cover
Contact Name
Muhammad Azhar
Contact Email
jurnal.ijomss@gmail.com
Phone
+6282160052217
Journal Mail Official
jurnal.ijomss@gmail.com
Editorial Address
Kampus STAI Raudhatul Akma Jln. Nusa Indah Gg. Melati No. 66 Desa Tanjung Sari Kec. Batang Kuis, Kab. Deli Serdang, Sumatera Utara, 20372
Location
Kab. deli serdang,
Sumatera utara
INDONESIA
Indonesian Journal of Multidisciplinary Scientific Studies
ISSN : -     EISSN : 29887046     DOI : https://doi.org/10.33151/ijomss.v2i1
Ruang Lingkup Jurnal Indonesian Journal of Multidisciplinary Scientific Studies (IJOMSS) dimaksudkan sebagai media kajian ilmiah hasil penelitian, pemikiran dan kajian analisis-kritis mengenai penelitian segala bidang keilmuan dengan menerapkan pendekatan Indonesian Journal of Multidisciplinary Scientific Studies (IJOMSS). Sebagai bagian dari semangat menyebarluaskan ilmu pengetahuan hasil dari penelitian dan pemikiran untuk pengabdian pada Masyarakat luas dan sebagai sumber referensi akademisi di berbagai bidang. Jurnal Indonesian Journal of Multidisciplinary Scientific Studies (IJOMSS) menerima artikel ilmiah untuk semua lingkup penelitian seperti: Pendidikan Teknologi Informasi Manajemen Ekonomi Teknik Sastra Sosial Politik Hukum Bimbingan Konseling dan Topik kajian bidang keilmuan lainnya.
Arjuna Subject : Umum - Umum
Articles 219 Documents
Ringkasan Otomatis Dokumen Berita Menggunakan Metode Automatic Text Summarization Berbasis Transformer Novia Ramadani; Mahardika Abdi Prawira Tanjung
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 5 (2026): Edisi September 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i5.1110

Abstract

Perkembangan teknologi informasi menyebabkan jumlah dokumen berita yang tersedia di media digital semakin meningkat. Kondisi tersebut membuat pembaca membutuhkan waktu yang cukup lama untuk memahami keseluruhan isi berita, terutama karena dokumen berita umumnya memiliki teks yang panjang dan terdiri dari banyak paragraf. Proses peringkasan secara manual juga kurang efektif apabila jumlah berita yang harus dibaca cukup banyak. Selain itu, metode peringkasan yang hanya mempertimbangkan kata atau kalimat tertentu dapat menyebabkan informasi penting terlewat serta menghasilkan ringkasan yang kurang sesuai dengan konteks berita. Penelitian ini bertujuan untuk membangun sistem Automatic Text Summarization yang dapat menghasilkan ringkasan dokumen berita secara otomatis dengan mempertahankan informasi utama dari teks asli. Metode yang digunakan adalah pendekatan berbasis Transformer yang memiliki kemampuan dalam memahami hubungan antar kata, kalimat, dan konteks dalam suatu dokumen. Tahapan penelitian meliputi pengumpulan data berita, preprocessing teks, penerapan model Transformer, proses peringkasan, serta evaluasi terhadap hasil ringkasan menggunakan metrik ROUGE dan BLEU. Hasil pengujian menunjukkan nilai ROUGE-1 F1 sebesar 43,48%, ROUGE-2 F1 sebesar 41,79%, ROUGE-L F1 sebesar 43,48%, serta BLEU-4 sebesar 7,43%. Sistem mampu mereduksi dokumen berita sebesar 71,38% dari panjang teks asli. Dengan demikian, penerapan Automatic Text Summarization berbasis Transformer dapat membantu pembaca memperoleh inti informasi berita secara lebih cepat dan efisien tanpa harus membaca keseluruhan dokumen.
Sistem Pendukung Keputusan Pemilihan Varian Minuman Baru Menggunakan Metode AHP-TOPSIS Berdasarkan Preferensi Pelanggan Singgi Wibowo; Mahardika Abdi Prawira Tanjung
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 5 (2026): Edisi September 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i5.1111

