Claim Missing Document
Check
Articles

PREDIKSI KEBUTUHAN TENAGA PENDIDIK BERDASARKAN PERTUMBUHAN JUMLAH SISWA/I MENGGUNAKAN METOE MONTE CARLO Hasibuan, Cici Cahyati; Wanayumini, Wanayumini
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 3 (2025): August 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i3.4095

Abstract

Abstract: This study aims to predict the need for educators at the junior high school level in Asahan Regency based on student growth using the Monte Carlo method. This process is done by generating random numbers through the Linear Congruential Method (LCM) and mapping them into the probability distribution of the number of students based on historical data. The prediction results show the number of junior high school students in 2026 reached 41,161 people. Based on the ideal ratio of 1 teacher for 20 students, an additional 785 educators are needed in sub-districts that experience shortages. This prediction system is developed in the form of a web-based application using PHP and MySQL to support the automatic simulation process. The implementation of this system is expected to help the Education Office in planning educators' needs efficiently and data-based. Keyword: Prediction; Monte Carlo; Educators; Students. Abstrak: Penelitian ini bertujuan untuk memprediksi kebutuhan tenaga pendidik tingkat SMP di Kabupaten Asahan berdasarkan pertumbuhan jumlah siswa menggunakan metode Monte Carlo. Proses ini dilakukan dengan membangkitkan angka acak melalui metode Linear Congruential Method (LCM) dan memetakannya ke dalam distribusi probabilitas jumlah siswa berdasarkan data historis. Hasil prediksi menunjukkan jumlah siswa SMP pada tahun 2026 mencapai 41.161 orang. Berdasarkan rasio ideal 1 guru untuk 20 siswa, dibutuhkan tambahan sebanyak 785 tenaga pendidik di kecamatan yang mengalami kekurangan. Sistem prediksi ini dikembangkan dalam bentuk aplikasi berbasis web menggunakan PHP dan MySQL untuk mendukung proses simulasi secara otomatis. Implementasi sistem ini diharapkan dapat membantu Dinas Pendidikan dalam merencanakan kebutuhan tenaga pendidik secara efisien dan berbasis data. Kata kunci: Prediksi; Monte Carlo; Tenaga Pendidik; Siswa.   
Pengabdian Masyarakat dalam Pengenalan Dunia Cyber untuk Membangun Kesadaran Literasi Digital Bagi Siswa SMA N 1 Ujung Padang: Pengabdian Wanayumini; Muhammad Azwar Al Ayyub; Dini Farhatun; Triana Puspa handayani; M yoggi saputra; Mhd Fauzan Yafi
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 2 (2025): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 2 (October 202
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i2.3054

Abstract

Kegiatan pengabdian masyarakat ini diselenggarakan di SMA Negeri 1 Ujung Padang dengan tujuan untuk meningkatkan pengetahuan dan kesadaran siswa mengenai pentingnya literasi digital dan pengenalan keamanan cyber. Meskipun perkembangan teknologi digital yang pesat menawarkan banyak manfaat, namun juga menimbulkan sejumlah risiko, termasuk maraknya penyebaran hoaks, pencurian data, dan kejahatan cyber. Oleh karena itu, siswa perlu diajarkan cara menggunakan teknologi secara cerdas, aman, dan bertanggung jawab. Metode yang digunakan dalam kegiatan ini adalah koordinasi dengan pihak sekolah, penyampaian materi dalam bentuk presentasi, diskusi, serta sesi tanya jawab. Kegiatan ini diikuti oleh siswa/i kelas XII IPA dan IPS. Dapat disimpulkan bahwa kegiatan sosialisasi telah sukses dan berhasil dilaksanakan dengan baik. Dimana dalam kegiatan para siswa sangat antusias dan aktif dalam diskusi dan tanya jawab. Siswa memperoleh pemahaman yang lebih baik tentang risiko di dunia digital serta strategi menjaga keamanan data pribadi. Kegiatan ini juga menumbuhkan kesadaran untuk memanfaatkan teknologi tidak hanya untuk hiburan, tetapi juga sebagai sarana pembelajaran dan pengembangan diri.
Sentiment Classification in Imbalanced Data: Trade-Offs Between Metrics and Real-World Relevance Indra Swanto Ritonga; Wanayumini; Dedy Hartama
JURNAL TEKNIK INFORMATIKA Vol. 18 No. 2: JURNAL TEKNIK INFORMATIKA
Publisher : Department of Informatics, Universitas Islam Negeri Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/jti.v18i2.46652

