Garuda - Garba Rujukan Digital

Klasifikasi Jenis Kulit Manusia (Terang, Sawo Matang, Gelap) Berdasarkan Citra Digital Menggunakan Teachable Machine Dwi Inayatul Fadila; 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.v5i1.4696

Penelitian ini bertujuan untuk mengklasifikasikan jenis kulit manusia meliputi kategori terang, sawo matang, dan gelap berdasarkan citra digital dengan memanfaatkan platform Teachable Machine. Pengumpulan data dilakukan melalui platform pencarian gambar di internet seperti Goggle Images, Pinterest, dan beberapa situs terbuka lainnya dengan bantuan teknik web scraping. Data yang diperoleh kemudian melalui proses pembersihan untuk menghilangkan duplikasi serta menyaring citra sesuai kategori warna kulit. Model dilatih menggunakan parameter pelatihan yang telah disesuaikan untuk memperoleh kinerja opyimal. Evaluasi model dilakukan menggunakan confusion matrix, grafik akurasi, dan nilai loss untuk menilai performa klasifikasi pada masing-masing kelas. Hasil penelitian menunjukkan bahwa model mampu mengenali kelas kulit terang dan gelap dengan tingkat akurasi yang sangat tinggi, namun masih mengalami kesulitan dalam membedakan kulit sawo matang karena kemiripan karakteristik visual dengan kelas lainnya. Pengujian dilakukan melalui dua metode input, yakni citra sederhana dan citra kompleks secara real-time. Secara keseluruhan, penelitian ini menunjukkan bahwa Teachable Machine dapat digunakan sebagai solusi cepat dan praktis dalam melakukan klasifikasi warna kulit berbasis citra digital. Kata kunci: klasifikasi citra, Teachable Machine, Web Scraping, Machine Learning This study aims to classify human skin types into light, tan, and dark skin categories based on digital images using the Teachable Machine platform. Data collection was conducted through image search platforms on the internet such as Google Images, Pinterest, and several other open sites with the help of web scraping techniques. The obtained data then underwent a cleaning process to remove duplications and filter images according to skin color categories. The model was trained using adjusted training parameters to obtain optimal performance. Model evaluation was carried out using a confusion matrix, accuracy graphs, and loss values to assess the classification performance of each class. The results showed that the model was able to recognize light and dark skin classes with a very high level of accuracy, but still had difficulty in distinguishing tan skin due to the similarity of visual characteristics with other classes. Testing was carried out using two input methods, namely simple images and complex images in real-time. Overall, this study shows that Teachable Machine can be used as a fast and practical solution for digital image-based skin color classification. Keywords: image classification, Teachable Machine, web scraping, machine learning

Klasifikasi Citra Tingkat Kematangan Buah Alpukat Berdasarkan Bentuk Warna Menggunakan Metode K-Nearest Neighbor Mas’udah masudah; 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.v5i1.4697

