Abstract:Penelitian ini bertujuan untuk menganalisis pengaruh model Problem Based Learning (PBL) berbasis Wayground dengan pendekatan deep learning terhadap keterlibatan murid dalam pembelajaran Biologi di SMA Negeri 11 Kota Jambi.…
i. Keterlibatan murid yang rendah menjadi permasalahan utama dalam proses pembelajaran, sehingga diperlukan inovasi model pembelajaran yang dapat meningkatkan keterlibatan secara komprehensif mencakup dimensi behavioral, emotional, cognitive, dan agentic engagement. Penelitian menggunakan metode Pre-Experimental dengan desain One Group Pretest-Posttest. Sampel penelitian adalah 36 murid kelas XI F1 yang dipilih secara random sampling. Instrumen yang digunakan berupa angket keterlibatan murid dan lembar observasi. Data dianalisis menggunakan uji Sign Test dan uji Effect Size. Hasil penelitian menunjukkan adanya peningkatan keterlibatan murid pada keempat dimensi setelah perlakuan. Uji Sign Test menghasilkan nilai signifikansi 0,012 (<0,05), sehingga H₀ ditolak. Effect Size diperoleh sebesar 0,417 yang termasuk kategori sedang. Hasil observasi juga mendukung temuan angket dengan skor rata-rata 3,00 (kategori Baik) pada semua dimensi. Disimpulkan bahwa model PBL berbasis Wayground dengan pendekatan deep learning berpengaruh positif dalam kategori sedang terhadap peningkatan keterlibatan murid dalam pembelajaran Biologi. Penelitian ini diharapkan dapat menjadi referensi bagi guru dalam mengembangkan pembelajaran yang lebih aktif, interaktif, dan bermakna.
Abstract:Pembelajaran biologi di tingkat SMA masih banyak menggunakan pendekatan konvensional yang kurang efektif dalam mengembangkan keterampilan berpikir kritis dan adaptabilitas lingkungan peserta didik. Penelitian ini bertujuan…
an untuk menguji pengaruh penerapan Flipped Classroom dengan model Problem Based Learning (PBL) terhadap kemampuan berpikir kritis dan adaptabilitas lingkungan murid SMA pada materi perubahan lingkungan. Penelitian eksperimen semu dengan desain Non-Randomized Control Group Pretest-Posttest dilakukan pada kelas X Fase E. Kelas eksperimen menerapkan integrasi Flipped Classroom dan PBL, sedangkan kelas kontrol menggunakan pembelajaran langsung. Data dikumpulkan melalui tes esai berbasis indikator FRISCO untuk berpikir kritis dan angket berbasis GreenComp untuk adaptabilitas lingkungan. Analisis data menggunakan ANCOVA setelah memenuhi uji prasyarat yaitu normalitas, homogenitas, dan linieritas. Hasil penelitian menunjukkan adanya pengaruh signifikan p < 0,05 terhadap kedua variabel dengan effect size besar Partial Eta Squared 0,606 untuk berpikir kritis dan 0,700 untuk adaptabilitas lingkungan. Rata-rata skor kelas eksperimen mengalami peningkatan yang lebih tinggi dibandingkan kelas kontrol. Kesimpulan penelitian ini adalah integrasi Flipped Classroom dan PBL efektif meningkatkan kemampuan berpikir kritis serta adaptabilitas lingkungan peserta didik. Model ini dapat menjadi alternatif pembelajaran inovatif yang mendukung Kurikulum Merdeka dan pengembangan kompetensi abad ke-21 berbasis isu lingkungan.
Abstract:Abstract: This study aims to analyze the influence of gender on user responses to social media strategies on the Instagram platform by utilizing data science techniques. The methodology includes collecting user interaction…
on data based on gender, statistical analysis, and applying machine learning algorithms to identify response patterns. The results reveal significant differences in how male and female users respond to social media content and campaigns, affecting marketing strategy effectiveness. Data science analysis showed that the K-Means Clustering method segmented users into three groups based on interaction patterns, with female users showing the highest engagement rate (18%) compared to male users (12%). The Decision Tree model identified gender as the most dominant predictor of engagement (40%), followed by user growth (25%) and content type (20%). The Random Forest model validated that gender-targeted strategies increased marketing effectiveness by up to 22%. Multivariate regression revealed a positive effect of female user proportion (+0.45) and a negative effect of male user proportion (−0.12) on engagement. In conclusion, a deeper understanding of gender-based response differences can assist companies in designing more targeted social media strategies and enhancing engagement.
