cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Bahar
Contact Email
bahararahman@gmail.com
Phone
-
Journal Mail Official
puslit.stmikbjb@gmail.com
Editorial Address
-
Location
Kota banjarmasin,
Kalimantan selatan
INDONESIA
Progresif: Jurnal Ilmiah Komputer
Published by Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru
ISSN : 02163284     EISSN : 26850877     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering
Progresif: Jurnal Ilmiah Komputer adalah Jurnal Ilmiah bidang Komputer yang diterbitkan secara periodik dua nomor dalam satu tahun, yaitu pada bulan Februari dan Agustus. Redaksi Progresif: Jurnal Ilmiah Komputer menerima Artikel hasil penelitian atau atau artikel konseptual bidang Komputer.
Arjuna Subject : -
Articles 476 Documents
 42   43   44   45   46 
Social Network and Sentiment Analysis for Social CRM Optimalization on Indonesian Digital Recruitment Platform Humayyah, Seibah; Siregar, Johannes Hamonangan
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2871

Abstract

The rapid growth of digital recruitment platforms in Indonesia has generated a large volume of user content on social media, serving as a vital data source for Social Customer Relationship Management (Social CRM) strategies. Consequently, the strategic insights that can be drawn may be limited. This study applied an integrated analytical approach combining Social Network Analysis (SNA) and lexicon-based sentiment analysis to evaluate public interactions regarding Jobstreet, Glints, and Dealls. The research methodology involved collecting data from platform X (previously known as Twitter) during the period of April 1-30, 2025, which was then analyzed using SNA with Gephi to identify influential actors through centrality metrics, alongside sentiment analysis to measure emotional polarity. The main findings revealed that Jobstreet possessed the healthiest conversational ecosystem, characterized by positive and neutral sentiment from its central actors. Glints exhibited sentiment polarization, and Dealls showed reputational vulnerability due to dominant negative sentiment from its influential users. It was concluded that the integration of these two methods provides a robust framework for designing more responsive and data-driven Social CRM strategies.Keywords: Social Network Analysis; Sentiment Analysis; Social CRM; Digital Recruitment; Lexicon-Based Features.AbstrakPerkembangan pesat platform rekrutmen digital di Indonesia telah menghasilkan volume besar konten pengguna di media sosial, yang menjadi sumber data vital untuk strategi Social Customer Relationship Management (Social CRM). Sehingga hal ini dapat menyebabkan insight strategis yang bisa diambil menjadi terbatas. Penelitian ini menerapkan pendekatan analitis terpadu yang menggabungkan Social Network Analysis (SNA) dan analisis sentimen berbasis leksikon untuk mengevaluasi interaksi publik mengenai Jobstreet, Glints, dan Dealls. Metodologi penelitian melibatkan pengumpulan data dari platform X (sebelumnya dikenal dengan Twitter) selama periode 1-30 April 2025, yang kemudian dianalisis menggunakan SNA dengan Gephi untuk mengidentifikasi aktor berpengaruh melalui metrik sentralitas, serta analisis sentimen untuk mengukur polaritas emosional. Temuan utama mengungkapkan bahwa Jobstreet memiliki ekosistem percakapan paling sehat, ditandai oleh sentimen positif dan netral dari aktor-aktor sentralnya. Sebaliknya, Glints menunjukkan polarisasi sentimen, dan Dealls menunjukkan kerentanan reputasi karena sentimen negatif yang dominan dari para pengguna berpengaruhnya. Disimpulkan bahwa integrasi kedua metode ini menyediakan kerangka kerja yang kuat untuk merancang strategi Social CRM yang lebih responsif dan berbasis data.Kata Kunci: Analisis Jaringan Sosial; Sentimen; Social CRM; Rekrutmen digital; Lexicon-Based Features.
Implementasi Convolutional Neural Network Dengan MobileNetV2 Untuk Deteksi Tokoh Wayang Golek Berdasarkan Citra Digital Nurazizah, Siti; Asriyanik, Asriyanik; Az-Zahra, Fathia Frazna
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2782