Manually determining the ripeness level of avocados is often subjective and requires experience from the observer. Therefore, an automated system capable of accurately classifying the ripeness level of avocados is needed. This study aims to classify the ripeness level of avocados based on shape and color characteristics using the K-Nearest Neighbor (K-NN) method. The research process begins with capturing images of avocados at various ripeness levels, followed by image preprocessing in the form of resizing, segmentation, and extraction of color (mean, standard deviation, and skewness) and shape (area, perimeter, and shape ratio) features. The extracted features are used as input for the K-NN algorithm with varying k values to achieve the best accuracy. Based on the test results, the K-NN method is able to classify the ripeness level of avocados with a good level of accuracy, indicating that the combination of color and shape features is effective in distinguishing ripeness categories. This system is expected to assist farmers and industry players in determining the quality of avocados quickly and objectively. Keywords: Image classification, avocado, ripeness level, K-Nearest Neighbor, feature extraction. Perkembangan teknologi informasi saat ini telah memungkinkan identifikasi buah berdasarkan ciri warna melalui pemrosesan citra digital. Proses ini memanfaatkan kamera untuk mengambil gambar buah, yang kemudian diolah menggunakan perangkat lunak komputer dengan teknik pengolahan citra digital untuk menentukan tingkat kematangan buah secara efisien. Penentuan tingkat kematangan buah alpukat secara manual sering kali bersifat subjektif dan memerlukan pengalaman dari pengamat. Oleh karena itu, diperlukan sistem otomatis yang mampu mengklasifikasikan tingkat kematangan buah secara akurat. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kematang buah alpukat berdasarkan ciri bentuk dan warna menggunakan metode K-Nearest Neighbor (K-NN). Proses penelitian diawali dengan pengambilan citra buah alpukat pada berbagai tingkat kematangan, kemudian dilakukan pra-pemprosesan citra berupa resize, segmentasi, dan ekstraksi fitur warna (mean, standar deviasi, dan skewness) serta bentuk (luas, keliling, dan rasio bentuk). Hasil ekstraksi fitur tersebut digunakan sebagai masukan untuk algoritma K-Nearest Neighbor dengan variasi nilai k untuk memperoleh akurasi terbaik. Berdasarkan hasil pengujian, metode K-Nearest Neighbor mampu mengklasifikasikan tingkat kematangan buah alpukat dengan tingkat akurasi yang baik, menunjukkan bahwa kombinasi fitur warna dan bentuk efektif dalam membedakan kategori kematangan. Sistem ini diharapkan dapat membantu petani maupun pelaku industri dalam menentukan kualitas buah alpukat secara cepat dan objektif. Kata Kunci: klasifikasi citra, buah alpukat, tingkat kematangan, K-Nearest Neighbor, ekstraksi fitur.

Sistem Informasi Peminjaman Dan Pengembalian Alat Laboratorium Komputer Berbasis Web Endah Wahyu Rizki; 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.v5i1.4698

Sistem informasi untuk peminjaman dan pengembalian alat laboratorium adalah cara yang baik untuk membuat pengelolaan peralatan di laboratorium lebih efisien dan lebih efisie. Sistem ini di rancang untuk meningkatkan efisiensi dan efektivitas Pengelolahan peralatan di laboratorium Desain Kumunikasi Visual (DKV) di Sekolah Menengah Kejuruan Negeri 6 Kupang. Metode manual yang selama inidigunakan dalam peminjaman membawa berbagai kendala, seperti keterlambatan dalam pengembalian,kehilangan peralatan, serta kesulitan dalam pengelolaan inventaris. Tujuan Penelitian ini adalah merancang dan membangun sistem. manajemen untuk pengelolahan dan pencatatan data. Metode pengembangan system yang digunakan metode Waterfell, yang mencakup analisis kebutuhan, desai, implementasi, pengujin, dan pemeliharaan. Diharapkan penelitian ini akan menghasilkan sebuah sistem berbasis web, serta mampu menyimpan sseluruh data peminjaman dalam satu database pusat. Dengan adanya system,pengelolaan data dapat berjalan dengan lebih efisisen dan transparan. Kata Kunci: Berbasis Web, Laboratorium, Peminjaman,Pengembalian,Sistem informasi The information system for borrowing and returning laboratory eguipment is a solution to improve efficiency and effectiveness in managing in the Visual Communication Desaign (DKV) laboratory at the State Vocational Institute,which has been handled cerried manually, This manual system has delays in returns, loss of control over inventory, and difficulties and collecting inventory data.This research aims to design and develop a management system for borrowing and recording, The system development method used is the Waterfell method, which includes reguirements analysis, design, implementation, testing and main tenance. This research hopes for a we-bead system, and storing all loan data in a centralized database. With the data system data management will be more efficient and transparent. Keywords: information system,laboratory, lending, returning. Web-based

Prediksi Penjualan Sepeda Motor Menerapkan Metode K-Nearest Neighbor Muhammad Syafiq; 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.v5i1.4701

