Article Per Year (5 Year)
p-Index From 2019 - 2024
4.609
P-Index
This Author published in this journals
All Journal JIEET (Journal of Information Engineering and Educational Technology) JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Ilmu Teknik dan Komputer JIKA (Jurnal Informatika) TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi AMMA : Jurnal Pengabdian Masyarakat
Prihartono, Willy
Unknown Affiliation
Humanities Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Nursing

Published : 37 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 37 Documents
Search

 1   2   3   4 
PENGELOMPOKAN DATA FILM PADA NETFLIX MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING Suarna, Nana; Hidayah, Nurni; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8231

Abstract

Dalam era digital yang berkembang sangat pesat, adanya platform streaming telah membuka pintu bagi ribuan film dan serial TV untuk diakses oleh jutaan pelanggan di seluruh dunia. Netflix sebagai salah satu pemimpin dalam industri layanan streaming, telah merevolusi cara kita mengkonsumsi berbagai konten. Permasalahan dalam penelitian ini bahwa persepsi tentang "film terpopuler" dapat bervariasi secara subyektif tergantung pada preferensi individu, kelompok, atau faktor budaya serta pengelolaan data film dilayanan streaming seperti Netflix didalam konteks Informatika. Tujuan penelitian ini untuk mengelompokkan dataset film Netflix menggunakan algoritma K-Means untuk mengidentifikasi pola atau kesamaan antara film-film berdasarkan atribut-atribut tertentu serta mengevaluasi struktur dan jarak antar klaster yang dihasilkan. Analisis data film akan membantu dalam mengidentifikasi tren yang relevan. Metode penelitian ini Knowledge Discovery in Database (KDD) dengan Algoritma K-Means Clustering menggunakan dataset yang diperoleh dari Kaggle sebagai data acuan. Hasil dari penelitian ini dalam menggunakan metode KDD dan Algoritma K-Means Clustering, menunjukkan 2 cluster yang memiliki nilai rata-rata centroid yang berbeda. Dari kedua cluster tersebut menemukan film-film popularitas dalam dataset film Netflix pada cluster 0 yaitu dengan ciri-ciri ideal rata-rata atribut Hidden Gem Score sebesar 8.034, atribut Runtime sebesar 0.793 dan atribut IMDb Score sebesar 7.148. Dari hasil penelitian tersebut dapat membantu pengguna dalam menemukan film-film yang sesuai dengan minat dan preferensi pengguna.
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING DALAM MENGELOMPOKKAN KEPADATAN PENDUDUK DI PROVINSI DKI JAKARTA Oktaviany, Nurul; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8241

Abstract

Provinsi DKI Jakarta adalah salah satu wilayah dengan tingkat populasi yang tinggi di Indonesia, dengan populasinya yang sangat beragam, termasuk penduduk asli, pendatang dari berbagai daerah di Indonesia, serta warga negara asing yang tinggal di wilayah DKI Jakarta. Permasalahan kepadatan disebabkan karena faktor urbanisasi serta pekerjaan. Oleh karena itu penerapan algoritma K-Means Clustering untuk mengelompokkan tingkat kepadatan penduduk di Provinsi DKI Jakarta merupakan fokus utama penelitian ini. Tujuan dari penelitian ini adalah mengenali pola kepadatan penduduk di berbagai wilayah DKI Jakarta dengan metode algoritma K-Means Clustering. Data yang digunakan melibatkan informasi seperti jumlah penduduk, nama kelurahan, nama kecamatan dan variabel terikat lainnya. Pendekatan ini digunakan untuk mengelompokkan wilayah berdasarkan tingkat kepadatan penduduknya, sehingga dapat memberikan pemahaman yang lebih mendalam mengenai sebaran penduduk di seluruh wilayah DKI Jakarta. Melalui implementasi algoritma K-Means ini, penelitian berhasil mengelompokkan menjadi beberapa kategori kepadatan penduduk dari 2018-2020. Berdasarkan hasil evaluasi menunjukkan dua jumlah kelompok optimal, yaitu kelompok pertama padat terdapat pada kelurahan Kali Anyar kecamatan Tambora dengan kepadatan penduduk 95676.10063 jiwa/km pada tahun 2019 dan kelompok kedua adalah rendah pada kelurahan P.harapan kecamatan Kep.Seribu Utr dengan jumlah kepadatan 1045.276234 jiwa/km pada tahun 2018. Tujuan dari penelitian pengelompokan kepadatan penduduk menggunakan metode algoritma K-Means ini dapat memberikan informasi yang bermanfaat bagi perkembangan penduduk di Provinsi DKI Jakarta, serta bisa menjadi landasan bagi pemerintah terkait dalam perkembangan wilayah yang lebih efisien terkait alokasi sumber daya di Provinsi DKI Jakarta.
ANALISIS POPULASI AYAM RAS PEDAGING DI INDONESIA DENGAN PENERAPAN DATA MINING K-MEDOIDS CLUSTERING Ainisa, Nurul; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8251