Abstract

Wayang golek is a traditional Pasundan regional performing art played using wooden puppets by a puppeteer, which was recognized by UNESCO on November 7, 2003 as an intangible cultural heritage. However, many people find it difficult to distinguish the characters of wayang golek because of the diversity of the characters. This research aims to implement CNN in developing an image-based golek puppet character identification system, so that the recognition process is carried out quickly and accurately. This research uses 15 golek puppet characters with MobileNetV2 architecture as a feature extractor. The model produces train accuracy of 95% and validation accuracy of 91%. Evaluation results using confusion matrix showed accuracy of 90%, precision 90.47%, recall 90%, and f1-score 89.93%. The results show that the CNN model with MobileNetV2 architecture is effective and optimal in detecting and classifying puppets, so that it can support the preservation of puppet culture through technology.Keyword: Wayang Golek; Convolutional Neural Network; Computer Vision; Image Processing; Website AbstrakWayang golek adalah seni pertunjukan tradisional daerah Pasundan yang dimainkan menggunakan boneka kayu oleh seorang dalang, yang telah diakui UNESCO pada 7 November 2003 sebagai warisan budaya tak benda. Meskipun demikian, tidak sedikit orang kesulitan dalam membedakan tokoh-tokoh wayang golek karena keberagaman tokohnya. Penelitian ini bertujuan untuk mengimplementasikan CNN dalam mengembangkan sistem identifikasi tokoh wayang golek berdasarkan citra, sehingga proses pengenalan dilakukan secara cepat dan akurat. Penelitian ini menggunakan 15 tokoh wayang golek dengan arsitektur MobileNetV2 sebagai feature extractor. Model menghasilkan train accuracy sebesar 95% dan validation accuracy sebesar 91%. Hasil evaluasi menggunakan confusion matrix menunjukkan akurasi sebesar 90%, precision 90,47%, recall 90%, dan f1-score 89,93%. Hasil penelitian menunjukkan bahwa model CNN dengan arsitektur MobileNetV2 terbukti efektif dan optimal dalam mendeteksi serta mengklasifikasikan wayang golek, sehingga dapat mendukung pelestarian budaya wayang golek melalui teknologi.Kata kunci: Wayang golek; Convolutional neural network; Computer vision; Pengolahan citra; Website 
Model Penilaian Kinerja Tenaga Kontrak Dinas Perdagangan Perindustrian Koperasi dan UKM Berbasis Algoritma Weighted Product Yudihartanti, Yulia; Adriel, Adriel; Taufiq, Taufiq; Kirana, Eka Chandra
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2746

Abstract

The performance assessment of contract workers at DPPKUKM Kapuas Regency is important to improve agency performance. However, the problem is that the contract extension process only relies on competency tests from the Kapuas Regency government. DPPKUKM has not used a computer system for performance assessment, and in some cases, contract workers get the same competency test results. The impact is that DPPKUKM has difficulty in assessing and selecting contract workers who should get contract extensions. This study proposes a Decision Support System (DSS) to help DPPKUKM assess the performance of contract workers. In this study, the DPPKUKM uses the Weighted Product (WP) method to assess the performance of DPPKUKM contract workers with the criteria assessed being Work Discipline, Compliance with Rules, and Ability to Work. The results of the performance test show that after using the system, there is no data on the same contract worker performance values. The assessment system has proven to be able to better differentiate the performance and contribution of each contract worker.Keywords: Performance Assessment; Contract Renewal; Contract Workers; Weighted Product  AbstrakPenilaian kinerja tenaga kontrak di DPPKUKM Kabupaten Kapuas penting untuk meningkatkan kinerja instansi. Namun, masalahnya adalah proses perpanjangan kontrak hanya mengandalkan uji kompetensi dari pemerintah Kabupaten Kapuas. DPPKUKM belum menggunakan sistem komputer untuk penilaian kinerja, dan dalam beberapa kasus, tenaga kontrak mendapatkan hasil uji kompetensi yang sama  Dampaknya adalah DPPKUKM kesulitan dalam menilai dan memilih tenaga kontrak yang seharusnya mendapatkan perpanjangan kontrak. Penelitian ini mengusulkan Sistem Penunjang Keputusan (SPK) untuk membantu DPPKUKM menilai kinerja tenaga kontrak. Dalam penelitian ini, SPK untuk menilai kinerja tenaga kontrak DPPKUKM menggunakan metode Weighted Product (WP) dengan kriteria yang dinilai adalah Disiplin Kerja, Kepatuhan Terhadap Aturan, Kemampuan Bekerja. Hasil pengujian performa menunjukkan bahwa setelah menggunakan sistem, tidak ada data nilai kinerja tenaga kontrak yang sama. Sistem penilaian terbukti mampu membedakan kinerja dan kontribusi masing-masing tenaga kontrak dengan lebih baik.Kata kunci: Penilaian Kinerja; Perpanjangan Kontrak; Tenaga kontrak; Weighted Product  
Penerapan Algoritma Decision Tree Dalam Deteksi Fraud Transaksi Kartu Kredit Agustine, Gladisya Devina; Irwansyah, Irwansyah
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2751