Keywords: gender; social media response; instagram; data science; marketing strategy
Abstrak: Penelitian ini bertujuan untuk menganalisis bagaimana pengaruh gender memengaruhi respons pengguna terhadap strategi media sosial di platform Instagram dengan memanfaatkan teknik data sains. Metode yang digunakan meliputi pengumpulan data interaksi pengguna berdasarkan gender, analisis statistik, dan penerapan algoritma machine learning untuk mengidentifikasi pola respons. Hasil penelitian menunjukkan adanya perbedaan signifikan dalam cara pengguna laki-laki dan perempuan merespons konten dan kampanye media sosial, yang berdampak pada efektivitas strategi pemasaran. Analisis data sains menunjukkan bahwa metode K-Means Clustering berhasil mengelompokkan pengguna ke dalam tiga segmen berdasarkan pola interaksi, dengan segmen perempuan menunjukkan tingkat engagement tertinggi (18%) dibandingkan laki-laki (12%). Model Decision Tree mengidentifikasi gender sebagai faktor paling dominan terhadap engagement dengan kontribusi sebesar 40%, disusul oleh pertumbuhan pengguna (25%) dan jenis konten (20%). Random Forest memvalidasi bahwa strategi yang disesuaikan berdasarkan gender meningkatkan efektivitas pemasaran hingga 22%. Regresi multivariat menunjukkan bahwa proporsi pengguna perempuan berkontribusi positif sebesar 0,45 poin terhadap engagement, sedangkan pengguna laki-laki berkontribusi negatif sebesar -0,12. Kesimpulannya, pemahaman mendalam tentang perbedaan respons berdasarkan gender dapat membantu perusahaan dalam merancang strategi media sosial yang lebih tepat sasaran dan meningkatkan engagement.
Kata kunci: gender; respons media sosial; instagram; data sains; strategi pemasaran
Abstract:Pemerintah Indonesia menghadapi sejumlah problematika dalam bidang perekonomian, memerlukan solusi tepat untuk meningkatkan kondisi ekonomi. Keterlibatan langsung pemerintah dalam merespon dan memecahkan masalah tersebut…
memerlukan pemahaman mendalam terhadap problematika yang dihadapi masyarakat. Pasar, sebagai pusat ekonomi, mengalami transformasi signifikan dengan adanya platform online seperti TikTok, yang sebelumnya menyediakan fitur belanja yang populer. Dalam menghadapi dampak positif dan negatif dari fitur belanja TikTok, pemerintah memutuskan untuk menutup fitur tersebut. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kebijakan tersebut menggunakan Lexicon Based sebagai metode pelabelan, serta Naïve Bayes dan Random Forest sebagai model klasifikasi. Dengan menggunakan teknik crawling data, penelitian ini akan menyajikan analisis sentimen untuk memahami pandangan masyarakat terkait penutupan fitur belanja TikTok dan implikasinya terhadap perekonomian Indonesia.
Abstract:Abstract : This study aims to determine thecrime rate in motorbike theft cases using the programmeing langiage PHP and MySQL as a database and the application of the Exponential Smoothing method to determine the crime rate…
te of motorcycle theft that occurs in the city of Tanjung Balai for the next period. The data used in this study is motorcycle theft report data from 2018 to 2019 wich was obtained from the Tanjung Balai Police. The benefits of this research can be used by the Tanjung Balai police to determine the extent of the motorcycle theft crime that will occur in a shorter, easier and more accurate manner so that it can take optimal prevention. With the Exponential Smoothing method the alpha value will be searched randomly to find an alpha value that was a minimum error value calculated using Means Absolute Percetage Error (MAPE). Then the prediction results that have an alphan with a minimum error are the best of recommended as a prediction result for the next period. Based on this research, the prediction results obtained from the prediction of the number of motorcycle theft cases the occurred in the city of Tanjung Balai in 2020 were 12 units with an MAPE error value of 0,153%.
Keyword : Exponential Smoothing, Theft, Motorcycle, Forecasting
Abstrak : Penelitian ini bertujuan untuk menentukan tingkat kriminalitas kasus pencurian sepeda motor dengan menggunakan bahasa pemrograman PHP dan MySQL sebagai basis data serta penerapan metode Exponential Smoothing untuk menentukan tingkat kriminalitas pencurian sepeda motor yang terjadi di kota Tanjung Balai untuk periode berikutnya. Data yang digunakan dalam penelitian ini adalah data laporan pencurian sepeda motor dari tahun 2018 sampai dengan tahun 2019 yang diperoleh dari POLRES Tanjung Balai. Manfaat dari penelitian ini dapat digunakan oleh kepolisian Tanjung Balai untuk menentukan seberapa besar tindak kriminalitas pencurian sepeda motor yang akan terjadi secara lebih singkat, mudah dan akurat sehingga dapat melakukan pencegahan yang optimal. Dengan metode Exponential Smoothing akan dicari nilai alpha secara acak sampai menemukan nilai alpha yang memiliki nilai error yang minimum yang dihitung menggunakan Means Absolute Percetage Error (MAPE). Maka hasil prediksi yang memiliki alpha dengan error minimumlah yang paling baik atau direkomendasikan sebagai hasil prediksi untuk periode selanjutnya. Berdasarkan penelitian ini diperoleh hasil prediksi peramalan jumlah kasus pencurian sepeda motor yang terjadi di kota Tanjung Balai tahun 2020 adalah 12 unit dengan nilai error MAPE sebesar 0,153%.
