Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Decode: Jurnal Pendidikan Teknologi Informasi Malcom: Indonesian Journal of Machine Learning and Computer Science
Monasari, La Denna Hasri
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Sentimen Penggunaan TikTok Sebagai Media Pembelajaran Menggunakan Algoritma Naïve Bayes Classifier: Sentiment Analysis of Using TikTok as a Learning Media Using the Naïve Bayes Classifiers Algorithm Apriani, Elsa; Oktavianalisti, Falah; Monasari, La Denna Hasri; Winarni, Indah; Hanif, Isa Faqihuddin
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1482

Abstract

Media sosial seperti TikTok telah menjadi platform yang populer di kalangan pengguna internet, terutama di kalangan generasi muda. Di sisi lain, media sosial juga memiliki potensi sebagai media pembelajaran yang efektif. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terkait penggunaan TikTok sebagai media pembelajaran yang menggunakan algoritma Naïve  Bayes untuk menganalisis data sentimen tersebut. Sebanyak 176 data dikumpulkan melalui kuesioner yang disebarkan menggunakan Google Form. Data yang diperoleh kemudian dianalisis menggunakan algoritma Naïve  Bayes Classifiers untuk mengkategorikan sentimen positif, negatif, dan netral. Hasil analisis menunjukkan bahwa akurasi model adalah 52.27%, dengan nilai precision sebesar 19.60%, dan recall sebesar 50.83%. Meskipun akurasi dan precision yang diperoleh relatif rendah, hasil ini memberikan gambaran awal mengenai persepsi pengguna terhadap TikTok sebagai alat pembelajaran. Penelitian ini diharapkan dapat memberikan wawasan lebih lanjut bagi pengembang aplikasi pembelajaran berbasis media sosial dan membantu dalam meningkatkan kualitas konten edukatif di TikTok.
Klasifikasi Stunting Pada Balita Menggunakan Algoritma Decision Tree Pada Machine Learning Monasari, La Denna Hasri; Nunik Pratiwi
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 2: JULI 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i2.1193

Abstract

Stunting adalah gangguan pertumbuhan yang dialami balita akibat kekurangan gizi sehingga menghambat pertumbuhan fisik dan perkembangan kognitif. Faktor penyebabnya meliputi kurangnya asupan nutrisi, rendahnya pendidikan orang tua, serta lingkungan kesehatan yang tidak memadai. Penelitian ini bertujuan untuk mengklasifikasi faktor penyebab terjadinya stunting sehingga dapat dilakukan intervensi dini, serta dapat mengembangkan model klasifikasi stunting menggunakan algoritma Decision Tree. Untuk mendeteksi risiko stunting secara dini, teknologi machine learning dimanfaatkan guna mengklasifikasikan data secara lebih akurat dan efisien. Penelitian ini menggunakan algoritma Decision Tree untuk mengkategorikan status gizi balita berdasarkan usia (bulan), jenis kelamin, dan tinggi badan (cm). Data diperoleh dari platform Kaggle, terdiri atas 121.000 data. Penelitian mencakup proses pengumpulan data, pre-processing data (cleaning data, deteksi outlier, dan label encoding), eksplorasi data, pemisahan data latih dan uji, serta pelatihan model. Penelitian ini menerapkan confusion matrix sebagai metode evaluasi untuk menilai kinerja model dalam klasifikasi stunting pada balita. Hasil evaluasi model Decision Tree memperoleh akurasi sebesar 95.73% dalam mengklasifikasi status gizi ke dalam empat kategori yaitu normal, stunted, severely stunted, dan tinggi. Temuan menunjukkan bahwa algoritma Decision Tree efektif dalam mengidentifikasi kondisi stunting serta mendukung sistem pemantauan gizi anak balita secara digital.
Co-Authors Apriani, Elsa Hanif, Isa Faqihuddin Indah Winarni Nunik Pratiwi Oktavianalisti, Falah