Claim Missing Document
Check
Articles

Found 30 Documents
Search

Air Quality Classification Using Naive Bayes Algorithm With SMOTE Technique Based on ISPU Data Fadhilah, Alya Febriyanti; Juwita, Ayu Ratna; Wicaksana, Yusuf Eka; Mudzakir, Tohirin Al
JISA(Jurnal Informatika dan Sains) Vol 8, No 1 (2025): JISA(Jurnal Informatika dan Sains)
Publisher : Universitas Trilogi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31326/jisa.v8i1.2181

Abstract

Air pollution in DKI Jakarta is an important issue and has a negative impact on public health. This study applies the naive Bayes algorithm to classify air quality, Utilizing the SMOTE technique effectively addresses the issue of data imbalance. The data analyzed came from air pollution index data from 2022 to 2024, taken from five air monitoring stations in Jakarta. The analysis process was carried out following the CRISP-DM stages, starting from understanding the problem to evaluating the model. The results showed that SMOTE succeeded in increasing prediction accuracy in fewer classes. Without SMOTE, the model accuracy reached 90% but appeared biased towards fewer classes, with a recall value of only 0.75 and a precision of 0.62. While SMOTE, the model accuracy became 88%, with a precision value of 0.86, recall 0.87, and f1-score 0.87, which showed more balanced results across classes.
Automatic Classification of Public Complaints Using Naive Bayes Rico Andrean Hardiansyah; Jamaludin Indra; Dwi Sulistya Kusumaningrum; Tohirin Al Mudzakir
bit-Tech Vol. 8 No. 2 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i2.2992