Abstract

Sektor usaha penyediaan makanan dan minuman di Indonesia terus berkembang pesat, sehingga pemilihan varian produk baru yang tepat menjadi aspek penting dalam menjaga daya saing usaha. Angkringan Stay-Up belum memiliki mekanisme terstruktur untuk mengubah preferensi pelanggan menjadi informasi kuantitatif yang dapat digunakan sebagai dasar pemilihan calon varian minuman baru. Penelitian ini bertujuan membangun Sistem Pendukung Keputusan (SPK) berbasis web dengan mengintegrasikan metode Analytical Hierarchy Process (AHP) dan Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) berdasarkan preferensi pelanggan. AHP digunakan untuk menentukan bobot kepentingan tujuh kriteria penilaian melalui perbandingan berpasangan dari 101 responden, sedangkan TOPSIS digunakan untuk menghitung nilai preferensi dan peringkat empat calon varian minuman. Hasil penelitian menunjukkan bahwa kriteria Keunikan Produk memperoleh bobot tertinggi sebesar 15,76%, dengan nilai Consistency Ratio (CR) kelompok sebesar 0,000162 yang menunjukkan tingkat konsistensi penilaian sangat baik. Berdasarkan proses TOPSIS, Klepon Palm Sugar Coffee menempati peringkat pertama dengan nilai preferensi 0,5232, diikuti Ocean Blue Yakult (0,5039), Taro Yakult Fusion (0,4479), dan Thai Tea Butterscotch (0,3989). Pengujian sistem terhadap 17 skenario fungsional menunjukkan seluruh fungsi berjalan sesuai rancangan, dan hasil perhitungan sistem terbukti akurat hingga enam angka di belakang koma dibandingkan perhitungan manual. Sistem yang dikembangkan mampu menyajikan rekomendasi prioritas pengembangan varian minuman secara terstruktur sebagai bahan pertimbangan bagi pengelola usaha.
Rancang Bangun Sistem Identifikasi Integritas File Digital Menggunakan Metode Hash Untuk Keperluan Forensik IT Luthfi Rahman; Rizaldy Khair
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 5 (2026): Edisi September 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i5.1112

Abstract

Perkembangan kejahatan siber yang semakin masif menyebabkan file digital rentan terhadap manipulasi dan pemalsuan tanpa meninggalkan jejak yang terlihat secara kasat mata. Dalam ranah forensik IT, keaslian dan integritas file digital merupakan syarat mutlak agar barang bukti dapat dipertanggungjawabkan secara hukum. Penelitian ini bertujuan membangun sistem berbasis web yang mampu mengidentifikasi integritas file digital secara otomatis menggunakan metode hash dengan mengintegrasikan tiga algoritma sekaligus, yaitu MD5, SHA-1, dan SHA-256. Metodologi penelitian menggunakan pendekatan kuantitatif eksperimen komputasional dengan model pengembangan sistem Waterfall. Sistem dibangun menggunakan bahasa pemrograman Python, framework Flask, dan basis data MySQL. Hasil penelitian berupa sistem yang mampu menghitung nilai hash dari file digital menggunakan ketiga algoritma secara simultan, menyimpan nilai hash sebagai referensi ke dalam basis data, membandingkan nilai hash secara otomatis, menampilkan status integritas file, serta menghasilkan laporan hasil verifikasi yang terdokumentasi. Pengujian menggunakan metode Black Box Testing menunjukkan bahwa seluruh fungsi sistem berjalan sesuai dengan spesifikasi kebutuhan fungsional yang telah ditetapkan, dengan tingkat keberhasilan deteksi modifikasi file mencapai 100% pada seluruh skenario pengujian. Sistem ini diharapkan menjadi solusi teknis yang efektif bagi investigator digital dalam memverifikasi keaslian barang bukti file digital untuk keperluan forensik IT.
Sistem Keamanan Penyimpanan Dokumen Digital Menggunakan Algoritma AES-256 Berbasis Web Muhammad Asril Azmi; Rizaldy Khair
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 5 (2026): Edisi September 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i5.1113

