Jurnal Ilmiah Binary STMIK Bina Nusantara Jaya

Analisis Sentimen Program Makan Bergizi Gratis Siswa SMAN 01 Manokwari dengan Naïve Bayes

2025-10-02T01:50:22+00:00

Abstract

The research aims to analyze the sentiment of students at SMAN 01 Manokwari toward the effectiveness of the Nutritious Meal Program (MBG), using one of the classification methods, namely the Naïve Bayes method. A total of 252 data points were analyzed, originating from student opinions that had undergone manual labeling into three sentiment categories: positive, neutral, and negative. The data distribution showed that 74.2% of the comments were positive, 15.1% neutral, and 10.7% negative. The data was then split into 80% training data and 20% test data. Before classification, feature extraction was performed using the TF-IDF method.

The classification results showed that the Naïve Bayes algorithm was able to classify the data with a fairly high accuracy of 86.27%. The highest precision was obtained in the positive class at 0.92. Likewise, the highest recall was also achieved in the positive class at 0.97. The highest F1-Score was also obtained in the positive class, reaching 0.95, and the AUC value reached 0.98, which falls into the category of excellent classification. Based on these results, it can be concluded that the majority of students gave positive responses to the Free Nutritious Meal Program, and the Naïve Bayes method is quite effective for sentiment analysis of student opinion data.

Abstrak

Penelitian bertujuan untuk menganalisis sentimen pada siswa SMAN 01 Manokwari terhadap efektivitas Program Makan Bergizi (MBG) pada siswa, dengan menggunakan salah satu metode klasifikasi yaitu metode Naïve Bayes. Jumlah Data yang telah dianalisis sebanyak 252 yang berasal dari pendapat para siswa yang telah melalui proses pelabelan manual menjadi tiga kategori sentimen, yaitu positif, netral, dan negatif. Distribusi pada data menunjukkan 74,2% komentar ber sentimen positif, 15,1% netral, dan 10,7% negatif. Data kemudian dibagi menjadi 80% data latih dan 20% data uji sebelum dilakukan pengekstrakan fitur pada data, maka fitur menggunakan metode TF-IDF. Hasil dari klasifikasikasi menunjukkan bahwa algoritma Naïve Bayes dapat mengklasifikasikan data dengan akurasi yang cukup besar 86,27%. Precision tertinggi yang telah diperoleh pada kelas positif sebesar 0,92. Sedangkan untuk recall tertinggi juga diperoleh pada kelas positif sebesar 0,97. Nilai F1-Score tertinggi juga didapatkan oleh data positif yang mana untuk kelas positif mencapai 0,95 dan nilai AUC sebesar 0,98 yang termasuk dalam kategori excellent classification. Berdasarkan hasil tersebut, dapat disimpulkan bahwa sebagian besar siswa memberikan tanggapan positif terhadap program Makan Bergizi Gratis, dan metode Naïve Bayes cukup efektif digunakan dalam analisis sentimen data pada pendapat siswa.

Penentuan Waktu Tempuh Terpendek Lokasi Dengan Menggunakan Metode Simple Additive Weighting (SAW

2025-10-02T01:50:26+00:00

Penentuan waktu tempuh terpendek dari beberapa alternatif lokasi merupakan aspek penting dalam pengambilan keputusan, terutama dalam bidang transportasi, logistik, dan manajemen perjalanan. Penelitian ini bertujuan untuk menentukan lokasi dengan waktu tempuh tercepat berdasarkan beberapa kriteria menggunakan metode Simple Additive Weighting (SAW). Kriteria yang digunakan meliputi jarak tempuh, kondisi jalan, kepadatan lalu lintas, dan jumlah persimpangan. Metode SAW digunakan karena mampu memberikan hasil pemeringkatan yang objektif melalui proses normalisasi dan pembobotan setiap kriteria. Hasil penelitian menunjukkan bahwa metode SAW dapat secara efektif mengidentifikasi alternatif lokasi dengan waktu tempuh paling optimal, dari tiga alternatif rute yang dianalisis (Rute A, Rute B, dan Rute C), Rute B (via jalan tol) terpilih sebagai rute dengan waktu tempuh terpendek, dengan nilai SAW tertinggi sebesar 0,8845. serta memberikan solusi yang sistematis dalam pengambilan keputusan multi-kriteria. Dengan demikian, metode ini dapat dijadikan acuan dalam perencanaan rute perjalanan atau distribusi barang yang lebih efisien.

