cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Ibnu Rusydi
Contact Email
ibnurusydi@dharmawangsa.ac.id
Phone
+6282362606572
Journal Mail Official
admin_syntax@dharmawangsa.ac.id
Editorial Address
Kampus I, Universitas Dharmawangsa, Jl. K.L Yos Sudarso No. 244 Medan, Sumatera Utara, Indonesia
Location
Unknown,
Unknown
INDONESIA
Syntax: Journal of Software Engineering, Computer Science and Information Technology
Published by Universitas Dharmawangsa
ISSN : 27767027     EISSN : 27230538     DOI : DOI: https://doi.org/10.46576/syntax
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering
Syntax: Journal of Software Engineering, Computer Science and Information Technology adalah Jurnal ilmiah yang dikelola dan diterbitkan oleh Program Studi Rekayasa Perangkat Lunak, Fakultas Teknik dan Ilmu Komputer, Universitas Dharmawangsa, Medan, Indonesia. Jurnal ini membahas tentang topik-topik yang berkenaan dengan bidang rekayasa perangkat lunak, ilmu komputer, sistem informasi, teknologi informasi dan komunikasi.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 114 Documents
 8   9   10   11   12 
SISTEM MONITORING SISWA BERBASIS DSS TERHADAP PELANGGARAN SEKOLAH PADA MTS.S AL WASLIYAH TEMBUNG Ramadhani, Nur; -, Suherman; Amin, Muhammad
Syntax : Journal of Software Engineering, Computer Science and Information Technology Vol 6, No 1 (2025): Juni 2025
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/syntax.v6i1.6958

Abstract

Menjaga kedisiplinan siswa sangat penting untuk menumbuhkan lingkungan belajar yang kondusif, namun banyak sekolah tidak memiliki pendekatan sistematis untuk mengatasi pelanggaran. Studi kami di Sekolah Al Wasliyah Tembung mengidentifikasi tren peningkatan pelanggaran siswa, yang disebabkan oleh tidak adanya sistem pemantauan yang terstandarisasi. Untuk mengurangi hal ini, kami mengusulkan dan mengevaluasi Sistem Pendukung Keputusan (DSS) yang dirancang untuk melacak pelanggaran siswa secara sistematis dan menginformasikan sanksi akademis. Dengan menggunakan metode Simple Additive Weighting (SAW), DSS mengklasifikasikan pelanggaran ke dalam kategori ringan, sedang, dan berat. Sistem ini menyediakan ikhtisar terstruktur dari data disiplin siswa, yang memfasilitasi pengambilan keputusan berdasarkan data untuk sanksi. DSS ini menawarkan alternatif penting untuk metode saat ini, yang bertujuan untuk meningkatkan efektivitas manajemen disiplin siswa. Hasil dari penelitian ini menunjukkan data siswa secara terstruktur dengan tingkat kategori, sehingga dapat mempermudah pemberian sangsi dengan berbasis data. Sistem monitoring ini diharapkan menjadi suatu alternatif, dari begitu banyak sistem yang sudah ada. 
ANALISIS KOMPARATIF KLASIFIKASI MACHINE LEARNING UNTUK MEMPREDIKSI STUNTING PADA ANAK USIA DI BAWAH LIMA TAHUN Saputra, Yudhi Fajar; Al-Khasawneh, Mahmoud Ahmad; Milkhatun, Milkhatun; Asthiningsih, Ni Wayan Wiwin; Rahmah, Sitti
Syntax : Journal of Software Engineering, Computer Science and Information Technology Vol 6, No 1 (2025): Juni 2025
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/syntax.v6i1.6852