Advances in information technology and the increasing public demand for motorized vehicles have driven the continued growth of motorcycle sales each year. This situation requires companies to have accurate sales prediction capabilities to optimally manage inventory and reduce potential losses. One method that can be utilized is K-Nearest Neighbor (K-NN), a method that operates based on distance measurements classification algorithm that works by comparing new data with historical data to determine specific categories. The K-NN method has proven effective in various studies focusing on sales prediction, including motorcycles, spare parts, and other commercial products, with a high degree of accuracy. Some studies even report accuracy of up to 96.15% in motorcycle sales prediction, as well as optimal performance in predicting car and motorcycle spare part sales. This study used 60 used motorcycle sales data sets from the OLX platform with a K value of 5 and Euclidean distance calculations. The dataset was split into 70% for training and 30% for testing. It is hope that the results of this research will provide benefits generate more accurate predictions regarding the sales categories of used motorcycles both popular and non-popular so that it can be used as a reference in dicision making regarding stock management and developing more effective sales strategies. Keywords: K-Nearest Neighbor, Sales Prediction, Used Motorcycles, Data Mining, OLX Kemajuan teknologi informasi serta meningkatnya kebutuhan masyarakat akan kendaraan bermotor telah mendorong pertumbuhan penjualan sepeda motor yang terus meningkat setiap tahun. Situasi ini membuat perusahaan perlu memiliki kemampuan prediksi penjualan yang akurat agar dapat mengatur persediaan secara optimal dan mengurangi potensi kerugian. Salah satu metode yang bisa diterapkan yaitu metode K-Nearest Neighbor (K-NN), yakni algoritma klasifikasi yang mengelompokkan data dengan mengukur kedekatan antara data yang baru masuk dibandingkan dengan data yang telah tersimpan sebelumnya, lalu penentuannya dilakukan berdasarkan kedekatan dengan data historis yang paling mirip. Metode K-NN telah terbukti efektif dalam berbagai penelitian yang berfokus pada prediksi penjualan, baik penjualan sepeda motor, sparepart, maupun produk dagang lainnya, dengan tingkat akurasi yang tinggi. Beberapa studi bahkan melaporkan akurasi hingga 96,15% pada kasus prediksi penjualan motor, serta performa optimal dalam prediksi penjualan sparepart mobil dan motor. Pada penelitian ini, digunakan 60 data penjualan motor bekas dari platform OLX dengan nilai K = 5 dan perhitungan jarak Euclidean. Dataset tersebut dipisahkan menjadi 70% data latihan dan 30% data uji coba. Penelitian ini diharapkan bisa memberikan hasil prediksi yang akurat terkait klasifikasi penjualan motor bekas, baik yang termasuk kategori laris maupun tidak laris, sehingga bisa dijadikan acuan dalam pengambilan keputusan mengenai pengelolaan persediaan maupun penyusunan strategi penjualan yang lebih optimal. Kata Kunci: K-Nearest Neighbor, Prediksi Penjualan, Motor Bekas, Data Mining, OLX

Prediksi Harga Rumah Menggunakan Algoritma Regresi Linier Muwasatil Muhtajin; 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.v5i1.4703

