Article Per Year (5 Year)
p-Index From 2021 - 2026
10.649
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Industri Pertanian Jurnal Masyarakat Informatika JUTI: Jurnal Ilmiah Teknologi Informasi Seminar Nasional Informatika (SEMNASIF) JOIN (Jurnal Online Informatika) Abdimas Pedagogi: Jurnal Ilmiah Pengabdian kepada Masyarakat JOIV : International Journal on Informatics Visualization Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat Jurnal Ecodemica : Jurnal Ekonomi Manajemen dan Bisnis Jurnal Teknik Informatika STMIK Antar Bangsa JITK (Jurnal Ilmu Pengetahuan dan Komputer) Jurnal Ekonomi, Manajemen Akuntansi dan Perpajakan (Jemap) J I M P - Jurnal Informatika Merdeka Pasuruan Applied Information System and Management Jurnal Teknoinfo Journal of Epidemiology and Public Health Jurnal Nasional Komputasi dan Teknologi Informasi Energi & Kelistrikan Indonesian Journal of Applied Informatics Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Literasiologi CSRID (Computer Science Research and Its Development Journal) Industri Inovatif : Jurnal Teknik Industri Jurnal Ilmu Komputer dan Bisnis Aisyah Journal of Informatics and Electrical Engineering Jurnal Sistem Informasi dan Informatika (SIMIKA) Journal of Innovation and Future Technology (IFTECH) TIN: TERAPAN INFORMATIKA NUSANTARA JURNAL AKTUAL AKUNTANSI KEUANGAN BISNIS TERAPAN (AKUNBISNIS) Journal of Intelligent Computing and Health Informatics (JICHI) Jurnal Sistem Informasi Journal of Industrial and Engineering System Jurnal Sains Indonesia Bulletin of Computer Science Research Journal of Students‘ Research in Computer Science (JSRCS) Journal Software, Hardware and Information Technology Jurnal Media Informatika JURNAL ELEKTRO DAN INFORMATIKA SWADHARMA (JEIS) Jurnal Mandiri IT J-Intech (Journal of Information and Technology) Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer Jurnal Sains dan Teknologi Jurnal Sains Informatika Terapan (JSIT) Paradigma Indonesian Journal Computer Science (ijcs) Jurnal Ilmiah Teknik Informatika dan Komunikasi Innovative: Journal Of Social Science Research Jurnal Komputer dan Teknologi (JUKOMTEK) CHAIN: Journal of Computer Technology, Computer Engineering and Informatics Jurnal Ilmiah Sistem Informasi Bulletin of Artificial Intelligence Riau Jurnal Teknik Informatika International Journal of Education, Vocational and Social Science Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK) Journal of Information Technology Jurnal Teknoinfo Komputasi : Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Ilmiah Sistem Informasi Akuntansi (JIMASIA) Jurnal Teknik Informatika dan Teknologi Informasi
Sumanto Sumanto
Universitas Bina Sarana Informatika, Indonesia
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 109 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 109 Documents
Search

 7   8   9   10   11 
Analisis Komparatif Sentimen Negatif Pengguna Platform E-Commerce Shopee dan Tokopedia selama Periode Diskon Faris Syahrendra; Cahyani Ayu Sulistyawati; Ginting Wibi Prasetyo; Sumanto Sumanto; Roida Pakpahan; Imam Budiawan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.110824

