Jurnal Komputer Antartika
https://ejournal.mediaantartika.id/index.php/jka
<p>Jurnal Komputer Antartika adalah jurnal yang diterbitkan oleh Antartika Media Indonesia yang berfokus pada penerbitan artikel ilmiah pada bidang ilmu-ilmu komputer meliputi: Komputasi dan pemrosesan data, Kecerdasan buatan, Jaringan dan keamanan, Sistem informasi dan manajemen, Grafis dan visualisasi, Arsitektur dan teknologi komputer, dan e-learning.</p> <p>Jurnal Komputer Antartika terbit empat kali setahun pada bulan Maret, Juni, September, dan Desember.</p> <p> </p>Antartika Media Indonesiaen-USJurnal Komputer Antartika2988-5272Penerapan Algoritma C4.5 untuk Klasifikasi Tingkat Korban Banjir di Indonesia
https://ejournal.mediaantartika.id/index.php/jka/article/view/647
<p>Banjir merupakan salah satu bencana alam yang sering melanda Indonesia dan memberikan dampak yang besar pada kesehatan, infrastruktur, serta ekonomi. Penelitian ini bertujuan untuk mengklasifikasikan tingkat dampak korban banjir di Indonesia menggunakan algoritma C4.5 guna membantu dalam penyusunan strategi mitigasi bencana yang lebih efektif melalui hasil klasifikasi tingkat korban banjir. Algoritma C4.5 digunakan untuk menghasilkan pohon keputusan yang dapat mengklasifikasikan tingkat korban bencana banjir di Indonesia. Data penelitian berasal dari Badan Pusat Statistik (BPS) tahun 2023 yang mencakup atribut seperti provinsi, jumlah korban bencana banjir-meninggal serta hilang, jumlah korban bencana banjir-luka-luka, jumlah korban bencana banjir terdampak serta mengungsi, dan potensi korban terdampak serta mengungsi. Proses penelitian terdiri dari pengumpulan data, seleksi data menggunakan RapidMiner, dan pengolahan data menggunakan Altair Ai Studio. Hasil penelitian menunjukkan bahwa pohon keputusan mampu mengklasifikasi tingkat korban banjir ke dalam tiga kategori yaitu rendah, sedang, dan tinggi. Selain itu, wilayah dengan dampak rendah memiliki sedikit korban meninggal dan luka, sedangkan daerah dengan dampak tinggi menunjukkan jumlah korban yang lebih besar. Berdasarkan penelitian yang dilakukan, dapat disimpulkan bahwa data mining yang digunakan dengan metode algoritma C4.5 dapat diterapkan dengan tingkat akurasi sebesar 97,50%.</p> <p> </p> <p><em>Floods are one of the most frequent natural disasters in Indonesia and have significant impacts on health, infrastructure, and the economy. This study aims to classify the impact levels of flood victims in Indonesia using the C4.5 algorithm to support the formulation of more effective disaster mitigation strategies through the classification of flood victim impact levels. The C4.5 algorithm is employed to generate a decision tree capable of classifying the impact levels of flood victims in Indonesia. The research data is sourced from the Central Statistics Agency (BPS) in 2023, covering attributes such as province, the number of flood victims who died or went missing, injured victims, displaced or affected victims, and the potential for flood victim impact. The research process consists of data collection, data selection using RapidMiner, and data processing using Altair Ai Studio. The results of the study show that the decision tree can classify the impact levels of flood victims into three categories: low, medium, and high. Furthermore, areas with low impacts had fewer fatalities and injuries, while regions with high impacts showed a higher number of victims. Based on the study conducted, it can be concluded that the data mining approach using the C4.5 algorithm can be applied with an accuracy rate of 97.50%.</em></p>Pangad Eko PutraMuhamad Azhri AmrullahYahya Hasani FauziRefy Fitriani SaputriLelly Clodia Raras Fatma
Copyright (c) 2025 Pangad Eko Putra, Muhamad Azhri Amrullah, Yahya Hasani Fauzi, Refy Fitriani Saputri, Lelly Clodia Raras Fatma (Author)
https://creativecommons.org/licenses/by-sa/4.0
2025-01-032025-01-03311710.70052/jka.v3i1.647Perbandingan Algoritma C4.5 dengan Naive Bayes Untuk Klasifikasi Curah Hujan
https://ejournal.mediaantartika.id/index.php/jka/article/view/648