Abstract

Dalam era digital ini, data menjadi salah satu aset paling berharga bagi berbagai sektor, termasuk peternakan. Populasi ayam ras pedaging di Indonesia memiliki dampak besar pada industri peternakan dan pasokan daging ayam. Namun, masalah yang dihadapi dalam pengelolaan populasi ayam ras pedaging di seluruh provinsi Indonesia adalah kurangnya pemahaman yang mendalam tentang karakteristik populasi ini. Hal ini membuat pengambilan keputusan yang efisien menjadi sulit, terutama dalam perencanaan pengembangan peternakan yang lebih efisien dan berkelanjutan. Tujuan penelitian ini yaitu untuk pengelolaan populasi ayam ras pedaging di seluruh provinsi Indonesia yang efisien dan pemahaman yang mendalam tentang karakteristik populasi ayam ras pedaging, dengan penerapan metode data mining khususnya K-medoids Clustering. Metode penelitian yang digunakan melibatkan pengumpulan data populasi ayam ras pedaging di berbagai provinsi di Indonesia yang berasal dari Badan Pusat Statistik Nasional dengan rentang waktu dari tahun 2018 hingga 2022, serta penerapan metode K-medoids Clustering untuk mengelompokkan provinsi-provinsi berdasarkan karakteristik populasi ayam ras pedagingnya. Hasil analisis menunjukkan bahwa terdapat 2 cluster yaitu cluster 0 terdapat 31 provinsi sedangkan cluster 1 terdapat 3 provinsi, dengan nilai Davies Bouldin sebesar 0.011. Penelitian ini memiliki potensi untuk memberikan pemahaman yang lebih baik tentang populasi ayam ras pedaging di tingkat provinsi, yang dapat membantu dalam perencanaan pengembangan peternakan yang lebih efisien dan berkelanjutan.
PENERAPAN ALGORITMA FREQUENT PATTERN-GROWTH UNTUK REKOMENDASI MENU MAKANAN DAN MINUMAN Nuri, Nuri; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8278

Abstract

Kedai Teras Ciremai, sebagai bisnis baru di wilayah Kalikoa yang telah berjalan selama tiga bulan, berhasil menarik perhatian pelanggan, khususnya kalangan mahasiswa, dalam konteks pertumbuhan ekonomi lokal. Tujuan penelitian ini adalah untuk meningkatkan rekomendasi menu dengan menerapkan analisis keranjang belanja pada data penjualan Kedai Teras Ciremai selama periode 22 September hingga 29 November 2023, menggunakan alat RapidMiner. Dengan fokus pada dataset transaksi penjualan kedai, metode Association Rules diterapkan dengan confidence minimum sebesar 0,2 (20%). Hasil analisis dengan menggunakan Algoritma FP-Growth dari 403 transaksi penjualan makanan dan minuman menunjukkan satu aturan dengan Support 0,015 dan Confidence 0,333, yang menyatakan bahwa pembelian makanan corndog sosis memiliki korelasi dengan pembelian minuman Pop ice avocado. Dalam penelitian di Kedai Teras Ciremai, dengan menerapkan metode Association Rules dan menggunakan algoritma FP-Growth, peneliti dapat mengidentifikasi hubungan antara makanan dan minuman yang sering dibeli bersamaan oleh pelanggan. Hasil temuan ini kemudian dapat digunakan oleh pemilik kedai untuk meningkatkan rekomendasi menu, strategi penjualan, dan meningkatkan penjualan.
KLASIFIKASI PENENTUAN PENERIMA PROGRAM INDNESIA PINTAR DI KRWILBIDIKCAM GREGED MENGGUNAKAN ALGORITMA C4.5 Aulia, Nurul; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8294

