Aisyah Journal Of Informatics and Electrical Engineering (A.J.I.E.E)

Evaluasi Kinerja Algoritma Berbasis Decision Tree pada Dataset Skala Kecil: Studi Perbandingan Analisis Komparatif

Arie Setya Putra — 2026-02-07

Perkembangan Machine Learning (ML) telah memberikan kontribusi signifikan dalam berbagai bidang, khususnya pada proses klasifikasi data. Salah satu kelompok algoritma yang banyak digunakan adalah algoritma berbasis decision tree, seperti J48, Random Forest, dan Random Tree. Meskipun algoritma tersebut telah banyak diteliti, sebagian besar studi dilakukan pada dataset berukuran besar, sementara kondisi penggunaan dataset kecil masih jarang dieksplorasi. Padahal, dalam praktik nyata, keterbatasan data sering menjadi tantangan, terutama pada bidang penelitian kesehatan, sosial, maupun eksperimen laboratorium. Penelitian ini bertujuan untuk mengevaluasi kinerja tiga algoritma decision tree, yaitu J48, Random Forest, dan Random Tree pada dataset kecil. Evaluasi dilakukan dengan menggunakan dataset penilaian mahasiswa dengan jumlah record dari 100. Metode 5-fold cross validation digunakan untuk memperoleh hasil evaluasi yang lebih stabil. Kinerja algoritma dibandingkan berdasarkan metrik akurasi, presisi, recall, F1-score, dan waktu komputasi. Hasil penelitian menunjukkan bahwa Random Forest cenderung memberikan akurasi dan stabilitas yang lebih baik dibandingkan J48 dan Random Tree, meskipun membutuhkan waktu komputasi yang relatif lebih tinggi. Sementara itu, J48 memiliki keunggulan dalam interpretabilitas, sedangkan Random Tree menawarkan fleksibilitas dengan kompleksitas yang lebih rendah dan waktu komputasi yang lebih baik. Temuan ini menegaskan pentingnya pemilihan algoritma yang tepat sesuai dengan ukuran dataset dan tujuan penelitian

Analisis Penerimaan Pengguna Sistem Absensi Terintegrasi dengan Model TAM Berbasis Web dan Mobile

Hendri Purnomo — 2026-02-07

Penelitian ini bertujuan untuk menganalisis penerimaan pengguna terhadap sistem absensi berbasis web dan seluler menggunakan pendekatan Technology Acceptance Model (TAM). Model ini meneliti pengaruh Perceived Usefulness (PU) dan Perceived Ease of Use (PEOU) pada Attitude Towards Using (ATU) dan Behavioral Intention (BI) dalam penerapan sistem absensi digital di dalam lembaga pemerintah. Penelitian ini melibatkan 100 responden yang menggunakan sistem absensi terintegrasi, dan data dianalisis menggunakan uji validitas, uji keandalan, korelasi Pearson, dan regresi linier berganda. Hasil menunjukkan bahwa semua item kuesioner valid (r > 0,45) dan dapat diandalkan (Cronbach's Alpha > 0,8). Baik PU maupun PEOU secara signifikan mempengaruhi ATU dan BI dengan tingkat signifikansi p < 0,05 dan nilai korelasi berkisar antara 0,68 hingga 0,80. Temuan ini menunjukkan bahwa kegunaan yang dirasakan dan kemudahan penggunaan yang dirasakan memainkan peran penting dalam membentuk sikap pengguna yang positif dan meningkatkan niat untuk menggunakan sistem kehadiran berbasis web dan seluler. Dalam praktiknya, penerapan sistem ini terbukti efektif dalam meningkatkan efisiensi, akurasi, dan transparansi dalam manajemen absensi pegawai di lingkungan lembaga public

Jurnal Analisis Pengembangan Karier Sales Menggunakan KNN dan Decision Tree Berbasis Data Penjualan

Zulkarnaini — 2026-02-07

Abstrak Loyalitas pelanggan merupakan faktor penting dalam menjaga keberlangsungan bisnis, terutama di era digital yang semakin kompetitif. Penelitian ini bertujuan mengklasifikasikan loyalitas pelanggan berdasarkan data penjualan dan transaksi menggunakan dua algoritma supervised learning, yaitu K-Nearest Neighbor (KNN) dan Decision Tree. Kedua model dikembangkan dan diuji menggunakan RapidMiner pada dataset yang berisi 250 data pelanggan. Hasil evaluasi menunjukkan bahwa algoritma Decision Tree memperoleh akurasi tertinggi, yaitu 99,20%, dengan precision 99,50% dan recall 99,50%. Sementara itu, algoritma KNN mencapai akurasi 91,60%, precision 91,63%, dan recall 98,50%. Temuan ini menunjukkan bahwa model Decision Tree lebih unggul dalam mengklasifikasikan loyalitas pelanggan dan memberikan interpretasi yang lebih jelas melalui aturan keputusan yang eksplisit. Penelitian ini menegaskan bahwa data mining dapat menjadi pendekatan yang efektif untuk mendukung strategi CRM dengan mengidentifikasi pelanggan loyal dan membantu mengarahkan upaya pemasaran yang lebih tepat sasaran.

Kata Kunci: Loyalitas Pelanggan; Klasifikasi; Decision Tree; K-Nearest Neighbor; Data Mining; RapidMiner

Perbandingan Metode Naive Bayes dan Support Vector Machine Untuk Analisis Sentimen Pengguna X Terhadap Penyakit Virus HMPV di Indonesia

Muhamad Hartawan — 2026-02-10

Human Metapneumovirus (HMPV) is a respiratory virus from the Pneumoviridae family that can infect both the upper and lower respiratory tract. Although no official cases have been identified in Indonesia, the spread of HMPV in several countries has raised public concern. Social media, particularly platform X (formerly Twitter), has become a primary platform for the public to express opinions, information, and discussions related to health issues. Sentiment analysis is needed to understand public perceptions, thus providing a basis for the government and medical professionals to formulate more appropriate communication strategies. This study aims to classify public sentiment regarding HMPV into positive, negative, and neutral categories and to compare the performance of two text classification methods: Naïve Bayes and Support Vector Machine (SVM). The research methodology uses the CRISP-DM framework with the following stages: data collection of 1,476 tweets using keywords related to HMPV, text preprocessing (cleaning, case folding, tokenizing, filtering, stemming), automatic labeling using IndoBERT, data balancing through resampling, and feature extraction with TF-IDF. The data was then split into training-test ratios (90:10, 80:20, 70:30, 60:40), followed by modeling and evaluation using a confusion matrix, accuracy, precision, recall, and F1-score. The results showed that SVM outperformed Naïve Bayes, with higher accuracy and F1-score in almost all data split scenarios. These findings confirm that SVM is superior in analyzing the sentiment of Indonesian-language text on social media. This research is expected to support public opinion monitoring, strengthen health communication strategies, and serve as a reference for further research on other health issues.