Articles
<![CDATA[Sistem Prediksi Customer Loyalty Dengan Metode RFM dan Fuzzy C-Means ]]>
<![CDATA[David David]]>;
<![CDATA[Manatap Dolok Lauro]]>;
<![CDATA[Dyah Erny Herwindiati]]>
<![CDATA[ Computatio : Journal of Computer Science and Information Systems Vol 4, No 1 (2020): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS ]]>
Publisher : <![CDATA[Faculty of Information Technology, Universitas Tarumanagara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24912/computatio.v4i1.7099
<![CDATA[This paper discusses about customer loyalty using RFM method and Fuzzy C-Means. RFM stands for Recency, Frequency, and Monetary. What is meant by Recency is the date range of transactions made by customers, while Frequency is the number of transactions made by customers during a certain period, and Monetary is the nominal amount of money spent during a certain period. Data is taken from Toko Cianjur with transactions history from January 2018 to December 2018 consisting of 892 transactions. Fuzzy C-Means is one of clustering algoritm which applies fuzzy approach to determine the clusters based on the degree of membership. Partition Coefficient Index and Partition Entropy Index are used as the evaluation methods.The goals of making this application that the store can find customers who have a high loyalty value to store and can be used as consideration for store to provide discounts to customers. The test results obtained state that the results of the cluster formation of two clusters with m = 2 indicate that customers quite often shop at stores until December 2018. While the results of the formation of three clusters with m = 2 indicate that customers often make transactions and a large monetary value to the store.AbstrakTulisan ini membahas tentang customer loyalty dengan menggunakan metode RFM dan Fuzzy C-Means. RFM adalah kepanjangan dari Recency, Frequency dan Monetary. Yang dimaksud dengan Recency adalah rentang tanggal transaksi yang dilakukan pelanggan, sedangkan Frequency adalah jumlah transaksi yang dilakukan pelanggan selama periode tertentu, dan Monetary adalah jumlah nominal uang yang dikeluarkan selama periode tertentu. Data diambil dari Toko Cianjur dengan riwayat transaksi dari Januari 2018 hingga Desember 2018 yang terdiri dari 892 transaksi. Fuzzy C-Means adalah salah satu algoritma clustering yang menerapkan pendekatan fuzzy untuk menentukan cluster berdasarkan degree of membership. Partition Coefficient Index dan Partition Entropy Index digunakan sebagai metode evaluasi. Tujuan pembuatan sistem prediksi customer loyalty ini yaitu mengetahui pelanggan manakah yang memiliki loyalitas yang tinggi terhadap toko sehingga dapat menjadi bahan pertimbangan toko untuk memberikan diskon kepada pelanggan. Hasil pengujian yang didapat menyatakan bahwa hasil cluster pembentukan dua klaster dengan m=2 menunjukkan bahwa pelanggan cukup sering berbelanja terhadap toko sampai Desember 2018. Sedangkan hasil pembentukan tiga klasterdengan m=2 menunjukkan bahwa pelanggan sering melakukan transaksi serta nilai monetary yang cukup besar terhadap toko.]]>
<![CDATA[Prediksi Kelembapan Tanah Pada Tingkat Kecamatan di Wilayah Bogor Dengan Metode CNN LSTM ]]>
<![CDATA[Mitchell Ryu Sopany]]>;
<![CDATA[Dyah Erny Herwindiati]]>;
<![CDATA[Janson Hendryli]]>
<![CDATA[ Computatio : Journal of Computer Science and Information Systems Vol 6, No 1 (2022): Computatio: Journal of Computer Science and Information Systems ]]>
Publisher : <![CDATA[Faculty of Information Technology, Universitas Tarumanagara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24912/computatio.v6i1.15740
