Garuda - Garba Rujukan Digital

Klasifikasi Prestasi Akademik Mahasiswa Berdasarkan Kehadiran dan Aktivitas Menggunakan Metode Naïve Bayes Afdhaliyah Ramadhatul Fitriyah; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4632

Penelitian ini bertujuan mengklasifikasikan prestasi akademik mahasiswa berdasarkan tingkat kehadiran dan aktivitas belajar menggunakan metode Naïve Bayes. Data yang digunakan meliputi atribut kehadiran, aktivitas perkuliahan, dan status akademik yang diolah menggunakan aplikasi RapidMiner Studio 7.1 melalui tahapan pembersihan, seleksi, dan transformasi data. Hasil pengujian menunjukkan tingkat akurasi sebesar 89,20%, dengan nilai precision dan recall di atas 88%. Hasil ini menunjukkan bahwa metode Naïve Bayes efektif dalam memprediksi prestasi akademik mahasiswa serta dapat digunakan sebagai dasar pengambilan Keputusan akademik untuk meningkatkan kinerja belajar. Kata Kunci: Klasifikasi, Prestasi Akademik, Kehadiran, Aktivitas Mahasiswa, Naïve Bayes This study aims to classify students’ academic performance based on attendance levels and learning activities using the Naïve Bayes method. The data used include attendance, class activity, and academic status attributes, which were processed using RapidMiner Studio 7.1 through the stages of data cleaning, selection, and transformation. The testing results show an accuracy rate of 89.20%, with precision and recall values above 88%. These results indicate that the Naïve Bayes method is effective in predicting students’ academic performance and can be utilized as a basis for academic decision-making to improve learning outcomes. Keywords: Classification, Academic Performance, Attendance, Student Activity, Naïve Bayes

Klasifikasi Harga Handphone Menggunakan Algoritma Decision Tree Ahmad Farissul Haq; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4636

Perkembangan teknologi smartphone yang cepat menghasilkan banyak variasi merek dan spesifikasi, yang membuat harga handphone sangat bervariasi. penelitian ini bertujuan untuk mengklasifikasikan harga handphone berdasarkan fitur-fitur seperti RAM, memori intertal, kamera, prosesor, dan merek menggunakan algoritma Decision Tree. Metode ini dipilih karna kemampuannya menentukan model klasifikasi yang mudah dipahami dan diinterpretasi. Dataset yang digunakan terdiri dari 64 data handphone yang telah diberi label harga yaitu ‘Murah, Sedang, Mahal’. Hasil klasifikasi menunjukan tingkat akurasi sebesar 97%, model yang dihasilkan dapat membantu konsumen serta penjual dalam memahami segmentasi pasar smartphone. Kata Kunci: Data Mining, Decision Tree, Klasifikasi, Harga Handphone. The rapid development of smartphone technology has resulted in various brands and specefications, cousing price diversity. This study aims to classify smartphone prices based on features such as RAM, internal memory, camera, processor, and brand using the Decision Tree algorithm. This method was chosen for its ability to build interpretble clasification models. The dataset consists of 64 smartphone records labeled by price (low, Medium, High). the clasifacation achieved an accuracy of 97%, and the resulting model helps consumers and sellers understand smartphone market segmentation. Keywords: Data Mining, Decision Tree, Classification, Smartphone Price

Penerapan Metode Random Forest Untuk Klasifikasi Kelulusan Mahasiswa Tepat Waktu di Pondok Pesantren Salafiyah Syafi'iyah Lisa Muhfidha; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4638