Abstract

Keamanan dokumen digital menjadi aspek penting untuk melindungi informasi dari akses yang tidak sah. Penelitian ini bertujuan membangun sistem keamanan penyimpanan dokumen digital berbasis web menggunakan algoritma Advanced Encryption Standard (AES-256-CBC). Sistem dikembangkan menggunakan framework Laravel, bahasa pemrograman PHP, basis data SQLite, serta pustaka OpenSSL untuk proses enkripsi dan dekripsi dokumen. Metode pengujian yang digunakan adalah Black Box Testing untuk memastikan setiap fungsi sistem berjalan sesuai dengan kebutuhan fungsional. Fitur yang diuji meliputi login, unggah dokumen, enkripsi, dekripsi, pengunduhan, dan penghapusan dokumen. Hasil penelitian menunjukkan bahwa sistem berhasil mengimplementasikan algoritma AES-256-CBC dalam mengamankan dokumen digital. Dokumen yang diunggah dienkripsi secara otomatis sebelum disimpan, sedangkan proses dekripsi hanya dapat dilakukan menggunakan Encryption Key yang dimiliki pengguna. Selain itu, sistem menerapkan Initialization Vector (IV) yang dibangkitkan secara acak pada setiap proses enkripsi untuk meningkatkan keamanan data. Berdasarkan hasil pengujian Black Box, seluruh fitur utama sistem berjalan sesuai dengan kebutuhan fungsional yang telah dirancang. Dengan demikian, sistem yang dibangun mampu meningkatkan keamanan penyimpanan dokumen digital berbasis web.
Aplikasi Pendeteksi Plagiat Karya Tulis Ilmiah Berbasis Web Menggunakan NLP dan Algoritma KMP Muhammad Alimu Rofiq; Rizaldy Khair
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 5 (2026): Edisi September 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i5.1114

Abstract

Plagiarisme merupakan permasalahan serius dalam dunia akademik yang dapat menurunkan integritas ilmiah dan kualitas karya tulis ilmiah. Pemeriksaan plagiarisme secara manual dinilai kurang efektif karena membutuhkan waktu lama dan mengandung unsur subjektivitas. Penelitian ini bertujuan merancang dan membangun aplikasi pendeteksi plagiat terhadap karya tulis ilmiah berbasis web dengan mengintegrasikan Natural Language Processing (NLP) dan algoritma Knuth-Morris-Pratt (KMP). NLP digunakan dalam tahapan preprocessing teks meliputi case folding, cleaning, tokenizing, stopword removal, dan stemming menggunakan algoritma Nazief-Adriani yang disesuaikan untuk morfologi Bahasa Indonesia. Algoritma KMP kemudian digunakan untuk melakukan pencocokan pola kata secara efisien antar dokumen. Metode penelitian yang digunakan adalah Research and Development (R&D). Sistem diimplementasikan menggunakan PHP native 8.1, MySQL, Tailwind CSS, dan Alpine.js. Pengujian fungsional menggunakan black box testing terhadap 20 skenario menunjukkan seluruh fitur sistem berjalan valid. Pengujian performa menunjukkan sistem mampu menangani corpus lebih dari 2.400 dokumen dengan 11 juta kata, dengan waktu eksekusi 2,93 detik pada end-to-end test simulasi 635 dokumen. Pengujian akurasi similarity menghasilkan nilai 81,97%, 74,07%, dan 10,42%, membuktikan sistem mampu membedakan secara konsisten dokumen dengan tingkat kemiripan tinggi dan rendah. Perbandingan dengan Turnitin menunjukkan selisih 13,38 poin persentase yang disebabkan perbedaan cakupan corpus, bukan kesalahan algoritma. Dengan demikian, aplikasi yang dibangun dapat membantu proses pendeteksian kemiripan karya tulis ilmiah berbahasa Indonesia secara efektif, transparan, dan bebas biaya lisensi.
Analisis Sentimen Program Makan Bergizi Gratis pada Media Sosial X Menggunakan Metode Naïve Bayes Friska Andriani; Wilda Rina Hasibuan
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 5 (2026): Edisi September 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Program Makan Bergizi Gratis (MBG) yang dimulai pada 6 Januari 2025 memicu beragam tanggapan publik di media sosial X sehingga diperlukan cara yang efisien untuk memantau opini masyarakat. Penelitian ini bertujuan menganalisis kecenderungan sentimen publik terhadap program MBG dan mengukur kinerja algoritma Multinomial Naïve Bayes berbasis Natural Language Processing (NLP). Data berupa 9.792 tweet berbahasa Indonesia periode 6 Januari–6 Oktober 2025 dari dataset publik Kaggle. Tahapan penelitian meliputi text preprocessing (case folding, cleaning, tokenizing, stopword removal, dan stemming), pelabelan sentimen berbasis leksikon, pembobotan TF-IDF, pembagian data latih dan uji 80:20 secara berstrata, klasifikasi, dan evaluasi menggunakan confusion matrix. Pelabelan menghasilkan sentimen positif 53,0%, netral 39,7%, dan negatif 7,3%, dengan proporsi positif tertinggi pada awal periode. Model mencapai akurasi 79,02%, presisi 79,71%, recall 79,02%, dan F1-score 77,06% (rata-rata berbobot). Namun, F1-score rata-rata makro hanya 60,25% karena recall kelas negatif rendah (10,56%) akibat ketidakseimbangan kelas, dan sebagian besar tweet negatif diprediksi sebagai netral. Hasil klasifikasi diintegrasikan ke dalam dashboard web "SiAnSen MBG" yang lolos pengujian black box. Karena label dihasilkan otomatis oleh leksikon tanpa validasi manusia, akurasi mencerminkan kesesuaian model dengan aturan pelabelan sehingga temuan perlu ditafsirkan secara hati-hati.
Klasifikasi Ujaran Kebencian Teks Bahasa Gaul Terkait Isu Israel Menggunakan Support Vector Machine Kamila Insani P; Mahardika Abdi Prawira Tanjung
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 5 (2026): Edisi September 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i5.1116

