Garuda - Garba Rujukan Digital

p-Index From 2019 - 2024

1.235

P-Index

This Author published in this journals

All Journal Sistemasi: Jurnal Sistem Informasi Jurnal Teknoinfo Jurnal Riset Informatika METIK JURNAL SATIN - Sains dan Teknologi Informasi

Laela Kurniawati

STMIK Nusa Mandiri

Author-ID : 2377508

Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Electrical & Electronics Engineering

Published : 6 Documents Claim Missing Document

Claim Missing Document

Articles

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

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 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

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

Penerapan Algoritma Greedy Dalam Pencarian Jalur Terpendek Pada Masjid–Masjid Di Kota Samarinda Fariszal Nova Arviantino; Windu Gata; Laela Kurniawati; Yusuf Arif Setiawan; Dedi Priansyah
METIK JURNAL Vol 5 No 1 (2021): METIK Jurnal
Publisher : LP3M Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/metik.v5i1.188

Pencarian jalur terpendek pada masjid – masjid di kota Samarinda sangat diperlukan oleh ustadz, kyai maupun ulama yang ingin mengadakan safari dakwah. Selain itu juga diperlukan oleh instansi terkait seperti kementerian agama yang ingin melakukan kunjungan dengan tujuan pendataan masjid. Algoritma greedy bekerja dengan menccari titik bobot yang terkecil dengan menghitung jalur yang dilewati dan tergantung dari bobot tahapan yang telah dilewati serta bobot pada tahap itu sendiri. Penelitian ini menguji algoritma greedy pada 7 masjid di tengah kota Samarinda yang sering dikunjungi untuk safari dakwah maupun aktivitas lainya.

Sistem Pendukung Keputusan Penerimaan Siswa Baru dengan Metode Simple Additive Weighting (SAW) pada SMP Islam Al-Azhar 6 Jakapermai Bekasi Angelina Puput Giovani; Tuti Haryanti; Laela Kurniawati
SATIN - Sains dan Teknologi Informasi Vol 6 No 1 (2020): SATIN - Sains dan Teknologi Informasi
Publisher : STMIK Amik Riau

Peningkatan jumlah siswa yang mendaftar disuatu sekolah membuat pihak sekolah perlu mengadakan penyeleksian siswa berdasarkan kriteria yang telah ditentukan sekolah. Sistem penerimaan siswa yang masih manual sering terjadi kesalahan baik dalam penginputan data maupun pembuatan keputusan menjadi permasalahan dalam penerimaan siswa. Dari permasalahan tersebut dibutuhkan sebuah metode yang dapat digunakan dalam proses perhitungan nilai kriteria kemudian diterapkan kedalam sistem pendukung keputusan untuk mempermudah dalam mengolah data. Tujuan penelitian ini untuk membantu proses penyeleksian siswa baru pada SMP Islam Al-Azhar 6 Jakapermai yang saat ini masih manual dengan menggunakan metode Simple Additive Weighting dengan kriteria dan bobot kriteria yang telah ditetapkan kemudian diimplementasikan pada sistem menggunakan Visual Basic .Net dan SQL Server 2008. Kriteria dalam penerimaan siswa baru yaitu nilai bahasa indonesia, matematika, bahasa inggris dan ilmu pengetahuan alam. Metode SAW dimulai dengan pemberian nilai pada setiap kriteria, pembobotan, normalisasi dan perangkingan dari nilai tertinggi ke terendah. Dengan perangkingan tersebut dapat ditentukan siswa yang diterima dan tidak diterima. Penerapan sistem terkomputerisasi dapat mempermudah dalam penentuan penerimaan siswa baru sesuai kriteria, mengurangi human error dan keamanan data lebih terjamin karena disimpan dalam database. Dimana sistem ini nantinya akan digunakan oleh staff tata usaha dalam pengolahan data dan penyajian laporan penerimaan siswa baru

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

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.

Sentiment Analysis of Digital Wallet Service Users Using Naïve Bayes Classifier and Particle Swarm Optimization Alvie Delia Cahyani; Tati Mardiana; Laela Kurniawati
Jurnal Riset Informatika Vol. 2 No. 4 (2020): Period September 2020
Publisher : Kresnamedia Publisher

Digital wallet services adequately provide many benefits to their users. However, not all users of digital wallet services have a favourable opinion of the service. Therefore, online transportation service companies need to carry out an analysis to determine general sentiment towards their products. The Naïve Bayes Classifier method represents a simple, fast method with excellent accuracy and performs comparatively well for classifying data. However, the Naïve Bayes Classifier method assumes that the attributes are independent, so it can cause the accuracy to be less than optimal. This study aims to improve the accuracy of the Naive Bayes classification for classifying public opinion on digital wallet services using Particle Swarm Optimization. This study manages data from Twitter as much as 490 tweet data. The test results with the confusion matrix and ROC curves show an increase in the accuracy of the Naïve Bayes Classifier method for the Dana digital wallet from 60.00% to 91.67% and the iSaku digital wallet from 53.23% to 85.00%. The T-test and ANOVA test results show that the test results of both classification methods provide significant differences in the accuracy value.

Co-Authors Alvie Delia Cahyani Angelina Puput Giovani Angelina Puput Giovani Ardiansyah Ardiansyah Dedi Priansyah Fariszal Nova Arviantino Friska Marina Uli Hasiani Laksono Trisnantoro Sugeng Riyadi Tati Mardiana Tuti Haryanti Tuti Haryanti Windu Gata Yusuf Arif Setiawan

Title

Found 6 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search