Abstract

Credit card fraud poses a serious threat in digital financial systems. Manual detection of suspicious transactions has become ineffective due to detecting fraudulent transactions using the Decision Tree algorithm. The dataset used was obtained from Kaggle and underwent preprocessing and attribute selection. The model was tested under four data split scenarios: 90:10, 80:20, 70:30, and 60:40. Performance evaluation was conducted using a confusion matrix with accuracy, precision, and recall metrics. The results show that the 60:40 data split yielded the best performance, with an accuracy of 97,47%, precision of 86,34%, and recall of 78,67%. These findings indicate that the Decision Tree algorithm can produce highly accurate classification results even without applying data balancing techniques.Kata kunci: Credit Card; Fraud Detection; Decision Tree; Data Mining. AbstrakPenipuan dalam transaksi kartu kredit merupakan ancaman serius dalam sistem keuangan digital. Deteksi secara manual terhadap transaksi yang mencurigakan menjadi tidak efektif seiring dengan meningkatnya volume data. Penelitian ini bertujuan untuk mengembangkan model klasifikasi untuk mendeteksi transaksi fraud menggunakan algoritma Decision Tree C4.5. Dataset yang digunakan diperoleh dari Kaggle dan telah melalui proses praproses dan seleksi atribut. Pengujian dilakukan dengan empat skenario pembagian data training dan data testing, yaitu 90:10, 80:20, 70:30, dan 60:40. Evaluasi performa dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, dan recall. Hasil menunjukkan bahwa pembagian data 60:40 memberikan performa terbaik dengan nilai akurasi sebesar 97,47%, presisi 86,34%, dan recall 78,67%. Model ini menunjukkan bahwa algoritma Decision Tree mampu memberikan hasil klasifikasi yang sangat baik bahkan tanpa teknik penyeimbangan data.Kata kunci: Kartu Kredit; Deteksi Penipuan; Decision Tree; Data Mining
Audit Tata Kelola TI Talent Acquisition KB Bank Dengan COBIT 2019 Kristiawan, Laurentius Widi; Rudianto, Christ
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2720

