Jurnal Data Mining dan Sistem Informasi

Implementasi Rapor Digital Untuk Meningkatkan Efektivitas Kinerja Administrasi Guru SDN 1 Gunung Sakti Menggala

neneng neneng — 2026-02-18

This study aims to analyze the implementation of a digital report card system to improve the effectiveness of teachers’ administrative performance at SDN 1 Gunung Sakti Menggala. The research adopts the Technology Acceptance Model (TAM) developed by Fred Davis to examine the relationships among system implementation, perceived usefulness, perceived ease of use, and administrative performance effectiveness. A mixed-method approach was applied, combining qualitative description and quantitative analysis. Data were collected from 32 respondents consisting of classroom teachers, subject teachers, and school operators using a Likert-scale questionnaire. Regression analysis results indicate that digital report card implementation significantly affects perceived usefulness (β = 0.912; p < 0.05) and perceived ease of use (β = 0.618; p < 0.05). Furthermore, perceived ease of use has the strongest influence on administrative performance effectiveness (β = 0.805; p < 0.05). The model explains 94.9% of the variance in teachers’ administrative performance effectiveness. The findings indicate that system usability plays a crucial role in improving administrative efficiency in primary schools.

Analisis Sentimen Ulasan Pengguna Tiktok Menggunakan Ekstraksi Fitur Tf-Idf Dan Naive Bayes

Rohur Rizqi Renata Renata — 2026-07-11

Penelitian ini mengklasifikasikan sentimen ulasan pengguna TikTok di Google Play Store menggunakan kombinasi TF-IDF dan algoritma Naive Bayes melalui Orange Data Mining versi 3.38.1. Dataset terdiri dari 100.000 ulasan yang dikumpulkan antara Agustus–Desember 2025, dengan tiga kelas sentimen: Positif (rating 4–5), Netral (rating 3), dan Negatif (rating 1–2). Untuk mengatasi ketidakseimbangan kelas, diterapkan balanced sampling dengan 3.334 sampel per kelas, menghasilkan total 10.002 instance. Tahap prapemrosesan meliputi lowercasing, tokenisasi kata, dan penghapusan stopword Bahasa Indonesia, dilanjutkan dengan representasi Bag-of-Words yang diberi bobot sublinear TF. Evaluasi model menggunakan 10-fold stratified cross-validation menghasilkan akurasi 0,530, AUC 0,760, F1-score 0,509, presisi 0,537, recall 0,530, dan MCC 0,310. Analisis per kelas menunjukkan bahwa kelas Positif memiliki recall tertinggi (84,43%), sedangkan kelas Negatif memperoleh presisi tertinggi (58,53%). Kelas Netral terbukti paling sulit diklasifikasikan akibat ambiguitas semantik. Nilai AUC sebesar 0,760 menegaskan bahwa model memiliki kemampuan diskriminatif yang cukup baik meskipun akurasi keseluruhan tergolong moderat, mencerminkan tantangan inheren klasifikasi sentimen tiga kelas pada teks Bahasa Indonesia yang informal.

Penerapan Algoritma K-Means Clustering Untuk Mengelompokkan Program Studi Berdasarkan Daya Tampung UTBK 2019

Khoirun Nisa — 2026-07-11

Perkembangan data pendidikan yang semakin pesat memerlukan metode analisis yang tepat untuk menghasilkan informasi yang bermanfaat dan mendukung pengambilan keputusan. Salah satu pendekatan yang dapat digunakan adalah data mining, yaitu proses menemukan pola atau informasi tersembunyi dari sekumpulan data berukuran besar. Clustering merupakan salah satu teknik data mining yang digunakan untuk mengelompokkan data berdasarkan tingkat kemiripan karakteristik yang dimiliki. Penelitian ini bertujuan untuk menerapkan algoritma K-Means Clustering dalam mengelompokkan program studi berdasarkan daya tampung menggunakan dataset UTBK tahun 2019. Dataset yang digunakan terdiri dari 3.167 program studi dari berbagai perguruan tinggi di Indonesia. Penelitian dilakukan menggunakan aplikasi RapidMiner dengan jumlah cluster sebanyak tiga kelompok (K=3). Hasil clustering menunjukkan bahwa cluster 0 terdiri dari 2.507 data, cluster 2 terdiri dari 616 data, dan cluster 1 terdiri dari 44 data. Nilai centroid yang diperoleh masing-masing sebesar 37,914; 92,440; dan 229,864. Hasil penelitian menunjukkan bahwa sebagian besar program studi memiliki daya tampung rendah, sedangkan hanya sebagian kecil program studi yang memiliki daya tampung sangat tinggi. Algoritma K-Means mampu mengelompokkan program studi berdasarkan karakteristik daya tampung yang dimiliki sehingga dapat digunakan sebagai pendukung analisis data pendidikan.

