Article Per Year (5 Year)
p-Index From 2019 - 2024
0.983
P-Index
This Author published in this journals
All Journal Sistemasi: Jurnal Sistem Informasi IJCIT (Indonesian Journal on Computer and Information Technology) Jurnal Teknoinfo Jurnal Riset Informatika Jurnal PETISI (Pendidikan Teknologi Informasi)
Tuti Haryanti
STMIK Nusa Mandiri
Computer Science & IT Education Electrical & Electronics Engineering

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Aplikasi Analisis Segmentasi Pelanggan untuk Menentukan Strategi Pemasaran Menggunakan Kombinasi Metode K-Means dan Model RFM Friska Marina Uli Hasiani; Tuti Haryanti; Rinawati Rinawati; Laela Kurniawati
Sistemasi: Jurnal Sistem Informasi Vol 10, No 1 (2021): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (706.307 KB) | DOI: 10.32520/stmsi.v10i1.1123

Abstract

AbstrakSelain harus bersaing dengan dealer lain, kenjeran Auto2000 juga harus bersaing dengan cabang Auto2000 lainnya. Salah satu strategi yang digunakan untuk memenangkan persaingan adalah melalui penerapan segmentasi pelanggan. Saat ini kenjeran Auto2000 belum memiliki mekanisme segmentasi pelanggan, permasalahan yang dihadapi adalah tidak dapat mengklasifikasikan pelanggan karena jumlah datanya yang besar dan belum ada alat yang mendukung segmentasi. Berdasarkan permasalahan tersebut, maka diusulkan solusi aplikasi segmentasi pelanggan yang dapat membantu kenjeran Auto2000 melakukan segmentasi. Untuk mengetahui karakteristik pelanggan digunakan model RFM. Sedangkan metode K-Means digunakan untuk melakukan segmentasi, namun metode ini memiliki kelemahan yaitu sulit untuk menentukan jumlah cluster yang terbaik. Untuk mengatasi masalah ini, metode Koefisien Silhouette digunakan. Metode ini digunakan untuk membantu metode K-Means dalam menentukan jumlah cluster terbaik yang akan digunakan. Berdasarkan hasil pengujian, aplikasi telah berjalan sesuai fungsinya yaitu mampu mengelompokkan pelanggan menjadi beberapa kelompok dan menemukan kelompok pelanggan potensial.Kata Kunci: segmentasi pelanggan, k-means clustering, RFM, silhouette coefficient AbstractBesides having to compete with other dealers, Auto2000 kenjeran also had to compete with other Auto2000 branches. One of the strategies used to win the competition is through the implementation customer segmentation. Currently Auto2000 kenjeran does not have a customer segmentation mechanism, the problem faced is that it cannot classify customers because of the large amount of data and there are no tools that support segmentation. Based on these problems, a customer segmentation application solution is proposed that can help Auto2000 kenjeran perform segmentation. To determine the characteristics of the customer, the RFM model is used. While the K-Means method is used to perform segmentation, but this method has a weakness, that’s difficult to determine the best number of cluster. To resolve this problem, the Silhouette Coefficient method is used. This method is used to assist the K-Means method in determining the best number of cluster that will be used. Based on the test results, the application has been running according to its function, which is able to group customers into several groups and to find groups of potential customers.  Keywords: customer segmentation, k-means clustering, RFM, silhouette coefficient
Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Diabetes Jajang Jaya Purnama; Sri Rahayu; Siti Nurdiani; Tuti Haryanti; Nissa Almira Mayangky
IJCIT (Indonesian Journal on Computer and Information Technology) Vol 5, No 1 (2020): Mei 2020
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1030.887 KB) | DOI: 10.31294/ijcit.v5i1.6391

Abstract

Abstrak –  Diabetes merupakan penyakit yang sangat mematikan terbukti dari tahun ke tahun selalu ada yang meninggal dikarnakan pasien tersebut mengidap penyakit diabetes, banyak cara penangguhan sejak dini penyakit diabetes. Salah satunya dengan data mining klasifikasi algoritma neural network yang dapat digunakan untuk prediksi pasien mana yang terkena penyakit diabetes dan pasien mana yang tidak terkena diabetes dengan menggunakan parameter dan indikator yang ada, dan tools yang digunakan adalah tools rapid miner 9.0 yang mengahasilkan accuracy sebesar = 80.00% precision sebesar = 100.00 % dan recall sebesar = 2.50 % dengan AUC sebesar = 0.605 % yang artinya klasifikasi dinyatakan cukup, dari hasil tersebut bisa dimbil kesimpulan bahwa penelitian ini bisa mencegah dan bisa diketahui sejak dini mana yang termasuk penyakit diabetes mana yang tidak mengidap penyakit diabetes, dan dari penelitian ini sangat diharapkan angka kematian bisa berkurang.</>Katakunci: diabetes, klasifikasi, data mining, neural network.Abstract – Diabetes is a very proven disease from year to year there are always people who die, many ways to postpone early diabetes. One of them is data mining neural network algorithm classification which can be used to predict which patients are affected by diabetes and which patients are not affected by diabetes by using existing parameters and indicators, and the tools used are rapid miner 9.0 tools that produce accuracy = 80.00% precision = 100.00% and recall of = 2.50% with AUC of = 0.605% which means the classification is declared sufficient, From these results it can be concluded that this study can prevent and can be known from the outset which of the diabetics do not have diabetes, and from this study it is expected that the mortality rate can be reduced. Keywords: classification, data mining, diabetes, neural network
Sistem Informasi Seleksi Pelatihan Kerja di PPKD Jakarta Timur Andrian Erlangga; Tuti Haryanti; Yuyun Yuningsih; Laela Kurniawati
JURNAL PETISI (Pendidikan Teknologi Informasi) Vol 2 No 1 (2021): Jurnal PETISI (Pendidikan Teknologi Informasi)
Publisher : Universitas Pendidikan Muhammadiyah Sorong

