Claim Missing Document
Check
Articles

ANALISIS POLA PENYEBARAN PENYAKIT MENGGUNAKAN PENDEKATAN CLUSTERING HIERARKIS DAN K-MEANS Dilliana Tugas Setiyawan; Berlilana Berlilana; Azhari Shouni Barkah
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 4 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i4.7328

Abstract

Penyebaran penyakit, baik yang bersifat menular maupun tidak menular, merupakan isu penting yang harus diidentifikasi secara tepat untuk mendukung upaya pencegahan dan pengendalian kesehatan masyarakat. Identifikasi pola sebaran penyakit menjadi krusial karena setiap penyakit memiliki karakteristik penyebaran yang berbeda, baik berdasarkan faktor lingkungan, demografi, maupun perilaku masyarakat. Penerapan K-Means Cluster Analysis merupakan metode yang digunakan untuk mengelompokkan data menjadi beberapa kelompok (cluster) berdasarkan kesamaan karakteristik. Selain itu, pendekatan Hierarchical Clustering diterapkan untuk memvisualisasikan hubungan antar data secara hierarkis, memungkinkan analisis yang lebih mendalam. Tujuan penelitian ini adalah untuk menganalisis pola penyebaran penyakit menggunakan pendekatan Clustering Hierarkis dan K-Means. Data dari 35 Puskesmas dianalisis berdasarkan jumlah pasien dan prevalensi penyakit, termasuk Tuberkulosis, Diabetes, Hipertensi, dan penyakit menular lainnya. Hasil penelitian menunjukkan bahwa kedua metode memberikan wawasan yang saling melengkapi. K-Means efektif dalam membagi data menjadi cluster yang merata dan efisien, sementara Hierarchical Clustering memungkinkan identifikasi hubungan hierarkis dan distribusi granular antar Puskesmas
Rule-Based Aspect Extraction and IndoBERT-Based Sentiment Classification of Ruparupa Mobile Application Reviews Erina Setyawati; Berlilana; Dhanar Intan Surya Saputra
Journal of Information System and Informatics Vol 8 No 4 (2026): August
Publisher : Asosiasi Doktor Sistem Informasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63158/journalisi.v8i4.1816

Abstract

This study evaluates a pipeline that separates rule-based aspect extraction from IndoBERT-based binary sentiment classification for Indonesian Ruparupa mobile application reviews. Google Play reviews were collected on 31 July 2026, anonymized, deduplicated before aspect expansion, and cleaned by lowercasing, removing URLs, emails, and special characters, and normalizing whitespace; no slang normalization, stop-word removal, or stemming was applied. Ratings 1-2 and 4-5 provided weak negative and positive labels, while three-star reviews were excluded. A 331-entry aspect dictionary mapped 1,495 unique reviews into 2,873 aspect-review pairs across six aspects. Across five repeated leakage-free group hold-out splits, IndoBERT achieved mean accuracy 0.9179 ± 0.0214, macro F1 0.9178 ± 0.0214, and ROC-AUC 0.9719 ± 0.0103; a calibrated TF-IDF + linear SVM baseline achieved 0.8765 ± 0.0124, 0.8759 ± 0.0127, and 0.9452 ± 0.0102, respectively. A McNemar test on run 1 showed a significant paired difference (p = 0.00013). Performance measures agreement with rating-derived weak labels rather than human-validated aspect sentiment. Because results from system-assigned aspects lacked independent human validation, aspect frequencies are descriptive rule-system outputs. Within this dataset, IndoBERT performed consistently across the five splits; supervised aspect extraction and human aspect-level annotation remain priorities.