Timely graduation is one of the main indicators used to evaluate how effectively a higher education system operates. The Salafiyah Syafi'iyah Islamic Boarding School, which integrates the formal education system with pesantren tradition, experiences particular challenges in ensuring students graduate according to schedule, as they must balance academic requirements with rigorous religious and community programs. This research implements the Random Forest algorithm to classify student graduation outcomes based on past data containing attributes such as GPA, skill assessments, educational background, community service, and student identity. The method was selected due to its capacity to process complex datasets, its resistance to overvitting, and its usefulness in identifying the relative significance of each predictor variable. The modeling process was executed in RappidMinner Studio, covering stages of data cleaning, model training, and evaluation. The analysis show that GPA contributes the most to predicting timely graduation (Weight =0.4), followed by school background and community service (each 0.3). the resulting decision tree indicates that students with a GPA above 2.85 are most likely to graduate on time. The developed model can function as a decision-support System, helping educators detect students who may face delays in graduation and enabling timely interventions such as personalized guidance or mentoring sessions. Keywords: Random Forest, Classification, Timely Graduation, Data Mining, Islamic Boarding School Ketepatan waktu kelulusan mahasiswa merupakan indikator penting dalam menilai efektivitas suatu sitem pendidikan tinggi. Pondok pesantren Salafiyah Syafi’iyah yang memadukan sistem formal dengan nilai-nilai kepesantrenan, menghadapi tantangan tersendiri dalam memastikan mahasiswa dapat lulus tepat waktu. Hal ini karena santri harus menyeimbangkan antara penyelesaian beban akademik dengan berbagai kegiatan pesantren yang padat. Penelitian ini menerapkan metode Random Forest untuk mengklasifikasikan status kelulusan mahasiswa berdasarkan data historis yang mencakup atribut sepeti Indeks Prestasi Kumulatif (IPK), Keterampilan Kelulusan, asal Madrasah, kegiatan Pengabdian Masyarakat, dan Nama mahasiswa. Metode Random Forest dipilih karena kemampuannya dalam mengelolah data berdimensi tinggi, tahan terhadap overfitting, serta mampu mengidentifikasi tingkat kepentingan setiap variabel. Proses klasifikasi dilakukan menggunakan RapidMiner Studio, melalui tahapan praproses data, pembentukan model, dan evaluasi performa. Hasil penelitian menunjukkan bahwa IPK merupakan faktor paling dominan dengan bobot tertinggi (0.4) dalam menentukan kelulusan tepat waktu, diikutioleh Madrasah dan Pengabdian dengan bobot masing-masing 0.3. Visualisasi pohon keputusan menunjukkan threshold IPK > 2.850 sebagai titik percabangan utama. Model yang dihasilkan dapat digunakan sebagai sistem pendukung keputusan untuk identifikasi dini mahasiswa berisiko terlambat lulus, memungkinkan institusi memberikan intervensi akademik yang tepat seperti bimbingan intensif dan pendampingan khusus untuk meningkatkan tingkat kelulusan tepat waktu. Kata Kunci: Random Forest, Klasifikasi, Kelulusan Tepat Waktu, Data Mining, Pondok Pesantren

Analisis Klasifikasi Status Perokok Menggunakan Algoritma Decision Tree Berbasis RapidMiner Sri Wahyuni; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4639

Perilaku merokok merupakan salah satu kebiasaan yang berdampak negatif terhadap kesehatan dan menjadi faktor utama berbagai penyakit kronis. Penelitian ini bertujuan untuk menganalisis klasifikasi status perokok menggunakan algoritma Decision Tree berbasis RapidMiner. Data yang digunakan meliputi atribut seperti usia, jenis kelamin, tingkat pendidikan, pekerjaan, serta jumlah konsumsi rokok per hari. Melalui penerapan algoritma Decision Tree, proses klasifikasi dilakukan untuk membedakan individu ke dalam kategori perokok ringan, sedang, dan berat. Hasil penelitian menunjukkan bahwa algoritma Decision Tree mampu menghasilkan tingkat akurasi yang baik dalam mengidentifikasi status perokok berdasarkan pola data yang dianalisis. Implementasi model ini diharapkan dapat membantu pihak terkait dalam memahami faktor-faktor yang mempengaruhi kebiasaan merokok dan menjadi dasar dalam upaya pengendalian perilaku merokok di masyarakat. Kata Kunci: Decision Tree, Klasifikasi, Status Perokok, RapidMiner, Data Mining. Smoking is a major risk factor for various chronic diseases, such as lung cancer and heart disease. This study aims to classify smoker status using a decision tree algorithm based on RapidMiner software. The data used consists of several attributes such as age, gender, education level, occupation, and daily cigarette consumption frequency. The C4.5 algorithm was used as the basis for the decision tree method due to its ability to handle both numeric and categorical data. The research process included data collection, data cleaning, model development, and evaluation using a confusion matrix with accuracy, precision, and recall parameters. Test results showed that the classification model using the Decision Tree algorithm achieved an accuracy rate of 92.4%, precision of 91.2%, and recall of 90.8%. This demonstrates the effectiveness of the RapidMiner-based Decision Tree in classifying smoker status in the Indonesian community. Keywords: Decision Tree, RapidMiner, C4.5, Classification, Smoker Status.