Abstract

Stunting merupakan salah satu permasalahan kesehatan masyarakat yang bisa berdampak jangka panjang terhadap kualitas sumber daya manusia di Indonesia. Deteksi dini terhadap status stunting anak usia di bawah lima tahun menjadi langkah dalam mencegah gangguan pertumbuhan kronis akibat stunting, sehingga penelitian ini bertujuan untuk membangun model klasifikasi status stunting dengan memanfaatkan pendekatan data mining menggunakan algoritma Decision Tree dan Random Forest. Data yang digunakan diperoleh dari hasil survei terhadap ibu yang memiliki anak dibawah umur lima tahun dengan sejumlah 193 responden, data tersebut mencakup variabel antropometri dan sosial ekonomi, seperti tinggi badan, berat badan, usia anak, pendidikan orang tua, pendapatan keluarga, dan urutan kelahiran. data tersebut diproses melalui tahapan Knowledge Discovery in Databases (KDD) meliputi seleksi atribut, imputasi, encoding, dan klasifikasi melalui proses permodelan data mining, selanjutnya evaluasi dilakukan dengan metrik klasifikasi Classification Accuracy(CA) dan Area Under the Curve (AUC) dari kurva Receiver Operating Characteristic (ROC). Hasil penelitian menunjukkan bahwa model Random Forest memiliki performa lebih baik dibandingkan Decision Tree dengan nilai CA 71% dan AUC 0.74. dibandingkan Decision Tree dengan nilai CA 67% dan AUC 0.68. Peneliti berharap bahwa Model prdiksi ini berpotensial dapat digunakan sebagai sistem deteksi dini stunting berbasis data atau sebagai rujukan untuk penelitian berikutnyaKata Kunci—Stunting, Machine Learning, Random Forest, Decision Tree, Classification Model, ROC Curve. ABSTRACTStunting is one of the public health issues that can have long-term impacts on the quality of human resources in Indonesia. Early detection of stunting status among children under five years of age is a critical step in preventing chronic growth disorders. Therefore, this study aims to develop a classification model for stunting status using a data mining approach with Decision Tree and Random Forest algorithms. The dataset was obtained from a survey of 193 mothers with children under five, encompassing anthropometric and socioeconomic variables such as height, weight, child’s age, parental education, family income, and birth order. The data were processed through the stages of Knowledge Discovery in Databases (KDD), including attribute selection, imputation, encoding, and classification modeling. The model performance was evaluated using classification metrics: Classification Accuracy (CA) and the Area Under the Curve (AUC) from the Receiver Operating Characteristic (ROC) curve. The results show that the Random Forest model outperformed the Decision Tree, achieving a CA of 71% and an AUC of 0.74, compared to the Decision Tree with a CA of 67% and an AUC of 0.68. This predictive model is expected to be useful as a data-driven early detection system for stunting or serve as a reference for future research.Keywords—Stunting, Machine Learning, Random Forest, Decision Tree, Classification Model, ROC Curve.
IMPLEMENTASI METODE AHP PADA SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN CLEANING SERVICE TERBAIK Pratiwi, Indah; Zulham, Zulham; Rusydi, Ibnu; Solihin Hasugian, Buyung
Syntax : Journal of Software Engineering, Computer Science and Information Technology Vol 6, No 1 (2025): Juni 2025
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/syntax.v6i1.7161

Abstract

Pada pemilihan Cleaning service sering kali memiliki kendala ataupun masalah dalam menangani kinerja yang tidak sesuat dengan kontrak kerja yang diberikan kemereka, maka dalam hal ini pihak PT.Seribu Nusantara Sejahtera dapat mengamati dan melakukan penilaian dengan cepat pada jasa Cleaning service. Dalam suatu perusahaan memerlukan pengambilan keputusan yang maksimal dan cepat, maka dalam pembangunan sistem penilaian yg bisa dan tergi pada memilih kinerja Cleaning service dalam PT.Seribu Nusantara Sejahtera. Oleh karena itu, perusahaan bisa memakai keilmuan pada suatu sistem pendukung keputusan, yg bisa menyimpulkan output keputusan dalam menyelesaikan permasalahan dalam penentuan kinerja Cleaning service dengan menggunakan metode AHP.Permasalahan tersebut dimana suatu perusahaan membutuhkan suatu bidang keilmuan yang dapat membantu dalam pengambilan keputusan yaitu Sistem Pendukung Keputusan engan menggunakan metode AHP lebih akurat dalam perhitungan perangkingan alternatif karena evaluasi kriteria maksimum dan kriteria minimum dilakukan secara terpisah. Hasil penelitian ini mendapatkan hasil yang maksimal dalam menganalisa dan dapat membantu petugas agar dapat menentukan dalam kinerja cleaning service diharapkan dapat membantu pihak PT.Seribu Nusantara SejahteraKata Kunci : AHP, Cleaning Service, Sistem Pendukung Keputusan.Abstract- In the selection of cleaning services, they often have problems or problems in handling performance that is not in accordance with the work contract given to them, so in this case PT. Seribu Nusantara Sejahtera can observe and make a quick assessment of cleaning services. In a company that requires maximum and fast decision making, then in the development of an assessment system that can and is focused on selecting cleaning service performance in PT.Seribu Nusantara Sejahtera. Therefore, companies can use knowledge in a decision support system, which can conclude decision outputs in solving problems in determining cleaning service performance using the AHP method.The problem is where a company needs a scientific field that can assist in decision making, namely the Decision Support System using the AHP method is more accurate in calculating alternative rankings because the evaluation of maximum criteria and minimum criteria is carried out separately. The results of this study get maximum results in analyzing and can help officers to be able to determine the cleaning service performance, which is expected to help PT.Seribu Nusantara SejahteraKeywords : AHP, Cleaning Service, Decision Support System.
ANALISIS SENTIMEN PADA ULASAN PENGGUNA TIKTOK DAN TOKOPEDIA MENGUNAKAN MESIN LEARNING BERBASIS NAIVE BAYES CLASSIFIER -, Mubarak; Ashari, Annisa; Harahap, Gilang; Rosnelly, Rika
Syntax : Journal of Software Engineering, Computer Science and Information Technology Vol 6, No 1 (2025): Juni 2025
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/syntax.v6i1.6960