Abstract

This study analyzes the IT governance audit of KB Bank’s Talent Acquisition team using the COBIT 2019 framework, supported by SWOT and RACI-Chart analyses to evaluate the effectiveness and efficiency of IT systems in the recruitment process. The findings reveal several key challenges, including limited storage capacity, unscheduled internal audits, inconsistent data entry, dependency on HRIS vendors, and the absence of an Applicant Tracking System (ATS) to optimize candidate management. These challenges hinder operational efficiency, increase the risk of input errors, and slow down the selection process. To address these issues, the study recommends implementing an ATS to enhance automation and data accuracy, scheduling regular audits to ensure optimal IT governance, and expanding the capacity and security of cloud-based storage to improve system integration and accessibility. By adopting a COBIT 2019-based strategy, these measures are expected to enhance IT governance efficiency, support recruitment effectiveness, and strengthen KB Bank’s competitiveness in the industry.Keywords: IT Governance; COBIT 2019; SWOT; RACI-Chart; IT Audit AbstrakPenelitian ini menganalisis audit tata kelola teknologi informasi pada tim Talent Acquisition KB Bank menggunakan kerangka kerja COBIT 2019, dengan dukungan analisis SWOT dan RACI-Chart untuk menilai efektivitas dan efisiensi sistem TI pada proses rekrutmen. Hasil penelitian mengidentifikasi berbagai kendala utama, seperti keterbatasan kapasitas penyimpanan, audit internal yang tidak terjadwal dengan baik, pengisian data yang belum konsisten, ketergantungan pada vendor HRIS, serta tidak menggunakan sistem Applicant Tracking System (ATS) yang dapat mengoptimalkan pengelolaan kandidat. Kendala ini menghambat efisiensi operasional, meningkatkan potensi kesalahan input, serta memperlambat proses seleksi. Untuk mengatasinya, penelitian merekomendasikan implementasi ATS guna meningkatkan otomatisasi dan akurasi pengolahan data, penjadwalan audit rutin untuk memastikan tata kelola TI yang optimal, serta peningkatan kapasitas dan keamanan penyimpanan berbasis cloud agar sistem lebih terintegrasi dan mudah diakses. Dengan menerapkan strategi berbasis COBIT 2019, langkah ini diharapkan dapat meningkatkan efisiensi pengolahan TI, mendukung efektivitas rekrutmen, dan memperkuat daya saing KB Bank dalam industri yang kompetitif.Kata kunci: Tata Kelola TI; COBIT 2019; SWOT; RACI-Chart; Audit TI
Deteksi Skintone Menggunakan Model Warna CIELAB dan Klasifikasi Support Vector Machine Shofiyah, Shofiyah; Pratiwi, Nunik
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2827

Abstract

This study aims to develop a human skin tone detection system using the CIELAB color model and the Support Vector Machine (SVM) classification method. The data used consists of facial images from the SkinTone Classification dataset (Kaggle). The preprocessing stage includes image resizing and conversion to the CIELAB color space. Feature extraction is performed by calculating the mean and standard deviation of each L*, a*, and b* channel. The dataset is then divided into training and testing sets with an 80:20 ratio, and classification is carried out using SVM with a Radial Basis Function (RBF) kernel. System performance is evaluated using accuracy, precision, recall, and F1-score metrics. The system achieved an accuracy of 92.09%, with the best performance in the dark skin tone category, reaching an F1-score of 97.9%. Although the performance for other classes was slightly lower, the system overall demonstrates strong classification capability and potential for practical and accurate skin tone recognition applications.Keyword: Skin color; CIELAB; Feature extraction; Support Vector Machine; Image classification AbstrakPenelitian ini memiliki tujuan untuk mengembangkan sebuah sistem dalam mendeteksi warna kulit manusia dengan pendekatan model warna CIELAB dan metode klasifikasi Support Vector Machine (SVM). Data yang digunakan berupa citra wajah dari SkinTone Classification dataset (Kaggle). Tahapan praproses yang meliputi perubahan ukuran citra dan konversi ke ruang warna CIELAB. Ekstraksi fitur dilakukan dengan menghitung rata-rata serta simpangan baku pada setiap komponen L*, a*, dan b*. Dataset kemudian dipisahkan menjadi data pelatihan dan data pengujian dengan rasio 80:20, lalu diklasifikasikan menggunakan SVM dengan kernel Radial Basis Function (RBF). Evaluasi performa sistem dianalisis menggunakan  metrik akurasi, presisi, recall, dan F1-score. Sistem ini berhasil mencapai akurasi sebesar 92,09%, dengan performa terbaik pada kategori warna kulit gelap (dark), yang memperoleh F1-score sebesar 97,9%. Walaupun hasil performa pada kelas lain sedikit lebih rendah, sistem ini secara keseluruhan menunjukkan kemampuan klasifikasi yang baik dan berpotensi untuk diterapkan dalam aplikasi pengenalan warna kulit secara praktis dan akurat.Kata Kunci: Warna kulit; CIELAB; Ekstraksi fitur; Support Vector Machine; Klasifikasi citra
Utilizing Explainable AI for Interpreting Machine Learning Model Results in Ceria Credit Scoring Setiawan, Roni Eka; Adi Putra, Toni Wijanarko; Hartono, Budi
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2769