The property market, particularly the housing sector, frequently experiences price fluctuations influenced by various complex factors such as location, building size, number of rooms, and economic and demographic conditions. This price uncertainty often makes it difficult for sellers to set competitive selling prices and makes it difficult for buyers to estimate the fair value of a residence. This study aims to develop a house price prediction model using a Machine Learning algorithm, namely Multiple Linear Regression. The research data was obtained from the Kaggle public repository (USA Housing Dataset), which contains 5,000 transaction data with independent variables being the average regional income, building age, number of rooms, number of bedrooms, and regional population. The research methodology follows the stages of Knowledge Discovery in Database (KDD), starting from data collection, cleaning, transformation, modeling, and evaluation. The model was built using the Python programming language with the help of the Scikit-Learn library. The test results show that linear regression is able to provide house price predictions with very good performance, indicated by an R-Squared (R²) value of 0.91, a Mean Absolute Error (MAE) of 81,250, and a Root Mean Squared Error (RMSE) of 100,500. These findings indicate that demographic characteristics and physical attributes of buildings have a strong linear relationship to house selling prices. Keywords: Data Mining, Machine Learning, House Price Prediction, Python, Linear Regression. Pasar properti, khususnya sektor perumahan, sering mengalami perubahan harga yang dipengaruhi oleh berbagai faktor kompleks seperti letak wilayah, luas bangunan, jumlah ruangan, serta kondisi ekonomi dan demografi. Ketidakpastian harga tersebut kerap menyulitkan penjual dalam menetapkan harga jual yang kompetitif dan membuat pembeli kesulitan memperkirakan nilai wajar suatu hunian. Penelitian ini bertujuan mengembangkan model prediksi harga rumah dengan memanfaatkan algoritma Machine Learning, yaitu Multiple Linear Regression. Data penelitian diperoleh dari repositori publik Kaggle (USA Housing Dataset) yang berisi 5.000 data transaksi dengan variabel bebas berupa rata-rata pendapatan kawasan, usia bangunan, jumlah ruangan, jumlah kamar tidur, dan populasi wilayah. Metodologi penelitian mengikuti tahapan Knowledge Discovery in Database (KDD), mulai dari pengumpulan data, pembersihan, transformasi, pemodelan, hingga evaluasi. Model dibangun menggunakan bahasa pemrograman Python dengan bantuan pustaka Scikit-Learn. Hasil pengujian menunjukkan bahwa regresi linear mampu memberikan prediksi harga rumah dengan performa yang sangat baik, ditunjukkan oleh nilai R-Squared (R²) sebesar 0.91, Mean Absolute Error (MAE) sebesar 81.250, dan Root Mean Squared Error (RMSE) sebesar 100.500. Temuan ini mengindikasikan bahwa karakteristik demografi dan atribut fisik bangunan memiliki hubungan linear yang kuat terhadap harga jual rumah. Kata Kunci: Data Mining, Machine Learning, Prediksi Harga Rumah, Python, Regresi Linier.

Implementasi Algoritma Random Forest untuk Prediksi Harga Mobil Menggunakan Dataset Car Assignment Daniel As’ad Amrullah; 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.v5i1.4711

Prediksi harga mobil bekas merupakan tantangan signifikan di industri otomotif karena harga dipengaruhi oleh multifaktor seperti spesifikasi teknis, tahun produksi, jarak tempuh, dan kondisi pasar. Akurasi prediksi harga secara manual seringkali tidak optimal. Penelitian ini bertujuan untuk mengimplementasikan algoritma Random Forest Regression dalam memprediksi harga mobil menggunakan dataset Car Price Assignment. Proses penelitian meliputi tahapan pengumpulan data (webscrapping atau dari dataset publik), preprocessing (termasuk Label Encoding untuk data kategorikal), pembagian data, pemodelan, dan evaluasi. Algoritma Random Forest dikenal memiliki akurasi tinggi dan ketahanan terhadap overfitting. Hasil evaluasi dari model yang dikembangkan menunjukkan performa yang kuat dengan nilai metrik $\mathbf{R^2}$ sebesar 0.9638 dan sebesar 2201.815. Hasil ini mengindikasikan bahwa model Random Forest sangat efektif dan dapat diandalkan sebagai acuan bagi penjual maupun pembeli dalam menentukan estimasi harga mobil. Kata Kunci: Random Forest, Prdiksi Harga Mobil, Machine Learning, Regresi, Pred Used car price prediction is a significant challenge in the automotive industry as prices are influenced by multiple factors such as technical specifications, production year, mileage, and market conditions. Manual price prediction accuracy is often suboptimal. This study aims to implement the Random Forest Regression algorithm for used car price prediction using the Car Price Assignment dataset. The research process includes data collection (web scraping or from a public dataset), preprocessing (including Label Encoding for categorical data), data splitting, modeling, and evaluation. The Random Forest algorithm is known for its high accuracy and resilience to overfitting. The evaluation results of the developed model demonstrate strong performance with metric value of 0.9638 and $\mathbf{MAE}$ of 2201.815. This finding indicates that the Random Forest model is highly effective and can be a reliable benchmark for both sellers and buyers in estimating car prices. Keywords: Random Forest, Car Price Prediction, Machine Learning, Regresi,