Kata Kunci : Exponential Smoothing, Pencurian, Sepeda Motor, Forecasting
Abstract:Abstract: The advancement of digital technology has made it easier to create, process, and distribute files—using 317 files from the dataset https://www.kaggle.com/datasets/axon data/selfie-and-official-id-photo-dataset-18k…
t-18k images?select=metadata_image.csv has also introduced new challenges, such as the increasing practice of digital file manipulation that is difficult to detect visually. Therefore, an intelligent digital forensics system that can automatically and accurately detect file authenticity is required. This study aims to develop an intelligent digital forensics system for detecting file manipulation by leveraging metadata analysis and the Random Forest classification method. The methods used include extracting metadata from digital files—such as time information, device details, and processing history—followed by analysis to identify patterns of inconsistency that indicate manipulation. This data is then used as features in the classification process using the Random Forest algorithm to distinguish between original and manipulated files. The results of this study are expected to show that the use of metadata analysis combined with the Random Forest algorithm can improve accuracy in detecting digital file manipulation compared to conventional methods. The resulting system is expected to provide an effective, efficient, and integrated solution to support digital forensic investigations, Based on the test results, the system demonstrated good performance with an accuracy rate of 94%.
Keywords: Digital Forensics;File Manipulation;Metadata Analysis;Random Forest;Classification;Machine Learning
Abstrak:Perkembangan teknologi digital telah meningkatkan kemudahan dalam pembuatan, pengolahan,dan distribusi file sebanyak 317 file, sumber datasets https:// www.kaggle.com/datasets/axondata/selfie-and-official-id-photo-dataset-18k-images?select =metadata_image.csv, namun juga menimbulkan tantangan baru berupa meningkatnya praktik manipulasi file digital yang sulit dideteksi secara kasat mata. Oleh karena itu, diperlukan suatu sistem forensik digital yang cerdas dan mampu mendeteksi keaslian file secara otomatis dan akurat. Penelitian ini bertujuan untuk mengembangkan sistem forensik digital cerdas untuk deteksi manipulasi file dengan memanfaatkan analisis metadata dan metode klasifikasi Random Forest. Metode yang digunakan meliputi proses ekstraksi metadata dari file digital, seperti informasi waktu, perangkat, dan riwayat pengolahan, kemudian dilakukan analisis untuk menemukan pola ketidaksesuaian yang mengindikasikan adanya manipulasi. Selanjutnya, data tersebut digunakan sebagai fitur dalam proses klasifikasi menggunakan algoritma Random Forest untuk membedakan antara file asli dan file yang telah dimanipulasi. Hasil dari penelitian ini diharapkan menunjukkan bahwa penggunaan analisis metadata yang dikombinasikan dengan algoritma Random Forest mampu meningkatkan akurasi dalam mendeteksi manipulasi file digital dibandingkan metode konvensional. Sistem yang dihasilkan dapat memberikan solusi yang efektif, efisien, dan terintegrasi dalam mendukung proses investigasi forensik digital, Berdasarkan hasil pengujian, sistem menunjukkan performa yang baik dengan tingkat akurasi sebesar 94%.
Kata Kunci: Forensik Digital, Manipulasi File, Metadata, Random Forest, Klasifikasi, Machine Learning.