Abstract

This study aims to improve the transparency of machine learning models in credit scoring using various Explainable Artificial Intelligence (XAI) methods. The methods used include SHAP, BRCG, ALE, Anchor, and ProtoDash to explain the prediction results of machine learning models, namely logistic regression, XGBoost, and random forest. This study applies a quantitative approach with a comparative method, where Ceria loan application data from Bank Rakyat Indonesia (BRI) is analyzed using a machine learning model, then evaluated using the Explanation Consistency Framework (ECF). The results show that the XAI method can improve understanding of model decisions, with SHAP and ALE effective for global explanations, while Anchor and ProtoDash provide in-depth insights at the individual level. Evaluation using ECF shows that the post-hoc method has high consistency, although Anchor has limitations in the aspect of axiom identity. In conclusion, the XAI method can help improve trust and transparency in credit scoring at BRI.Keywords: Explainable Artificial Intelligence; Credit Scoring; Machine Learning; Model Interpretability; Explanation Consistency Framework AbstrakPenelitian ini bertujuan untuk meningkatkan transparansi model pembelajaran mesin dalam penilaian kredit menggunakan berbagai metode Explainable Artificial Intelligence (XAI). Metode yang digunakan antara lain SHAP, BRCG, ALE, Anchor, dan ProtoDash untuk menjelaskan hasil prediksi model pembelajaran mesin yaitu regresi logistik, XGBoost, dan random forest. Penelitian ini menggunakan pendekatan kuantitatif dengan metode komparatif, dimana data pengajuan pinjaman Ceria dari Bank Rakyat Indonesia (BRI) dianalisis menggunakan model machine learning, kemudian dievaluasi menggunakan Explanation Consistency Framework (ECF). Hasilnya menunjukkan bahwa metode XAI dapat meningkatkan pemahaman keputusan model, dengan SHAP dan ALE efektif untuk penjelasan global, sementara Anchor dan ProtoDash memberikan wawasan mendalam pada tingkat individu. Evaluasi menggunakan ECF menunjukkan bahwa metode post-hoc memiliki konsistensi yang tinggi, meskipun Anchor memiliki keterbatasan pada aspek identitas aksioma. Kesimpulannya, metode XAI dapat membantu meningkatkan kepercayaan dan transparansi dalam credit scoring di BRI.Kata Kunci: Explainable Artificial Intelligence; Credit Scoring; Machine Learning; Model Interpretability; Explanation Consistency Framework
Model Klasifikasi Mental Siswa Menggunakan Algoritma Support Vector Machine Fibriani, Charitas; Kristiyani, Dian Novita
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2813