Abstract

Program Indonesia Pintar merupakan program dukungan pendidikan yang bertujuan untuk meningkatkan akses dan mutu pendidikan bagi siswa sekolah dasar. Penelitian ini bertujuan untuk mengimplementasikan algoritma C4. 5 dalam rangka mengidentifikasi penerima manfaat Program Indonesia Pintar (PIP) di Koorwilbidikcam GregedUntuk mengoptimalkan penyaluran dana PIP, diperlukan klasifikasi berdasarkan data mining untuk memahami dan mengidentifikasi faktor-faktor kunci yang mempengaruhi identifikasi penerima manfaat program ini. Metode penelitian ini meliputi langkah pengumpulan data, preprocessing data, pelatihan model menggunakan algoritma C4. 5, evaluasi model, dan interpretasi hasil. Dengan menggabungkan teknik data mining dan analisis kriteria untuk mengidentifikasi penerima manfaat PIP. Dengan menggabungkan teknik data mining dan analisis kriteria untuk mengidentifikasi penerima manfaat PIP, penelitian ini diharapkan dapat berkontribusi dalam meningkatkan efektivitas dan efisiensi pelaksanaan program dukungan, tunjangan pengangguran, dan pendidikan di tingkat dasar. Hasil penelitian ini diharapkan dapat memberikan pemahaman yang lebih baik mengenai faktor-faktor yang mempengaruhi identifikasi penerima manfaat PIP di wilayah Koorwilbidikcam Greged dan memberikan landasan yang kokoh dalam pengambilan keputusan yang lebih cerdas dalam menyalurkan dana PIP.
ANALISIS SENTIMEN PENGGUNA SHOPEE BERDASARKAN DATA TWEET DARI TWITTER MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER Al Maeni, Nurul; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8298

Abstract

Dalam era digital saat ini, Twitter (sekarang dikenal sebagai "X") menjadi platform yang sangat populer untuk berbagi pendapat dan pengalaman pengguna terhadap produk atau layanan, termasuk platform e-commerce seperti Shopee. Tujuan penelitian ini adalah untuk menemukan sentimen positif dan negatif dari tweet yang berkaitan dengan Shopee. Untuk menganalisis sentimen, penelitian ini menggunakan Naive Bayes Classifier. Langkah pertama dalam penelitian ini adalah pengumpulan dataset tweet yang terkait dengan Shopee. Kemudian, data tweet dilakukan pre-processing untuk membersihkan dan mengubah formatnya untuk analisis sentimen. Setelah pre-processing, dataset dibagi menjadi dua bagian: data pelatihan dan data pengujian. Model Naive Bayes Classifier dilatih dengan menghitung kemungkinan setiap fitur (atau kata) muncul dalam setiap kategori sentimen. Data pelatihan digunakan untuk melatih model ini. Hasil penelitian ini menunjukkan bahwa metode Naive Bayes Classifier dengan rasio pembagian data 5:5 dapat mencapai akurasi sebesar 95,00%, nilai ketepatan sebesar 47,50%, dan nilai recall sebesar 50.00%. Hasil ini menunjukkan bahwa metode pembagian data yang seimbang dapat memberikan hasil analisis sentimen yang lebih akurat. Perusahaan dapat lebih memahami kekuatan dan kelemahan platform mereka dengan menganalisis sentimen tweet.
ANALISIS SENTIMEN REVIEW PENGGUNAAN TIKTOK MELALUI PENDEKATAN ALGORITMA NAÏVE BAYES Apriliani, Nur; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8299

