Article Per Year (5 Year)
p-Index From 2021 - 2026
0.702
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Risqiati Risqiati
Teknik Informatika, Institut Widya Pratama
Computer Science & IT

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
KLASTERISASI UNDERWRITER (IPO 2024) BERDASARKAN RETURN PADA SAAT PENUTUPAN HARI PERTAMA LISTING MENGGUNAKAN ALGORITMA K-MEANS Naufal Daffa Shidiq; Arief Soma Darmawan; Risqiati Risqiati
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i2.17357

Abstract

Initial Public Offering (IPO) merupakan aktivitas penting di pasar modal yang melibatkan peran underwriter dalam proses penjaminan dan penetapan harga saham perdana, di mana kinerjanya dapat dievaluasi melalui return saham pada penutupan hari pertama perdagangan. Penelitian ini bertujuan untuk mengklasterisasi underwriter IPO tahun 2024 berdasarkan karakteristik kinerja return menggunakan algoritma K-Means. Penelitian ini menggunakan pendekatan kuantitatif deskriptif eksploratif dengan data sekunder IPO tahun 2024 yang diperoleh dari situs resmi e-IPO Indonesia dan aplikasi Stockbit. Variabel yang digunakan dalam proses klasterisasi meliputi rata-rata return IPO hari pertama dan standar deviasi return yang merepresentasikan tingkat keuntungan dan kestabilan kinerja underwriter. Sebelum dilakukan klasterisasi, data distandarisasi menggunakan metode Z-score, sedangkan jumlah klaster ditentukan dengan metode Elbow. Hasil penelitian menunjukkan bahwa underwriter IPO tahun 2024 dapat dikelompokkan ke dalam tiga klaster, yaitu underwriter dengan kinerja return tinggi dan stabil, underwriter dengan return cukup tinggi namun fluktuatif, serta underwriter dengan kinerja return rendah. Temuan ini menunjukkan bahwa kinerja underwriter IPO tahun 2024 tidak bersifat homogen dan memiliki karakteristik yang berbeda-beda, sehingga hasil klasterisasi dapat digunakan sebagai informasi pendukung dalam evaluasi kinerja underwriter di pasar modal.
SEGMENTASI PELANGGAN DENGAN ATRIBUT RFM MENGGUNAKAN ALGORITMA K-MEANS DI REDDOORZ SYARIAH NEAR ALUN-ALUN KAJEN Ragil Nur Hidayat; Risqiati Risqiati; Arief Soma Darmawan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i2.17612

Abstract

Penelitian ini bertujuan untuk melakukan segmentasi pelanggan pada penginapan RedDoorz Syariah Near Alun-Alun Kajen untuk mengetahui tingkat loyalitas pelanggan beradasarkan kebiasaan setiap pelanggan dalam melakukan transaksi. Permasalahan utama yang dihadapi adalah belum adanya pengelompokan pelanggan sehingga strategi pemasaran dan pelayanan masih dilakukan secara umum tanpa memperhatikan karakteristik pada setiap pelanggan. Penelitian ini menggunakan metode RFM (Recency, Frequency, dan Monetary) untuk menganalisis loyalitas setiap pelanggan dan algoritma K-Means Clustering untuk pengelompokan pelanggan. Proses penelitian meliputi pengumpulan data, Exploratory Data Analysis (EDA), preprocessing data, pembentukan variabel RFM, normalisasi data, dan penentuan jumlah cluster optimal menggunakan metode Elbow, Silhouette Score, dan Davies-Bouldin Index. Dari hasil penelitian yang sudah dilakukan bahwa pelanggan dapat dikelompokkan menjadi tiga cluster yaitu cluster loyalitas tinggi sebanyak 58 pelanggan, cluster loyalitas sedang sebanyak 45 pelanggan, dan cluster loyalitas rendah sebanyak 1 pelanggan. Dari hasil segmentasi pelanggan yang sudah dilakukan pada penelitian ini dapat diimplementasikan ke dalam sistem informasi manajemen untuk penyusunan strategi pelayanan dan pemasaran lebih tepat sasaran serta dalam memberikan perilaku khusus kepada pelanggan dengan tingkat loyalitas tertentu.
IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK STRATEGI CROSS SELLING PRODUK DIGITAL BERBASIS RIWAYAT TRANSAKSI PELANGGAN PADA TOKO PLAT G GAMING Muhammad Muzaki Ma’ruf; Risqiati Risqiati; Arief Soma Darmawan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18319