Abstract

Student mental health plays a vital role in academic performance and social well-being. This study aims to build a classification model using the Support Vector Machine (SVM) algorithm, based on 15 features covering demographic, academic, and behavioral aspects. The dataset, obtained from Kaggle, contains 426 records of junior and senior high school students. Key preprocessing steps include one-hot encoding, feature standardization, train-test splitting (80:20), and handling class imbalance with SMOTE. The model was trained using the Radial Basis Function (RBF) kernel and optimized using Grid Search CV to find the best parameters. Evaluation results show 65% accuracy, with better performance in predicting students without mental health issues (Absence). However, low recall for the Presence class indicates a need for improved strategies to handle data imbalance. This study highlights the potential of machine learning, particularly SVM, as a tool for early mental health detection in students, provided that effective data preprocessing is applied.Keywords: Student mental health; classification; Support Vector Machine; SMOTE; machine learningAbstrakKesehatan mental siswa berpengaruh besar terhadap prestasi akademik dan kesejahteraan sosial. Penelitian ini bertujuan membangun model klasifikasi kondisi mental siswa menggunakan algoritma Support Vector Machine (SVM) berbasis 15 fitur demografis, akademik, dan perilaku. Dataset yang digunakan berasal dari Kaggle, terdiri atas 426 data siswa SMP dan SMA. Tahapan penelitian meliputi preprocessing dengan one-hot encoding, standarisasi numerik, pembagian data (80:20), serta penanganan ketidakseimbangan data menggunakan SMOTE. Model dilatih menggunakan kernel Radial Basis Function (RBF) dan dioptimasi dengan Grid Search CV. Hasil evaluasi menunjukkan akurasi sebesar 65%, dengan kinerja lebih baik dalam mengenali siswa tanpa gangguan mental (absence) dibandingkan siswa dengan gangguan mental (presence). Rendahnya recall pada kelas Presence mengindikasikan perlunya strategi lanjutan terhadap ketidakseimbangan data. Penelitian ini menunjukkan bahwa machine learning, khususnya SVM, berpotensi sebagai alat bantu dalam deteksi awal kesehatan mental siswa jika disertai pengolahan data yang tepat.Kata kunci: Kesehatan mental siswa; Klasifikasi; Support Vector Machine; SMOTE; Machine learning 
Perbandingan Algoritma K-Nearest Neighbor dan Naive Bayes untuk Klasifikasi FoMO Pengguna Media Sosial Haromaen, Muhammad; Piskana, Marthin; Ryando, M. Bucci; Hadinata, Wira
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2784

Abstract

The intensive use of social media among students poses a risk of triggering Fear of Missing Out (FoMO), which negatively affects mental health and learning focus. This study aims to develop a classification model to detect FoMO tendencies among students at SMAN 11 Kabupaten Tangerang. A quantitative approach was used, employing the K-Nearest Neighbor (KNN) and Naïve Bayes algorithms. The analyzed variables include gender, duration of social media use, access frequency, desire to stay updated, and its impact on productivity. Data were collected from 244 respondents and processed through pre-processing, modeling, and evaluation stages. Validation results show that KNN achieved the highest accuracy at 94.69%, while Naïve Bayes reached 93.06%. These findings indicate that KNN is more effective in detecting FoMO tendencies based on numerical data and has the potential to support early intervention efforts in educational settings.Keywords: Fear of Missing Out; K-Nearest Neighbor; Social Media; Classification; Naive Bayes AbstrakPenggunaan media sosial secara intensif di kalangan pelajar berisiko memunculkan gejala Fear ofaMissing Out (FoMO), yang berdampak negatif pada kesehatan mental dan fokus belajar. Penelitian ini bertujuan untuk mengembangkan model klasifikasi kecenderungan FoMO pada pelajar SMAN 11 Kabupaten Tangerang. Metode yang digunakan adalah pendekatan kuantitatif dengan algoritma K-NearestiNeighbor (KNN) dan NaïveiBayes. Variabel yang dianalisis meliputi jenis kelamin, durasi penggunaan media sosial, frekuensi akses, keinginan untuk tetap update, dan pengaruh terhadap produktivitas. Data dikumpulkan dari 244 responden dan diproses melalui pre-processing, modeling, dan evaluasi. Hasil validasi menunjukkan bahwa KNN menghasilkan akurasi tertinggi sebesar 94,69%, sementara Naïve Bayes mencapai 93,06%. Temuan ini menunjukkan bahwa KNN lebih efektif untuk mendeteksi kecenderungan FoMO berbasis data numerik dan berpotensi mendukung pengembangan intervensi dini dalam konteks pendidikan.Kata kunci: Fear of Missing Out; K-Nearest Neighbor; Media Sosial; Klasifikasi; Naive Bayes
Penerapan K-Means Clustering dalam Segmentasi Siswa Berdasarkan Status Sosial Ekonomi Putri, Dewi Eka; Mandala, Eka Praja Wiyata
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2: Agustus 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2809