Abstract

Abstrak : Fenomena potongan harga besar pada platform jual beli online sering kali menimbulkan kekecewaan bagi pengguna karena masalah dalam layanan, harga, dan pengiriman. Studi ini bertujuan untuk menganalisis dan membandingkan perasaan pengguna terhadap Shopee dan Tokopedia selama masa promosi dengan cara menggunakan pendekatan machine learning. Data ulasan diambil dari Google Play Store, yang terdiri dari 929 ulasan untuk Shopee dan 1.111 ulasan untuk Tokopedia. Dua algoritma untuk klasifikasi sentimen, yaitu Naive Bayes dan Neural Network, diimplementasikan dan dievaluasi dengan metode validasi silang 10-fold. Temuan yang berasal dari penilaian analitis menunjukkan bahwa model Naive Bayes menunjukkan tingkat akurasi dan presisi tertinggi yaitu 91,0%, sementara Neural Network memperoleh 83,9%. Selain itu, ulasan positif mendominasi sentimen terhadap Shopee (70%), sedangkan Tokopedia lebih banyak diwarnai oleh sentimen negatif (60%). Penemuan ini menandakan bahwa pengguna lebih puas dengan pengalaman diskon di Shopee dan memberikan masukan strategis untuk peningkatan layanan e-commerce.===============================================Abstract :Large-scale discount events on e-commerce platforms often lead to user disappointment due to issues with service, pricing, and delivery. This study aims to analyze and compare user sentiment towards Shopee and Tokopedia during promotional periods using a machine learning approach. Review data were sourced from the Google Play Store, consisting of 929 reviews for Shopee and 1,111 for Tokopedia. Two algorithms for sentiment classification, namely Naive Bayes and Neural Network, were implemented and evaluated using the 10-fold cross-validation method. Findings from analytical assessments indicate that the Naive Bayes model demonstrates the highest level of accuracy and precision at 91.0%, while the Neural Network obtained 83.9%. Furthermore, positive reviews dominated the sentiment towards Shopee (70%), whereas Tokopedia was largely characterized by negative sentiment (60%). These findings indicate that users are more satisfied with the discount experience on Shopee and provide strategic input for the improvement of e-commerce services.
Perbandingan Algoritma Machine Learning untuk Klasifikasi Risiko Penyakit Paru Berdasarkan Data Diagnostik Pasien Alwan Kapi Muntaha; Kevin Dwi Satria; Desiana Nuranudin Putri; Sumanto Sumanto; Roida Pakpahan; Imam Budiawan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.110867

Abstract

Abstrak : Penyakit paru-paru termasuk salah satu faktor utama penyebab tingginya angka kematian di seluruh dunia. Kondisi ini terjadi karena penyakit paru-paru sering kali sulit terdeteksi pada tahap awal akibat gejalanya yang tidak spesifik. Perkembangan teknologi machine learning memberikan peluang untuk membantu proses diagnosis secara otomatis dengan memanfaatkan data diagnostik pasien. Penelitian ini bertujuan untuk mengklasifikasikan risiko penyakit paru menggunakan berbagai algoritma machine learning pada aplikasi Orange3, serta menentukan model dengan akurasi terbaik. Dataset yang digunakan terdiri dari 5.000 data pasien dengan 18 atribut yang mencakup faktor demografis, gaya hidup, riwayat medis, dan kondisi klinis seperti kadar oksigen, tingkat stres, dan kebiasaan merokok. Lima algoritma diuji, yaitu iDecision Tree, Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (kNN), dan Neural Network. Hasil pengujian menunjukkan bahwa Neural Network menghasilkan nilai akurasi tertinggi sebesar 89,15%, diikuti oleh Decision Tree (85,12%) dan Naïve Bayes (83,63%). Temuan ini membuktikan bahwa Neural Network lebih unggul dalam mengenali pola kompleks antarvariabel dan mampu memberikan prediksi yang lebih akurat. Dengan demikian, penelitian ini menegaskan potensi penerapan machine learning berbasis data diagnostik non-citra sebagai sistem pendukung keputusan untuk diagnosis dini penyakit paru.=================================================Abstract : Lung disease is a major contributing factor to high mortality rates worldwide. This is because lung disease is often difficult to detect in its early stages due to its nonspecific symptoms. The development of machine learning technology provides an opportunity to assist the automated diagnosis process by utilizing patient diagnostic data. This study aims to classify the risk of lung disease using various machine learning algorithms in the Orange3 application, and determine the model with the best accuracy. The dataset used consists of 5,000 patient data with 18 attributes covering demographic factors, lifestyle, medical history, and clinical conditions such as oxygen levels, stress levels, and smoking habits. Five algorithms were tested: Decision Tree, Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (kNN), and Neural Network. The test results showed that Neural Network produced the highest accuracy value of 89.15%, followed by Decision Tree (85.12%) and Naïve Bayes (83.63%). These findings prove that Neural Network is superior in recognizing complex patterns between variables and is able to provide more accurate predictions. Thus, this study confirms the potential of applying machine learning based on non-image diagnostic data as a decision support system for early diagnosis of lung disease.
Perbandingan Kinerja Algoritma Machine Learning dalam Klasifikasi Penyakit Fundus Menggunakan Citra Fundus Digital Kurniawan, Deny; Triyanto, Dedi; Sari Marita, Lita; Christian, Ade; Sumanto, Sumanto
Jurnal Ilmiah Sistem Informasi Akuntansi Vol. 5 No. 2 (2025): Volume 5, Nomor 2, December 2025
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jimasia.v5i2.1476