Abstract

Meningkatnya transaksi penjualan produk digital mendorong perlunya pemanfaatan data transaksi sebagai dasar pengambilan keputusan pemasaran yang tepat. Penelitian ini bertujuan untuk menerapkan algoritma Apriori dalam mengidentifikasi pola pembelian pelanggan sebagai strategi cross-selling berbasis riwayat transaksi pada Toko Plat G Gaming. Metode penelitian yang digunakan meliputi pengumpulan data transaksi penjualan produk digital, tahap pengolahan data berupa pembersihan, seleksi transaksi dengan minimal dua produk, serta transformasi data melalui pengelompokan produk ke dalam kategori analisis. Data yang digunakan berjumlah 689 transaksi dari total 3.256 data awal selama periode 1 November 2024 hingga 30 Maret 2025. Proses analisis dilakukan menggunakan algoritma Apriori dengan perhitungan nilai support dan confidence untuk menghasilkan aturan asosiasi antar produk. Hasil penelitian menunjukkan bahwa terdapat hubungan yang kuat antar beberapa kategori produk digital, seperti Mobile Legends dan Free Fire (support 43,54% dan confidence 100%), Spotify dan Netflix (support 22,35% dan confidence 99,35%), serta Canva dan CapCut (support 13,64% dan confidence 100%). Aturan asosiasi tersebut digunakan untuk menyusun rekomendasi paket produk digital sebagai strategi cross-selling. Dengan demikian, penerapan algoritma Apriori terbukti mampu memberikan rekomendasi berbasis data yang relevan dan dapat membantu meningkatkan efektivitas strategi pemasaran pada penjualan produk digital.
PERBANDINGAN ALGORITMA KNN DAN NAIVE BAYES PADA DATA BALITA UNTUK KLASIFIKASI STATUS GIZI Fahmi Djuniar; Risqiati Risqiati; Arief Soma Darmawan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18365

Abstract

Permasalahan gizi balita, khususnya stunting, merupakan ancaman serius bagi generasi penerus bangsa. Berdasarkan Survei Kesehatan Indonesia (SKI) tahun 2023, prevalensi stunting di Indonesia masih berada di angka 21,5% — jauh di atas ambang kritis WHO sebesar 20% dan belum mencapai target 14% yang diamanatkan Peraturan Presiden Nomor 72 Tahun 2021 tentang Percepatan Penurunan Stunting (Kementerian Kesehatan RI, 2024). Kondisi ini menuntut solusi deteksi dini yang cepat, akurat, dan berbasis data. Pemilihan algoritma machine learning yang tepat sangat menentukan efektivitas sistem klasifikasi status gizi tersebut. Meskipun K-Nearest Neighbor (KNN) dan Naive Bayes Classifier (NBC) telah banyak digunakan dalam penelitian serupa, hasil yang diperoleh bervariasi tergantung pada karakteristik data lokal sehingga perbandingan langsung keduanya pada dataset Puskesmas Tirto, Kota Pekalongan, menjadi penting untuk dilakukan. Penelitian ini dilakukan untuk membandingkan 2 algoritma yang berbeda yaitu K-Nearest Neighbors (KNN) dan Naive Bayes Classifier (NBC), data penelitian ini di dapat dari Puskesmas Tirto Kota Pekalongan. Status gizi ditentukan berdasarkan indikator pengukuran tubuh manusia yang meliputi BB, TB, JK, dan usia. Penelitian ini memakai metode data hold out dengan membagi datanya 80% sebagai data latih dan 20% sebagai data testing. Pengukuran performa model dilakukan menggunakan indikator matrik Akurasi, Presisi, Recall, dan F1-score yang didapat dari confusion matrik. Hasil pengujian mendapati bahwa algoritma KNN mendapatkan performa lebih bagus dari pada NBC dengan nilai Accuracy 85,37%, Precision 80%, Recall 85%, dan F1-score 83%. sedangkan itu, algoritma Naive Bayes Classifier (NBC) memperoleh nilai Accuracy 68,29%, dengan Precision 79%, Recall 68%, dan F1-score 73%, ini menunjukkan bahwa performa lebih rendah terutama pada klasifikasi kelas minoritas.jadi algoritma KNN menjadi yang paling optimal dalam melakukan klasifikasi status gizi balita pada dataset penelitian ini.
Co-Authors Arief Soma Darmawan Arief Soma Darmawan Fahmi Djuniar Muhammad Muzaki Ma’ruf Naufal Daffa Shidiq Ragil Nur Hidayat