Penerapan Metode K-Nearest Neighbor (KNN) Untuk Klasifikasi Cuaca Hujan Berbasis Data Mining Muhammad Marizal; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4642

Perubahan iklim telah menyebabkan pola cuaca global menjadi semakin tidak teratur, sehingga mengharuskan adanya sistem peramalan yang mampu bekerja dengan cepat dan tepat. Riset ini bertujuan untuk mengklasifikasikan kondisi cuaca harian menggunakan algoritma K-Nearest Neighbor (KNN) berbasis business intelligence. Data yang dimanfaatkan dalam penelitian ini mencakup 13.201 sampel data cuaca dengan 11 atribut utama, yaitu suhu udara, kelembapan, kecepatan angin, curah hujan, tutupan awan, tekanan atmosfer, indeks ultraviolet, musim, jarak pandang, lokasi geografis, dan tipe cuaca sebagai label klasifikasi. Proses pengujian diterapkan dengan metode 10-Fold Cross Validation memanfaatkan perangkat lunak Altair AI Studio 2024.1.0. Hasil penelitian menunjukkan bahwa nilai parameter k berpengaruh signifikan terhadap performa model. Nilai k=7 menghasilkan akurasi tertinggi sebesar 89,28%, sedangkan nilai k=9 menunjukkan sedikit penurunan akurasi akibat efek over-smoothing. Analisis confusion matrix menunjukkan bahwa kelas Rainy dan Sunny memiliki tingkat klasifikasi tertinggi, sementara kesalahan terbesar terjadi antara Cloudy dan Sunny. Analisis bobot atribut menggunakan metode Weight by Information Gain menunjukkan bahwa temperature dan humidity memiliki pengaruh paling dominan terhadap hasil klasifikasi. Riset ini menegaskan bahwa algoritma KNN digunakan sebagai metode efektif dalam sistem prediksi cuaca berbasis data mining dengan hasil yang akurat dan stabil Kata Kunci: Klasifikasi, K-Nearest Neighbor, Cuaca, Model Akurasi, Data Mining Climate change has caused global weather patterns to become increasingly irregular, necessitating a forecasting system that can work quickly and accurately. This research aims to classify daily weather conditions using the K-Nearest Neighbor (KNN) algorithm based on business intelligence. The data utilized in this study includes 13,201 weather data samples with 11 main attributes, namely air temperature, humidity, wind speed, rainfall, cloud cover, atmospheric pressure, ultraviolet index, season, visibility, geographic location, and weather type as classification labels. The testing process was implemented using the 10-Fold Cross Validation method using Altair AI Studio 2024.1.0 software. The results showed that the value of the k parameter significantly influenced model performance. A value of k = 7 produced the highest accuracy of 89.28%, while a value of k = 9 showed a slight decrease in accuracy due to the over-smoothing effect. Confusion matrix analysis showed that the Rainy and Sunny classes had the highest classification rates, while the largest error occurred between Cloudy and Sunny. Attribute weight analysis using the Weight by Information Gain method showed that temperature and humidity had the most dominant influence on the classification results. This research confirms that the KNN algorithm is an effective method for data mining-based weather prediction systems, yielding accurate and consistent results. Keywords: Classification, K-Nearest Neighbor, Weather, Accuracy Model, Data Mining

Penerapan Metode Asosiasi Menggunakan Algoritma Apriori pada Penjualan Buku dan Majalah Putri Ghina Ardhika; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4644

