Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : malcom indonesian journal of machine learning and computer science

Perbandingan Algoritma K-Means, Naïve Bayes dan Decision Tree Dalam Memprediksi Penjualan Bahan Bakar Minyak: The Comparison of K-Means, Naïve Bayes and Decision Tree Algorithm in Predicting Fuel Oil Sales Arfan, Usman; Paraga, Novita
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 4 (2024): MALCOM October 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i4.1566

Abstract

Penelitian ini membahas penerapan algoritma K-Means untuk melakukan clustering terhadap data penjualan Bahan Bakar Minyak (BBM) di SPBU Wadio Nabire, serta evaluasi akurasi model Decision Tree dan Naive Bayes menggunakan data mining pada aplikasi Orange. Tujuan utama penelitian ini adalah untuk mengoptimalkan distribusi BBM dengan memahami pola konsumsi dan segmentasi pelanggan. Penelitian ini mengidentifikasi masalah utama dalam distribusi BBM yang tidak optimal, yang menyebabkan kelebihan atau kekurangan stok di SPBU Wadio Nabire, serta ketidakpuasan konsumen akibat antrean panjang dan kenaikan biaya operasional. Dengan menggunakan teknik data mining seperti clustering dan prediksi penjualan, penelitian ini bertujuan untuk memberikan solusi dalam perencanaan distribusi yang lebih efisien dan strategi pemasaran yang lebih efektif untuk meningkatkan penjualan BBM dan kepuasan pelanggan.
Implementasi Machine Learning untuk Analisis Sentimen Opini Publik Mengenai Pembukaan Kebun Kelapa Sawit di Papua: Machine Learning-Based Sentiment Analysis of Public Opinion on Palm Oil Plantation Expansion in Papua Pusvita, Ester Ayuk; Ranggup, Deni Stefanus Paboy; Arfan, Usman
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i4.2279

Abstract

Ekspansi perkebunan kelapa sawit di Papua menimbulkan beragam respons publik di media sosial, khususnya pada platform X (Twitter). Penelitian ini bertujuan untuk menganalisis sentimen dan emosi publik terhadap isu tersebut menggunakan pendekatan machine learning melalui aplikasi Orange Data Mining. Sebanyak 1.355 tweet dikumpulkan menggunakan Twitter API v2 dan Google Colab yang terintegrasi dengan pustaka snscrape guna mengatasi batasan pengambilan data. Analisis dilakukan dengan model Multilingual Sentiment untuk klasifikasi polaritas (positif, negatif, netral) dan model Ekman Emotion untuk identifikasi enam emosi dasar. Hasil menunjukkan bahwa sentimen netral mendominasi (39,78%), diikuti negatif (32,16%) dan positif (28,05%). Namun, sentimen netral tidak selalu bersifat informatif, melainkan dapat muncul akibat ambiguitas linguistik atau keterbatasan model dalam memahami konteks lokal bahasa Indonesia. Emosi Joy (sukacita) merupakan emosi paling dominan, tetapi juga muncul dalam kategori sentimen negatif, yang mengindikasikan adanya ekspresi sarkasme dan ironi terhadap isu sawit. Hal ini mencerminkan keterbatasan model otomatis dalam mendeteksi makna tersirat dan gaya bahasa satir. Penelitian ini menyimpulkan bahwa meskipun model Multilingual Sentiment efektif untuk mendeteksi pola umum opini publik, pendekatan ini memerlukan penyesuaian kontekstual agar lebih sensitif terhadap nuansa budaya dan semantik bahasa Indonesia
A Evaluasi Distribusi Guru-Siswa dan Ketersediaan Sekolah untuk Mendukung Pembangunan Pendidikan Menggunakan K-Means Clustering: An Evaluation of Teacher–Student Distribution and School Availability in Supporting Educational Development Using the K-Means Clustering Algorithm Arfan, Usman; Pekei, Yulianus
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

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

Abstract

Ketimpangan distribusi guru dan ketersediaan Sekolah Menengah Atas (SMA) Negeri di Indonesia menjadi tantangan serius dalam mewujudkan pemerataan pendidikan. Penelitian ini bertujuan untuk menganalisis dan mengevaluasi distribusi jumlah guru, siswa, dan sekolah SMA Negeri dengan menerapkan algoritma K-Means Clustering. Data bersumber dari Badan Pusat Statistik (BPS) tahun 2023–2024 yang mencakup seluruh provinsi di Indonesia. Melalui pendekatan data mining menggunakan Orange, dilakukan proses pra-pemrosesan data, normalisasi, pemodelan klaster, serta visualisasi hasil. Hasil penelitian menunjukkan terbentuknya tiga klaster wilayah: Klaster 1 yang mencakup 20 provinsi dengan distribusi guru dan sekolah yang relatif ideal, Klaster 2 yang terdiri dari 6 provinsi di kawasan timur seperti Papua dan Maluku dengan tantangan tinggi akibat keterbatasan infrastruktur pendidikan, serta Klaster 3 yang berisi 8 provinsi dengan kondisi distribusi sedang. Penelitian ini mengungkap bahwa kebijakan nasional seperti rasio ideal 20:1 dalam pemberian tunjangan profesi guru belum adaptif terhadap kondisi geografis dan demografis lokal. Hasil klasterisasi ini memberikan dasar visual dan analitik yang kuat bagi pemerintah pusat dan daerah dalam merumuskan kebijakan pemerataan pendidikan yang lebih adil dan kontekstual, khususnya di jenjang menengah atas.
Analisis Sentimen Masyarakat Papua Terhadap Program Makan Gizi Gratis di Indonesia: Sentiment Analysis of Papuan Public Perceptions Toward the Free Nutritional Meal Program in Indonesia Arfan, Usman; Badii, Evradus
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

