Garuda - Garba Rujukan Digital

Algoritma Keputusan C4.5 Untuk Klasifikasi Data Medis Pasien Rifki Dwi Saputra; 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.v5i1.4649

Penelitian ini bertujuan untuk mengklasifikasikan status kesehatan pasien berdasarkan data rekam medis menggunakan algoritma pohon keputusan C4.5. Dataset yang digunakan terdiri dari 1000 entri pasien dengan atribut seperti usia, kadar gula, tekanan darah, gejala, dan riwayat keluarga. Studi ini dilakukan menggunakan metode kuantitatif dengan karakter deskriptif eksploratif. Pemodelan dilakukan menggunakan perangkat lunak RapidMiner dengan tahapan: praproses data, penentuan atribut target, pembangunan model klasifikasi, dan evaluasi hasil. Hasil pemodelan menunjukkan bahwa atribut Kadar_Gula memiliki bobot tertinggi dan menjadi akar dari pohon keputusan, disusul oleh Usia dan Riwayat_Keluarga. Model yang dihasilkan bersifat logis dan sistematis, serta menunjukkan jalur klasifikasi yang mudah ditelusuri. Proses pruning otomatis yang dilakukan oleh algoritma mencegah overfitting, sehingga model memiliki performa generalisasi yang baik. Model dievaluasi memakai teknik 10-fold cross-validation, kemudian hasilnya dipresentasikan dalam bentuk visualisasi melalui struktur pohon serta grafik bobot atribut. Analisis data mengindikasikan bahwa implementasi algoritma C4.5 memberikan performa yang efisien dalam pengolahan data rekam medis untuk mendukung sistem pengambilan keputusan medis yang berbasis data. Kata Kunci: Medical Data, Algoritma C4.5, Decision Tree, RapidMine, Klasifikasi. The study is conducted to determine patient health categories through the utilization of the C4.5 decision tree model on medical data. The dataset used consists of 1000 patient entries with attributes such as age, blood sugar level, blood pressure, symptoms, and family history. This work is conducted using a quantitative method that emphasizes descriptive and exploratory analysis. Modeling is carried out using RapidMiner software with the following stages: data preprocessing, determining target attributes, building a classification model, and evaluating results. The modeling results show that the Blood Sugar Level attribute has the highest weight and is the root of the decision tree, followed by Age and Family History. The resulting model is logical and systematic, and shows an easy-to-track classification path. The automatic pruning process carried out by the algorithm prevents overfitting, so that the model has good generalization performance. Employing the 10-fold cross-validation procedure, the model evaluation results were depicted via a decision tree layout and an attribute importance graph. These results indicate that the C4.5 algorithm is effective in processing medical record data to support a data-based medical decision-making system. Keywords: Medical Data, C4.5 Algorithm, Decision Tree, RapidMiner, Classification.

Sistem Informasi Penggajian Karyawan Berbasis Web pada Pengadialan Negeri Situbondo Lummatul Aisi aisi; 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.v5i1.4650

Perkembangan teknologi dan informasi yang pesat telah mendorong kebutuhan akan pemanfaatan teknologi informasi di berbagai sektor, termasuk instansi pemerintahan. Pengadilan Negeri Situbondo, sebagai lembaga penegak hukum, memiliki tugas kompleks yang memerlukan administrasi internal yang efisien, salah satunya adalah sistem penggajian pegawai. Saat ini, proses pengelolaan penggajian, termasuk pelaporan kehadiran dan kinerja, masih dilakukan secara manual, yang sering menimbulkan masalah ketidakakuratan data, waktu pengelolaan yang lama, dan potensi kesalahan perhitungan. Sistem informasi penggajian berbasis web dirancang dan diimplementasikan menggunakan Model Waterfall untuk mengintegrasikan data kehadiran dan kinerja pegawai. Sistem yang dihasilkan menyediakan platform terpusat yang mampu memproses penggajian secara otomatis, cepat, dan akurat. Hasil evaluasi menunjukkan bahwa implementasi sistem ini berhasil mengurangi kesalahan pencatatan dan mempersingkat siklus pelaporan, sehingga meningkatkan transparansi dan efisiensi operasional secara keseluruhan. Penelitian ini menyimpulkan bahwa aplikasi web ini memberikan solusi yang efektif dan berkontribusi positif terhadap akuntabilitas administrasi kepegawaian di Pengadilan Negeri Situbondo. Kata Kunci: Sistem Informasi, penggajian Karyawan, Berbasis Web, Pengadilan Negeri situbondo. The rapid development of technology and information has driven the need for the utilization of information technology across various sectors, including government institutions. The Situbondo District Court, as a law enforcement agency, carries out complex tasks that require efficient internal administration, one of which is the employee payroll system. Currently, payroll management processes, including attendance and performance reporting, are still conducted manually, often resulting in data inaccuracies, lengthy processing times, and potential calculation errors. The web-based payroll information system was designed and implemented using the Waterfall Model to integrate employee attendance and performance data. The resulting system provides a centralized platform capable of processing payroll automatically, quickly, and accurately. Evaluation results indicate that the implementation of this system successfully reduces recording errors and shortens reporting cycles, thereby enhancing overall operational transparency and efficiency. This study concludes that the web application offers an effective solution and contributes positively to administrative accountability in the Situbondo District Court. Keywords: Information System, Employee Payroll, Web-Based, Situbondo District Court.