<![CDATA[Kelembapan tanah pada kecamatan di wilayah Bogor perlu diperhatikan sebagai acuan sumber air bersih untuk mencukupi kebutuhan air bersih yang tinggi di wilayah Jakarta. Aplikasi prediksi kelembapan tanah dibuat menggunakan bahasa pemrograman Python dengan metode CNN LSTM bertujuan untuk memprediksi kelembapan tanah pada tingkat kecamatan wilayah Bogor dalam kelompok kelembapan tanah tinggi, kelembapan tanah rendah, dan kering menggunakan data citra satelit Landsat 8. Citra satelit Landsat 8 dilakukan preprocessing dengan transformasi menjadi bernilai 8 bit dan pemotongan tiap kecamatan dalam wilayah Bogor terhadap band 2, 3, 4, 5, 6, dan 7. Prediksi kelembapan tanah dilakukan menggunakan metode CNN lSTM dengan input berupa nilai kelembapan tanah menggunakan nilai NDVI citra satelit Landsat 8. Output berupa citra prediksi kelembapan tanah yang dikelompokkan pada kelembapan tanah tinggi, kelembapan tanah rendah, dan kering. Hasil penelitian menunjukkan model prediksi kelembapan tanah memiliki nilai rata-rata R2 Score 0.7422, MAE 0.0798, dan MSE 0.0416 sehingga model dapat memprediksi kelembapan tanah dengan baik.]]>
<![CDATA[SISTEM REKOMENDASI MAKANAN TIO CIU MENGGUNAKAN COLLABORATIVE FILTERING ]]>
<![CDATA[philip bryan halim]]>;
<![CDATA[Dyah Erny Herwindiati]]>;
<![CDATA[Manatap Dolok Lauro]]>
<![CDATA[ Computatio : Journal of Computer Science and Information Systems Vol. 6 No. 2 (2022): Computatio: Journal of Computer Science and Information Systems ]]>
Publisher : <![CDATA[Faculty of Information Technology, Universitas Tarumanagara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24912/computatio.v6i2.16227
<![CDATA[With the advancement of technological innovation, people can order any kind of food easily and this impacts the culinary industries. As people became aware of any kind of foods available to be ordered, people began to eat a different kinds of food varieties. One kind of food variety available to be ordered is the tio ciu food. Therefore, an information system program was designed that can be used by people who like to eat tio ciu foods to be able to get another tio ciu food recommendation so that they can find out more about tio ciu foods that they haven’t eaten yet. The design of this program applies the Collaborative Filtering method. Based on the test, Collaborative Filtering can give user a food recommendation based on their rating beforehand.]]>
<![CDATA[PERBANDINGAN K-MEANS DAN K-MEDOIDS UNTUK KLASTERING TINGKAT STRES PADA MANUSIA ]]>
<![CDATA[Arya Triansyah]]>;
<![CDATA[Dyah Erny Herwindiati]]>;
<![CDATA[Janson Hendryli]]>
<![CDATA[ Jurnal Ilmu Komputer dan Sistem Informasi Vol. 10 No. 2 (2022): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Tarumanagara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24912/jiksi.v10i2.22534
<![CDATA[Society is faced with various problems as a result of progress and development of the times. Things in social relationships and demands from an expectation in achievement but not being met, from these inability and demands can cause stress in a person. Stress is the body's response caused by demands from outside the individual that exceed the ability to meet the demands to overcome and resolve the problem. The need to respond and manage stress well so that the quality of life becomes better, with clustering it can make it easier to group data. The clustering technique used is the K-Means and K-Medoids methods which partition the data into clusters. Comparison of cluster results used the use of a covariance matrix. So that in the comparison of the K-Means method k=2 and k=3, the best one is k=3 because the determinant of the covariance matrix is smaller, namely -1.4709e-11. In the comparison of the K-Medoids method k=2 and k=3, the best one is k=3 because the determinant of the covariance matrix is smaller, namely -1.4285e-11. Continued comparison of the two methods, namely K-Means and K-Medoids, the best is K-Medoids with a smaller covariance determinant than K-Means.]]>
<![CDATA[Clustering Data Covid-19 Di Indonesia Menggunakan Intelligent K-Means ]]>
<![CDATA[Veri]]>;
<![CDATA[Dyah Erny Herwindiati]]>;
<![CDATA[Teny Handhayani]]>
<![CDATA[ Jurnal Ilmu Komputer dan Sistem Informasi Vol. 10 No. 2 (2022): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Tarumanagara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24912/jiksi.v10i2.22535