Abstract

Public complaint services are essential for improving government service quality by providing a direct channel for citizens to report issues. In Karawang Regency, the Tanggap Karawang (TANGKAR) platform serves this function; however, the manual classification of complaints causes delays and potential misrouting, especially due to the highly imbalanced distribution of complaint categories. This study develops an automatic classification model for public complaints in eight categories economy, education, health, social, infrastructure, security, environment, and transportation by integrating Term Frequency–Inverse Document Frequency (TF–IDF), Multinomial Naive Bayes, and Synthetic Minority Oversampling Technique (SMOTE). This integration addresses domain-specific class imbalance challenges, combining the computational efficiency of Naive Bayes, the feature representation strength of TF–IDF, and the improved minority class recognition from SMOTE. A dataset of 800 complaint records from TANGKAR underwent preprocessing, including cleaning, case folding, normalization, tokenizing, stemming, and stopword removal. TF–IDF with unigram and bigram features was used for feature extraction, followed by classification under two scenarios: original unbalanced data and balanced data via SMOTE. Evaluation metrics included accuracy, precision, recall, F1-score, and confusion matrix. The model achieved 85.09% accuracy without SMOTE and 83.40% with SMOTE, with notable improvement in detecting minority categories after balancing. Although overall accuracy slightly decreased, SMOTE enhanced equitable prediction across all categories. This approach advances current public complaint classification methods by adapting to the linguistic diversity and uneven category distribution in actual e-government data, supporting faster and more accurate decision-making in public complaint management systems.
Klasifikasi Penerima Bantuan Rumah Tidak Layak Huni Desa Labansari Menggunakan Algoritma C4.5 Ahmad Zaelani; Ayu Ratna Juwita; Tohirin Al Mudzakir
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Program bantuan rumah tidak layak huni merupakan program bantuan sosial untuk meringankan keluarga berpenghasilan rendah dalam membangun rumah yang layak huni. Data calon penerima bantuan rumah tidak layak huni yang digunakan pada penelitian ini berjumlah 111 data. Ketidakakuratan penyaluran bantuan rumah tidak layak huni terjadi karena tidak adanya metode dalam menentukan penerima bantuan tersebut. Penyaluran bantuan yang tidak tepat sasaran akan berdampak pada pembangunan rumah yang tidak selesai. Oleh karena itu, untuk memperkecil kesalahan dalam pengambilan keputusan, data diklasifikasikan menggunakan algoritma C4.5. Perhitungan algoritma C4.5 menghasilkan nilai akurasi, presisi, recall, serta pohon keputusan dari data yang diolah. Pengujian yang dilakukan menggunakan Microsoft Excel menghasilkan akurasi 100%, presisi 100%, dan recall 100%. Sementara itu, pengujian menggunakan bahasa pemrograman Python juga memperoleh hasil akurasi 100%, presisi 100%, dan recall 100%.
Rancang Bangun Otomatisasi Penjernihan Air Sumur Berbasis Arduino Menggunakan Algoritma Fuzzy Mamdani Ruliawan Hamdan; Tohirin Al Mudzakir; Rahmat
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Air merupakan sumber kebutuhan yang disediakan oleh alam bagi hewan, tumbuhan, dan manusia. Air dimanfaatkan masyarakat sebagai penunjang berbagai kebutuhan dalam kehidupan sehari-hari. Masyarakat di Kecamatan Tirtajaya menggunakan air sumur sebagai kebutuhan primer. Namun demikian, kualitas air sumur di setiap wilayah Kecamatan Tirtajaya tidaklah sama, seperti kondisi air yang keruh dan berbau pada beberapa sumur. Kualitas air sumur yang buruk dapat berdampak terhadap masalah kesehatan. Kualitas air yang buruk dapat diperbaiki dengan penggunaan tawas sebagai media penjernihan air. Akan tetapi, masyarakat belum mengetahui proses penggunaan tawas yang benar pada air sumur. Salah satu cara untuk menjernihkan air adalah dengan memanfaatkan teknologi di bidang mikrokontroler, yaitu Arduino, guna mengatasi permasalahan kualitas air sumur. Oleh karena itu, dirancang sebuah prototipe pengolahan air berbasis Arduino dengan mengimplementasikan algoritma Fuzzy Mamdani. Prototipe ini bertujuan untuk menghasilkan pengolahan air yang lebih baik melalui penggunaan tawas pada air sumur. Perancangan dilakukan dengan menerapkan metode waterfall pada proses pembuatan desain hingga terbentuknya prototipe. Hasil pengujian menunjukkan nilai rata-rata ADC dan NTU pada tiga kali pengujian, yaitu sebesar 918 ADC, 913 ADC, dan 910 ADC, serta 0,56 NTU, 9,5 NTU, dan 20 NTU. Selain itu, sistem mampu mengimplementasikan algoritma Fuzzy Mamdani dengan nilai rata-rata tingkat kesalahan (error) sebesar 4,65% dan tingkat keberhasilan sebesar 95,35%.