Abstract

Penyakit fundus mata seperti diabetic retinopathy, cataract, dan glaucoma merupakan penyebab utama gangguan penglihatan hingga kebutaan apabila tidak terdeteksi sejak dini. Diagnosis penyakit fundus secara konvensional masih sangat bergantung pada penilaian visual tenaga medis, yang berpotensi menimbulkan subjektivitas dan keterlambatan penanganan. Oleh karena itu, penelitian ini bertujuan untuk menerapkan dan membandingkan metode machine learning dalam mendeteksi penyakit fundus berdasarkan citra fundus digital serta menentukan algoritma dengan kinerja terbaik. Penelitian ini menggunakan dataset publik yang terdiri dari 600 citra fundus yang terbagi secara seimbang ke dalam empat kelas, yaitu Normal, Background Diabetic Retinopathy, Cataract, dan Glaucoma, dengan masing-masing kelas berjumlah 150 citra. Dataset dibagi menjadi data training dan data testing dengan rasio 80:20. Tiga algoritma machine learning yang digunakan adalah Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Random Forest. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa seluruh model mampu mencapai tingkat akurasi di atas 80%, dengan SVM menghasilkan akurasi tertinggi sebesar 88,0%, diikuti oleh KNN sebesar 87,7% dan Random Forest sebesar 82,5%. Hasil ini menunjukkan bahwa metode machine learning, khususnya SVM, efektif digunakan dalam mendeteksi penyakit fundus dan berpotensi dikembangkan sebagai sistem pendukung diagnosis dini. Meskipun demikian, penelitian lanjutan masih diperlukan dengan dataset yang lebih besar dan beragam untuk meningkatkan kemampuan generalisasi model.
Evaluasi Kinerja Algoritma Machine Learning SVM dan KNN pada Klasifikasi Penyakit Ginjal Triyanto, Dedi; Kurniawan, Deny; Sari Marita, Lita; Christian, Ade; Sumanto, Sumanto
Jurnal Ilmiah Sistem Informasi Akuntansi Vol. 5 No. 2 (2025): Volume 5, Nomor 2, December 2025
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jimasia.v5i2.1477

Abstract

Penyakit ginjal, mulai dari penyakit ginjal kronis hingga kondisi yang lebih serius seperti kista, batu ginjal, dan tumor, merupakan masalah kesehatan global yang memerlukan deteksi dini untuk mencegah komplikasi lebih lanjut. Metode diagnosis konvensional masih bergantung pada interpretasi subjektif tenaga medis, sehingga berpotensi menimbulkan ketidakkonsistenan dan keterlambatan penanganan. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja algoritma machine learning Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) dalam mendeteksi penyakit ginjal secara otomatis. Penelitian ini menggunakan dataset penyakit ginjal yang terdiri dari 4.000 data pasien yang terbagi secara seimbang ke dalam empat kelas, yaitu normal, kista, batu ginjal, dan tumor, dengan masing-masing kelas berjumlah 1.000 data. Dataset dibagi menjadi data training dan data testing dengan rasio 80:20. Proses pelatihan dan pengujian model dilakukan menggunakan algoritma SVM dan KNN, dengan evaluasi kinerja berdasarkan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan performa yang sangat tinggi, dengan SVM mencapai akurasi sebesar 99,6% dan KNN mencapai akurasi sebesar 99,8%. Hasil ini menunjukkan bahwa metode machine learning efektif digunakan dalam mendukung deteksi penyakit ginjal. Namun demikian, penelitian lanjutan dengan dataset yang lebih beragam dan data klinis nyata masih diperlukan untuk meningkatkan robustnes dan kemampuan generalisasi model.
ANALISIS MACHINE LEARNING UNTUK PREDIKSI PENYAKIT PARU-PARU MENGGUNAKAN RANDOM FOREST Ade Christian; Hariyanto Hariyanto; Ahmad Yani; Sumanto Sumanto
Journal of Innovation And Future Technology Vol. 7 No. 1 (2025): Vol 7 No 1 (Februari 2025): Journal of Innovation and Future Technology (IFTECH
Publisher : LPPM Unbaja