Menerapkan Algoritma Data Mining Untuk Memahami Profil dan Preferensi Pembeli Online Menggunakan Metode K – Means Nafilil Madani Al-Qur’ani; 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.v5i1.4712

The swift growth of e-commerce produces vast volumes of transaction records which are currently not fully leveraged to comprehend the habits and choices of online consumers. This research utilizes the K-Means algorithm for clustering, a technique in data mining, to uncover buying habits and create profiles of digital shoppers.The research procedure includes data collection, preprocessing, normalization, determination of the optimal number of clusters using the Elbow Method, and cluster quality evaluation through the Silhouette Score and Davies–Bouldin Index. The results reveal that online buyers can be grouped into several distinct segments, including high-value consumers, high-frequency active buyers, and low-spending passive users. Every segment exhibits distinctive patterns of behavior which enable businesses to formulate highly tailored marketing plans, boost customer loyalty, and refine decisions based on data.The results demonstrate the efficacy of the K-Means algorithm in processing transactional information, yielding valuable insights concerning customer preferences. Consequently, this research underscores the critical role of clustering methodologies in improving strategic choices within the digital commerce sphere. Keywords: K-Means, data mining, customer segmentation, e-commerce, purchasing patterns. Pertumbuhan pesat e-commerce menyebabkan meningkatnya volume data transaksi yang belum dimanfaatkan secara optimal untuk memahami perilaku dan preferensi pembeli online. Berbagai penelitian terkait segmentasi pelanggan menunjukkan bahwa metode K-Means Clustering efektif dalam mengidentifikasi pola pembelian dan karakteristik konsumen berdasarkan atribut seperti frekuensi transaksi, nilai belanja, waktu pembelian, serta variabel perilaku lainnya. Penelitian ini menerapkan algoritma K-Means sebagai teknik data mining untuk memprofilkan pembeli online dan menggali preferensi mereka melalui analisis pola transaksi. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan, normalisasi, penentuan jumlah klaster optimal menggunakan Metode Elbow, serta evaluasi kualitas klaster dengan Silhouette Score maupun Davies-Bouldin Index sebagaimana diterapkan pada penelitian sebelumnya . Hasil dari klasterisasi dalam penelitian ini mengindikasikan bahwa para pembeli dapat dibagi menjadi berbagai segmen pelanggan yang memiliki karakteristik yang berbeda. Segmen-segmen ini mencakup konsumen dengan nilai transaksi tinggi, konsumen yang sangat aktif (berfrekuensi tinggi), dan juga konsumen yang kurang aktif dengan nilai pembelian yang rendah. Penemuan ini konsisten dengan hasil studi sebelumnya yang relevan dalam bidang e-commerce dan ritel. Dengan demikian, penerapan algoritma K-Means terbukti mampu membantu memahami profil dan preferensi pembeli online secara lebih mendalam serta meningkatkan efektivitas strategi bisnis digital. Kata Kunci: K-Means, data mining, segmentasi pelanggan, e-commerce, pola pembelian.