Dalam sektor perdagangan dan ritel, data merupakan hal yang sangat penting terutama di era digital. Data transaksi penjualan terus meningkat, tetapi banyak bisnis masih belum menggunakannya untuk pengambilan keputusan. Penelitian ini melihat algoritma Apriori dalam analisis data penjualan buku dan majalah untuk menemukan pola pembelian yang tersembunyi. Dengan menggunakan teknik data mining, khususnya metode asosiasi, algoritma ini juga dapat menemukan jenis buku yang sering dibeli bersamaan dan membantu dalam pengambilan keputusan strategis seperti mengatur katalog dan merencanakan kampanye pemasaran. Tujuan dari penelitian ini adalah untuk mendapatkan pemahaman yang lebih baik tentang algoritma Apriori dan pola pembelian yang tersembunyi. Hasil analisis ini dapat meningkatkan dampak penjualan dan membangun lingkungan bisnis yang memperhatikan permintaan pelanggan. penelitian ini juga tidak hanya memberikan wawasan tentang penggunaan metode asosiasi dalam analisis data penjualan tetapi juga menawarkan solusi kreatif untuk meningkatkan dampak penjualan dan menciptakan ekosistem bisnis yang lebih cerdas dan responsif terhadap kebutuhan pelanggan. Penerapan metode ini menjadi semakin relevan dalam konteks data-driven decision making di sektor perdagangan buku dan majalah di Indonesia. Kata Kunci: Data Mining, Metode Asosiasi, Algoritma Apriori, Pola Pembelian, Buku dan Majalah In the trade and retail sector, data is crucial,especially in the digital era. Sales transaction data continues to increase, but many businesses still don’t utilize it for decision-making. This study examines the apriori algorithm in analyzing book and magazine sales data to uncover hidden purchasing patterns. Using data mining techniques, specifically association methods, this algorithm can also identify types of books frequently purchased together and assist in strategic decision-making such as catalog organization and marketing campaign planning. A better understanding of the Apriori algorithm and hidden purchasing patterns is the goal of this research. The results of this analysis can improve sales impact and build a business environment that is responsive to customer demand. This study not only shows how to use association techniques in sales data analysis, but it also offers innovative ideas to increase sales impact and build a business ecosystem that is more intelligent and responsive to what customers want. The application of this method is becoming increasingly relevant in the context of data-driven decision-making in the book and magazine trade sector in Indonesia. Keywords : Data Mining, Association Method, Apriori Algorithm, Purchasing Patterns, Books and Magazines

Penerapan K-Means Clustering Untuk Segmentasi UMKM Berbasis Rapid Miner Mohammad Nailul Fahmi; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4645

Despite their significant contribution to economic development, Micro, Small, and Medium Enterprises (MSMEs) face heterogeneous operational challenges and market barriers, necessitating a segmented approach—such as cluster analysis—to better understand and address their diverse needs. their varied characteristics present challenges in formulating effective and focused empowerment policies and programs. This study seeks to develop an MSME segmentation model based on objective data using the K-Means Clustering algorithm. Secondary MSME data analysis was conducted considering four key performance indicators: annual revenue, net profit, number of employees, and operational lifespan. The data mining process, from data preparation to model development, was applied in a structured manner using the RapidMiner application. The findings of this research show that the most appropriate clustering results in K business groups with distinct performance profiles, for example, MSMEs with high profitability and MSMEs with a low level of maturity (operational lifespan). This segmentation provides strategic insights that can be utilized by financial institutions and business advisors to design more accurate, efficient programs tailored specific to the profile of each MSME segment. Keywords: Segmentation, K-Means Clustering, MSMEs, RapidMiner, Data Mining. UMKM memegang peranan krusial sebagai buffer ekonomi selama periode krisis serta menjadi tulang punggung perekonomian domestik, meskipun demikian variasi karakteristik yang ada menghadirkan tantangan dalam merumuskan kebijakan dan program pemberdayaan yang efektif dan terfokus. Kajian ini berupaya untuk membangun sebuah model segmentasi UMKM yang didasarkan pada data objektif dengan menerapkan algoritma K-Means Clustering. Analisis data sekunder UMKM dilakukan dengan mempertimbangkan empat indikator kinerja utama, yakni pendapatan tahunan, laba bersih, jumlah tenaga kerja, dan rentang waktu operasional. Proses Data Mining, mulai dari tahap persiapan data hingga pembentukan model, diaplikasikan secara terstruktur menggunakan aplikasi RapidMiner. Temuan dari analisis ini mengindikasikan bahwa pembentukan klaster yang paling sesuai menghasilkan K kelompok usaha dengan profil kinerja yang mencolok, contohnya kelompok UMKM dengan tingkat profitabilitas tinggi dan kelompok UMKM dengan tingkat kematangan (rentang waktu operasional) yang belum tinggi. Segmentasi ini memberikan wawasan strategis yang dapat dimanfaatkan oleh lembaga keuangan dan pendamping usaha untuk merancang program yang lebih akurat, efisien, dan berdasarkan analisis kebutuhan yang spesifik tiap-tiap kelompok UMKM. Kata Kunci: Segmentasi, K-Means Clustering ,UMKM, RapidMiner, Data Mining.