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47080/iftech.v7i1.3906

Abstract

Lung diseases, including COPD, lung cancer, and asthma, are serious global health issues, causing over seven million deaths annually. Advanced technologies, such as deep learning and the Random Forest algorithm, have been effectively utilized to detect and classify lung diseases from imaging data with high accuracy. This study aims to demonstrate the effectiveness of Random Forest in predicting lung diseases. The dataset used consists of 30,000 records with 11 attributes, collected from Kaggle and processed using Orange software version 3.36.2. The implementation of the Random Forest algorithm was conducted with 10 decision trees and six attributes considered at each split. The model was tested using Cross Validation with 10 folds. The testing results showed an AUC value of 0.993, indicating a very high level of accuracy. A confusion matrix was used to measure the model's performance through various metrics, including accuracy, precision, recall, F1-score, and AUC. This model achieved high accuracy, with ROC AUC values of 0.453 for predicting the presence of lung disease and 0.547 for predicting its absence. These results confirm that the Random Forest algorithm is an effective predictive tool for identifying lung diseases. This study makes a significant contribution to the development of more accurate and efficient diagnostic techniques, assisting medical professionals in identifying lung diseases in patients. With a deeper understanding of how this algorithm operates in the healthcare domain, it is expected to significantly enhance the quality of patient diagnosis and care.
Comparison of Objective Weighting Methods in SAW and Their Effect on Alternative Ranking Results Wang, Junhai; Setiawansyah, Setiawansyah; Sumanto, Sumanto
Jurnal Masyarakat Informatika Vol 17, No 1 (2026): May 2026 (Ongoing)
Publisher : Department of Informatics, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jmasif.17.1.78414

Abstract

Determining the weights of criteria is a vital stage in multi-criteria decision making, yet it often suffers from evaluator subjectivity and unstable results when relying on expert judgment. Dependence on human perception may also lead to inconsistencies among criteria, highlighting the need for objective, data-driven approaches to generate rational and measurable weights. This study analyzes and compares six objective weighting methods—Entropy, MEREC, RECA, G2M, LOPCOW, and CRITIC—in the selection of new store locations. Each method applies distinct mathematical principles but shares a common foundation in objective data analysis, free from subjective bias. The findings reveal that criterion S5 consistently receives the highest weight, emphasizing its dominant role in decision outcomes. Using the Simple Additive Weighting (SAW) method, New Store Location 5 ranks first across all weighting techniques, followed by Locations 3 and 8. The Spearman correlation test confirms a high level of consistency among methods, with coefficients of 1 for RECA, G2M, and LOPCOW, and 0.9879 for Entropy, MEREC, and CRITIC. These results demonstrate that objective weighting methods produce stable and reliable evaluations, effectively supporting data-based strategic decision making in multi-criteria contexts.
ANALISIS SENTIMEN ULASAN GAME DELTA FORCE MOBILE MENGGUNAKAN NAIVE BAYES DAN SUPPORT VECTOR MACHINE Zaky, Faiz Najwan; Gibran, Muhamad Rendi; Sumanto, Sumanto; Kumalasari, Jefina Tri; Taufiq, Ghofar; Christian, Ade
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no1.1115