Implementasi Data Mining Pada Penjualan Buku Dengan Algoritma FP-GROWTH Menggunakan Rapidminer Muhammad Al Madany; 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.v5i1.4651

Studi ini menerapkan algoritma FP-Growth di RapidMiner untuk mengidentifikasi pola pembelian dalam dataset penjualan buku Kaggle. Menggunakan proses KDD, atribut seperti genre dan penerbit ditransformasikan menjadi itemset transaksional untuk analisis asosiasi. Hasilnya menunjukkan bahwa genre fiksi paling sering muncul, dan Penguin Group (USA) LLC memiliki korelasi yang kuat dengan genre ini, ditunjukkan dengan nilai keyakinan 83%. Temuan ini dapat mendukung strategi pemasaran yang tepat sasaran dan keputusan rekomendasi produk. Kata Kunci: FP-Growth, Data Mining, Penjualan Buku, RapidMiner, KDD This study applies the FP-Growth algorithm in RapidMiner to identify purchasing patterns in a Kaggle book sales dataset. Using the KDD process, attributes such as genre and publisher were transformed into transactional itemsets for association analysis. The results show that the fiction genre appears most frequently, and Penguin Group (USA) LLC has a strong correlation with this genre, indicated by an 83% confidence value. These findings can support targeted marketing strategies and product recommendation decisions. Keywords: FP-Growth, Data Mining, Book Sales, RapidMiner, KDD

Analisis Opini Publik di YouTube terhadap Pemindahan Ibu Kota Negara Menggunakan Metode Naïve Bayes Roy Hamdan; 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.v5i1.4662

Pemindahan pusat pemerintahan nasional dari DKI Jakarta ke wilayah Kalimantan Timur telah memicu beragam tanggapan publik, menjadikannya isu strategis yang penting untuk dianalisis. Studi ini dilaksanakan untuk mengkaji kecenderungan sentimen masyarakat Indonesia mengenai berbagai pandangan yang muncul terkait isu tersebut pembangunan IKN melalui data komentar yang diambil dari platform YouTube. Analisis sentimen kebijakan publik ini Menjadi hal yang krusial untuk menggali bagaimana pandangan publik terhadap fungsi yang dimaksud strategis IKN sebagai sentra aktivitas pemerintahan, perekonomian, serta budaya. Kajian ini menggunakan pendekatan Data Mining dengan menerapkan algoritma klasifikasi Naïve Bayes. Proses dimulai dengan mengumpulkan 700 baris data komentar yang mengandung 8 atribut, yang kemudian dipisahkan digunakan sebagai sekitar 80% bagian untuk data pelatihan (560 komentar) serta dialokasikan sekitar 20% sebagai data untuk pengujian. Data pra-pemrosesan (pre-processing) dilakukan untuk memastikan kualitas data sebelum model Naïve Bayes dibangun menggunakan perangkat lunak RapidMiner. Model Naïve Bayes dipilih karena meskipun berasumsi independensi fitur yang sederhana, metode ini kerap menghasilkan keluaran klasifikasi tepat serta efektif., terutama didalam pengolahan teks. Hasil pengumpulan data menunjukkan distribusi sentimen yang cukup berimbang, terdiri dari 236 komentar positif, 248 komentar negatif, dan 216 komentar netral, dengan sedikit dominasi opini negatif. Kinerja model Naïve Bayes kemudian diuji menggunakan 352 sampel dari testing set. Hasil evaluasi, yang disajikan melalui Matriks Konfusi dan metrik kinerja, menjadi dasar penilaian kualitas prediksi model. Studi ini berhasil memanfaatkan metode Naïve Bayes dalam melakukan proses klasifikasi opini publik IKN, menunjukkan bahwa algoritma berbasis probabilitas ini efektif dalam menganalisis sentimen dari data media sosial Kata Kunci: Analisis Opini Publik di YouTube terhadap Pemindahan pusat Ibu Kota Negara, Naïve bayes, Klasifikasi , Data Mining , RapidMiner Relocation of the National Capital (IKN) from its previous area DKI from Jakarta to the East Kalimantan region has triggered various public responses, making it a critical strategic issue for analysisThis study seeks to analyze public sentiment in Indonesia regarding opini publik regarding IKN development using comment data collected from the YouTube platform. This public policy sentiment analysis is crucial for understanding the community's perception of IKN's strategic role as a center of governance, economy, and culture. The research employs a Data mining approach by utilizing the Naïve Bayes classification algorithm. process began with collecting 700 rows of comment data containing 8 attributes, which were then separated into 80% parts for training data (560 comments) and 20% testing data. Data pre-processing was performed to ensure data quality before the Naïve Bayes model was built using the RapidMiner software. The Naïve Bayes model was chosen because, despite its simple assumption of feature independence, it often provides accurate and efficient classification results, particularly in text processing. The data collection results showed a relatively balanced sentiment distribution, consisting of 236 positive, 248 negative, and 216 neutral comments, with a slight dominance of negative opinions. The performance of the Naïve Bayes model was subsequently tested using 352 samples from the testing set. The evaluation results, presented through the Confusion Matrix and performance metrics, served as the basis for assessing the model's prediction quality. This study successfully implemented Naïve Bayes to classify public opinion on IKN, demonstrating that this probability-based algorithm is effective in analyzing sentiment from social media data Kata Kunci: Public Opinion Analysis on YouTube regarding the Relocation of the National Capital, Naïve Bayes, Classification, Data Mining, RapidMiner