Abstract:This study aimed to compare the performance of machine learning algorithms and user experience in predicting students’ academic achievement. The research is motivated by the need for prediction systems that are not only…
y highly accurate but also easily interpretable by users. The proposed methodology involved the implementation of two algorithms, namely Decision Tree and Random Forest, using an academic dataset that included grade point average, attendance, and assessment scores. Model performance was evaluated using accuracy, precision, recall, and F1-score, while user experience was assessed through the System Usability Scale (SUS) based on a simple user interface. The findings revealed that Random Forest achieved higher predictive accuracy, whereas Decision Tree provided better interpretability and ease of understanding for users. These results indicated a trade-off between model performance and user experience, suggesting that algorithm selection should consider both aspects in order to develop an effective and user-friendly academic prediction system
Abstract:Abstract: The rapid growth of e-commerce mobile applications has generated large volumes of user reviews, making manual sentiment analysis increasingly impractical. This study aims to compare the effectiveness of three machine…
achine learning algorithms Support Vector Machine (SVM), Random Forest, and Naive Bayes for automated sentiment classification of Indonesian-language mobile application reviews. A dataset of 3,000 user reviews from the RupaRupa application on the Google Play Store was collected and preprocessed through normalization, tokenization, stopword removal, and stemming. TF-IDF vectorization was applied for feature extraction, while the Synthetic Minority Over-sampling Technique (SMOTE) was used to address class imbalance across three sentiment categories: positive, negative, and neutral. The results show that SVM achieved the highest accuracy of 90.02%, while Random Forest obtained the best F1-score of 88.08% when sufficient training data were available. Naive Bayes demonstrated relatively stable performance across varying training data sizes. Furthermore, TF-IDF keyword analysis revealed that negative reviews were primarily associated with delivery issues, technical problems, and pricing concerns. These findings demonstrate the effectiveness of machine learning approaches for sentiment classification and provide practical insights for improving mobile application services.
Keywords: sentiment analysis; machine learning; SMOTE; TF-IDF; text classification
Abstrak: Pertumbuhan pesat aplikasi mobile e-commerce telah menghasilkan volume ulasan pengguna yang sangat besar, sehingga analisis sentimen secara manual menjadi semakin tidak praktis. Penelitian ini bertujuan untuk membandingkan efektivitas tiga algoritma machine learning Support Vector Machine (SVM), Random Forest, dan Naive Bayes dalam melakukan klasifikasi sentimen otomatis terhadap ulasan aplikasi mobile berbahasa Indonesia. Dataset yang digunakan terdiri dari 3.000 ulasan pengguna aplikasi RupaRupa yang dikumpulkan dari Google Play Store. Data kemudian diproses melalui tahapan preprocessing yang meliputi normalisasi, tokenisasi, penghapusan stopword, dan stemming. Ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), sedangkan ketidakseimbangan kelas ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE) pada tiga kategori sentimen, yaitu positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa SVM mencapai tingkat akurasi tertinggi sebesar 90,02%, sementara Random Forest memperoleh nilai F1-score terbaik sebesar 88,08% ketika tersedia data pelatihan yang memadai. Naive Bayes menunjukkan performa yang relatif stabil pada berbagai ukuran data pelatihan. Selain itu, analisis kata kunci berbasis TF-IDF mengungkapkan bahwa ulasan negatif terutama berkaitan dengan masalah pengiriman, kendala teknis aplikasi, dan isu harga. Temuan ini menunjukkan bahwa pendekatan machine learning efektif untuk klasifikasi sentimen serta memberikan wawasan yang bermanfaat dalam meningkatkan kualitas layanan aplikasi mobile.
Kata Kunci: analisis sentimen; pembelajaran mesin; SMOTE; TF-IDF; klasifikasi teks.
Abstract:Abstract: Mental health issues, particularly depression among young adult university students, are often detected late due to stigma and reluctance to seek medical consultation. The objective of this study is to develop…
an early screening model employing machine learning techniques, specifically the random forest algorithm, on a dataset of 268 students (aged 17-29 years; consisting of 98 males and 170 females) within a multicultural educational setting. The principal challenges associated with this dataset are class imbalance and the potential for data leakage from clinical scores. This study implements a rigorous feature selection approach that involves the elimination of depression score features and the utilization of the Synthetic Minority Over-sampling Technique (SMOTE) to balance the training data distribution. Furthermore, a Threshold Tuning strategy is employed to prioritize detection sensitivity (Recall). The findings indicate that reducing the decision threshold to an optimal value of 0.25 led to a substantial enhancement in the recall value, increasing it from 36% (baseline) to 77%. A feature importance analysis was conducted, the results of which indicated that Total Social Connectedness (ToSC) is the most dominant predictor. In summary, the present study corroborates the notion that optimizing sensitivity through threshold tuning is of paramount importance for medical screening. Furthermore, social isolation factors emerge as more significant indicators of depression risk than demographic attributes.
