Claim Missing Document
Check
Articles

Model Pengelompokkan Penerima Bantuan Sosial PKH dengan Teknik Data Mining Dhooni, Dhoni Briliant; Lili, Lili Tanti
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9170

Abstract

Program Keluarga Harapan (PKH) merupakan bantuan sosial yang diberikan kepada keluarga kurang mampu, namun proses penentuan penerima masih sering menghadapi kendala karena banyaknya data dan belum optimalnya analisis terhadap karakteristik calon penerima. Penelitian ini menerapkan teknik data mining K-Means clustering untuk mengelompokkan penerima bantuan sosial PKH di Kantor Camat Medan Labuhan berdasarkan sejumlah indikator sosial-ekonomi. Metode K-Means digunakan untuk menghasilkan pola pengelompokan yang dapat membantu perangkat kecamatan dalam memetakan tingkat kelayakan penerima bantuan secara lebih objektif. Kontribusi penelitian ini adalah menyediakan model pengelompokan yang dapat dijadikan alat bantu pendukung keputusan dalam proses penentuan prioritas penerima PKH. Hasil penelitian menunjukkan bahwa data dapat terbagi ke dalam beberapa kelompok yang menggambarkan variasi tingkat kebutuhan dan kondisi ekonomi masyarakat. Keterbatasan penelitian ini terletak pada cakupan data yang hanya berasal dari satu kecamatan dan variabel yang digunakan masih terbatas pada data administratif yang tersedia. Hasil pengujian menunjukkan bahwa model menghasilkan akurasi sebesar 92%, presisi 96,67%, recall 90,63%, dan F1-score 93,52%. Dengan penerapan sistem ini, proses seleksi penerima bantuan dapat dilakukan secara lebih cepat, transparan, dan tepat sasaran.
Estimasi Penjualan Sembako Menggunakan Teknik Data Mining Regresi Linear Berganda alya, Alya Rahmadani; Lili, Lili Tanti
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9171

Abstract

Penelitian ini bertujuan untuk membangun model prediksi penjualan sembako menggunakan teknik data mining dengan metode regresi linear berganda pada CV. Surya Kencana Sembako. Model ini dirancang untuk membantu perusahaan dalam memperkirakan jumlah penjualan secara lebih akurat berdasarkan data historis. Dataset akhir yang digunakan dalam penelitian ini terdiri dari 867 data penjualan setelah melalui proses pembersihan data, seleksi fitur, dan penanganan outlier. Pengujian dilakukan terhadap dua kelompok data, yaitu 30 data baru dan 174 data testing. Hasil pengujian menunjukkan bahwa model memiliki kinerja prediksi yang sangat baik, dengan nilai Mean Squared Error (MSE) sebesar 628.18 dan 520.7, Root Mean Squared Error (RMSE) sebesar 25.06 dan 22.82, serta Mean Absolute Error (MAE) sebesar 13.91 dan 10.21 pada masing-masing pengujian. Nilai koefisien determinasi (R²) yang diperoleh sebesar 0.92 pada data baru dan 0.97 pada data testing menunjukkan bahwa model dapat menjelaskan variasi data penjualan dengan sangat baik. Kontribusi utama penelitian ini adalah menghasilkan model estimasi penjualan berbasis regresi linear berganda yang terintegrasi ke dalam sistem informasi penjualan berbasis web. Implikasi dari penelitian ini adalah perusahaan dapat melakukan perencanaan stok dan pengambilan keputusan operasional secara lebih efisien dan tepat sasaran berdasarkan prediksi penjualan yang akurat.
Model Clustering Anomali Detection pada Jaringan LAN dengan Algoritma K-Means fachrie, Fachrie Ditya; Lili, Lili Tanti
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9173

Abstract

Penelitian ini menganalisis deteksi anomali pada jaringan LAN PT. Jala Lintas Media menggunakan metode clustering K-Means. Sebanyak 156 paket trafik jaringan digunakan sebagai dataset, yang diekstraksi menjadi beberapa fitur utama seperti panjang paket, jenis protokol, flag koneksi, ukuran payload, dan waktu kedatangan paket. Proses clustering dilakukan untuk memisahkan pola trafik normal dan anomali, kemudian hasilnya dievaluasi menggunakan confusion matrix berdasarkan label aktual. Model menghasilkan precision 100%, menunjukkan bahwa seluruh paket yang terdeteksi sebagai anomali benar-benar merupakan anomali. Namun, recall hanya 61%, yang mengindikasikan bahwa model gagal mendeteksi sebagian besar anomali. Rendahnya recall dipengaruhi oleh ketidakseimbangan distribusi data (anomali jauh lebih sedikit), kemiripan fitur antara trafik normal dan anomali, serta nilai K yang belum sepenuhnya memisahkan cluster secara optimal. F1-Score sebesar 76% menunjukkan kebutuhan untuk meningkatkan sensitivitas model terhadap variasi anomali. Penelitian ini berkontribusi pada pemahaman penerapan K-Means dalam deteksi anomali jaringan LAN serta memberikan arah pengembangan metode yang lebih adaptif untuk meningkatkan deteksi anomali di lingkungan jaringan operasional.
PENINGKATAN LITERASI CODING MELALUI PEMBELAJARAN BERBANTUAN AI SEBAGAI MEDIA INOVATIF Safrizal, Andrian Syahputra, Lili Tanti, Ramadani, Rabiana Saragih, Suci Sanjaya
JURNAL BIMA Vol 4 No 1 (2026): (Januari)
Publisher : PT.JNDI, JURNAL BIMA