<p>Penelitian ini membandingkan performa algoritma C4.5 dan Naive Bayes dalam mengklasifikasikan curah hujan dengan menggunakan data curah hujan selama 10 tahun di Kecamatan Jatiwangin, Kabupaten Majalengka. Algoritma C4.5, yang berbasis pada pohon keputusan, menunjukkan kemampuan dalam menangani data yang rumit dengan membagi data berdasarkan aturan tertentu. Di sisi lain, Naive Bayes, yang menggunakan pendekatan probabilitas sederhana, memberikan hasil yang sangat tepat. Hasil dari penelitian ini menunjukkan bahwa Naive Bayes memiliki tingkat akurasi 100%, sedangkan C4.5 mencapai 99,83%. Walaupun Naive Bayes lebih unggul dalam hal akurasi, C4.5 lebih mudah dipahami karena tampilannya yang jelas. Penelitian ini memberikan informasi penting dalam memilih algoritma yang tepat untuk klasifikasi curah hujan, tergantung pada kebutuhan akan akurasi atau kemudahan pemahaman.</p> <p> </p> <p><em>This study compares the performance of the C4.5 and Naive Bayes algorithms in classifying rainfall using rainfall data for 10 years in Jatiwangin District, Majalengka Regency. The C4.5 algorithm, which is based on a decision tree, demonstrates the ability to handle complex data by dividing data based on specific rules. On the other hand, Naive Bayes, who uses a simple probability approach, gives very precise results. The results of this study show that Naive Bayes has an accuracy rate of 100%, while C4.5 reaches 99.83%. While Naive Bayes is superior in terms of accuracy, the C4.5 is easier to understand because of its clear appearance. This study provides important information in choosing the right algorithm for rainfall classification, depending on the need for accuracy or ease of understanding.</em></p> <p> </p>Muhamd Wendy MartadiansyahArya GhufronRyan Alfaret HidayahDwi SalzabilaLorenza Amanda
Copyright (c) 2025 Muhamd Wendy Martadiansyah, Arya Ghufron, Ryan Alfaret Hidayah, Dwi Salzabila, Lorenza Amanda (Author)
https://creativecommons.org/licenses/by-sa/4.0
2025-01-092025-01-093181710.70052/jka.v3i1.648Perbandingan Akurasi Algoritma C4.5 dan K-NN Untuk Prediksi Kelulusan Mahasiswa Penerima Beasiswa
https://ejournal.mediaantartika.id/index.php/jka/article/view/623
<p>Penelitian ini bertujuan untuk menganalisis permasalahan yang dihadapi oleh Administrator Universitas dalam pengambilan keputusan penerima beasiswa. Metode yang digunakan melibatkan pemrograman dinamis untuk menggantikan pendekatan tradisional yang masih sering digunakan. Penelitian ini berfokus pada perbandingan performa antara algoritma Decision Tree (C4.5) dan K-Nearest Neighbor (K-NN) dalam mengklasifikasikan data penerima beasiswa. Data yang diperoleh adalah sekunder, yaitu data historis penerima beasiswa yang telah dikumpulkan oleh pihak universitas. Tahapan penelitian dimulai dari pengumpulan dan pra-pemrosesan data, diikuti dengan penerapan algoritma C4.5 dan K-NN, serta evaluasi performa algoritma menggunakan metrik seperti akurasi, presisi, recall, dan AUC. Berdasarkan hasil pengujian, algoritma Decision Tree (C4.5) menunjukkan akurasi sebesar 74,95%, presisi 20,9%, recall 77,1%, dan AUC sebesar 0,752. Sementara itu, algoritma K-Nearest Neighbor hanya mencapai akurasi 71,79%, presisi 39,0%, recall 45,3%, dan AUC sebesar 0,734. Dengan demikian, algoritma Decision Tree (C4.5) memiliki performa yang lebih baik dalam menyelesaikan permasalahan klasifikasi ini dibandingkan algoritma K-Nearest Neighbor.</p> <p> </p> <p><em>This research aims to analyze the problems faced by University Administrators in making decisions about scholarship recipients. The method used involves dynamic programming to replace the traditional approach which is still often used. This research focuses on the performance comparison between the Decision Tree (C4.5) and K-Nearest Neighbor (K-NN) algorithms in classifying scholarship recipient data.</em><em> Data was obtained from secondary sources, specifically historical records of scholarship recipients. Based on test results, the Decision Tree algorithm (C4.5) shows an accuracy of 74.95%, precision of 20.9%, recall of 77.1%, and AUC of 0.752. Meanwhile, the K-Nearest Neighbor algorithm only achieved 71.79% accuracy, 39.0% precision, 45.3% recall, and an AUC of 0.734. Thus, the Decision Tree algorithm (C4.5) performs better in solving this classification problem than the K-Nearest Neighbor algorithm.</em></p>Andrian FakihMohammad Alfi HamzamiMuhammad Raihan HadiantoNajdah Ibtisamah Shafira Alifah
Copyright (c) 2025 Andrian Fakih, Mohammad Alfi Hamzami, Muhammad Raihan Hadianto, Najdah Ibtisamah Shafira Alifah (Author)
https://creativecommons.org/licenses/by-sa/4.0
2025-01-222025-01-2231182510.70052/jka.v3i1.623