Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal JURTEKSI Ekobis: Jurnal Ilmu Manajemen dan Akuntansi Jurnal Informatika: Jurnal Pengembangan IT
Sri Siswanti
Universitas Tiga Serangkai
Computer Science & IT Economics, Econometrics & Finance

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

Found 3 Documents
Search

 1 
Pemanfaatan Algoritma Eclat Dalam Penemuan Pola Transaksi Penjualan Produk Haircare Bangkit Ardi Nugroho; Sri Siswanti
Jurnal Informatika: Jurnal Pengembangan IT Vol 11, No 2 (2026)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v11i2.10148

Abstract

The professional haircare industry in Indonesia has experienced rapid growth, requiring companies to manage inventory more accurately and in a data-driven manner. Inefficient inventory management may lead to overstock or stockout conditions, resulting in operational inefficiencies and lost sales opportunities. This study aims to apply the Eclat algorithm to identify sales transaction patterns of professional haircare products at Inaura, to uncover significant product association patterns, and to formulate inventory management recommendations based on the analysis results. The research employs a quantitative data mining approach using market basket analysis. The dataset consists of sales transaction records of professional haircare products at  Inaura from January to December 2024. The Eclat algorithm is implemented with a minimum support threshold of 5% and a maximum itemset length of four items to generate frequent itemsets and meaningful association rules. The results indicate that the Eclat algorithm effectively and efficiently identifies sales transaction patterns that represent customer purchasing behavior. Products such as neutralizers, oxidising creams, and straightening systems exhibit the highest support values and form functional and complementary purchasing patterns. The extracted patterns can be utilized to support inventory planning, product prioritization, and data-driven bundling strategies. This study provides practical contributions to inventory optimization at Inaura and academic contributions by demonstrating the application of the Eclat algorithm in the underexplored domain of the professional haircare industry.
FAKTOR-FAKTOR YANG MEMPENGARUHI ASET USAHA PADA PELAKU USAHA MIKRO, KECIL, DAN MENENGAH: STUDI KASUS PADA KSPPS BMT HASANA MANDIRI Hasman Budiadi; Setiyowati; Sri Siswanti; Ahmad Muhariya
EKOBIS Vol 13 No 2 (2025): Jurnal Ekobis
Publisher : Universitas Boyolali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36596/ekobis.v13i2.2191

Abstract

Permodalan merupakan salah satu komponen yang mempengaruhi pertumbuhan UMKM di Indonesia, dan merupakan salah satu sektor penting bagi perkembangan ekonomi. Salah satu koperasi syariah yang membantu pertumbuhan UMKM adalah KSPPS BMT. Sampel penelitian adalah Mitra Pembiayaan BMT Hasana Mandiri. Tujuan dari penelitian ini adalah untuk menemukan fitur-fitur Mitra Pembiayaan BMT Hasana Mandiri dan menganalisis komponen yang mempengaruhi aset usaha pelaku Mitra Pembiayaan BMT Hasana Mandiri. Analisis deskriptif, uji-t, dan regresi linier berganda adalah teknik yang digunakan. Jenis usaha yang dijalankan, modal awal saat memulai usaha, jenis kelamin pelaku usaha, pendidikan dan usia pelaku usaha, jumlah tenaga kerja yang dimiliki, lama usaha yang dijalankan, besar pembiayaan, periode pembiayaan, aset usaha, dan omzet usaha adalah variabel yang digunakan dalam penelitian. Hasilnya menunjukkan bahwa lama usaha (-0.186): Setiap unit tambahan dalam lama usaha diperkirakan akan mengurangi aset usaha sebesar 0.186, dengan asumsi variabel lain.
COMPARATIVE ANALYSIS OF RANDOM FOREST, KNN, AND SVM FOR TODDLER STUNTING CLASSIFICATION Maritza Ayu Shula; Sri Siswanti
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 12 No. 3 (2026): Juni 2026
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v12i3.4384

Abstract

Abstract: Stunting is a chronic nutritional condition in toddlers characterized by a Height-for-Age (HFA) measurement below the standard growth threshold, necessitating early detection to prevent long-term consequences. This study aims to classify toddler stunting status by comparing three machine learning methods: Random Forest (RF), K-Nearest Neighbor (KNN), and Support Vector Machine (SVM). The dataset comprises 345 toddler records from Puskesmas Indramayu (2025), including weight, height, and nutritional status based on WFA, HFA, and WFH indicators. Preprocessing steps include data cleaning, StandardScaler normalization, One-Hot Encoding for categorical features, and splitting the training and testing data with a ratio of 80:20. The comparison results are that KNN achieved the best performance with an accuracy of 71.01%, a precision of 0.69, a recall of 0.69, and an F1 score of 0.67, while RF and SVM both had an accuracy of 69.57% with F1 scores of 0.67 and 0.68, respectively. Thus, KNN demonstrated superior effectiveness in classifying the stunting status of toddlers compared to RF and SVM on this dataset. Keywords: KNN; Random Forest; SVM; Stunting; toddlers Abstract: Stunting adalah kondisi gizi kronis pada balita yang ditandai dengan pengukuran Tinggi Badan menurut Usia (HFA) di bawah ambang batas pertumbuhan standar, sehingga memerlukan deteksi dini untuk mencegah konsekuensi jangka panjang. Penelitian ini bertujuan untuk mengklasfikasikan status stunting pada balita dengan membandingkan tiga metode pembelajaran mesin: Random Forest (RF), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Kumpulan data terdiri dari 345 catatan balita dari puskesmas indramayu (2025), termaksut brat badan, tinggi badan, dan status gizi berdasarkan indicator WFA, HFA, dan WFH. Langkah-langkah prapemrosesan meliputi pembersian data, normalisasi Stand-ardScaler, One-Hot Encoding untuk fitur kategirikal, serta pembagian data pelatihan dan pengujian dengan rasio 80:20. Hasil perbadingan adalah KNN mencapai kinerja terbaik dengan akurasi 71,01%, presisi 0,69, recall 0,69, dan skor F1 sebesar 0,67, RF dan SVM keduanya memiliki akurasi 69,57% dengan skor F1 masing-masing sebesar 0,67 dan 0,68. Dengan demikian, KNN menunjukkan keefektifan yang lebih unggul dalam mengklasifikasikan status stunting balita dibandingkan dengan RF dan SVM pada da-taset ini. Kata kunci: KNN; random forest; SVM; Stunting; Balita
Co-Authors Ahmad Muhariya Bangkit Ardi Nugroho Hasman Budiadi Maritza Ayu Shula Setiyowati