Abstract

Penelitian ini bertujuan mengembangkan sistem klasifikasi ujaran kebencian berbahasa Indonesia pada teks bahasa gaul yang berkaitan dengan isu Israel di platform YouTube. Tingginya potensi polarisasi opini pada kolom komentar terkait isu geopolitik tersebut, serta terbatasnya penelitian yang menyasar variasi bahasa informal, menjadi latar belakang utama penelitian ini. Pendekatan kuantitatif dengan desain penelitian eksperimen digunakan, berbasis metode Support Vector Machine (SVM). Data dikumpulkan melalui teknik web scraping menggunakan YouTube Data API v3 terhadap 79 video, menghasilkan 15.096 komentar mentah yang kemudian melalui tahap praproses berupa case folding, normalisasi bahasa gaul, tokenizing, stopword removal, dan stemming sehingga menghasilkan 13.314 data bersih. Data dilabeli secara otomatis berbasis leksikon, kemudian diekstraksi fiturnya menggunakan TF-IDF sebanyak 5.000 fitur sebelum dilatih dengan model SVM berkernel linear. Hasil pengujian terhadap 2.663 data uji menunjukkan performa model yang sangat baik, dengan akurasi 99,10%, presisi 97,28%, recall 93,63%, dan F1-Score 95,42% pada kelas ujaran kebencian. Ujaran kebencian yang ditemukan didominasi kata kasar dan kata bermuatan hasutan, dengan proporsi 10,02% dari keseluruhan data. Model selanjutnya diimplementasikan pada sistem web SIKUK berbasis PHP native untuk mendukung moderasi konten secara cepat dan objektif.
Implementasi Text Mining dan Support Vector Machine untuk Analisis Sentimen Pelayanan Puskesmas Sami Fitri; Rizaldy Khair
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 5 (2026): Edisi September 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i5.1117

Abstract

Puskesmas sebagai fasilitas kesehatan tingkat pertama menghadapi keterbatasan dalam mengolah opini masyarakat yang tersebar di media sosial dan kanal daring secara sistematis dan real-time. Penelitian ini bertujuan mengembangkan sistem analisis sentimen berbasis text mining dan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan opini masyarakat terhadap pelayanan Puskesmas Gurgur Pardomuan, Kabupaten Aceh Tenggara, ke dalam tiga kategori: positif, negatif, dan netral, sekaligus mengimplementasikannya dalam sistem berbasis web sebagai alat bantu evaluasi pelayanan. Penelitian ini menggunakan pendekatan kuantitatif yang dikombinasikan dengan pendekatan rekayasa sistem (system engineering approach). Data primer diperoleh melalui kuesioner daring dan ulasan masyarakat di media sosial, kemudian diproses melalui empat tahap text preprocessing (case folding, tokenizing, stopword removal, stemming), diekstraksi fiturnya menggunakan pembobotan TF-IDF (Term Frequency–Inverse Document Frequency), dan diklasifikasikan dengan SVM kernel linear berstrategikan One-vs-Rest (OvR). Model dilatih pada 200 data berlabel dengan komposisi 70 data positif (35%), 68 negatif (34%), dan 62 netral (31%), serta dievaluasi menggunakan confusion matrix pada 10 data uji independen. Evaluasi menunjukkan akurasi keseluruhan 70%, dengan performa sempurna pada kelas negatif (precision 100%, recall 100%, F1-score 100%), namun kelas netral masih terbatas (precision 50%, recall 33,33%, F1-score 40%) akibat ketimpangan jumlah data latih antarkelas. Pada konfigurasi pengujian dengan 30 data latih dan kernel linear, model mencapai akurasi 90%, precision 89,50%, recall 90,20%, dan F1-score 89,80%. Seluruh fitur sistem — input komentar, training model, klasifikasi sentimen, dan ekspor laporan — berhasil divalidasi melalui black-box testing. Temuan penelitian ini menunjukkan bahwa pendekatan text mining berbasis SVM dapat menjadi alternatif yang lebih responsif dibandingkan survei manual untuk memantau persepsi masyarakat terhadap layanan kesehatan primer di wilayah pedesaan Indonesia.
Sistem Pakar Rekomendasi Nutrisi Konsumsi MBG Siswa SMA Menggunakan Metode Naïve Bayes Ajeng Puspita; Mahardika Abdi Prawira Tanjung
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 5 (2026): Edisi September 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i5.1118