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The development of digital technology and artificial intelligence (AI) demands innovation in the learning process, particularly in strengthening digital literacy and the computational thinking skills of teachers as learning designers. However, many educational institutions still face limitations in utilizing AI technology as a supporting tool for developing innovative and contextual learning media. This community service activity aims to provide training and mentoring to teachers in developing AI-assisted learning media through coding learning. The implementation method includes identifying partner needs, designing AI-based training materials, implementing training and mentoring directly, and evaluating the activity through observation and participant response questionnaires. The results of the activity show an increase in teachers' understanding and skills in utilizing AI for developing learning media, increased active participation during the training, and a positive response to the use of AI as an interactive and applicable learning medium. This activity has a positive impact on improving teachers' digital competence and becomes an alternative solution for developing innovative learning that can be implemented sustainably in educational environments.
Model Dynamic Facility Location in Post-Disaster Areas in Uncertainty lili Tanti; Syahril Efendi; Maya Silvi Lydia; Herman Mawengkang
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 22 No. 1 (2022)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v22i1.2095

Abstract

Indonesia has many disaster-prone areas, natural disasters that occur in Indonesia in 2021 are 5,402 disasters. For disaster management in post-disaster areas, logistical planning is needed in the distribution of logistical assistance, it is estimated that the logistics costs of disaster assistance reach approximately 80% of the total costs in disaster management so that logistical assistance is an expensive activity of disaster relief. However, so far the process of distributing logistical assistance to disaster posts has not been evenly distributed. One of the causes of the unequal distribution is the inappropriate selection of distribution post locations. The facility location model is dynamic and has the objective function of minimizing the distance between emergency posts and refugee posts in terms of distribution of disaster relief goods in one cluster group. For grouping unsupervised learning data using a machine learning clustering algorithm, k-means. Model validation has been carried out using max run and max optimization 1000 times with results reaching 90%. This proves that the emergency facility location model can be used to determine the location of the emergency center, where the determination of the location of the emergency center has the closest distance to the request point/post shelter for disaster victims
OPTIMIZING DECISION TREE PERFORMANCE WITH RECURSIVE FEATURE ELIMINATION FOR HIGH-DIMENSIONAL MUSHROOM CLASSIFICATION Tanti, Lili; Safrizal; Thanri, Yan Yang
JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer) Vol. 11 No. 2 (2025): JITK Issue November 2025
Publisher : LPPM Nusa Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/jitk.v11i2.6816

Abstract

Classifying mushroom species presents a significant challenge within biological data analysis because of the wide variety of species and their distinct attributes. This research investigates the effectiveness of the Decision Tree classifier for mushroom categorization by comparing two splitting criteria, the Gini Index and Entropy. Additionally, the study employs the Recursive Feature Elimination (RFE) method for dimensionality reduction to enhance model efficiency and performance. The dataset was collected, cleaned, and analyzed exploratorily before feature selection was conducted using RFE. The Decision Tree model was trained and evaluated using accuracy, precision, recall, and F1-score metrics. The results showed that applying RFE improved computational efficiency without compromising model accuracy. The Gini criterion provided more stable results across all metrics, while Entropy demonstrated higher precision in certain cases. Model optimization through parameter tuning produced the best parameter combination at max_depth = 5, min_samples_leaf = 5, and min_samples_split = 10. This study concludes that integrating RFE with the Decision Tree can significantly enhance the performance of high-dimensional dataset classification. The findings are expected to serve as a reference for developing efficient and accurate biological data classification models
OPTIMIZATION OF MLP-NN FOR MANGO LEAF DISEASE PREDICTION USING IMAGE-BASED FEATURE EXTRACTION Triandi, Budi; Tanti, Lili
JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer) Vol. 11 No. 3 (2026): JITK Issue February 2026
Publisher : LPPM Nusa Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/jitk.v11i3.7031