<![CDATA[Indonesia pada terkena dampak wabah baru yakni virus covid-19. Covid-19 telah menjadi pandemi dikarenakan jumlah kasus di Indonesia yang terkonfirmasi terus meningkat. Di Jurnal ini menggunakan metode Intelligent K-Means untuk clustering data covid-19 yang ada diindonesia. Setelah mendapatkan hasil kluster dari metode Intelligent K-Means hasil ini akan dibandingkan dengan hasil clustering yang dilakukan oleh pemerintah. Hasil evaluasi di jurnal ini menggunakan metode Silhouette yang di mana hasil ini evaluasi silhouette ini akan dibandingkan dengan metode K-Means.]]>
<![CDATA[PERANCANGAN SISTEM REKOMENDASI BUSANA H&M DENGAN CITRA DAN RIWAYAT TRANSAKSI ]]>
<![CDATA[Aditya Halimawan]]>;
<![CDATA[Dyah Erny Herwindiati]]>;
<![CDATA[Janson Hendryli]]>
<![CDATA[ Jurnal Ilmu Komputer dan Sistem Informasi Vol. 10 No. 2 (2022): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Tarumanagara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24912/jiksi.v10i2.22537
<![CDATA[Sistem rekomendasi merupakan sebuah sistem yang digunakan untuk mengetahui produk apa yang mungkin dapat disukai oleh pelanggan. Sistem rekomendasi yang dibuat dapat menghasilkan output berupa citra gambar, sehingga pengguna dapat mengetahui produk apa saja yang ditawarkan oleh H&M. Pada perancangan ini digunakan 2 model, yaitu model Collaborative Filtering, dan model Convolutional Neural Network. Digunakan Collaborative Filtering dengan pendekatan matriks cosine similarity untuk mendapatkan prediksi gambar yang diambil dari riwayat transaksi pelanggan yang telah berbelanja. Untuk model Convolutional Neural Network, menggunakan arsitektur ResNet50 untuk dapat mengenali citra gambar yang diunggah oleh pengguna untuk dicari gambar produk busana H&M yang mempunyai ciri yang paling mirip. Pada akhir pengujian didapatkan tingkat akurasi untuk Collaborative Filtering dengan nilai MAPE sebesar 0,00652, dan model Convolutional Neural Network didapatkan tingkat akurasi sebesar 85,79%.]]>
<![CDATA[PENERAPAN METODE SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN PADA ULASAN PELANGGAN HOTEL DI TRIPADVISOR ]]>
<![CDATA[Willyanto Wijaya]]>;
<![CDATA[Dyah Erny Herwindiati]]>;
<![CDATA[Novario Jaya Perdana]]>
<![CDATA[ Jurnal Ilmu Komputer dan Sistem Informasi Vol. 10 No. 2 (2022): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Tarumanagara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24912/jiksi.v10i2.22538
<![CDATA[Indonesia is an archipelagic country that has very beautiful nature, in addition to the natural beauty of cultural diversity is also one of the factors Indonesia has a tourist attraction. One of the effects of Indonesia's natural beauty and cultural diversity can be seen from the increase in hotel occupancy rates. This hotel analysis system design uses training data and test data from the tripadvisor website. Tripadvisor is a website that focuses on tourism. on tripadvisor there are a lot of services offered ranging from transportation, lodging, travel experiences, and restaurants. One of the useful features of tripadvisor is the review column, this review column can be used to do research. visitor reviews from the tripadvisor comments column can be used as a value. to visualize and see people's emotions how the services provided by the hotel to visitors. The research phase starts from scrapping data from the triapadvisor review column, preprocessing data, word weighting, SVM, and evaluation with a confusion matrix. The data taken from the review column is done by web scraping technique. This study uses data from 3000 reviews from 15 hotels. The results of the classification will then be evaluated with a confusion matrix. The highest accuracy result will be used as a model for classification. the classification results will be displayed in the form of detailed tables and diagrams that describe the percentage of sentiment classification results.]]>
<![CDATA[PENERAPAAN GATED RECURRENT UNIT UNTUK PREDIKSI ZAT PENCEMAR UDARA ]]>
<![CDATA[Jasmine Kezia Halim]]>;
<![CDATA[Dyah Erny Herwindiati]]>;
<![CDATA[Janson Hendryli]]>
<![CDATA[ Jurnal Ilmu Komputer dan Sistem Informasi Vol. 10 No. 2 (2022): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Tarumanagara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24912/jiksi.v10i2.22540