Implementasi Teknik Data Mining Terhadap Data Pola Minat Mahasiswa Menggunakan Metode Apriori Achmad Nanung Fambriyadi; 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.v5i1.4732

Kebutuhan akan informasi yang terus meningkat menuntut berbagai pihak untuk lebih cermat dalam memanfaatkan serta memilih teknologi yang tersedia. Data dapat digunakan dalam proses analisis maupun penelitian guna menghasilkan informasi yang bernilai. Pada institusi pendidikan, data mengenai minat mahasiswa dapat dikelola sebagai aset penting. Melalui data mining, analisis dapat dilakukan secara berkelanjutan sehingga keputusan dapat diambil dengan lebih optimal. Data mahasiswa dapat diolah menggunakan metode apriori untuk mengetahui kecenderungan minat mereka terhadap mata kuliah pilihan. Dengan mengenali kombinasi mata kuliah yang diminati, pihak kampus dapat merancang program studi yang lebih menarik dan sesuai kebutuhan. Melalui penggunaan aplikasi RapidMiner, diperoleh tingkat confidence sebesar 70% terhadap pilihan mahasiswa pada mata kuliah Pemrograman CMS, Realitas Virtual, dan Data Mining. Kata Kunci: Data mining; apriori; minat mahasiswa. The growing need for information requires various parties to be more careful in utilizing and selecting the available technologies. Data can be used in analytical processes and research to generate valuable information. In educational institutions, data on student interests can be managed as an important asset. Through data mining, continuous analysis can be carried out so that decisions can be made more optimally. Student data can be processed using the Apriori method to identify their interest tendencies toward elective courses. By identifying combinations of courses that students prefer, universities can design study programs that are more engaging and aligned with their needs. Using the RapidMiner application, a confidence level of 70% was obtained for student preferences in the CMS Programming, Virtual Reality, and Data Mining courses. Keywords: Data mining; apriori; studen interest

Perancangan Sistem Pendukung Keputusan Pemilihan Guru Berprestasi Berbasis Web Menggunakan Metode Simple Additive Weighting (Studi Kasus Madrasah Ta’hiliyah Ibrahimy Sukorejo Situbondo) Mohamad Afil Nadiq Nabil; 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.v5i1.4733

Proses penentuan guru berprestasi di Madrasah Ta’hiliyah Ibrahimy Sukorejo Situbondo selama ini masih dijalankan secara manual dengan memanfaatkan dokumen tertulis dan lembar kerja terpisah. Pola kerja tersebut menyebabkan proses seleksi berjalan lambat, rawan kesalahan perhitungan, serta belum sepenuhnya mencerminkan prinsip transparansi dan objektivitas. Penelitian ini bertujuan untuk merancang sebuah sistem pendukung keputusan berbasis web yang mampu membantu madrasah dalam menentukan guru berprestasi secara lebih sistematis melalui penerapan metode Simple Additive Weighting (SAW). Pengumpulan data dilakukan melalui observasi terhadap proses seleksi yang berjalan, wawancara dengan pihak manajemen madrasah, serta telaah pustaka yang relevan. Pengembangan sistem mengacu pada tahapan System Development Life Cycle (SDLC) model waterfall yang mencakup perencanaan, analisis, perancangan, dan pengujian. Sistem yang dirancang mampu mengelola data guru, kriteria dan bobot penilaian, nilai evaluasi, serta menghasilkan peringkat guru secara otomatis berdasarkan perhitungan SAW. Hasil perancangan menunjukkan bahwa sistem mampu mendukung pengambilan keputusan secara lebih terstruktur dan konsisten. Otomatisasi proses perhitungan dan integrasi data penilaian dalam satu basis data terpusat diharapkan dapat mengurangi beban pekerjaan administrasi, menekan risiko kesalahan penghitungan, serta menyajikan informasi hasil seleksi secara jelas bagi pihak pengambil keputusan. Kata kunci: Sistem Pendukung Keputusan, SAW, Guru Berprestasi, Sistem Web, Madrasah. The process of selecting outstanding teachers at Madrasah Ta’hiliyah Ibrahimy Sukorejo Situbondo has so far been carried out manually using written documents and separate worksheets. This conventional approach causes the selection process to be time-consuming, prone to calculation errors, and not fully aligned with the principles of transparency and objectivity. Therefore, this study aims to design a web-based decision support system that can assist the madrasah in determining outstanding teachers in a more systematic manner through the application of the Simple Additive Weighting (SAW) method. Data were collected through direct observation of the ongoing selection process, interviews with the management of the madrasah, and a review of relevant literature. The system was developed using the System Development Life Cycle (SDLC) with the waterfall model, which includes the stages of planning, analysis, design, and testing. The developed system is capable of managing teacher data, evaluation criteria and their respective weights, assessment scores, and automatically generating teacher rankings based on SAW calculations. The results of the system development indicate that the proposed system is able to support the decision-making process in a more structured and consistent manner. The automation of calculations and the integration of assessment data into a centralized database are expected to reduce administrative workload, minimize the risk of calculation errors, and present the selection results clearly to decision-makers. Keywords: Decision Support System, SAW, Outstanding Teacher, Web-Based System, Madrasah