Abstract

Media sosial merupakan platform digital yang memungkinkan penggunanya berinteraksi dengan orang lain, berbagi konten seperti teks, gambar, video dan audio, serta terlibat dalam berbagai bentuk komunikasi online yang berbeda-beda, salah satu bentuk media sosial adalah TikTok. TikTok merupakan platform media sosial yang semakin populer yang memungkinkan pengguna berbagi video pendek dengan konten berbeda. Dengan pertumbuhan yang pesat tersebut, muncul permasalahan penting terkait pemahaman dan pengelolaan emosi pengguna terhadap konten di TikTok. Tujuan penelitian ini adalah melakukan analisis sentimen terhadap tinjauan penggunaan TikTok dengan menggunakan pendekatan algoritma Naive Bayes. Dalam penelitian ini, kami mengumpulkan data evaluasi dari pengguna TikTok, termasuk peringkat, komentar, dan opini terkait pengalaman pengguna di platform tersebut. Kami menggunakan algoritme Naive Bayes untuk mengklasifikasikan ulasan pengguna TikTok ke dalam dua kategori opini utama: positif dan negatif. Tahapan yang dilakukan meliputi pengolahan data, ekstraksi fitur dan pelatihan model Naive Bayes menggunakan data pelatihan. Hasil klasifikasi penggunaan metode algoritma Naïve Bayes dan ekstraksi fitur dengan TF-IDF menghasilkan nilai akurasi sebesar 80%, precision sebesar 79%, recall sebesar 74% dan F1-Score sebesar 75%.
STRATEGI PROMOSI ONLINE SHOP DI MEDIA SOSIAL MELALUI PENERAPAN DATA MINING DENGAN METODE K-MEANS CLUSTERING Aini, Nurul; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8301

Abstract

Penjualan online dan media sosial telah menjadi elemen kunci dalam bisnis modern. Untuk meningkatkan strategi promosi online shop, penerapan teknik data mining dengan metode clustering menjadi solusi. Fokus penelitian ini adalah mengatasi kendala keuntungan dan pertumbuhan pelanggan. Tujuan utama adalah mengungkap pola tersembunyi dalam data pelanggan dan perilaku pengguna di media sosial, mendukung pengambilan keputusan yang lebih cerdas untuk merancang strategi promosi yang tepat. Dengan metode clustering, pelanggan online shop dapat dikelompokkan berdasarkan kesamaan, memungkinkan penawaran yang lebih efektif kepada kelompok yang relevan. Data mining memungkinkan analisis mendalam terhadap perilaku pelanggan, termasuk tren pembelian, preferensi produk, dan interaksi media sosial. Identifikasi tren dan pola yang tak terlihat secara manual melalui data mining membantu pengambilan keputusan yang lebih baik, seperti menentukan produk populer atau waktu yang tepat untuk promosi. Hasil penelitian ini diharapkan memberikan wawasan berharga bagi pemilik online shop, memandu mereka dalam merancang strategi promosi yang efektif di media sosial. Dengan penggunaan data mining, bisnis dapat lebih adaptif terhadap perubahan pasar, meningkatkan penjualan, dan mencapai pertumbuhan keseluruhan yang lebih baik.
ANALISIS DATA SENTIMEN NEGATIF PADA OPINI PENGGUNA TWITTER TERHADAP BERITA SEPAK BOLA LIGA 1 TAHUN 2022 DENGAN PENERAPAN SUPPORT VECTOR MECHINE Dalifah, Nurul; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8303