Abstract

Mango (Mangifera indica Linn.) is a nutrient-rich fruit, yet leaf diseases caused by microorganisms can significantly reduce crop productivity. Early detection is essential to prevent further damage and support effective disease management. This study proposes an optimized mango leaf disease prediction model using a multi-layer perceptron neural network (MLP-NN). Image-based feature extraction is performed using the Inception v3 architecture to obtain high-level color and texture features that improve classification performance. Unlike previous studies that rely solely on manually engineered features or full CNN training, this research introduces a hybrid approach that integrates deep feature extraction with MLP-NN optimization, offering a lightweight yet highly accurate alternative. Several hyperparameter combinations, including activation functions (ReLU, tanh, sigmoid) and optimization algorithms (Adam and SGD), were evaluated using the Orange platform. The optimized MLP-NN model with ReLU and Adam achieved the highest accuracy of 93.5%, demonstrating better stability and training efficiency compared to other configurations. These findings highlight the novelty and advantages of the proposed method, showing improved accuracy with lower computational cost relative to many existing approaches. This study provides an efficient solution for mango leaf disease prediction and supports future development of automated plant disease detection systems
Optimasi Support Vector Machine Menggunakan Particle Swarm Optimization pada Analisis Sentimen Program Efisiensi Anggaran Pemerintah Nurhayati, Nurhayati; Tanti, Lili; Triandi, Budi
Jurnal Minfo Polgan Vol. 15 No. 1 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i1.15929

Abstract

Respon publik terkait kebijakan pemerintah, termasuk program efisien anggaran dapat dipahami menggunakan pendekatan analisis sentimen. Penelitian ini bertujuan membandingkan kinerja algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Functional (RBF), kernel Linear, dan kernel Polynomial, serta mengevaluasi pengaruh Particle Swarm Optimization (PSO) terhadap peningkatan performa klasifikasi. Dataset sebanyak 4274 data diperoleh melalui teknik crawling dari media sosial X (Twitter) dan kemudian diproses melalui langkah-langkah pembersihan teks seperti cleaning, case folding, normalization, tokenization, stopword removal, stemming, labeling menggunakan lexicon based serta menggunakan TF-IDF (Term Frequency-Inverse Document Frequency) untuk ekstraksi fitur. Proses penilaian kinerja model dilaksanakan dengan memanfaatkan indikator accuracy, precision, recall, dan F1-score, serta didukung oleh analisis confusion matrix. Berdasarkan hasil pengujian yang diperoleh, penelitian ini menunjukkan bahwa SVM kernel Linear berhasil meningkatkan akurasi menjadi 0.7579 atau 75.79%, sedangkan pada kernel RBF dan Polynomial tidak memberikan peningkatan signifikan. Selain itu, kelas netral menjadi kelas yang paling sulit diklasifikasikan. Penelitian ini menyimpulkan bahwa kombinasi SVM Linear dan PSO merupakan model terbaik untuk analisis sentimen kebijakan efisiensi anggaran pemerintah, serta menegaskan pentingnya pemilihan kernel dan strategi optimasi yang tepat dalam pengembangan sistem klasifikasi berbasis machine learning.
Perbandingan Algoritma Decision Tree dan Naive Bayes Pada Analisis Sentimen Masyarakat Terhadap Pejabat Pertamina Pasca Kasus Pertamax Oplosan Mubarak, Mubarak; Tanti, Lili; Rosnelly, Rika
Jurnal Minfo Polgan Vol. 15 No. 1 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i1.15971