Analisis Dampak SelectKBest dan SMOTEENN terhadap Akurasi Model Klasifikasi Penyakit Cacar Monyet Menggunakan Algoritma Machine Learning Agung Triatna; Yana Cahyana; Tohirin Al Mudzakir; Adi Rizky Pratama
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penyebaran cacar monyet yang cepat dan sulit dikendalikan membutuhkan metode prediksi penyakit yang akurat. Kesalahan prediksi false negative dapat menyebabkan infeksi tidak terdeteksi. Sebaliknya, diagnosis false positive menimbulkan kecemasan yang tidak perlu dan membebani fasilitas kesehatan dengan kasus yang sebenarnya tidak terinfeksi. Penelitian ini dilakukan untuk mengetahui pengaruh SelectKBest dan SMOTEENN terhadap akurasi model klasifikasi penyakit cacar monyet. Dataset yang digunakan berisi rekam medis gejala klinis pasien cacar monyet dengan dimensi (25.000, 11). Tahapan pengolahan data meliputi pengumpulan data, analisis data eksploratif (Exploratory Data Analysis / EDA), prapemrosesan, pemodelan, dan evaluasi. Penelitian ini menggunakan empat variasi dataset, yaitu dataset asli tanpa modifikasi, dataset hasil seleksi fitur menggunakan SelectKBest, dataset hasil resampling menggunakan SMOTEENN, serta dataset hasil kombinasi SelectKBest dan SMOTEENN. Hasil penelitian menunjukkan bahwa kombinasi SelectKBest dan SMOTEENN terbukti paling efektif dalam meningkatkan akurasi model klasifikasi. Algoritma XGBoost mencapai akurasi sebesar 100%, diikuti oleh Gradient Boosting dengan akurasi 98,57%, serta AdaBoost sebesar 89,97%. Temuan ini menunjukkan bahwa pemilihan fitur yang tepat, yang dikombinasikan dengan metode resampling data, mampu meningkatkan performa model dalam klasifikasi penyakit cacar monyet.
Studi Komparatif Kinerja Arsitektur MobileNetV2 dan EfficientNet-B6 dalam Identifikasi Penyakit Daun Padi Bayu Kerta Sukma Gandara; Tohirin Al Mudzakir; Hilda Yulia Novita; Ahmad Fauzi
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Padi merupakan komoditas pangan utama di Indonesia, namun tingkat produktivitasnya sering mengalami penurunan akibat serangan berbagai penyakit daun. Oleh karena itu, deteksi dini terhadap penyakit daun padi menjadi langkah penting untuk mengurangi risiko kerugian hasil panen. Penelitian ini dilakukan untuk menganalisis serta membandingkan performa dua arsitektur Convolutional Neural Network (CNN), yaitu MobileNetV2 dan EfficientNet-B6, dalam mengidentifikasi jenis penyakit pada daun padi. Dataset penelitian terdiri dari citra daun padi yang terbagi dalam beberapa kategori, yaitu Bacterial Blight, Blast, Brown Spot, dan daun sehat. Pelatihan model dilakukan dengan metode transfer learning serta penerapan augmentasi data untuk meningkatkan kemampuan generalisasi. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, dan F1-score. Berdasarkan uraian tersebut, penelitian ini diarahkan untuk membandingkan kinerja arsitektur MobileNetV2 dan EfficientNet-B6 dalam proses klasifikasi penyakit daun padi melalui pendekatan transfer learning serta penerapan teknik augmentasi data. Penelitian ini diharapkan mampu memberikan kontribusi dalam pengembangan sistem pendeteksian penyakit secara otomatis yang lebih efektif dan akurat, sehingga dapat mendukung peningkatan ketahanan pangan nasional.
Deteksi Kelengkapan APD Siswa Praktikum Pengelasan Menggunakan YOLOv11 dan MobileNetV2 Bintang Adhiyaksa Maulana; Tohirin Al Mudzakir; Yana Cahyana; Tatang Rohana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Pentingnya Keselamatan dan Kesehatan Kerja (K3) tak dapat diabaikan dalam pelaksanaan praktik pengelasan, terutama dalam memastikan siswa menggunakan Alat Pelindung Diri (APD) secara lengkap. Tujuan dari penelitian ini adalah merancang sistem otomatis berbasis Computer Vision yang mampu mendeteksi sejauh mana kelengkapan penggunaan APD oleh siswa selama kegiatan praktikum. Model YOLOv11 digunakan untuk mendeteksi empat kelas objek, yaitu Kacamata, Sarung_Tangan, Tanpa_Kacamata, dan Tanpa_Sarung_Tangan, kemudian hasil deteksi diklasifikasikan lebih lanjut menggunakan MobileNetV2 ke dalam tiga kategori: APD Lengkap, Sebagian, dan Tidak Lengkap. Data dikumpulkan dari SMK Plus Laboratorium Indonesia dan diperluas melalui augmentasi. Hasil evaluasi menunjukkan bahwa YOLOv11 mencapai precision sebesar 96,44%, recall sebesar 96,58%, dan mAP@0.5 sebesar 97,27%, sedangkan MobileNetV2 berhasil mengklasifikasikan kondisi APD dengan akurasi 97%. Sistem ini diharapkan dapat mendukung pengawasan K3 secara otomatis di lingkungan sekolah.