Abstract

This study aims to analyze sentiment in Delta Force Mobile reviews on the Google Play Store using Naive Bayes and Support Vector Machines. Sentiment classification in reviews helps game developers understand player sentiment and improve user satisfaction. The method used is the KDD framework, which focuses on web scraping, text cleaning, tokenization, stemming, and TF-IDF for data weighting. The experimental data consisted of 29,454 reviews, with a peak accuracy rate of 86.17%. The study found a significant improvement in SVM’s ability to classify negative sentiment accurately. SVM had a score of 0.69, while Naive Bayes had a score of 0.56. This indicates that SVM is more accurate at classifying reviews that contain technical complaints, such as lag and bugs.Penelitian ini bertujuan menganalisis sentimen pada ulasan Delta Force Mobile di Google Play Store menggunakan Naive Bayes dan Support Vector Machine. Klasifikasi sentimen dalam ulasan digunakan untuk membantu pengembang game memahami sentimen pemain dan membantu meningkatkan kepuasan pengguna. Metode yang digunakan yaitu kerangka kerja KDD yang berfokus pada web scraping, pembersihan teks, tokenisasi, stemming, dan TF-IDF untuk memberi bobot pada data. Data yang digunakan dalam eksperimen berjumlah 29.454 ulasan, dengan tingkat akurasi tertinggi sebesar 86.17%. Hasil penelitian mendapatkan temuan signifikan bahwa SVM memiliki kemampuan yang lebih baik dalam mengklasifikasikan sentimen negatif secara akurat. SVM memiliki nilai 0,69 dan Naive Bayes memiliki nilai 0,56. Hal ini menunjukan bahwa SVM lebih akurat dalam mengklasifikasikan ulasan yang mengandung keluhan teknis seperti lag dan bug.
Klasterisasi Data Produksi Daging Sapi Menggunakan Algoritma K-Means Orange Data Mining Achmes Dade Ramadani; Farras Hilmy Ibrahim; Manarul Hidayat; Ahmad Habibullah; Sumanto Sumanto; Andi Diah Kuswanto
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 1 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i1.1013

Abstract

     Produksi daging sapi merupakan salah satu komponen penting dalam sektor peternakan yang mendukung ketahanan pangan nasional. Mengingat fluktuasi produksi dari tahun ke tahun dan perbedaan karakteristik antar wilayah, diperlukan metode analisis yang tepat untuk mengolah data secara efektif. Penelitian ini bertujuan untuk mengelompokkan data produksi daging sapi di Indonesia selama periode 2021 hingga 2024 menggunakan algoritma K-Means Orange Data Mining. Proses analisis mengikuti tahapan CRISP-DM, mulai dari pemahaman bisnis hingga deployment. Data yang digunakan diperoleh dari Badan Pusat Statistik dan diproses untuk menghasilkan tiga klaster utama: wilayah dengan produksi daging sapi tinggi, rendah, dan sedang. Hasil penelitian menunjukkan bahwa algoritma K-Means Orange Data Mining mampu mengelompokkan data produksi daging sapi secara efektif ke dalam beberapa klaster yang berbeda. Orange Data Mining turut membantu proses analisis data dengan tampilan antarmuka visual yang inovatif dan hasil yang mudah diinterpretasikan. Temuan ini diharapkan menjadi acuan dalam perumusan kebijakan strategis peternakan dan perencanaan distribusi produksi berbasis data. Hasil klasterisasi ini memberikan gambaran kepada pemerintah mengenai tingkat produksi daging sapi di setiap wilayah, sehingga memungkinkan pengambilan kebijakan atau langkah-langkah strategis yang lebih tepat dan sesuai dengan kondisi masing-masing wilayah berdasarkan hasil klasterisasi.
K-Means dan Data Mining Tools: Strategi Efektif untuk Menganalisis Siswa Putus Sekolah Ade Christian; Hariyanto Hariyanto; Ahmad Yani; Sumanto Sumanto
CHAIN: Journal of Computer Technology, Computer Engineering, and Informatics Vol. 3 No. 1 (2025): Volume 3 Number 1 January 2025
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/chain.v3i1.167

