Analisis Efektivitas Sistem Rekomendasi Berbasis Random Forest Untuk Edukasi Rehabilitasi Narkoba di Masyarakat Kota Manado
Downloads
Penyalahgunaan narkoba di Kota Manado menunjukkan peningkatan signifikan, sehingga diperlukan strategi edukasi yang personal dan efektif. Namun, metode edukasi konvensional yang selama ini diterapkan masih bersifat seragam dan belum mempertimbangkan karakteristik individu pengguna, sehingga kurang optimal dalam meningkatkan pemahaman masyarakat. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi sistem rekomendasi materi edukasi rehabilitasi narkoba berbasis algoritma Random Forest. Sistem dikembangkan dengan arsitektur full-stack menggunakan React.js dan Vite pada frontend, serta FastAPI dan PostgreSQL pada backend. Metode penelitian yang digunakan adalah Research and Development (R&D) dengan melibatkan partisipan yang terbagi ke dalam kelompok eksperimen yang menggunakan sistem rekomendasi dan kelompok kontrol yang mengakses materi tanpa personalisasi. Model Random Forest dilatih menggunakan fitur karakteristik pengguna (usia, jenis kelamin, pendidikan, dan preferensi materi) untuk memberikan rekomendasi yang dipersonalisasi. Evaluasi sistem dilakukan melalui pengujian performa model machine learning dan analisis perbandingan peningkatan pengetahuan antara kedua kelompok. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu memberikan rekomendasi materi yang akurat dan berpotensi meningkatkan efektivitas penyampaian informasi rehabilitasi narkoba dibandingkan dengan metode konvensional. Penelitian ini diharapkan dapat berkontribusi pada pengembangan platform kesehatan digital di kota manado melalui implementasi algoritma Random forest yang mampu memberikan rekomendasi adaptif secara real-time.
ALAMSYAH, A., & RAHMAWATI, D. 2021. Machine learning untuk pemula: Konsep dan implementasi dengan Python. Informatika.
Chen, T., & Guestrin, C. 2016. XGBoost. A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794).
GÉRON, A. 2022. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O'Reilly Media.
GULTOM, F. R., SETYANTO, A., & WIBOWO, A. 2023. Implementasi sistem rekomendasi berbasis konten dan kolaboratif untuk platform e-learning. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 10(2), 321–330.
KEMENTERIAN KESEHATAN REPUBLIK INDONESIA. 2020. Pedoman umum program rehabilitasi medis dan sosial bagi penyalahguna narkotika, psikotropika, dan zat adiktif lainnya. Kemenkes RI.
SUGIYONO. 2019. Metode penelitian kuantitatif, kualitatif, dan R&D. Alfabeta.
ZHANG, Z., & ZHANG, Y. 2020. Performance metrics (precision, recall, F1-score, accuracy). In K. Phung, V. S. Tseng, G. I. Webb, B. Ho, M. Ganji, & L. Rashidi (Eds.), Encyclopedia of big data technologies. Springer, Cham. https://doi.org/10.1007/978-3-319-63962-8_312-1
Zheng, A., & Casari, A. 2018. Feature engineering for machine learning: Principles and techniques for data scientists. O'Reilly Media.
NUGROHO, A. S., & UTAMI, E. 2021. Personalisasi konten edukasi digital menggunakan metode hybrid filtering. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(3), 455–463.
HASTIE, T., TIBSHIRANI, R., & FRIEDMAN, J. 2017. The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer
BADAN NARKOTIKA NASIONAL REPUBLIK INDONESIA. 2022. Laporan tahunan penyalahgunaan narkoba di Indonesia tahun 2021. BNN RI.
Copyright (c) 2026 Hezeki Farell Silaarta, Alfiansyah Hasibuan, Sondy C. Kumajas
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International (CC-BY-SA). that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