Klasifikasi Penyakit Daun Padi Menggunakan Fitur Tekstur GLCM dan HOG dengan Algoritma Random Forest Firmansyah; Tohirin Al Mudzakir; Hilda Yulia Novita; Kiki Ahmad Baihaqi
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Tanaman padi sangat rentan terhadap penyakit daun, seperti Leaf Smut, Brown Spot, dan Bacterial Leaf Blight, yang dapat menurunkan produktivitas apabila tidak terdeteksi sejak dini. Identifikasi manual melalui inspeksi visual sering kali tidak dapat diandalkan karena adanya kemiripan gejala antarpenyakit. Penelitian ini menyajikan pendekatan klasifikasi yang mengintegrasikan fitur tekstur dari Gray Level Co-occurrence Matrix (GLCM), fitur bentuk yang diekstraksi menggunakan Histogram of Oriented Gradients (HOG), serta informasi warna dari histogram warna. Dataset terdiri atas 720 citra hasil augmentasi yang diproses menjadi vektor fitur berdimensi 21.720. Algoritma Random Forest digunakan sebagai model klasifikasi, sedangkan optimasi hiperparameter dilakukan menggunakan GridSearchCV untuk memperoleh performa terbaik. Hasil evaluasi terhadap 144 citra uji menunjukkan akurasi sebesar 90,28%. Confusion matrix dan classification report menunjukkan bahwa model mampu membedakan tiga jenis penyakit daun padi secara efektif, meskipun masih terdapat beberapa kesalahan klasifikasi pada kelas yang memiliki karakteristik visual serupa. Hasil penelitian ini menunjukkan bahwa kombinasi fitur tekstur, bentuk, dan warna merupakan pendekatan yang efisien serta mudah diinterpretasikan untuk klasifikasi penyakit daun padi.
Penerapan Algoritma Decision Tree dan Random Forest untuk Analisis Sentimen Politik Indonesia Pascapemilu Iqbal Tawakkal; Tohirin Al Mudzakir; Hilda Yulia Novita; Adi Rizky Pratama
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penelitian ini bertujuan mengklasifikasikan sentimen politik Indonesia pascapemilu dengan menerapkan teknik text mining untuk mengidentifikasi berbagai isu politik. Data diperoleh dari komentar masyarakat pada media sosial Instagram, YouTube, dan TikTok yang membahas Presiden dan Prabowo, dengan jumlah dataset sebanyak 8.532 data. Pengolahan data dilakukan menggunakan bahasa pemrograman Python pada platform Google Colaboratory. Tahap preprocessing meliputi text cleaning untuk menghapus angka, simbol, dan tautan URL, kemudian dilanjutkan dengan stemming, tokenization, stopword removal, pelabelan, dan pembobotan kata menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Pendekatan supervised learning diterapkan menggunakan algoritma Decision Tree dan Random Forest. Dataset dibagi menjadi 70% data latih dan 30% data uji sebelum dilakukan pembangunan model klasifikasi. Evaluasi menggunakan Confusion Matrix menunjukkan bahwa algoritma Decision Tree memperoleh akurasi sebesar 71,02%, sedangkan algoritma Random Forest memperoleh akurasi sebesar 75,30%. Hasil tersebut menunjukkan bahwa kedua algoritma mampu mengklasifikasikan data berdasarkan pola fitur teks yang diekstraksi, dengan Random Forest menghasilkan kinerja yang lebih baik dibandingkan Decision Tree.
OPTIMASI PEMBELAJARAN DIGITAL: PENGEMBANGAN APLIKASI ELEARNING BERBASIS WEB UNTUK PENINGKATAN KUALITAS EDUKASI Adi Rizky Pratama; Ayu Ratna juwita; Tohirin Al Mudzakir; Cici Emilia Sukmawati; Teguh Budianto
JURNAL BUANA PENGABDIAN Vol. 8 No. 1 (2026): JURNAL BUANA PENGABDIAN
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat, Universitas Buana Perjuangan Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36805/6v6ve850

Abstract

Pengembangan aplikasi e-learning berbasis web, dilaksanakan bersama Buana Online Course UBP Karawang, dengan tujuan meningkatkan kualitas edukasi. Kegiatan ini diadakan secara online pada bulan September, menjangkau hingga 2000 peserta. Fokus utama adalah pada pengembangan konten interaktif dan metode pembelajaran yang melibatkan diskusi kelompok dan webinar. Hasil kegiatan menunjukkan peningkatan pemahaman peserta terhadap sistem pembelajaran online dan pemanfaatan modul e-learning. Inisiatif ini juga berdampak positif terhadap peningkatan kapasitas institusi dan pengembangan keterampilan dosen dalam merancang materi pembelajaran online yang efektif.