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36232/jurnalpetisi.v2i1.689

Abstract

Indonesia merupakan negara dengan tingkat pengangguran yang relaif tinggi, hal itu disebabkan oleh beberapa masalah, diantaranya yaitu, lulusan-lulusan yang tidak mempunyai kemampuan yang spesifik, oleh karena pemerintah perlu menjalankan program pelatihan kerja, agar setiap lulusan dapat mempunyai kemampuan yang spesifik di bidangnya masing-masing, dalam hal ini, instalnsi pemerintah yang bertanggung jawab adalah PPKD atau Pusat Pelatihan Kerja Daerah. Untuk menunjang proses seleksi calon peserta pelatihan, perlu dibuatkan sebuah sistem yang mampu menseleksi calon peserta dengan baik. Dalam hal ini, penulis merancang sebuah sistem informasi seleksi pelatihan kerja dengan menggunakan beberapa bahasa pemrograman dan framework yang dinilai bisa meng-handle pemrosesan data. Diantaranya yaitu, HTML, CSS, PHP dan Codeigniter sebagai frameworknya. Selain itu, penulis merancang alur sistemnya menggunakan diagram UML dan Data Modelling. Dengan komposisi teknologi tersebut, penulis menilai sistem yang akan dibuat dapat memenuhi kriteria yang dibutuhkan oleh instansi.
ANALISIS SENTIMEN APLIKASI RUANG GURU DI TWITTER MENGGUNAKAN ALGORITMA KLASIFIKASI Angelina Puput Giovani; Ardiansyah Ardiansyah; Tuti Haryanti; Laela Kurniawati; Windu Gata
Jurnal Teknoinfo Vol 14, No 2 (2020): Juli
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jti.v14i2.679

Abstract

E-learning merupakan pembelajaran berbasis elektronik dengan menggunakan komputer atau berbasis komputer. Salah satu aplikasi e-learning yang banyak dikenal saat ini adalah aplikasi Ruang Guru. Salah satu cara untuk mengetahui keberhasilan suatu aplikasi adalah dengan melakukan analisis sentimen terhadap aplikasi tersebut. Pada penelitian ini, analisis sentimen diambil dari komentar pengguna media sosial Twitter terhadap aplikasi Ruang Guru sebanyak 513 tweet, setelah dilakukan data cleaning, dengan sentimen positif sebanyak 338 tweet dan sentimen negatif sebanyak 175 tweet. Data tersebut diekstraksi menggunakan algoritma Naive Bayes (NB), Support Vector Machine (SVM), K-Nearest Neighbour (K-NN), dan feature selection dengan algoritma Particle Swarm Optimization (PSO). Penelitian ini membandingkan  metode NB, SVM, K-NN tanpa menggunakan feature selection dengan metode NB, SVM, K-NN yang menggunakan feature selection serta membandingkan nilai Area Under Curve (AUC) dari metode-metode tersebut untuk mengetahui algoritma yang paling optimal. Hasil pengujian mendapatkan hasil bahwa  aplikasi optimasi terbaik dalam model ini adalah algoritma PSO berbasis SVM dengan nilai akurasi sebesar 78,55% dan AUC sebesar 0,853. Penelitian ini berhasil mendapatkan algoritma yang efektif dan terbaik dalam mengklasifikasikan komentar positif dan komentar negatif terkait dengan aplikasi Ruang Guru
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN RUMAH TANGGA MISKIN PADA DESA CIBANGKONG DENGAN METODE WASPAS Sugeng Riyadi; Tuti Haryanti; Laela Kurniawati
Jurnal Riset Informatika Vol. 1 No. 4 (2019): Periode September 2019
Publisher : Kresnamedia Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pada era sekarang ini, berbagai kegiatan proses bisnis membutuhkan penerapan teknolog informasi. Pengambilan keputusan merupakan salah satu kegiatan proses bisnis yang dapat dibantu dengan adanya teknologi. Penentuan keluarga miskin adalah suatu masalah yang rumit karena banyak kriteria yang harus terpenuhi untuk menentukan sebuah keluarga miskin dan layak menerima bantuan penanganan kemiskinan. Oleh karena itu dibuatlah sistem pendukung keputusan dengan metode Weighted Aggregated Sum Product Assesment (WASPAS) dengan kriteria yang telah ditetapkan kemudian diimplementasikan dengan menggunakan Visual Basic .Net. Sampel yang digunakan adalah warga Desa Cibangkong sebanyak 89 Rumah Tangga yang terdaftar mengajukan bantuan pemerintah. Hasil penelitian diperoleh 12 rumah tangga sangat miskin, 28 rumah tangga miskin, 38 rumah tangga rentan miskin dan 11 rumah tangga tidak miskin. Dengan sistem pendukung keputusan metode WASPAS ini pengolahan data akan menjadi lebih efektif dan efisien karena proses penilaian dan pembuatan laporan menjadi cepat. Pegawai hanya memasukan data penduduk, data kriteria dan data penilaian penduduk, sedangkan proses perhitungan dan pembuatan laporan dilakukan oleh sistem.
Co-Authors Andrian Erlangga Angelina Puput Giovani Ardiansyah Ardiansyah Friska Marina Uli Hasiani Jajang Jaya Purnama Laela Kurniawati Laela Kurniawati Laksono Trisnantoro Mayangky, Nissa Almira Siti Nurdiani Sri Rahayu Sugeng Riyadi Windu Gata Yuyun Yuningsih