Penerapan Hidden Markov Model untuk Prediksi Pergerakan Harga Bitcoin

2025-10-02T01:50:28+00:00

Pergerakan harga Bitcoin yang sangat fluktuatif dan volatil telah menjadi tantangan bagi para investor dan peneliti dalam melakukan prediksi harga secara akurat. Penelitian ini bertujuan untuk mengimplementasikan metode Hidden Markov Model (HMM) dalam menganalisis dan memprediksi pergerakan harga Bitcoin dengan pendekatan berbasis machine learning. Tujuan utama dari penelitian ini adalah untuk mengembangkan model prediksi yang mampu mengidentifikasi pola tersembunyi dalam data historis harga Bitcoin dan memberikan insight mengenai kondisi pasar, apakah sedang berada dalam tren naik (bullish), tren turun (bearish), atau stabil (sideways). Metode yang digunakan adalah unsupervised learning dengan pendekatan HMM berbasis Gaussian, menggunakan data harga penutupan (close), moving average (MA200), dan volume perdagangan Bitcoin dari tahun 2020 hingga 2025. Proses penelitian mencakup praproses data, ekstraksi fitur, pelatihan model HMM, dan visualisasi hasil berupa klasifikasi status pasar dan analisis transisi antar status. Hasil penelitian menunjukkan bahwa model HMM berhasil mengelompokkan data ke dalam tiga status tersembunyi dengan interpretasi tren yang konsisten terhadap kondisi pasar aktual. Status sideways mendominasi sepanjang periode, diikuti oleh status bearish dan bullish. Durasi rata-rata masing-masing status menunjukkan bahwa bearish berlangsung lebih lama dibanding bullish, yang hanya muncul secara singkat. Analisis transisi antar status memperkuat pemahaman terhadap pergerakan pasar kripto. Kesimpulannya, metode HMM terbukti efektif untuk mengidentifikasi pola pergerakan harga Bitcoin dan dapat dijadikan dasar dalam pengembangan sistem prediksi dan peringatan dini di pasar aset digital.

Implementasi Sistem Reservasi Online Untuk Layanan Kesehatan Gigi Menggunakan Metode Agile Berbasis Website

2025-10-02T01:50:29+00:00

Kemajuan pesat teknologi informasi telah membawa manfaat besar bagi layanan kesehatan, termasuk layanan kesehatan gigi. Metode reservasi tradisional, yang mengharuskan pasien memesan janji temu langsung di klinik, sering kali tidak efisien dan memakan waktu. Penelitian ini bertujuan untuk mengimplementasikan sistem reservasi online untuk layanan kesehatan gigi menggunakan metode pengembangan Agile berbasis platform website.Sistem ini dirancang agar pasien dapat memesan janji temu dari jarak jauh, melihat layanan yang tersedia, dan memilih waktu sesuai dengan jadwal operasional klinik. Metode Agile dipilih karena fleksibilitas dan kemampuannya dalam beradaptasi selama proses pengembangan.Sistem akhir mencakup fitur seperti daftar layanan, jadwal dokter, formulir pemesanan online, dan basis data reservasi. Pengujian sistem menunjukkan peningkatan efisiensi dalam pengelolaan janji temu serta pengurangan kesalahan pencatatan data secara manual.Implementasi sistem reservasi berbasis website ini mendukung modernisasi layanan kesehatan gigi dengan menyediakan layanan yang lebih cepat, lebih terstruktur, dan berfokus pada pasien.Inovasi ini berkontribusi terhadap transformasi digital di bidang kesehatan dengan mengintegrasikan teknologi ke dalam pelayanan, serta meningkatkan pengalaman pasien dan alur kerja klinik secara keseluruhan.