Analisis Kinerja Penjualan FMCG untuk Mendukung Pengambilan Keputusan Menggunakan Dashboard Business Intelligence

Fanysia Helena Kosuwandi — 2026-07-11

Penelitian ini bertujuan menganalisis kinerja penjualan produk Fast Moving Consumer Goods (FMCG) menggunakan dashboard Business Intelligence. Metode yang digunakan adalah metode deskriptif dengan pendekatan Business Intelligence, sedangkan data yang dianalisis berupa data simulasi transaksi penjualan tahun 2025 yang mencakup informasi produk, pelanggan, lokasi penjualan, jumlah pembelian, nilai penjualan, dan jenis komersial. Hasil penelitian disajikan melalui empat dashboard, yaitu analisis penjualan barang terbanyak berdasarkan jenis komersial dan lokasi, produk yang jarang dibeli, lokasi dengan tingkat pembelian rendah, serta loyalitas pelanggan berdasarkan kontribusi pembelian. Hasil analisis menunjukkan adanya perbedaan kontribusi penjualan pada setiap kategori produk, wilayah pemasaran, saluran penjualan, dan pelanggan. Beberapa produk dan wilayah memberikan kontribusi penjualan yang lebih tinggi dibandingkan yang lain, sementara terdapat produk dan wilayah yang masih memiliki tingkat penjualan relatif rendah. Selain itu, ditemukan pelanggan dengan kontribusi pembelian yang signifikan terhadap pendapatan perusahaan. Penerapan dashboard Business Intelligence mampu membantu proses visualisasi dan analisis data penjualan secara lebih efektif sehingga mendukung pengambilan keputusan yang lebih cepat, tepat, dan berbasis data.

KLASIFIKASI STATUS PERKARA PERCERAIAN MENGGUNAKAN ALGORITMA C4.5 PADA DATA SIPP PENGADILAN AGAMA CIKARANG TAHUN 2025

Naila Hanin Ayudie — 2026-07-11

Peningkatan jumlah perkara perceraian menyebabkan data pada Sistem Informasi Penelusuran Perkara (SIPP) Pengadilan Agama Cikarang semakin besar sehingga analisis secara manual menjadi kurang efektif. Penelitian ini bertujuan mengklasifikasikan status perkara perceraian menggunakan algoritma C4.5 berdasarkan data SIPP Pengadilan Agama Cikarang Tahun 2025. Penelitian menggunakan pendekatan kuantitatif dengan metodologi CRISP-DM yang meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Dataset yang digunakan terdiri dari 4.554 data perkara perceraian dengan atribut Klasifikasi Perkara dan Lama Proses sebagai variabel prediktor serta Status Perkara sebagai variabel target. Hasil evaluasi menggunakan Cross Validation menunjukkan bahwa model memperoleh tingkat akurasi sebesar 88,63% ± 0,83%. Pohon keputusan yang dihasilkan menunjukkan bahwa atribut Lama Proses merupakan atribut yang paling berpengaruh dalam proses klasifikasi status perkara. Meskipun demikian, kemampuan model dalam mengenali kelas minoritas masih terbatas akibat ketidakseimbangan distribusi data. Secara keseluruhan, algoritma C4.5 terbukti mampu menghasilkan model klasifikasi yang efektif dan dapat dimanfaatkan sebagai pendukung analisis serta pengambilan keputusan dalam pengelolaan data perkara perceraian di Pengadilan Agama Cikarang.