Abstract

Pendidikan memiliki peran penting dalam membangun sumber daya manusia yang berkualitas, namun permasalahan putus sekolah masih menjadi tantangan serius, terutama di tingkat Sekolah Menengah Kejuruan (SMK). Untuk mengatasi masalah ini, penelitian ini membandingkan tiga aplikasi data mining, yaitu RapidMiner, Orange, dan Weka, dalam mengelompokkan siswa putus sekolah menggunakan algoritma K-Means. Data yang digunakan diperoleh dari berbagai sumber dan diproses melalui tahapan pengujian, penerapan algoritma K-Means, serta perbandingan hasil klasterisasi. Hasil penelitian menunjukkan bahwa RapidMiner memiliki akurasi tertinggi sebesar 86%, diikuti oleh Orange dengan 80%, dan Weka dengan 73%. Perbedaan akurasi ini menunjukkan bahwa setiap aplikasi memiliki keunggulan dan keterbatasan masing-masing dalam pemrosesan data dan pengelompokan siswa berdasarkan pola tertentu. Dari hasil perbandingan ini, RapidMiner terbukti lebih optimal dalam menghasilkan klaster yang lebih akurat dan stabil dibandingkan dengan dua aplikasi lainnya. Meskipun penelitian ini menunjukkan hasil yang signifikan, masih terdapat beberapa keterbatasan, seperti jumlah dataset yang terbatas dan penggunaan satu algoritma saja (K-Means). Oleh karena itu, penelitian selanjutnya dapat menggunakan dataset yang lebih besar dan beragam, serta mengeksplorasi algoritma lain, seperti DBSCAN atau Hierarchical Clustering, untuk meningkatkan kualitas analisis. Selain itu, integrasi teknik machine learning yang lebih kompleks juga direkomendasikan guna meningkatkan akurasi prediksi. Hasil penelitian ini diharapkan dapat membantu lembaga pendidikan dalam mengidentifikasi pola siswa berisiko putus sekolah, sehingga dapat digunakan sebagai dasar dalam pengambilan keputusan dan strategi intervensi pendidikan yang lebih efektif. Kata Kunci: Data Mining; K-Means, Klasterisasi; RapidMiner; Orange; Weka; Siswa Putus Sekolah.
Co-Authors Abdurrachman, Qais Achmad Rivai Syahputra Achmes Dade Ramadani Ade Budiman, Ade Ade Christian Adi Pangestu Adi Supriyatna Aditia Yudhistira Agung Wibowo Agus Buono Ahmad Habibullah ahmad yani Ahmad Yani Ahmad Yani Ahmad Yani , Ahmad Yani Alamsyah, Muhammad Arkan Alghifar Firgiawan Alghiffary, Muhammad Adya Ali Mahmudi Ali, Muhamad Hafis Ali, Satrio Nur Alwan Kapi Muntaha Alya Avisa Andi Diah Kuswanto Andi Setiawan Andika Amansyah Andri Amico Anggreani, Namira Anita Adelia Syahfitri Antony Pangaribuan, Rizky Daud Apip Supiandi Aprilyanto, Ryan Dwi Ardiyansyah, Rizqi Ari Sulistiyawati Ari Sulistiyawati Ariskawati, Mila Arnata Nur Rasyid Arshad, Muhammad Waqas Arya, Yudi Asmawati Asmawati Asy'ari, Muhammad Rifqi Audy Aulia Azzahra Aulia Rachmat, Daffa Azkia, Farah Diba Bib Paruhum Silalahi Bismo Raharjo, Yohanes Aryo Budhi Adhiani Budhi Adhiani Christina Budi Santoso Budiman, Ade Surya Cahya, Titus Dwi Cahyani Ayu Sulistyawati Damayanti Damayanti Darmawi . Dedi Darwis Dedi Triyanto Dedi Triyanto Deny Kurniawan DENY KURNIAWAN Desiana Nuranudin Putri Dewi, Revinta Arrova Diah, Andi Dinda Aprillia Dyah Ayu Megawaty Dyani Kalyana Mitta Eka Dyah Setyaningsih Eka Putri Alvi Syahrina Elisabeth Sri Hendrastuti Erlangga Rizki Ekaptra Faatin, Safinah Fahrian Fahroni, Aldiwa Alfa Thira Nur Faiz Djarot, Raihan Jamal Fajar Akbar Fajar Yoga Adiansyah