Implementasi Decision Tree Dalam Prediksi Penyakit Stroke Menggunakan Rapidminer Ahmada Ilham Huzaini; Zaehol fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4646

Di Indonesia, stroke merupakan faktor kritis yang berkontribusi terhadap mortalitas dan kecacatan di seluruh negeri. Prediksi dini terhadap risiko stroke menjadi penting untuk menekan angka kejadian dan meningkatkan kualitas hidup masyarakat. Penelitiaan ini bertujuan untuk mengimplementasikan algoritma decision tree dalam memprediksi penyakit stroke menggunakan aplikasi RapidMiner. Data yang digunakan berasal dari Kaggle yang mencakup atribut-atribut seperti usia, tekanan darah, status merokok, riwayat penyakit jantung, dan lainnya. Metode Decision Tree dipilih karena kemampuannya mengidentifikasi pola dari data dan menghasilkan model klasifikasi dalam bentuk struktur pohon yang mudah dipahami. Hasil pemodelan menunjukkan bahwa metode ini mampu memberikan prediksi risiko stroke yang cukup akurat dan dapat di manfaatkan sebagai alat bantu dalam deteksi dini oleh instansi kesehatan. Model akhir berupa pohon regresi memungkinkan prediksi nilai risiko stroke dalam bentuk numerik. Kata Kunci: Decision Tree, Stroke, RapidMiner, Data Mining, Prediksi Penyakit. Being a primary contributor to death and impairment of function in Indonesia, stroke necessitates early risk prediction to mitigate its incidence and enhance public health outcomes. This research implements a decision tree algorithm via RapidMiner to predict stroke risk, utilizing a Kaggle-sourced dataset containing attributes such as age, blood pressure, and medical history. Selected for its ability to discern data patterns and generate an interpretable model, the decision tree yielded a highly accurate predictive model. The resulting regression tree facilitates numerical stroke risk prediction, presenting a viable tool for early detection in healthcare contexts. Keywords: Decison Tree, Stroke, RapidMiner, Data Mining, Desease Prediction.

Analisis Klasifikasi Kinerja Penanganan COVID-19 Provinsi di Indonesia dengan Decision Tree C4.5 Abd. Moeqshit; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4647

Pandemi Penyakit Coronavirus 2019 (COVID-19) telah menciptakan tantangan yang sangat besar dan rintangan signifikan bagi seluruh sistem perawatan kesehatan di negara ini, yang membutuhkan penilaian efektivitas manajemen di berbagai bidang. Studi ini berupaya untuk memeriksa dan membuat kerangka klasifikasi untuk menilai seberapa baik provinsi-provinsi di Indonesia telah mengelola COVID-19, membagi kinerja ke dalam kategori seperti Baik, Rata-rata, dan Buruk, Dengan mengandalkan metode Data Mining dan algoritma C4.5. Data sekunder yang digunakan mencakup variabel yang terkait dengan infeksi yang dikonfirmasi, pemulihan, dan kematian, yang kemudian dikonversi menjadi metrik kinerja vital seperti Case Fatality Rate (CFR) dan Recovery Rate (RR). Untuk mengukur performa, Model C4.5 diuji menggunakan ꞣ-fold cross-validation. Hasilnya, model klasifikasi ini menunjukkan Akurasi yang signifikan sebesar 95.60%, angka yang menguatkan keandalan serta efektivitas model tersebut. Analisis pohon keputusan mengungkapkan bahwa CFR dan RR adalah atribut yang paling penting dan berfungsi sebagai faktor utama (simpul akar) dalam membedakan kinerja provinsi. Model ini memberikan pedoman klasifikasi eksplisit yang dapat digunakan sebagai dasar bagi pemerintah daerah dan organisasi kesehatan untuk memprioritaskan kebijakan pada elemen yang berdampak langsung pada angka kematian dan tingkat pemulihan, yang pada akhirnya meningkatkan efisiensi penanganan COVID-19. Kata Kunci: COVID-19, Klasifikasi, Decision Tree C4.5, Kinerja Penanganan, Case Fatality Rate (CFR). The Coronavirus Disease 2019 (COVID-19) pandemic has created immense challenges and significant hurdles for the entire healthcare system across the country, necessitating an assessment of management effectiveness in various areas. This study seeks to examine and establish a classification framework to evaluate how well Indonesian provinces have managed COVID-19, dividing performance into categories such as Good, Average, and Poor, by relying on Data Mining methods and the C4.5 algorithm. The secondary data used includes variables related to confirmed infections, recoveries, and deaths, which were then converted into vital performance metrics like the Case Fatality Rate (CFR) and Recovery Rate (RR). To measure performance, the C4.5 Model was tested using ꞣ-fold cross-validation. Consequently, the classification model demonstrated a significant Accuracy of 95.60%, a figure that reinforces the model's reliability and effectiveness. The decision tree analysis revealed that CFR and RR are the most critical attributes and serve as the major factors (root nodes) in differentiating provincial performance. This model provides explicit classification guidelines that can be used as a basis for local governments and health organizations to prioritize policies on elements that directly impact mortality and recovery rates, ultimately improving the efficiency of COVID-19 handling. Keywords: COVID-19, Classification, Decision Tree C4.5, Handling Performance, Case Fatality Rate (CFR).