Abstract

Abstrak−Analisis sentimen merupakan teknik penting dalam memahami opini dan pengalaman pengguna terhadap layanan atau produk, terutama di platform e-commerce yang berkembang pesat seperti TikTok Shop. Tujuan dari penelitian ini adalah mengetahui dan analisis terhadap sentimen keluhan penjual di TikTok Shop dengan menggunakan algoritma Naive Bayes Classifier. Dataset yang digunakan terdiri dari ulasan penguna TikTok. yang diambil dari dataset kaggle. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna TikTok menggunakan algoritma Naïve Bayes untuk menganalisis data sentimen tersebut. Algoritma Naive Bayes diterapkan untuk mengklasifikasikan sentimen ulasan menjadi dua kategori: positif, dan negatif. Penelitian ini mengunakan Model Algiritma Naive Bayes berhasil mencapai nilai akurasi 97%, nilai CA 82%, nilai F1 82%, nilai Prec 86%, nilai Recall 82% dan nilai MCC 68% tergantung pada pengaturan dataset. Pada penelitian ini jumlah dataset yang digunakan berjumlah 3145 data yang diambil dari dataset kaggle, dengan pengaturan dataset traning sebesar 90% dan dataset test sebesar 10%. Temuan ini memberikan wawasan berharga bagi pengelola TikTok Shop untuk meningkatkan fitur dan layanan mereka berdasarkan umpan balik pengguna. Rekomendasi untuk penelitian selanjutnya mencakup penggunaan dataset yang lebih besar dan penerapan algoritma lain untuk perbandingan efektivitas serta eksplorasi lebih lanjut terhadap faktor-faktor yang mempengaruhi sentimen pengguna. Kata kunci : TikTok, Analisis Sentimen, Algoritma Naive Bayes, Ulasan Pengguna Abstract− Sentiment analysis is an important technique in understanding user opinions and experiences towards services or products, especially on rapidly growing e-commerce platforms such as TikTok Shop. The purpose of this study is to determine and analyze the sentiment of seller complaints on TikTok Shop using the Naive Bayes Classifier algorithm. The dataset used consists of TikTok user reviews. taken from the kaggle dataset. This study aims to analyze the sentiment of TikTok user reviews using the Naive Bayes algorithm to analyze the sentiment data. The Naive Bayes algorithm is applied to classify review sentiment into two categories: positive and negative. This study uses the Naive Bayes Algorithm Model successfully achieving an accuracy value of 97%, a CA value of 82%, an F1 value of 82%, a Prec value of 86%, a Recall value of 82% and an MCC value of 68% depending on the dataset settings. In this study, the number of datasets used was 3145 data taken from the kaggle dataset, with a training dataset setting of 90% and a test dataset of 10%. These findings provide valuable insights for TikTok Shop managers to improve their features and services based on user feedback. Recommendations for further research include the use of larger datasets and the application of other algorithms for comparison of effectiveness as well as further exploration of factors influencing user sentiment. Keywords: TikTok, Sentiment Analysis, Naive Bayes Algorithm, User Reviews

Page 12 of 12 | Total Record : 114

 8   9   10   11   12 

Filter by Year

2020 2025


Reset
Filter By Issues
All Issue Vol 6, No 1 (2025): Juni 2025 Vol 5, No 2 (2024): Desember 2024 Vol 5, No 1 (2024): Juni 2024 Vol 4, No 2 (2023): Desember 2023 Vol 4, No 1 (2023): Juni 2023 Vol 3, No 2 (2022): Desember 2022 Vol 3, No 1 (2022): Juni 2022 Vol 2, No 2 (2021): Desember 2021 Vol 2, No 1 (2021): Juni 2021 Vol 1, No 2 (2020): Desember 2020 Vol 1, No 1 (2020): Juni 2020 More Issue