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

Abstract

Penelitian ini bertujuan untuk mengeksplorasi persepsi masyarakat Papua terhadap Program Makan Gizi Gratis yang dilaksanakan oleh Pemerintah Indonesia dengan menggunakan pendekatan analisis sentimen berbasis text mining. Data dikumpulkan dari platform media sosial X (Twitter) pada periode 24–28 Februari 2025. Sebanyak 712 tweet dianalisis menggunakan perangkat lunak Orange untuk mengklasifikasikan sentimen publik ke dalam tiga kategori, yaitu positif, netral, dan negatif. Hasil penelitian menunjukkan bahwa persepsi masyarakat cenderung positif, dengan 70,08% tweet menunjukkan dukungan terhadap program, 21,63% bersifat netral, dan 8,29% mengandung sentimen negatif. Pemetaan emosi berdasarkan model Ekman mengungkap dominasi emosi Surprise (Kejutan) dan Joy (Sukacita), yang mencerminkan antusiasme dan harapan terhadap kebijakan tersebut. Emosi negatif seperti Anger (Marah) dan Sadness (Kesedihan) muncul dalam proporsi yang sangat rendah, menunjukkan tingkat penerimaan yang cukup baik di kalangan pengguna media sosial. Temuan ini mengindikasikan bahwa masyarakat secara umum menilai Program Makan Gizi Gratis sebagai kebijakan positif, meskipun masih terdapat kekhawatiran mengenai efektivitas implementasinya. Penelitian ini menegaskan pentingnya pemanfaatan media sosial sebagai instrumen pemantauan persepsi publik secara real-time, serta merekomendasikan integrasi analisis sentimen dalam evaluasi kebijakan sosial berbasis data
Pengelompokan dan Prediksi Distribusi Guru ASN Orang Asli Papua dan Non-Orang Asli Papua dengan Pendekatan Data Mining: Clustering and Prediction of the Distribution of Civil Servant Teachers of Papuan and Non-Papuan Origin Using a Data Mining Approach Arfan, Usman; Fajriyati, Fauzia
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2742

Abstract

Pemerataan distribusi guru ASN menjadi isu penting dalam penyediaan layanan pendidikan yang berkeadilan, terutama di Kabupaten Nabire yang memiliki karakteristik wilayah yang beragam, termasuk perkotaan, pesisir, dan wilayah dengan aksesibilitas terbatas. Penelitian ini bertujuan untuk menganalisis distribusi guru ASN Orang Asli Papua (OAP) dan non-OAP pada satuan pendidikan di Kabupaten Nabire menggunakan pendekatan data mining. Data penelitian berupa data sekunder dari Dinas Pendidikan Kabupaten Nabire tahun 2025 yang mencakup 256 satuan pendidikan dengan total 2.147 guru ASN, terdiri atas 364 guru OAP (16,95%) dan 1.783 guru non-OAP (83,05%). Data ditransformasikan menjadi data agregat per satuan pendidikan melalui seleksi atribut, pembersihan data, penanganan nilai kosong, penghapusan duplikasi, agregasi, dan normalisasi. K-Means digunakan untuk mengelompokkan satuan pendidikan, sedangkan Naive Bayes, k-Nearest Neighbors, dan Decision Tree digunakan untuk mengklasifikasikan kategori distribusi. Hasil clustering menghasilkan tiga cluster utama. Cluster 1 menunjukkan keterwakilan OAP tinggi dengan jumlah guru relatif kecil, Cluster 2 didominasi non-OAP dengan jumlah guru besar, sedangkan Cluster 3 mencakup 179 satuan pendidikan (69,92%) dan menunjukkan dominasi guru non-OAP. Decision Tree memberikan performa terbaik dengan AUC 0,994, accuracy 0,992, precision 0,992, recall 0,992, dan F1-score 0,992. Temuan menunjukkan distribusi guru ASN OAP belum proporsional, terutama pada kategori Tidak ada OAP dan Rendah.