Penerapan Algoritma Random Forest untuk Prediksi Jumlah Gempa Bulanan di Indonesia

2025-10-02T01:50:32+00:00

Letak geografis Indonesia yang berada pada pertemuan tiga lempeng tektonik aktif menjadikannya salah satu negara dengan tingkat aktivitas gempa bumi yang sangat tinggi. Kondisi ini menuntut adanya sistem prediksi yang akurat guna mendukung upaya mitigasi risiko bencana secara efektif. Penelitian ini menganalisis penggunaan algoritma Random Forest dalam memprediksi frekuensi gempa bulanan bumi di wilayah Indonesia. Dataset yang digunakan diambil dari platform Kaggle dan mencakup data kejadian gempa dari tahun 2008 hingga 2022. Proses penelitian meliputi tahapan pra-pemrosesan data, pelatihan model, evaluasi kinerja menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE) , serta penyajian hasil dalam bentuk aplikasi berbasis web. Hasil evaluasi menunjukkan bahwa model memberikan performa yang cukup optimal, dengan nilai MAE bulanan sebesar 187,3 dan RMSE 274,53, serta MAE tahunan 1637,9 dan RMSE 1966,09. Temuan ini menunjukkan bahwa algoritma Random Forest dapat menjadi solusi alternatif yang andal untuk memprediksi jumlah gempa bumi di Indonesia.

Sistem Rekomendasi Penyewaan Rusunawa Dengan Metode Collaborative Filtering

2025-10-02T01:50:34+00:00

Kepadatan penduduk yang tinggi memicu kebutuhan perumahan yang tinggi, sehingga pemerintah menyediakan Perumahan Sederhana Sewa (Rusunawa) bagi peserta Program Jaminan Sosial Ketenagakerjaan. Namun, pemanfaatan Rusunawa belum optimal karena proses seleksi perumahan yang manual, yang tidak mempertimbangkan preferensi individu calon penyewa, seperti harga, fasilitas, kebersihan, keamanan, dan jarak ke tempat kerja. Untuk mengatasi hambatan ini, penelitian ini bertujuan untuk mengembangkan sistem rekomendasi berbasis website dengan metode collaborative filtering, yang diharapkan dapat memberikan rekomendasi perumahan yang sesuai dengan kebutuhan calon penyewa. Metode collaborative filtering memanfaatkan data preferensi pengguna sebelumnya untuk memberikan rekomendasi berdasarkan kesamaan profil. Uji coba sistem menunjukkan bahwa teknik ini mampu meningkatkan efisiensi dan akurasi dalam menemukan perumahan yang sesuai. Diharapkan sistem ini dapat mendukung sektor perumahan yang lebih baik dan berkelanjutan di Kota Batam.

Penerapan Data Mining Klasifikasi Status Gizi Balita dengan Menggunakan Algoritma K-Nearest Neighbor

2025-10-02T01:50:39+00:00

Kemajuan dalam teknologi informasi telah mendorong perubahan digital di banyak sektor, termasuk bidang kesehatan. Puskesmas sebagai lembaga kesehatan dasar di Indonesia memiliki peranan krusial dalam memberikan pelayanan promotif dan preventif, terutama dalam mengawasi kondisi gizi anak-anak di bawah lima tahun.Puskesmas L. Sidoharjo menghadapi tantangan dalam penentuan status gizi balita yang akurat. Meskipun sistem penilaian telah tersedia, praktik di lapangan menunjukkan bahwa hasil penilaian sering kali tidak mencerminkan kondisi sebenarnya. Hal ini disebabkan oleh faktor individual, seperti genetik, yang memengaruhi bentuk tubuh balita. Seorang anak yang secara genetik kurus belum tentu mengalami gizi buruk, begitu pula anak gemuk belum tentu mengalami kelebihan gizi. Kondisi ini menunjukkan perlunya sistem penilaian yang tidak hanya mengandalkan observasi visual, melainkan pendekatan yang lebih objektif dan berbasis data. Dengan demikian, diperlukan pengembangan sistem klasifikasi status gizi yang mampu memperhitungkan variasi individual guna menghasilkan evaluasi yang lebih akurat dan dapat diandalkan untuk mendukung pemantauan gizi anak secara optimal.

