedua menunjukkan stabilitas dan efisiensi metode K-Means, dengan hasil yang akurat dapat dicapai tanpa memerlukan banyak iterasi. Dengan demikian, algoritma K-Means dapat diandalkan sebagai alat analisis data dalam pengambilan keputusan untuk program pemerintah. Kata kunci: K-Means Clustering, Akta Kelahiran, Pengelompokan Data.
KLASIFIKASI IRIS SPECIES MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) Sitorus, Zunaida; Nurliana, Nurliana; Selase, Septinur; Patmala, Desi; Nuraini, Sulhani; Aritia, Yusria; Margolang, Izwal Jamil
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 9, No 1 (2026): February 2026
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i1.5751

Abstract

Abstract : Iris species classification is an important topic in the field of data mining and machine learning because it is commonly used as a benchmark dataset for classification methods. This study aims to design and implement an information system that can classify Iris flower species using the K-Nearest Neighbor (KNN) method. The dataset used in this research is the Iris dataset, which consists of 150 data records with four attributes: sepal length, sepal width, petal length, and petal width, and three classes, namely Iris Setosa, Iris Versicolor, and Iris Virginica. The KNN method works by calculating the distance between test data and training data using the Euclidean distance formula and determining the class based on the majority of the nearest neighbors. The results of the study show that the KNN method is able to classify Iris species accurately with a good level of performance. Based on the testing results, the developed system can assist users in identifying Iris species effectively and efficiently. In conclusion, the K-Nearest Neighbor method can be successfully applied in an information system for Iris species classification. Keywords: Classification, Iris Dataset, K-Nearest Neighbor, Data Mining, Machine Learning Abstrak : Klasifikasi spesies Iris merupakan topik penting dalam bidang data mining dan machine learning karena sering digunakan sebagai dataset standar dalam pengujian metode klasifikasi. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem informasi yang dapat mengklasifikasikan spesies bunga Iris menggunakan metode K-Nearest Neighbor (KNN). Dataset yang digunakan adalah dataset Iris yang terdiri dari 150 data dengan empat atribut, yaitu panjang sepal, lebar sepal, panjang petal, dan lebar petal, serta tiga kelas yaitu Iris Setosa, Iris Versicolor, dan Iris Virginica. Metode KNN bekerja dengan menghitung jarak antara data uji dan data latih menggunakan rumus Euclidean Distance, kemudian menentukan kelas berdasarkan mayoritas tetangga terdekat. Hasil penelitian menunjukkan bahwa metode KNN mampu mengklasifikasikan spesies Iris dengan tingkat akurasi yang baik. Berdasarkan hasil pengujian, sistem yang dikembangkan dapat membantu pengguna dalam mengidentifikasi spesies Iris secara efektif dan efisien. Dengan demikian, metode K-Nearest Neighbor dapat diterapkan dengan baik dalam sistem informasi klasifikasi Iris Species. Kata Kunci : Klasifikasi, Dataset Iris, K-Nearest Neighbor, Data Mining, Machine Learning
IMPLEMENTASI ALGORITMA K-MEANS UNTUK SEGMENTASI PRODUK MAKANAN BERDASARKAN HARGA DAN RATING PADA GOFOOD Saragih, Irma Sari Dewi; Sitorus, Zunaida
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 9, No 1 (2026): February 2026
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i1.5736