Klasifikasi Level Stress Dengan Algoritma Naïve Bayes Menggunakan Rapidminer Ahmad Afif Azmi; 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.v5i1.4663

Tujuan dari penelitian ini adalah untuk mengklasifikasikan Tingkat stress berdasarkan berbagai indicator psikologis, fisik, dan lingkungan menggunakan agoritma Naïve Bayes pada Rapidminer. Prevelensi gangguan Kesehatan mental dan kebutuhan metode deteksi dini yang akurat, cepat, dan tidak bergantung pada pengakuan subyektif individu. Dataset yang digunakan merupakan data Tingkat stress yang telah melalui tahapan-tahapan seperti data tranformasi, data selection, dan juga data cleaning. Proses pemodelan dilakukan dengan mengimplementasikan algoritma naïve bayes, sementara evaluasi model dilakuakn dengan memanfaatkan metrik penelinaian seperti Accuracy, precision, recall, dan melakukan anaisis dengan confusion matrix. Hasil penelitian menunjukan bahwa model menghasilkan akurasi sebesar 71,56% dengan recall yang sangat tinggi pada kelas mayoritas. Ini menujukan bahwa algoritma Naïve Bayes mampu meberikan performa klasifikasi yang cukup baik dalam memprediksi Tingkat stress hingga dapat digunakan sebagai pendekatan awal dalam sistem deteksi stress berbasis data. Kata Kunci: klasifikasi level stress, Naïve Bayes, Data mining, Rapidminer The purpose of this study is to classify stress levels based on various psychological, physical, and environmental indicators using the Naïve Bayes algorithm in Rapidminer. The prevalence of mental health disorders and the need for early detection methods that are accurate, fast, and independent of individual subjective recognition. The dataset used is stress level data that has gone through stages such as data transformation, data selection, and data cleaning. The modeling process is carried out by implementing the Naïve Bayes algorithm, while model evaluation is carried out by utilizing assessment metrics such as Accuracy, precision, recall, and analyzing with a confusion matrix. The results show that the model produces an accuracy of 71.56% with a very high recall in the majority class. This indicates that the Naïve Bayes algorithm is able to provide quite good classification performance in predicting stress levels so that it can be used as an initial approach in a data-based stress detection system. Keywords: stress level classification, Naïve Bayes, Data mining, Rapidminer

Implementasi Algoritma C4.5 dalam Mengklasifikasi Tingkat Kepuasan Konsumen E-Commerce Berdasarkan Ulasan Online Egi Gusnandi Pratama; 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.v5i1.4664