Abstract

Sentiment analysis plays a crucial role in assessing public perception, particularly in healthcare services like BPJS Kesehatan, Indonesia’s national health insurance program. However, sentiment classification faces a challenge due to class imbalance, where negative feedback dominates positive responses. This study investigates whether sentiment classification should prioritize traditional evaluation or maintain real-world data representation by preserving the original sentiment distribution. Two feature extraction methods, Term Frequency-Inverse Document Frequency (TF-IDF) and Bag of Words (BoW), were evaluated using Naïve Bayes, Support Vector Machine (SVM), and Logistic Regression with varying maximum feature counts (100–300) to examine the impact of feature dimensionality. Model performance was evaluated using traditional metrics, while sentiment distribution fidelity was assessed by comparing predicted proportions with the dataset. Results show TF-IDF achieves higher precision and recall but fails to capture positive sentiments, leading to a skewed representation of real-world trends, while BoW offers a more balanced distribution with slightly lower accuracy. Paired t-tests and Wilcoxon signed-rank tests confirmed differences in accuracy and recall are significant, but not in precision and sentiment distribution. These findings highlight a trade-off between performance and sentiment diversity, vital in healthcare services and other fields with imbalanced datasets, emphasizing the need to align evaluation metrics with real-world objectives. Future research should investigate advanced models, such as deep learning and transformer-based approaches, to enhance both accuracy and fairness when analyzing imbalanced data.
Co-Authors Ade Clinton Sitepu Ade Clinton Sitepu Adelina, Mimi Chintya Al Ayyub, Muhammad Azwar Alfitra, Andra Amanda, Windi Winona Andi Zulherry Annas Prasetio Annas Prasetio Ardana, Abdul Aziz Arjuna Ginting ayadi, B. Herawan H B. Herawan Hayadi Dedy Hartama Dedy Hartama Desi Irfan Desi Irfan Devy Pratiwi Dini Farhatun Doughlas Pardede Elisabeth S, Noprita Erica Rian Safitri Erlina Erlina Gea, Muhammad Nasri Habib Satria Hanani Hutabarat, Jamina Harahap, Sarwedi Hartama, Dedy Hartono Hartono Hasibuan, Cici Cahyati Husin Sariangsah Ichsan Firmansyah Indra Mawanta Indra Swanto Ritonga Irfan Sudahri Damanik Ismail, Juni isnaini, fitri JAKA KUSUMA Juni Ismail Karina Andriani Khoirunsyah Dalimunthe Lili Tanti Lili Tanti Lubis, Cindy Paramitha lvindra, Farhan A M yoggi saputra M. Ari Iskandar Margolang, Khairul Fadhli Masri Wahyuni Mhd Fauzan Yafi Miftahul Jannah Muhammad Fachrurrozi Nasution Muhammad Nasri Gea Muhammad Sadikin Muhammad Sayid Amir Ali Lubis Muhammad Zarlis Mutiara S. Simanjuntak Nasution, Ammar Yasir Novendra Adisaputra Sinaga NURLIANA NURLIANA P.P.P.A.N.W. Fikrul Ilmi R.H. Zer Prasetya, Hardi Rahma, Intan Dwi Rika Rosnelly RIKA ROSNELLY Rika Rosnelly Rika Rosnelly Rika Rosnelly Rika Rosnelly Rika Rosnelly Rika Rosnelly Rika Rosnelly, Rika Roesnelly, Rika Rohima, Rohima Roslina Roslina, Roslina Roslina, Roslina Sartika Mandasari Selase, Septinur Sihombing, Rotua Simangunsong, Dame Lasmaria Sri Ayu Rosiva Srg Sugeng Riyadi Sugeng Riyadi Sumantri, Ekoliyono Wahyu T S Gunawan Tambunan, Fazli Nugraha Tammamah Lubis, Hartati Teddy Surya Gunawan Teddy Surya Gunawan Teddy Surya Gunawan Teddy Surya Gunawan Teddy Surya Gunawan Triana Puspa handayani Triwanda, Eri Vicky Rolanda Wardana, Revo Wulandari, Wulandari Yuni Franciska Br Tarigan Zakarias Situmorang Zer, P.P.P.A.N.W. Fikrul Ilmi R.H.