Abstract

Penelitian ini membandingkan kinerja algoritma pembelajaran mesin, yaitu Decision Tree dan Naive Bayes, dalam menganalisis sentimen masyarakat terhadap pejabat Pertamina setelah kasus "Pertamax Oplosan". Analisis sentimen merupakan alat penting untuk memahami opini publik dan manajemen krisis reputasi. Kasus Pertamax Oplosan memicu kontroversi publik yang luas, dan analisis sentimen terhadap tanggapan pejabat Pertamina dapat memberikan wawasan mengenai efektivitas strategi komunikasi krisis perusahaan.Algoritma Decision Tree menawarkan model berbasis pohon keputusan yang intuitif dan mudah diinterpretasi, meskipun rentan terhadap overfitting. Sebaliknya, Naive Bayes, dengan pendekatan probabilistiknya, dikenal efisien secara komputasi, terutama pada dataset besar. Penelitian ini bertujuan untuk mengukur kinerja kedua algoritma dalam mengklasifikasikan sentimen (positif, negatif, atau netral) dari data teks yang dikumpulkan dari media sosial. Data yang digunakan terbatas pada data teks di Twitter dengan kata kunci "Pertamax Oplosan" dan difokuskan pada sentimen terhadap pejabat Pertamina, bukan perusahaan secara keseluruhan. Data mentah sebanyak 3928 komentar tweet berhasil dikumpulkan melalui API Twitter. Metodologi penelitian ini mencakup beberapa tahapan, yaitu pengambilan data (crawling), preprocessing data, pelabelan pola sentimen, ekstraksi fitur, pembagian dataset, klasifikasi, dan evaluasi model. Data dibagi menjadi data latih (training) dan data uji (testing) dengan kombinasi 80:20. Hasil evaluasi akan menggunakan matriks kebingungan (confusion matrix) untuk mengukur akurasi, presisi, recall, F1-score, dan ROC Analysis. Hasil penelitian ini diharapkan dapat memberikan rekomendasi algoritma yang paling sesuai untuk analisis sentimen serupa dan menjadi panduan praktis bagi perusahaan dalam mengelola krisis reputasi.
Algoritma Clustering untuk Menentukan Kategori Siswa Berdasarkan Prestasi pada SMA Pangeran Antasari Ayuni Syahputri; Lili Tanti
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penentuan kategori prestasi siswa di SMA Pangeran Antasari masih dilakukan secara manual sehingga kurang efisien dan rentan menghasilkan penilaian yang subjektif. Penelitian ini menerapkan algoritma K-Means Clustering untuk mengelompokkan siswa ke dalam tiga kategori prestasi, yaitu tinggi, cukup, dan rendah. Dataset yang digunakan berjumlah 1.091 data siswa, mencakup nilai akademik, absensi, serta prestasi non-akademik. Proses evaluasi model dilakukan menggunakan metode Elbow untuk menentukan jumlah cluster optimal, dan pengujian menggunakan confusion matrix terhadap 30 data uji. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu melakukan pengelompokan dengan baik, dengan tingkat akurasi sebesar 93,33%, serta rata-rata F1-score mencapai 94,2%. Temuan ini memperlihatkan bahwa K-Means efektif dalam memberikan pemetaan prestasi siswa secara objektif dan dapat membantu sekolah dalam proses evaluasi dan pengambilan keputusan akademik.
Co-Authors adhar, Deni Adhar, Deni Adhar Ahmad, Ahmad Syah Lubis Ahsanul Huda Alim Murtani Alvian Julianto Hutajulu alya, Alya Rahmadani Andra Alfira Andra Alfitra Andrian Syahputra Anggi, Anggi Canita Simanjuntak Ayu Nadya Ayuni Syahputri Aziz Ritonga, Mirwan Bob Subahan Riza Bob Subhan Riza Bob Subhan Riza Bob Subhan Riza Bob Subhan Riza, Bob Subhan Budi Triandi Budi Triandi, Budi Daifiria Daifiria Deni Adhar Deni Adhar Deni Adhar Adhar Deni Anggara Devi Pratiwi Putri Dewi Kartika Dhooni, Dhoni Briliant Efendi, Syahril Erica Rian Safitri Evri Ekadiansyah fachrie, Fachrie Ditya Faisal Tanjung Fauzan Arif Feberianus Zai Fretty S Siahaan Handoko, Muhammad Yan Handoko Putra F Hartama, Dedy Hartati Tammamah Lubis Herman Mawengkang Indah Widiastuti Iwan Fitrianto Rahmad Jasri, Jasri Ramadhan Juli Iriani Juli Iriani Juli Iriani Juli Iriani, Juli Juni Ismail Khairul Fajri Khairul Ummi Lahmudin Sipahutar Lubis, Hartati Tammamah M Rizky M Zendi Lubis M. Aidil Fitra Wahyudi M. Haidil Umam Mangunsong, Puja Mawardah Azzahra Maya Silvi Lydia Mubarak Mubarak Muhammad Daud Muhammad Faris Nanda Setiawan Nety Juwita Lubis Nurainun Nurhayati Nurhayati Pairin, Yusfrizal Bin Patuan Putra Wijaya Sitorus Poningsih Poningsih, Poningsih Rabiana Saragih Ratih Puspasari Ratih Puspasari Ratih, Ratih Puspasari Ridho, Irdian Rika Rosnelly, Rika Riza, Bob Subahan Rofiqoh Dewi Roslina Roslina Roslina Roslina, Roslina Safitri, Erica Rian Safrizal Safrizal Safrizal Safrizal Safrizal Safrizal Salwani D, Zuki Salwani D Simalango, Clarensia Mende Surbakti, Dio Febrian Susianto Susianto Syefira Arrafah Tasya Ardilah Thanri, Yan Yang Wanayumini Windy, Micky Alviansyah Wirhan Fahrozi, Wirhan Yanyang Thanri Yudhi Andrian Yulika Ababil _, Safrizal