Implementasi Tools Aircrack-ng Untuk Menganalisis Keamanan Jaringan Wifi Menggunakan Kali linux

2025-10-02T01:50:41+00:00

Kemajuan teknologi informasi dan komunikasi telah mendorong peningkatan penggunaan jaringan nirkabel (Wifi) karena fleksibilitas dan efisiensinya. Wifi banyak digunakan di rumah, kantor, dan institusi publik. Namun, kemudahan ini juga membawa kerentanan tinggi terhadap ancaman keamanan seperti sniffing, spoofing, brute force, dan man-in-the-middle. Ancaman ini diperparah oleh konfigurasi jaringan yang lemah dan rendahnya kesadaran pengguna. Penelitian ini bertujuan mengimplementasikan tool Aircrack-ng untuk menganalisis keamanan Wifi serta mengevaluasi efektivitasnya dalam mengidentifikasi celah keamanan. Pengujian dilakukan melalui tahapan scanning, capturing, deauthentication, dan cracking menggunakan Kali linux. Penelitian diterapkan pada jaringan Wifi di lingkungan PT Evergrown technology. Hasil menunjukkan bahwa Aircrack-ng efektif dalam mengidentifikasi kelemahan, terutama pada jaringan dengan enkripsi lemah dan kata sandi yang mudah ditebak. Data handshake yang diperoleh melalui serangan deauthentication berhasil digunakan dalam proses cracking. Temuan ini membuktikan bahwa jaringan Wifi tetap rentan tanpa pengaturan keamanan yang memadai. Sebagai upaya mitigasi, disarankan penggunaan kata sandi kuat, menonaktifkan WPS, memperbarui firmware secara berkala, dan menerapkan Mac filtering. Aircrack-ng terbukti berguna dalam pengujian penetrasi dan sebagai acuan peningkatan keamanan jaringan nirkabel.

Implementasi Artificial Intelligence Dalam Prediksi Penyakit Diabetes Menggunakan Algoritma Binary Classification

2025-10-02T01:50:41+00:00

Deteksi dini terhadap risiko diabetes melitus menjadi langkah penting dalam upaya pencegahan penyakit kronis yang terusmeningkat. Penelitian ini bertujuan mengembangkan model prediksi otomatis menggunakan pendekatan klasifikasi biner berbasis kecerdasan buatan (Artificial Intelligence). Implementasi dilakukan melalui AutoAI dalam IBM Cloud Pak for Data, menggunakan dataset terstruktur yang terdiri dari 724 data dan delapan parameter medis, seperti kadar glukosa, BMI, insulin, dan usia. Proses praproses data dilakukan secara manual sebelum dibagi menjadi data latih dan data uji. AutoAImengotomatiskan proses pemilihan algoritma, rekayasa fitur, dan evaluasi model. Algoritma Gradient Boosted Classifier terpilih sebagai model terbaik dengan akurasi holdout sebesar 81,8%, precision 66,7%, dan recall 90,9%. Hasil inimenunjukkan bahwa model mampu mengenali pola kompleks dalam data medis dan memberikan prediksi risiko diabetes yang andal. Penelitian ini menegaskan potensi AutoAI sebagai alat yang efektif untuk mendukung deteksi dini penyakitkronis, khususnya dalam proses pengambilan keputusan klinis.

Sistem Pakar Diagnosa Penyakit Tuberculosis Menggunakan Metode Forward Chaining dan Backward Chaining