Abstract

Abstract: This study aims to apply the K-Means algorithm for food product segmentation on the GoFood service based on price and rating variables. The large variety of available products makes data difficult to analyze without systematic grouping, necessitating a method capable of automatically clustering data so that patterns and characteristics become clearer. The K-Means algorithm was chosen for its simple, fast, and effective computational process in dividing data based on distance similarity. The research process includes collecting public datasets, determining the number of clusters, selecting initial centroids, calculating distances using Euclidean Distance, grouping data to the nearest cluster, and iteratively updating centroids until convergence is achieved. Results show that K-Means successfully grouped data into three clusters: Cluster 1 with high price and high rating, Cluster 2 with moderate price and highest rating, and Cluster 3 with low price and very high rating. This study produced a web-based system that automatically processes data and displays clustering results in an easily understandable interface. Keywords: K-Means, Clustering, Segmentation, GoFood, Data Mining Abstrak: Penelitian ini bertujuan menerapkan algoritma K-Means untuk segmentasi produk makanan pada layanan GoFood berdasarkan variabel harga dan rating. Banyaknya variasi produk menyebabkan data sulit dianalisis tanpa pengelompokan sistematis, sehingga diperlukan metode yang mampu mengelompokkan data secara otomatis agar pola dan karakteristik terlihat lebih jelas. Algoritma K-Means dipilih karena memiliki proses perhitungan yang sederhana, cepat, dan efektif dalam membagi data berdasarkan tingkat kemiripan jarak. Proses penelitian meliputi pengumpulan dataset publik, penentuan jumlah cluster, pemilihan centroid awal, perhitungan jarak menggunakan Euclidean Distance, pengelompokan data ke cluster terdekat, hingga pembaruan centroid secara iteratif sampai kondisi konvergen tercapai. Hasil penelitian menunjukkan K-Means berhasil mengelompokkan data ke dalam tiga cluster: Cluster 1 dengan harga tinggi dan rating tinggi, Cluster 2 dengan harga sedang dan rating tertinggi, serta Cluster 3 dengan harga rendah dan rating sangat tinggi. Penelitian ini menghasilkan sistem berbasis web yang mengolah data secara otomatis dan menampilkan hasil clustering dalam tampilan mudah dipahami. Kata kunci: K-Means, Clustering, Segmentasi, GoFood, Data Mining
PENERAPAN DATA MINING DALAM MENENTUKAN TINGKAT KEPUASAN PENGUNJUNG TERHADAP KOLEKSI MUSEUM Fauzi, Muhammad; Sitorus, Zunaida
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 9, No 1 (2026): February 2026
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i1.5935

Abstract

Abstract: This study aims to apply data mining to determine visitor satisfaction levels at the Batu Bara Regency Museum. The main problem is the suboptimal use of visitor data and visitor questionnaire results to objectively evaluate satisfaction. The method used is the Naïve Bayes algorithm to classify visitor satisfaction levels based on questionnaire and visit data. The research stages include data collection, data analysis, system design using UML, implementation with PHP and MySQL, and system testing. The results show that the Naïve Bayes algorithm is capable of classifying visitor satisfaction levels effectively and providing accurate information for museum management. This system supports data-driven decision-making and helps improve the quality of museum services and management. Keywords: Data Mining; Naïve Bayes; Visitor Satisfaction Classification; Decision Support System; Batu Bara Regency Museum. Abstrak: Penelitian ini bertujuan menerapkan data mining dalam menentukan tingkat kepuasan pengunjung Museum Kabupaten Batu Bara. Permasalahan utama adalah belum optimalnya pemanfaatan data kunjungan dan hasil angket pengunjung untuk mengevaluasi kepuasan secara objektif. Metode yang digunakan adalah algoritma Naïve Bayes untuk mengklasifikasikan tingkat kepuasan pengunjung berdasarkan data kuesioner dan data kunjungan. Tahapan penelitian meliputi pengumpulan data, analisis data, perancangan sistem menggunakan UML, implementasi dengan PHP dan MySQL, serta pengujian sistem. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu mengklasifikasikan tingkat kepuasan pengunjung dengan baik dan memberikan informasi yang akurat bagi pengelola museum. Sistem ini mendukung pengambilan keputusan berbasis data serta membantu peningkatan kualitas layanan dan pengelolaan museum. Kata kunci: Data Mining; Naïve Bayes; Klasifikasi Kepuasan Pengunjung; Sistem Pendukung Keputusan; Museum Kabupaten Batu Bara.
Co-Authors Ahmad Kholid, Ahmad Aritia, Yusria Batubara, Lokot Ridwan Bintan, Sri Dewi, Rantika Efendi, Elfin Fahlefi, Reza Revo Fajri, Surya Faridz, M.Rizky Al Fitri, Rindi Maylinda Gunawan, Heru Handayani, Triana Puspa Hasibuan, Cici Cahyati Julianti Lubis, Fitri Handayani Margolang, Izwal Jamil Miftahul Jannah Nuraini, Sulhani NURLIANA NURLIANA Patmala, Desi Putri, Seprina Aulia Saragih, Irma Sari Dewi Selase, Septi Nur Selase, Septinur Siswahyudianto Syahrani, Nadia