<![CDATA[Air pollution caused by air pollutant substances is one of the problems of great concern in big cities, including the city of Jakarta. On June 16, 2022, Jakarta has been named the city with the worst source of air pollution in the world. This of course makes the residents of Jakarta and its surroundings feel worried. The purpose of designing this system is to predict air pollutants in DKI Jakarta using the website-based Gated Recurrent Unit (GRU) method. Where the test results from the GRU method produce different predictive values. The MAPE evaluation resulted in good predictions using the GRU method for air pollutants of PM10, SO2, CO, and O3 types with an average MAPE value of less than 50%. However, there are quite bad results for the type of NO2 substance, because it produces a MAPE value of more than 50%. Meanwhile, in the RMSE evaluation, all air pollutants produced an average value of no more than 20% so that it can be said that the GRU method produces predictions that are quite accurate for predicting air pollutants in the DKI Jakarta area.]]>
<![CDATA[Pembuatan Aplikasi Peramalan Penjualan Susu Sapi Perah Menggunakan Extreme Learning Machine ]]>
<![CDATA[Lubby Gennady]]>;
<![CDATA[Dyah Erny Herwindiati]]>;
<![CDATA[Janson Hendryli]]>
<![CDATA[ Jurnal Ilmu Komputer dan Sistem Informasi Vol. 11 No. 1 (2023): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Tarumanagara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24912/jiksi.v11i1.24069
<![CDATA[UMKM XYZ merupakan salah satu usaha yang bergerak dalam bidang susu sapi perah. Usaha tersebut menjual susu sapi segar dengan varian rasa. Dalam penjualan tersebut menyalurkan susu sapi segar sesuai dengan permintaan konsumen. Setiap periode, usaha sering mengalami perubahan permintaan susu sapi segar. Akibatnya, apabila permintaan konsumen tidak sesuai dengan ketersediaan dapat mengalami kerugian karena susu sapi tidak memiliki waktu simpan yang cukup lama. Oleh sebab itu, dilakukan rancangan aplikasi peramalan penjualan berbasis Android dengan metode Extreme Learning Machine (ELM) untuk menangani kasus tersebut. Tujuan dari aplikasi tersebut adalah melakukan peramalan permintaan susu agar sesuai dengan jumlah permintaan yang dibutuhkan. yang telah dilakukan dengan pengujian Black Box Testing dan hasil evaluasi kesalahan pada metode Extreme Learning Machine dengan nilai MAPE. Hasil pengujian pada Black Box Testing menunjukkan bahwa aplikasi telah layak untuk melakukan pencatatan transaksi. Hasil tersebut didapatkan nilai terbaik menggunakan aktivasi sigmoid biner dengan 4 fitur, jumlah hidden neuron sebanyak 10 serta pembagian data training dan testing yaitu 90%:10%. Hasil nilai kesalahan pada model original didapatkan nilai kesalahan MAPE 6.6558%, model coklat dengan nilai kesalahan 5.624%, model stroberi dengan nilai kesalahan 6.2874%.]]>
<![CDATA[Rancangan Sistem Prediksi Harga Saham dengan Menggunakan Metode LSTM dan ARMA klasik ]]>
<![CDATA[Caesar Calendo Sumarga]]>;
<![CDATA[Dyah Erny Herwindiati]]>;
<![CDATA[Janson Hendryli]]>
<![CDATA[ Jurnal Ilmu Komputer dan Sistem Informasi Vol. 11 No. 1 (2023): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI ]]>
Publisher : <![CDATA[Fakultas Teknologi Informasi Universitas Tarumanagara ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24912/jiksi.v11i1.24075
<![CDATA[Stocks are one of the types of assets that are currently popular with the wider community, just like gold and all other types of assets, the value of stocks tends to move up and down over time, therefore stock investors invest in stocks to achieve the desired profit (capital gain), Due to the movement of stocks that go up and down over time, it is difficult for investors to determine when to buy or sell stocks, therefore this study was conducted to compare the multivariate Long-Short Term Memory (LSTM) method, and the classic ARMA, then see which is suitable in forecasting stock prices, the comparison is seen from the results of the error evaluation metrics of the two methods.]]>
