Article Per Year (5 Year)
p-Index From 2019 - 2024
0.659
P-Index
This Author published in this journals
All Journal ILKOMNIKA: Journal of Computer Science and Applied Informatics
Syahiduz Zaman
Universitas Islam Negeri Maulana Malik Ibrahim
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Simulasi Pertumbuhan Scalable Business Process Model pada ERP Pondok Pesantren berbasis Production Rule Cellular Automata Siti Muslihaeny; Muhammad Ainul Yaqin; Syahiduz Zaman
ILKOMNIKA: Journal of Computer Science and Applied Informatics Vol 1 No 2 (2019): Volume 1, Nomor 2, Desember 2019
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v1i2.16

Abstract

Penelitian ini bertujuan untuk mensimulasi scalable business process model dari ERP Pondok Pesantren guna mendapatkan variasi proses bisnis yang mungkin terjadi menggunakan teori Production Rule Cellular Automata. Inputan untuk sistem ini adalah model proses bisnis dari empat tipe Pondok Pesantren yang dimodelkan menggunakan Petri net berupa file PNML. Parameter yang digunakan untuk mensimulasikan pertumbuhan proses bisnis adalah scalability. Scalability / skalabilitas adalah potensi proses bisnis untuk tumbuh atau kemampuan pertumbuhan dari proses bisnis. Nilai scalability dapat diukur dengan perhitungan kemiripan workflow dan skala model proses bisnis. Pertumbuhan proses bisnis terjadi pada model A dengan pembanding model B. Syarat untuk dapat terjadi pertumbuhan pada proses bisnis yaitu complexity model A harus lebih kecil daripada model B. Pola pertumbuhan proses bisnis dilakukan secara random dengan dua pembobotan yaitu secara percabangan dan sequence. Pertumbuhan berhenti jika scalabiltiy pada nilai “>=0” dan “<1” Hasil dari penelitian ini menunjukkan bahwa sistem mampu melakukan simulasi pertumbuhan pada file PNML yang ditandai dengan nilai recent scalability lebih kecil dibandingkan scalability awal. Kemudian output sistem adalah file PNML hasil dari simulasi pertumbuhan proses bisnis dengan pertumbuhan elemen baru. Berdasarkan hasil pengujian dari segi nilai scalability, penelitian terbukti berhasil dengan fakta penurunan nilai scalability.
K-Means Clustering Untuk Segmentasi Produk Berdasarkan Analisis Recency, Frequency, Monetary (RFM) Pada Data Transaksi Penjualan Maulidah Fithriyah; Muhammad Ainul Yaqin; Syahiduz Zaman
ILKOMNIKA: Journal of Computer Science and Applied Informatics Vol 3 No 2 (2021): Volume 3, Nomor 2, Agustus 2021
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v3i2.284

Abstract

Pada bisnis online maupun clustering seringkali ditemukan kendala pada proses pengelolaan stok produk. Oleh karena itu, diperlukan adanya strategi yang tepat untuk mengetahui kebutuhan dan permintaan pelanggan pada suatu produk. Salah satunya adalah dengan melakukan segementasi produk yang memiliki karakter berbeda sehingga dapat memudahkan pemilik bisnis untuk mengetahui produk yang banyak diminati clustering, meminimalisir kekurangan maupun kelebihan stok, dan pemenuhan permintaan clustering dapat disiapkan tepat waktu . Pada penelitian ini variabel dari model RFM digunakan dalam analisis data transaksi produk untuk mendapatkan nilai indeks dari masing-masing produk. Semua data produk yang ada dalam data transaksi produk di kelompokkan menggunakan algoritma k-means clustering berdasarkan nilai indeksnya. Proses clustering dilakukan sebanyak 5 kali dengan jumlah cluster 2, 3, 4, 5, dan 6 dengan tujuan untuk mendapatkan jumlah cluster yang paling optimal dalam mengelompokkan data produk yang ada. Selanjutnya, hasil masing–masing proses clustering dievaluasi dengan menggunakan rumus silhoutte untuk mengetahui kualitas dari hasil clustering. Dari hasil pengujian didapatkan nilai silhoutte tertinggi adalah 0,4314 pada clustering ke 2 dengan jumlah 3 cluster. Dari penelitian ini didapatkan 3 kelompok produk dengan karakter yang berbeda. C1 berupa kelompok produk dengan nilai recency, recency, dan recency paling baik. Pada C2 berisi kelompok produk yang memiliki nilai recency, recency, dan nilai recency paling buruk. Pada C3 berisi kelompok produk yang memiliki nilai recency, recency, dan recency yang cukup baik
Identifikasi Divisi pada Struktur Organisasi Pondok Pesantren Berdasarkan Standar Sekolah Berasrama Menggunakan Metode Semantic Similarity Muhammad Ainul Yaqin; Munajatul Azizah; Syahiduz Zaman
ILKOMNIKA: Journal of Computer Science and Applied Informatics Vol 5 No 1 (2023): Volume 5, Nomor 1, April 2023
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v5i1.536

Abstract

Sebagai salah satu lembaga pendidikan, pondok pesantren memerlukan adanya pedoman atau standar sebagai acuan dalam pengembangan proses bisnisnya. National Minimum Standards for Boarding Schools merupakan salah satu standar nasional yang diperuntukkan bagi sekolah berasrama atau pondok pesantren. Standar ini berisikan 52 poin yang akan mengatur proses bisnis pada sebuah pondok pesantren. Sebagai sebuah organisasi pondok pesantren memerlukan struktur organisasi agar proses bisnis pada pondok pesantren dapat berjalan. Karena perannya dalam mengatur interaksi antar unit kerja atau divisi, serta dalam pembagian dan koordinasi tanggung jawab dan wewenang yang lebih efektif, struktur organisasi menjadi sangat penting. Pada penelitian ini, untuk menentukan divisi pada struktur organisasi dilakukan dengan menggunakan metode semantic similarity. Dilakukan tahap text preprocessing pada data standar. Kemudian dilakukan pembobotan untuk menentukan kata kunci pada setiap standar, menggunakan Term Frequency - Inverse Document Frequency (TF-IDF). Kata kunci yang diperoleh dibandingkan tingkat kemiripannya antar standar menggunakan metode semantic similarity. Tahap selanjutnya adalah proses clustering terhadap data matrik hasil semantic similarity menggunakan algoritma k-means. Untuk mengetahui berapa cluster yang optimal, digunakan perhitungan SSE. Setelah data cluster diperoleh, dilakukan identifikasi divisi yang akan dibentuk. Penelitian ini menggunakan dua skenario, yakni clustering menggunakan data kemiripan semantik antar kata dan menggunakan data kemiripan semantik antar standar. Skenario pertama, diperoleh selisih nilai SSE tertinggi yaitu 0,4245 pada percobaan ke-2 dengan K=6. Sehingga diperoleh 6 cluster yang kemudian menjadi divisi kesantrian, divisi keamanan, divisi pendidikan, divisi sarana dan fasilitas, divisi kepegawaian, dan divisi kesejahteraan. Skenario kedua menghasilkan selisih nilai SSE tertinggi yaitu 0,0011 pada percobaan ke-3 dengan K=7. Sehingga diperoleh 7 cluster yang kemudian menjadi divisi kesantrian, divisi keamanan, divisi kepegawaian, divisi sarana dan fasilitas, divisi kesejahteraan, divisi asrama, dan divisi humas.
Co-Authors Maulidah Fithriyah Muhammad Ainul Yaqin Munajatul Azizah Siti Muslihaeny