Abstract

Masa remaja merupakan fase kritis yang memerlukan pemenuhan gizi optimal, namun pelaksanaan Program Makan Bergizi Gratis (MBG) yang diluncurkan pemerintah Indonesia pada Januari 2025 belum sepenuhnya mempertimbangkan karakteristik nutrisi individu siswa. Penelitian ini bertujuan membangun sistem pakar berbasis web yang mengklasifikasikan kebutuhan nutrisi siswa Sekolah Menengah Atas (SMA) menggunakan metode Naïve Bayes dengan Laplace Smoothing, serta menghasilkan rekomendasi menu MBG yang telah divalidasi oleh Ahli Gizi. Sistem menerima tujuh variabel input meliputi usia, jenis kelamin, kategori berat badan, kategori tinggi badan, tingkat aktivitas fisik, preferensi makanan, dan pola konsumsi MBG yang diperoleh melalui kuesioner 17 item Likert dari 73 siswa SMA peserta MBG. Estimasi Indeks Massa Tubuh (IMT) dihitung menggunakan nilai tengah kategori, kemudian diproses bersama variabel lain untuk menghasilkan empat kategori rekomendasi nutrisi: Tinggi Protein, Seimbang, Rendah Kalori, dan Tambahan Energi. Basis pengetahuan berupa 12 rule disusun dan divalidasi oleh Ahli Gizi. Pengujian Black Box terhadap 14 skenario fungsional menunjukkan tingkat keberhasilan 100%. Uji konsistensi internal basis pengetahuan memperoleh tingkat kesesuaian 75% (9 dari 12 kombinasi). Pengujian akurasi melalui validasi eksternal Ahli Gizi terhadap 25 sampel menunjukkan tingkat akurasi 80%. Hasil penelitian membuktikan bahwa sistem pakar berbasis Naïve Bayes layak digunakan sebagai alat bantu pendukung keputusan dalam evaluasi dan penyempurnaan menu MBG secara berkelanjutan.
Analisis Sentimen Efektivitas Pembelajaran Daring Menggunakan Hybrid Naive Bayes dan SVM Faried Prayugo Dwipa Putra; Al-Khowarizmi
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 6 (2026): Edisi Oktober - November 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i6.1120

Abstract

Pembelajaran daring berkembang pesat pascapandemi COVID-19, namun efektivitasnya masih menimbulkan pro dan kontra di kalangan masyarakat Indonesia, yang banyak diungkapkan melalui opini pada aplikasi X. Volume opini yang besar dan bersifat tidak terstruktur menyulitkan pemantauan kecenderungan sentimen publik secara manual sehingga diperlukan metode klasifikasi otomatis. Penelitian ini bertujuan menganalisis sentimen publik mengenai efektivitas pembelajaran daring di Indonesia menggunakan pendekatan hybrid Multinomial Naive Bayes dan Support Vector Machine (SVM) melalui mekanisme soft voting. Data penelitian berupa 2.655 tweet berbahasa Indonesia yang dikumpulkan melalui crawling dan dilabeli ke dalam tiga kelas sentimen, yaitu positif, netral, dan negatif, kemudian diproses melalui case folding, cleansing, penanganan negasi, stopword removal, stemming, dan pembobotan TF-IDF, lalu dibagi dengan proporsi 75:25 menggunakan stratifikasi kelas. Hasil pengujian menunjukkan model hybrid mencapai accuracy sebesar 76,05%, precision berbobot 69,54%, recall berbobot 76,05%, dan F1-score berbobot 72,10%, lebih tinggi dibandingkan model tunggal Naive Bayes (62,90%) dan SVM (70,43%). Meskipun demikian, model masih mengalami kesulitan mengenali kelas netral akibat ketidakseimbangan jumlah data antarkelas. Penelitian ini menyimpulkan bahwa pendekatan hybrid soft voting mampu meningkatkan performa klasifikasi sentimen secara keseluruhan, tetapi penanganan kelas minoritas masih memerlukan perbaikan lebih lanjut.