Tujuan dari studi ini adalah untuk mengimplementasikan algortima C4.5 decision tree guna melakukan klasifikasi terhadap tingkat kepuasan pelanggan, yang diestrak dari data teks ulasan online di platform e-commerce. Salah satau cara penting untuk mengetahui seberapa baik produk atau layanan memenuhi harapan atau layanan memenuhi harapan pelanggan adalah dengan menentukan tingkat kepuasan pelanggan, namun penjual saat ini hanya mengetahui kepuasan dari komentar dan rating saja. Metode penelitian ini menggunakan teknik data mining yang diimplementasikan melalui software Altair AI Studio 2025. Dataset ulasan pelanggan dari Kaggle, dataset dipartisi menjadi data pelatihan dan data pengujian dengan proporsi 70:30. Hasil evaluasi model menunjukkan efektif dan menghasilkan akurasi sebesar 99.13%. pohon keputusan yang terbentuk mengidentifikasi bahwa atribut utama yang memengaruhi sentimen adalah Customer Rating dengan nilai ambang 3.500. untuk rating di atas 3.500, sentimen selanjutnya ditentukan oleh atribut emotion, di mana emosi Happy dan Love menghasilkan sentimen positif. Hasil klasifikasi yang sistematis ini dapat dimanfaatkan oleh perusahaan untuk mendukung pengambilan keputusan strategis, meningkatkan kualitas layanan, dan memperbaiki aspek yang menjadi keluhan pelanggan guna meningkatkan daya saing bisnis e-commerce. Kata Kunci: Algoritma C4.5, Decision Tree, Kepuasan Pelanggan, E-Commerce This research aims to classify the level of e-commerce client happiness based on online reviews using the implementation of the decision tree model based on the C4.5 Algorithm. Customer satisfaction is a key measure for evaluating how well expectations for a product for a service are met, though sellers currently only gauge satisfaction from comments and ratings. The research method utilizes data mining techniques implemented through the Altair AI Studio 2025 software. The customer review dataset obtained from Kaggle, A division of the dataset was performed, creating training and testing subsets by employing a 70:30 split. The classification results indicate that the C4.5 model is effective and yields an accuracy of 99.13%. the resulting decision tree identifies the primary attribute influencing sentiment as Customer Rating with a threshold value of 3.500. for ratings above 3.500, the sentiment is further determined by the Emotion attribute, where emotions such as Happy and Love lead to positive sentiment. This systematic classification result can be utilized by companies to support strategic decision-making, enhance service quality, and address complaints, thereby improving the competitiveness of the e-commerce business. Keywords: C4.5 Algorithm, Decision Tree, Customer Satifaction, E-Commerce

Klasifikasi Risiko Stroke Menggunakan Metode Decision Tree pada Healthcare Dataset Stroke Data Mahattir Rahman Muhammad; 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.v5i1.4665

Artikel ini menguraikan tahapan penggunaan algoritma Decision Tree guna membangun model prediktif untuk klasifikasi status pekerjaan menggunakan atribut usia dan level glukosa rata-rata sebagai variabel prediktor. Fokus utama adalah pada tantangan ketidakseimbangan kelas dalam data sosial dan kesehatan, yang mempengaruhi performa model dalam mengidentifikasi kelas minoritas. Dalam era Big Data, data mining dan machine learning memungkinkan ekstraksi pola dari data kompleks, tetapi sering kali bias terhadap kelas mayoritas terjadi. Oleh karena itu, proses pra-pemrosesan data yang meliputi teknik penanganan ketidakseimbangan seperti SMOTE penting dilakukan sebelum pembangunan model. Model yang dibangun menggunakan perangkat lunak RapidMiner Studio divalidasi melalui Cross Validation 10-Fold guna memastikan generalisasi dan mengurangi risiko overfitting. Hasil evaluasi menunjukkan bahwa meskipun Decision Tree mampu menghasilkan model interpretatif dan cukup akurat, performa pada kelas minoritas masih rendah akibat ketidakseimbangan data, tercermin dari rendahnya nilai Recall. Penggunaan teknik balancing data seperti SMOTE terbukti meningkatkan Recall dan keadilan model, menghasilkan prediksi yang lebih seimbang dan adil. Temuan ini menegaskan pentingnya penanganan ketidakseimbangan data dalam membangun model klasifikasi yang handal serta sebagai panduan pengembangan metode klasifikasi yang lebih efektif dalam bidang sosial dan kesehatan. Kata Kunci: Decision Tree, Ketidakseimbangan, Data Mining, Klasifikasi, Kesehatan This article describes the stages of using the Decision Tree algorithm to build a predictive model for occupational status classification using age and average glucose level attributes as predictor variables. The main focus is on the challenge of class imbalance in social and health data, which affects the model's performance in identifying minority classes. In the Big Data era, data mining and machine learning enable pattern extraction from complex data, but often bias towards the majority class occurs. Therefore, data preprocessing processes that include imbalance handling techniques such as SMOTE are important before model development. The model built using RapidMiner Studio software was validated through 10-Fold Cross Validation to ensure generalization and reduce the risk of overfitting. The evaluation results show that although Decision Tree is capable of producing interpretive and fairly accurate models, its performance on minority classes is still low due to data imbalance, reflected in the low Recall value. The use of data balancing techniques such as SMOTE has been shown to improve model Recall and fairness, resulting in more balanced and fair predictions. These findings emphasize the importance of handling data imbalance in building reliable classification models and serve as a guide for developing more effective classification methods in the social and health fields. Keyword: Decision Tree, Imbalance, Data Mining, Classification, Health