2025-10-02T01:50:42+00:00

Ilmu pengetahuan dan teknologi terus berkembang pesat, termasuk dalam bidang medis. Salah satu penerapan teknologi terkini adalah sistem pakar, yang dirancang untuk meniru kemampuan pengambilan keputusan seorang ahli. Penelitian ini bertujuan mengembangkan sistem pakar untuk mendiagnosa penyakit Tuberculosis (TBC) secara dini, dengan memanfaatkan metode Forward Chaining dan Backward Chaining. Penyakit TBC masih menjadi masalah kesehatan masyarakat karena gejalanya sering tidak dikenali pada tahap awal. Di Puskesmas Sidorejo, kasus keterlambatan diagnosis TBC sering terjadi akibat kurangnya kesadaran masyarakat terhadap gejala awal. Sistem pakar yang dikembangkan dapat membantu masyarakat mengidentifikasi gejala awal TBC sebelum memutuskan untuk memeriksakan diri ke fasilitas kesehatan. Metode Forward Chaining digunakan untuk menyimpulkan penyakit berdasarkan gejala yang dimasukkan, sedangkan Backward Chaining menelusuri gejala untuk menguji kemungkinan penyakit yang telah ditentukan. Hasil dari sistem ini diharapkan dapat memberikan analisis awal yang cepat, akurat, dan mendorong masyarakat untuk segera mengambil tindakan medis.

Analisis Klasifikasi Kelayakan Masyarakat Penerima Bantuan BLT Dengan Metode NaiveBayes Berbasis Web

2025-10-02T01:50:42+00:00

Penyaluran Bantuan Langsung Tunai (BLT) di Indonesia sering mengalami masalah dalam hal akurasi sasaran penerima. Salah satu penyebab utamanya adalah proses pendataan dan klasifikasi yang masih dilakukan secara manual, sehingga menimbulkan potensi kesalahan dan keterlambatan. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem berbasis web yang dapat membantu pemerintah desa dalam mengklasifikasikan kelayakan penerima BLT secara otomatis menggunakan metode Naïve Bayes. Sistem ini dibangun dengan fitur-fitur utama seperti manajemen data warga, klasifikasi berdasarkan atribut sosial ekonomi (pendapatan, jumlah anak usia sekolah, usia dini, ibu hamil, lansia, dan disabilitas), dan dasbor pemantauan bantuan. Untuk menguji efektivitas metode yang digunakan, dilakukan proses pelatihan model klasifikasi menggunakan aplikasi RapidMiner Studio pada 200 data warga. Hasil evaluasi menunjukkan bahwa metode Naïve Bayes mampu mencapai tingkat akurasi sebesar 71,00%, yang menunjukkan kinerja yang cukup baik dalam mengklasifikasikan kategori KPM (Keluarga Penerima Manfaat). Dengan sistem ini, proses seleksi penerima bantuan menjadi lebih cepat, lebih transparan, dan lebih objektif.

Multimedia Interaktif Pembelajaran Struktur Bumi Untuk Siswa Kelas V SD

2025-10-02T01:50:43+00:00

Pembelajaran Ilmu Pengetahuan Alam dan Sosial (IPAS) mengenai struktur lapisan bumi sering kali menjadi tantangan bagi siswa kelas V Sekolah Dasar karena sifatnya yang abstrak. Kurangnya media pembelajaran interaktif menyebabkan pemahaman siswa terhadap materi ini kurang optimal. Penelitian ini bertujuan untuk merancang dan membangun multimedia interaktif pembelajaran IPAS tentang struktur lapisan bumi untuk siswa kelas V SD Negeri 6 Ubung. Pengembangan aplikasi ini menggunakan metode Multimedia Development Life Cycle (MDLC) yang terdiri dari enam tahap: Concept, Design, Material Collecting, Assembly, Testing, dan Distribution. Aplikasi ini menyajikan materi dalam bentuk animasi, ilustrasi, teks, audio, dan video interaktif untuk meningkatkan minat dan pemahaman siswa. Hasil pengujian menggunakan Black Box Testing menunjukkan bahwa aplikasi berjalan sesuai dengan spesifikasi yang diharapkan. Selain itu, pengujian System Usability Scale (SUS) memperoleh skor 82, yang berarti aplikasi ini masuk dalam kategori "Excellent" dan diterima dengan baik oleh pengguna. Dengan demikian, multimedia interaktif ini dapat menjadi solusi efektif dalam meningkatkan kualitas pembelajaran IPAS di sekolah dasar.

Kata kunci: Multimedia interaktif, IPAS, Struktur lapisan bumi, MDLC, Adobe Animate.