Keywords: data mining; depression; imbalanced data; random forest; smote; threshold tuning
Abstrak: Masalah kesehatan mental, khususnya depresi di kalangan mahasiswa dewasa muda, sering terdeteksi terlambat akibat stigma dan enggan mencari konsultasi medis. Tujuan studi ini adalah mengembangkan model skrining dini menggunakan teknik machine learning, khususnya algoritma random forest, pada dataset 268 mahasiswa (usia 17-29 tahun; terdiri dari 98 laki-laki dan 170 perempuan) dalam lingkungan pendidikan multikultural. Tantangan utama yang terkait dengan dataset ini adalah ketidakseimbangan kelas dan potensi kebocoran data dari skor klinis. Studi ini menerapkan pendekatan seleksi fitur yang ketat, yang melibatkan eliminasi fitur skor depresi dan penggunaan Teknik Over-sampling Minoritas Sintetis (SMOTE) untuk menyeimbangkan distribusi data pelatihan. Selain itu, strategi Penyesuaian Ambang Batas diterapkan untuk memprioritaskan sensitivitas deteksi (Recall). Hasil penelitian menunjukkan bahwa mengurangi ambang batas keputusan ke nilai optimal 0,25 menyebabkan peningkatan signifikan dalam nilai recall, dari 36% (dasar) menjadi 77%. Analisis pentingnya fitur dilakukan, hasilnya menunjukkan bahwa Total Social Connectedness (ToSC) adalah prediktor yang paling dominan. Secara ringkas, studi ini membenarkan bahwa mengoptimalkan sensitivitas melalui penyesuaian ambang batas sangat penting untuk skrining medis. Selain itu, faktor isolasi sosial muncul sebagai indikator risiko depresi yang lebih signifikan daripada atribut demografis.
Kata kunci: penambangan data; depresi; data tidak seimbang; hutan acak; smote; penyesuaian ambang batas
Abstract:Abstract: Accurate forecasts of tea harvest production are important for workforce planning, factory operations, and marketing decisions, yet conventional estimation in plantations often relies on field experience and can…
n be biased and less adaptive to changing conditions. This study aims to develop a Random Forest Regression model to predict tea harvest production at the Bah Butong tea plantation using historical operational and climate-related data. The dataset consists of 60 monthly records (2020–2024) with six predictor variables: rainfall (mm), number of rainy days, pest level, weed level, number of harvested trees and land area. Data were split into 80% training (48 samples) and 20% testing (12 samples). Model hyperparameters were optimized using RandomizedSearchCV with RepeatedKFold cross-validation (5 folds, 3 repeats). The tuned model achieved MSE of 668,980,524.45, RMSE of 25,864.66 kg, MAE of 19,838.69 kg, and MAPE of 7.59% on the test set. The results indicate that the model can provide practical production estimates, with errors averaging about 7–8% of the actual production. Feature importance analysis shows that the number of harvested tea bushes and cultivated area contribute most to predictions. Future work should extend the historical period and incorporate time-based features (seasonality/lag) for improved forecasting.
Keywords: hyperparameter tuning; production prediction; random forest; regression; tea harvest
Abstrak: Perkiraan akurat produksi panen teh sangat penting untuk perencanaan tenaga kerja, operasional pabrik, dan keputusan pemasaran, namun estimasi konvensional di perkebunan seringkali bergantung pada pengalaman lapangan dan dapat bias serta kurang adaptif terhadap perubahan kondisi. Studi ini bertujuan untuk mengembangkan model Regresi Random Forest untuk memprediksi produksi panen teh di perkebunan teh Bah Butong menggunakan data operasional dan data terkait iklim historis. Dataset terdiri dari 60 catatan bulanan (2020–2024) dengan enam variabel prediktor: curah hujan (mm), jumlah hari hujan, tingkat hama, tingkat gulma, jumlah pokok panen, dan luas lahan. Data dibagi menjadi 80% data pelatihan (48 sampel) dan 20% data pengujian (12 sampel). Parameter model dioptimalkan menggunakan RandomizedSearchCV dengan validasi silang RepeatedKFold (5 lipatan, 3 pengulangan). Model yang telah disempurnakan mencapai MSE sebesar 668.980.524,45, RMSE sebesar 25.864,66 kg, MAE sebesar 19.838,69 kg, dan MAPE sebesar 7,59% pada set data uji. Hasil tersebut menunjukkan bahwa model dapat memberikan estimasi produksi yang praktis, dengan kesalahan rata-rata sekitar 7–8% dari produksi aktual. Analisis kepentingan fitur menunjukkan bahwa jumlah semak teh yang dipanen dan luas lahan budidaya paling berkontribusi pada prediksi. Pekerjaan selanjutnya harus memperpanjang periode historis dan menggabungkan fitur berbasis waktu (musiman/lag) untuk peramalan yang lebih baik.
Kata kunci: panen teh; prediksi produksi; random forest; regresi; tuning parameter