E-Monitoring Hafalan Alfiyah Ibnu Malik Berbasis Web di MTs Salafiyah Syafi’iyah Putra Mohammad Zainuddin; 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.v5i1.4667

Penelitian ini bertujuan mengembangkan sistem e-monitoring berbasis web untuk memantau hafalan Alfiyah Ibnu Malik di MTs Salafiyah Syafi’iyah Putra. Permasalahan utama yang ditemukan adalah validasi hafalan yang masih dilakukan secara manual melalui tanda tangan guru di kitab siswa, sehingga rentan terjadi kecurangan, hilang, atau rusak. Penelitian ini dilaksanakan dengan menggunakan pendekatan kualitatif melalui desain studi kasus, yang melibatkan proses wawancara, observasi langsung, serta pengumpulan dokumen terkait. Temuan penelitian mengindikasikan bahwa penerapan sistem e-monitoring memberikan pencatatan hafalan yang jauh lebih presisi, mengurangi potensi kecurangan, mempercepat proses penyusunan rekap data, dan membantu guru dalam memantau perkembangan hafalan siswa secara lebih efektif. Sistem ini juga menghasilkan laporan otomatis yang dapat diakses oleh wali kelas, siswa, maupun pihak madrasah. Kata Kunci: e-monitoring, hafalan, Alfiyah Ibnu Malik, sistem informasi, pendidikan pesantren. This research aims to develop a web-based e-monitoring system to monitor the memorization progress of Alfiyah Ibnu Malik students at MTs Salafiyah Syafi’iyah Putra. The main problem lies in the manual validation process using teacher signatures on students' books, which is vulnerable to fraud and data loss. This study uses a qualitative case study approach through interviews, observations, and documentation. The results indicate that the system improves the accuracy of memorization records, prevents fraudulent validation, accelerates recap processes, and helps teachers monitor students’ progress efficiently. The system also generates automatic reports for teachers, students, and school authorities. Keywords: e-monitoring, memorization, Alfiyah Ibnu Malik, information system, Islamic school.

Klasifikasi Komentar YouTube pada Video Pembelajaran Bahasa Inggris Menggunakan Naïve Bayes Classifier (NBC) Eny Itsnainy Agustin; 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.v5i1.4668