Implementasi Decision Tree untuk Prediksi Tingkat Kesehatan Berdasarkan Data Rekam Medis Pasien Dhiyaul Haq Hasan; 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.v5i1.4734

Penelitian ini bertujuan untuk meramalkan kondisi kesehatan pasien di waktu yang akan tiba. Proses tersebut dilakukan melalui analisis data rekam medis pasien dengan menerapkan metode Decision Tree. Metode ini digunakan karena mampu menampilkan pola hubungan antarvariabel medis secara jelas dan mudah diinterpretasikan. Data penelitian terdiri dari beberapa parameter laboratorium seperti Haematocrit, Haemoglobin, Erythrocyte, Leucocyte, Thrombocyte, MCH, MCHC, dan variabel pendukung lainnya. Proses pengolahan data dilakukan menggunakan aplikasi RapidMiner melalui tahapan preprocessing, pemodelan, dan evaluasi. Algoritma Decision Tree berhasil diimplementasikan untuk menciptakan model klasifikasi yang andal. Berdasarkan model tersebut, dapat diketahui bahwa MCHC, Haematocrit, dan Leucocyte adalah faktor dominan yang memiliki daya pengaruh tertinggi dalam mengkategorikan kondisi kesehatan pasien. Model yang dihasilkan juga mampu menggambarkan struktur keputusan secara sistematis sehingga dapat mendukung proses identifikasi kondisi kesehatan secara cepat dan berbasis data. Hasil dari studi ini diharapkan dapat difungsionalkan sebagai dasar untuk penggunaan sistem yang menggunakan teknologi komputer untuk mendukung dokter dan tenaga medis dalam pengambilan keputusan terkait kondisi pasien. Kata Kunci: Decision Tree, Prediksi Kesehatan, Rekam Medis, RapidMiner, Data Mining This study aims to predict a patient's future health condition. This process is carried out through analysis of patient medical records using the Decision Tree method. This method is used because it is able to display patterns of relationships between medical variables clearly and easily interpreted. The research data consists of several laboratory parameters such as Hematocrit, Hemoglobin, Erythrocytes, Leukocytes, Platelets, MCH, MCHC, and other supporting variables. The data processing process is carried out using the RapidMiner application through preprocessing, modeling, and evaluation stages. The Decision Tree algorithm is successfully implemented to create a reliable classification model. Based on this model, it can be seen that MCHC, Hematocrit, and Leukocytes are the dominant factors that have the highest influence in categorizing a patient's health condition. The resulting model is also able to systematically describe structural decisions so that it can support the process of identifying health conditions quickly and based on data. The results of this study are expected to function as a basis for the use of systems that use computer technology to support doctors and medical personnel in making decisions regarding patient conditions. Kata Kunci : Decision Tree, Health Prediction, Medical Records, RapidMiner, Data Mining

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