Abstract

The accuracy of educational aid distribution remains a challenge, especially when it is not based on structured socioeconomic data. This study aims to group students at SMP Negeri 1 Lunang based on socioeconomic status using the K-Means Clustering algorithm as a segmentation approach. The data used includes parents' income and occupation, number of dependents, social assistance, certificates of poverty, and distance from home to school. After data normalization, clustering and visualization were performed using Principal Component Analysis (PCA). The clustering results yielded three main groups representing different socioeconomic levels: low, medium, and high. Validation using the Silhouette Score yielded a value of 0.2592, indicating that the cluster separation was adequate. These findings suggest that K-Means can serve as a decision-making tool for data-driven aid distribution. This study offers a new approach to student segmentation that simultaneously considers geographical and socioeconomic indicators.Keywords: K-Means; Socioeconomic status; Student segmentation; PCA; Silhouette score  AbstrakKetepatan penyaluran bantuan pendidikan masih menjadi tantangan, terutama ketika tidak berbasis pada data sosial ekonomi yang terstruktur. Penelitian ini bertujuan untuk mengelompokkan siswa SMP Negeri 1 Lunang berdasarkan status sosial ekonomi menggunakan algoritma K-Means Clustering sebagai pendekatan segmentasi. Data yang digunakan mencakup penghasilan dan pekerjaan orang tua, jumlah tanggungan, bantuan sosial, surat keterangan tidak mampu, dan jarak rumah ke sekolah. Setelah data dinormalisasi, dilakukan klasterisasi dan visualisasi menggunakan Principal Component Analysis (PCA). Hasil clustering menghasilkan tiga kelompok utama yang merepresentasikan tingkatan sosial ekonomi berbeda yaitu rendah, menengah dan tinggi. Validasi menggunakan Silhouette Score menunjukkan nilai sebesar 0,2592, menandakan bahwa pemisahan klaster cukup baik. Temuan ini menunjukkan bahwa        K-Means dapat menjadi alat bantu pengambilan keputusan untuk penyaluran bantuan berbasis data. Penelitian ini menawarkan pendekatan baru dalam segmentasi siswa yang mempertimbangkan indikator geografis dan sosial secara bersamaan.Kata kunci: K-Means; Status sosial ekonomi; Segmentasi siswa; PCA; Silhouette score  

Page 44 of 48 | Total Record : 476

 42   43   44   45   46 

Filter by Year

2006 2025


Reset
Filter By Issues
All Issue Vol 21, No 2: Agustus 2025 Vol 21, No 1: Februari 2025 Vol 20, No 2: Agustus 2024 Vol 20, No 1: Februari 2024 Vol 19, No 2: Agustus 2023 Vol 19, No 1: Februari 2023 Vol 18, No 2: Agustus 2022 Vol 18, No 1: Februari 2022 Vol 17, No 2: Agustus 2021 Vol 17, No 1: Februari 2021 Vol 16, No 2: Agustus 2020 Vol 16, No 1: Februari 2020 Vol 15, No 2: Agustus 2019 Vol 15, No 1: Februari 2019 Vol 14, No 2: Agustus 2018 Vol 14, No 1: Februari 2018 Vol 13, No 2: Agustus 2017 Vol 13, No 1: Pebruari 2017 Vol 12, No 2: Agustus 2016 Vol 12, No 1: Pebruari 2016 Vol 11, No 2: Agustus 2015 Vol 11, No 1: Pebruari 2015 Vol 10, No 2: Agustus 2014 Vol 10, No 1: Pebruari 2014 Vol 9, No 2: Agustus 2013 Vol 9, No 1: Pebruari 2013 Vol 7, No 2: Agustus 2011 Vol 6, No 2: Agustus 2010 Vol 6, No 1: Pebruari 2010 Vol 4, No 1: Pebruari 2008 Vol 2, No 2: Agustus 2006 More Issue