Perkembangan teknologi informasi yang pesat telah menempatkan platform YouTube sebagai sumber utama untuk memperoleh informasi dan pendidikan, khususnya dalam konteks pembelajaran bahasa Inggris, yang menghasilkan volume umpan balik pengguna yang besar dalam bentuk komentar. Tujuan penelitian ini adalah menganalisis dan mengklasifikasikan sentimen (Positif, Negatif, dan Netral) dari 50.954 komentar pada video pembelajaran bahasa Inggris di YouTube dengan mengaplikasikan algoritma Naïve Bayes Classifier (NBC). Metode penelitian kuantitatif ini melibatkan tahapan text mining yang komprehensif, mulai dari preprocessing data, pelabelan otomatis menggunakan VADER Sentiment Analyzer, hingga pembentukan matriks fitur (confusion matrix) dengan TF-IDF. Hasil evaluasi kinerja model NBC menunjukkan Akurasi Keseluruhan sebesar 84%. Walaupun akurasi tinggi, ditemukan adanya ketidakseimbangan kelas (class imbalance) yang signifikan, dengan sentimen Netral mendominasi (56.34%). Analisis metrik per kelas mengungkapkan bahwa model lemah dalam mengklasifikasikan sentimen Negatif (memiliki Recall 0.41), dengan 313 komentar Negatif salah diprediksi sebagai Positif. Penelitian menyimpulkan bahwa NBC merupakan solusi valid dan efektif, namun disarankan untuk mengaplikasikan teknik penanganan class imbalance pada studi mendatang guna meningkatkan kemampuan deteksi sentimen Negatif, yang merupakan umpan balik penting untuk peningkatan kualitas konten. Kata Kunci: Analisis Sentimen, Naïve Bayes Classifier, YouTube, Pembelajaran Bahasa Inggris, Class Imbalance The rapid development of information technology has positioned YouTube as a primary platform for accessing information and education, particularly within the context of English language learning, which generates a substantial volume of user feedback in the form of comments. This research aims to analyze and classify the sentiments (Positive, Negative, and Neutral) of 50,954 comments on English learning videos on YouTube using the Naïve Bayes Classifier (NBC) algorithm. This quantitative research employs a comprehensive text mining workflow, including data preprocessing, automated labeling using the VADER Sentiment Analyzer, and feature matrix construction with TF-IDF. The performance evaluation of the NBC model shows an overall accuracy of 84%. Despite this high accuracy, a significant class imbalance was identified, with Neutral sentiment dominating (56.34%). Class-wise metric analysis reveals that the model underperforms in classifying Negative sentiment (with a Recall of 0.41), where 313 Negative comments were misclassified as Positive. This study concludes that NBC serves as a valid and effective approach; however, it is recommended that future research incorporate class imbalance handling techniques to enhance the detection of Negative sentiment, which provides essential feedback for improving content quality. Keywords: Class Imbalance, English Language Learning, Naïve Bayes Classifier, Sentiment Analysis, YouTube

Clustering Data Penyakit Jantung Menggunakan K-MEANS dalam Sistem Informasi Kesehatan Farizal Maulana Sopyan; 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.v5i1.4670

Pada kesempatan ini penelitian bertujuan untuk mengklasifikasikan data penyakit kardiovaskular menggunakan algoritma k-means dan mengintegrasikan hasilnya ke dalam sistem informasi kesehatan. Salah satu tantangan terbesar dalam pelayanan kesehatan adalah meningkatnya jumlah data pasien yang tidak dimanfaatkan secara optimal untuk analisis risiko. Setelah pra-pemrosesan, data dibersihkan dan dinormalisasi untuk klasifikasi. Jumlah kelompok ideal ditentukan menggunakan metode k-means, dan tiga kelompok risiko utama – rendah, sedang, dan tinggi – diidentifikasi. Klasifikasi ini mengungkapkan bahwa setiap kelompok memiliki karakteristik klinis spesifik seperti tekanan darah, kadar kolesterol, detak jantung, dan faktor risiko lainnya. Hasil klasifikasi diintegrasikan ke dalam sistem informasi kesehatan untuk menyediakan representasi visual bagi tenaga kesehatan untuk analisis risiko pasien. Studi ini menunjukkan efektivitas k-means dalam mengidentifikasi kelompok risiko penyakit kardiovaskular dan potensinya sebagai alat pendukung keputusan dalam sistem informasi kesehatan. Lebih lanjut, hasil ini membuka arah penelitian baru, seperti membandingkan berbagai metode klasifikasi dan mengembangkan sistem peringatan dini berbasis penambangan data. Kata kunci : klasifikasi, k-means, penyakit kardiovaskular, penambangan data, sistem informasi Kesehatan The goal of this research is to use the k-means algorithm to categorize cardiovascular disease data and incorporate the findings into a health information system. The growing volume of patient data that is not being used to its full potential for risk analysis is one of the largest issues facing the healthcare industry. The data was cleaned and normalized for categorization after preprocessing. The k-means approach was used to estimate the optimal number of clusters, and three primary risk groups—low, medium, and high—were identified. This classification revealed that each cluster has specific clinical characteristics such as blood pressure, cholesterol levels, heart rate, and other risk factors. The classification results were integrated into a health information system to provide healthcare professionals with a visual representation for patient risk analysis. This study demonstrates the effectiveness of k-means in identifying cardiovascular disease Risk clusters and their potential as a tool for decision-making in health information systems. Furthermore, these results open new research directions, such as comparing various classification methods and developing data mining-based early warning systems. Keywords: classification, k-means, cardiovascular disease, data mining, health information system

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