Abstract

Perkembangan media sosial semakin pesat dikalangan masyarakat salah satunya twitter yang menggunakan bahasa alami untuk bisa membuka potensi pada interaksi manusia yang bisa mengetahui sentiment para penggunanya. Permasalahan yang didapat dari masalah tersebut yaitu menggali informasi,menganalisis pendapat sentiment, evaluasi sikap dan emosi orang dari bahasa tertulis. Tujuannya untuk memahami dan mengkategorikan sentiment dari opini pengguna Twitter terkait berita liga 1 indonesia tahun 2022. Bagaimana dataset opini pengguna twitter terhadap berita liga 1 tahun 2022 dikumpulkan dan diolah untuk analisis. Penelitian ini akan menggunakan data teks dari pengguna Twitter yang terkait dengan berita liga 1 tahun 2022. SVM akan digunakan untuk memprediksi sentimen opini dari tweet tersebut menjadi kategori positif, negatif, atau netral. Hasil penelitian ini menggunakan algoritma support vector mechine menunjukan bahwa akurasi sebesar 91% presisi 30%, recall 33%,F1 score 32% dengan Jumlah sentimen Negatif = 445, Positif = 50, dan Netral = 4. Secara keseluruhan Model algoritma support vector mechine menghasilkan akurasi yang lebih tinggi. Hasil model menunjukan bahwa sentimen opini pengguna twitter menanggapi berita tersebut yang bersifat kontrovesrsial.
IMPLEMENTASI K-MEANS CLUSTERING UNTUK MENGELOMPOKAN TINGKAT PENGANGGURAN Nurjanah, Nurul; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8353

Abstract

Di dalam era digital ini, pertumbuhan data ekonomi dan ketersediaan teknologi informatika memberikan peluang untuk mendekati isu kompleks seperti tingkat pengangguran dengan pendekatan yang lebih canggih, dan provinsi Jawa Barat sebagai pusat ekonomi menjadi fokus penelitian ini. Permasalahan dalam penelitian ini adalah bagaimana cara mengelompokkan tingkat jumlah pengangguran di Jawa Barat menggunakan algoritma clustering K-Means, berapa cluster yang dihasilkan dan berapa nilai titik pusat (centroid) nya. Adapun tujuan dari penelitian ini adalah mengelompokkan lebih detail lagi dalam menganalisis data pengangguran di Provinsi Jawa Barat melalui penerapan algoritma clustering K-Means untuk mengidentifikasi tiap cluster berdasarkan tingkat kabupaten/kota, pendidikan, dan tahun serta menentukan jarak atau titik pusat (centroid). Cara kerja analisis data tingkat pengangguran ini menggunakan tools RapidMiner Studio dengan menggunakan metode penelitian kuantitatif menggunakan algoritma clustering K-Means. Hasil yang diperoleh dari penelitian ini yaitu mengelompokan data tingkat pengangguran di Provinsi Jawa Barat menjadi 3 cluster yaitu cluster 0 dengan kategori pengangguran rendah meliputi kota Banjar, cluster 1 dengan kategori pengangguran sedang meliputi kota/kabupaten Kota/kabupaten Sukabumi, Cianjur, Bandung, Garut Tasikmalaya, Ciamis, Kuningan, Cirebon, Sumedang, Indramayu, Subang, Purwakarta, Karawang, dan Bandung Barat sedangkan pada cluster 2 dengan kategori pengangguran tinggi meliputi kota/kabupaten Bogor, Bekasi, Bandung, dan Depok
Co-Authors Ainisa, Nurul Al Maeni, Nurul Ameliana, Nikan Arifqi, Tri Aulia, Nurul Ayuni, Putri Dalifah, Nurul Eka Permana, Sandy Faujia, Agnes Gifthera Dwilestari Hamonangan, Ryan Herdiana, Rulli Hidayah, Nurni Hidayat, Pierre Galuh Hoeriah, Dede Irma Purnamasari, Ade Julianti, Okta Nur Kholifa, Nur Kusmawanti, Nisa Maulida, Nida Muharromah, Oom Nur Amalia, Ocsana Nur Apriliani, Nur Nur Kirana, Anita Nurhakim, Bani Nurhayah, Nurhayah Nuri Nuri Nurjanah, Nurul Nurliana, Nicky Nurul Aini NURUL AZIZAH Nurwanda, Nurwanda Nurzaman Nurzaman Oktaviany, Nurul Peni Peni Permana, Sandy Eka PUJI LESTARI Putriana, Puput Ramadhan, Niko Retnasari, Peni Sakarias Berek, Richardus Saniyah, Nilta Sayuti Hanapiah, Neneng Suarna, Nana Zaelani, Nursehan