Clustering Tingkat Kecanduan Media Sosial pada Mahasiswa Generasi Z Menggunakan Algoritma K-Means Alvananta Farhan Maulana; Zaehol Fatah
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35473/jamastika.v5i1.4648

This study analyzes and categorizes the degree of Generation Z students' addiction to social media using the K-Means algorithm. The daily life of a student is now synonymous with social media, especially among Generation Z, known as a digital native group with high levels of online interaction. A survey methodology was utilized in this study to capture data pertaining to different dimensions of social media habits, for instance, how often platforms are used, duration of online time, types of platforms used, and their impact on academic and social activities. Students were grouped according to their social media usage habits and behavioral traits using the K-Means algorithm. Data analysis verifies the existence ofseveral main clusters that describe low, medium, and high levels of addiction. These findings provide important insights for educational institutions and related parties in understanding patterns of social media addiction among students, thereby informing the creation of targeted educational programs to counteract the negative consequences of problematic social media consumption. Keyword: Social Media Addiction, Generation Z Students, K-Means Clusterin Penelitian ini menganalisis dan mengelompokkan tingkat kecanduan media sosial pada mahasiswa Generasi Z dengan menggunakan algoritma K-Means. Kehidupan sehari-hari siswa sekarang melibatkan media sosial, terutama Generasi Z yang dikenal sebagai kelompok digital native dengan tingkat interaksi tinggi di dunia maya. Dalam penelitian ini, Data dikumpulkan melalui survei yang mencakup elemen seperti frekuensi penggunaan media sosial, durasi waktu online, jenis platform yang digunakan, serta dampaknya terhadap aktivitas akademik dan sosial. Metode K-Means digunakan untuk mengelompokkan siswa berdasarkan pola penggunaan media sosial dan perilakunya terhadap media sosial. Hasil analisis menunjukkan bahwa ada beberapa klaster utama yang menunjukkan tingkat kecanduan rendah, sedang, dan tinggi. Temuan ini memberikan wawasan penting bagi lembaga pendidikan dan pihak terkait dalam memahami pola kecanduan media sosial di kalangan mahasiswa, serta menjadi dasar dalam penyusunan strategi edukatif untuk mengurangi efek negatif yang disebabkan oleh penggunaan media sosial yang berlebihan. Kata Kunci: Kecanduan Media Sosial, Mahasiswa Generasi Z, K-Means Clustering.

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Universitas Ngudi Waluyo

Contact Email
ekonurhermansyah@unw.ac.id

Phone
+628561717901

Journal Mail Official
abdulrohman15@gmail.com

Editorial Address
Jl. Diponegoro no 186 Gedanganak - Ungaran Timur, Kab. Semarang Jawa Tengah

Location
Kab. semarang,

Jawa tengah

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Universitas Ngudi Waluyo

Contact Email ekonurhermansyah@unw.ac.id

Phone +628561717901

Journal Mail Official abdulrohman15@gmail.com

Editorial Address Jl. Diponegoro no 186 Gedanganak - Ungaran Timur, Kab. Semarang Jawa Tengah

Location Kab. semarang, Jawa tengah INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Universitas Ngudi Waluyo

Contact Email
ekonurhermansyah@unw.ac.id

Phone
+628561717901

Journal Mail Official
abdulrohman15@gmail.com

Editorial Address
Jl. Diponegoro no 186 Gedanganak - Ungaran Timur, Kab. Semarang Jawa Tengah

Location
Kab. semarang,

Jawa tengah

INDONESIA