Fajrian, Ihsan Fardha Hasykir Farhan Fadhilah Faris Syahrendra Farras Hilmy Ibrahim Faruk Ulum Fathur Rismansyah Fauzan Nawwir Andriansyah Fauzan, Muhammad Indra Ganda Wijaya Ganda Wijaya, Ganda Ghofar Taufiq Gibran, Muhamad Rendi Ginting Wibi Prasetyo Gustian, Riansyah Hafis Nurdin Harianto Harianto Hariyanto Hariyanto HARIYANTO HARIYANTO Hartanti Hartanti Hartono Hartono Heni Nur Kusumawati Hernawan, Muhammad Hendra Idha Rizqi Pratiwi Imam Budiawan Imam Budiawan Imam Wahyudi Indra Chaidir, Indra Indra, Ahmad Indriani , Karlena Indriyanti, Zahra Kiky Dwi Insani Abdi Bangsa Iqro Mukti Arto Jefina Tri Kumalasari Joko Tri Haryanto Joseph Melchior Nababan Jumadi, Yakobus Linus Jumaryadi, Yuwan Junhai Wang Junhai Wang Kadir, Fauwas Abdul Kaisar Ages Querio Karlena Indriani Karlisa Priandana Karo-Karo, Julkarnaen Kevin Dwi Satria Kotjek, Rafie Kumalasari Kumalasari Kuswanto, Andi Diah Laksono, Andriansyah Tri Laura Gabriel da Silva Lia Mazia, Lia Lise Pujiastuti Lise Pujiastuti Lita Sari Marita Maharani Rona Makom Manarul Hidayat Mantriwira, Daniel Mardinawat Mardinawat Mardinawati Mardinawati Marundrury, Aberahamo Onoma Megawaty, Dyah Ayu Mochamad Wahyudi Muhammad Furqon Prasetyo Muhammad Raviansyah Musfiroh Musfiroh, Musfiroh Nabilla, Adinda Naufal Hermawan, Rezan Nindya Dwi Lestari Ningtyas, Listina Ade Widya Nirwana Hendrastuty Noviyanto Nur Rachmat Nugraha Nurfia Oktaviani Syamsiah Nurrahman, Alvin Oprasto, Raditya Rimbawan Paduloh Paduloh Pakpahan, Roida Pasaribu, A. Ferico Octaviansyah Paulus Paulus Permata, Permata Prasetyo Adi Suwignyo Prasetyo, Romadhan Edy Pribadi, Denny Pricillia Primadana, Raihan Pujiastuti, Lise Purwandani, Indah Putra Satria Putra, Imam Hanif Rachmat Adi Purnama Rafi Kurniawan Raihan Naufal Ramadhan Raihan Raihan, Raihan Ramadhan, Muhammad Gilang Ramadhani, Dwiki Gilang Ramadhani, Varla Octavia Rani, Maulidina Cahaya Rasendriya, Rafi Ratiyah* Ratiyah Respati Putra, Micho Retno Winarti Reynaldi , Reynaldi Rian Hidayat Rifda Ilahy Rosihan Rifki Nur Hidayat Putra Riska Aryanti Rivaldi, Muhammad Rizal Maulana Rizqi Ramadhani, Muhammad Rofiqi, Ainur Roida Pakpahan Roida Pakpahan Roni Saputra Pratama Ruhul Amin Ruli , Ahmad Rais Rumidjan Rumidjan, Rumidjan Rusda Wajhillah Ryan Randy Suryono Ryehan Alfiansyah Sanriomi Sintaro Saputra, Sabita Abigail Saputra, Yusup Sefriani, Shintia Putriayu Sentanu, Quinn Abrar Athallah Sentot Achmadi Setiawan, Dandi Setiawansyah Setiawansyah Siregar, Denny Solihin Solihin Souisa, Juanny Cheristy Sri Hendrastuti, Elisabeth Sri Sugiharti Suci, Bintang Dyas SUKAMTI . Sulaiman Sulaiman Sulistyo Sulistyo Sumarna Sumarna Sumarna Sumarna Suparno Suparno Syakir, Adryan Raihan Tabrani, Tabrani Tarmidzi Ibrahim Taufig, Ghofar Teguh Budhi Santosa Teguh Budi Santosa Temi Ardiansah Teuku Vaickal Rizki irdian Tito, Herdinan Tri Widian Ratnasari Ulum, Faruk Umam, Hairul Umar, Muhammad Hussein Ummu Radiyah, Ummu Vemi Januar Pratama Vera Agustina Yanti Virgiawan, Gilang Wahyudi, Agung Deni Wang, Junhai Wardani, Maidy Tri Wattilah, Florentina Widya Viona Septi Tanjung Wijaya, Filzah Wina Ningsih Yamani, Teuku Arrasy Yanuar Laik, Abraham Adrian Yunardus, Yunardus Yundari, Yundari Yuri Rahmanto Zahwa Asfa Rabbani Zaky, Faiz Najwan Zalmi, Indah Oktavia Zidan, Muhammad `Diah Kuswanto, Andi