Article Per Year (5 Year)
p-Index From 2021 - 2026
1.197
P-Index
This Author published in this journals
All Journal Journal of Emerging Information Systems and Business Intelligence (JEISBI)
Wiyli Yustanti
Program Studi Sistem Informasi, Universitas Negeri Surabaya
Computer Science & IT Decision Sciences, Operations Research & Management Languange, Linguistic, Communication & Media Library & Information Science

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Implementasi Metode AHP dan SAW dalam Sistem Pendukung Keputusan Pemilihan Organisasi Kemahasiswaan Kevin Satria Muhammad Iqbal; Wiyli Yustanti
Journal of Emerging Information Systems and Business Intelligence (JEISBI) Vol. 2 No. 2 (2021): Vol. 02 Issue 02
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jeisbi.v2i2.39683

Abstract

Optimalisasi Jumlah Klaster Uang Kuliah Tunggal pada Data Sosial Ekonomi Mahasiswa Khusniatul Fahriya; Wiyli Yustanti
Journal of Emerging Information Systems and Business Intelligence (JEISBI) Vol. 2 No. 2 (2021): Vol. 02 Issue 02
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jeisbi.v2i2.39705

Abstract

UKT (Uang Kuliah Tunggal) adalah sistem pembayaran untuk biaya kuliah Perguruan Tinggi Negeri. Setiap perguruan negeri mempunyai ketentuan UKT yang berbeda-beda. Untuk menentukan tarif UKT mahasiswa dibutuhkan sebuah teknik pengelompokan data. Teknik ini bertujuan agar memudahkan pihak PTN dalam menentukan tarif UKT masing-masing mahasiswa. Teknik tersebut dinamakan dengan clustering. Clustering merupakan pengelompokan data berdasarkan kemiripan. Jika hasil clustering memiliki derajat kemiripan yang tinggi di kelompok klaster yang sama, tetapi derajat kemiripan yang lebih rendah di kelompok klaster yang berbeda maka dapat dikatakan clustering tersebut baik atau optimal. Dengan adanya Clustering maka akan memudahkan untuk mengetahui bagaimana data harus dikelompokkan dengan begitu akan memperoleh gambaran dari kondisi sosial ekonomi mahasiswa yang cukup relatif. Algoritma clustering yang digunakan pada penelitian ini adalah K-Means Clustering, K-Medians Clustering, K-Modes Clustering dan Fuzzy C-Means Clustering. Dengan adanya algoritma-algoritma clustering yang berbeda-beda maka didapatkan jumlah cluster yang optimal adalah 6 cluster. Untuk membuktikannya maka dibutuhkan uji validitas clustering. Pengujian tersebut menggunakan Silhoutte Coefficient. Nilai Silhoutte Coefficient jika mendekati 1, maka jumlah clusternya dapat dikatakan representatif. Dalam pengujian Silhoutte Coefficient mendapatkan jumlah klaster optimalnya adalah 6 cluster dengan nilai sebesar 0.20212705. Sedangkan algoritma yang optimal adalah algoritma K-Means Clustering dengan nilai sebesar 0.1274176.
Analisis Text Clustering Kebijakan Pembukaan Daerah Wisata pada Masa Pandemi Berbasis Densitas Spasial (DBSCAN) Rahmah Wulandari; Wiyli Yustanti
Journal of Emerging Information Systems and Business Intelligence (JEISBI) Vol. 3 No. 2 (2022): Vol. 03 Issue 02
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jeisbi.v3i2.45509

Abstract

Analisis Klastering Buku sebagai Evaluasi untuk Peningkatan Minat Baca Perpusatakaan SMAN 1 Grogol Diah Leni Karputri; Wiyli Yustanti
Journal of Emerging Information Systems and Business Intelligence (JEISBI) Vol. 3 No. 3 (2022): Vol. 03 Issue 03
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jeisbi.v3i3.47121

Abstract

SMAN 1 Grogol merupakan sekolah menengah atas yang berlokasi di Kabupaten Kediri. Berdasarkan hasil wawancara dan observasi yang dilakukan kepada staf perpustakaan, saat ini kondisi minat baca di SMAN 1 Grogol tergolong cukup rendah, hal ini dilihat dari data rekap peminjaman buku di perpustakaan selama lima tahun terakhir yang fluktuatif. Pada perpustakaan penempatan buku juga belum optimal, sehingga perpustakaan SMAN 1 Grogol berkeinginan untuk meningkatkan pelayanannya. Peningkatan pelayanan memberikan kemudahan pada siswa dalam mencari buku sesuai dengan minat baca dan meningkatkan rasa tertarik terhadap buku lain karena setiap buku sudah dikelompokkan sesuai dengan kategori. Manfaat yang diperoleh pihak perpustakaan dapat membantu penentuan prioritas pengadaan buku selanjutnya. Untuk itu diperlukan analisis clustering. Clustering merupakan suatu metode untuk mengelompokkan data yang memiliki kemiripan karakteristik antara satu data dengan data yang lain. Pada penelitian ini akan menggunakan beberapa algoritma clustering yaitu K-Means clustering, K-Medoids clustering, dan Fuzzy C-Means clustering. Hasil percobaan dengan tiga algoritma clustering yang berbeda, mendapatkan cluster yang optimal berada pada cluster 8. Kemudian evaluasi clustering digunakan metode silhouette coefficient, apabila nilai silhouette coefficient mendekati 1 maka hasil cluster tersebut dapat dijadikan sebagai rekomendasi. Hasil evaluasi clustering mendapatkan cluster paling optimal adalah cluster 8 dengan nilai slihouette 0,323. Sedangkan algoritma dengan kinerja terbaik adalah K-Medoids clustering memperoleh nilai 0,21328.
Perbandingan Kinerja Metode Problem Transformation-KNN dan Algorithm Adaptation-KNN pada Klasifikasi Multi-Label Pertanyaan Kotakode Erlina Eka Fitriani; Wiyli Yustanti
Journal of Emerging Information Systems and Business Intelligence (JEISBI) Vol. 3 No. 3 (2022): Vol. 03 Issue 03
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jeisbi.v3i3.47510

Abstract

Klasifikasi multi-label merupakan proses pengelompokan data ke dalam beberapa kelas berdasarkan kesamaan ciri atau karakteristik data. Pada klasifikasi multi-label setiap data dapat memiliki lebih dari satu kelas. Implementasi klasifikasi multi-label dapat dilakukan melalui dua metode pendekatan yaitu Problem Transformation dan Algorithm Adaptation. Penelitian topik klasifikasi multi-label teks telah dilakukan oleh para peneliti terdahulu. Akan tetapi, belum terdapat penelitian yang berfokus pada perbandingan Problem Transformation dan Algorithm Adaptation berdasarkan pertanyaan multi-label dengan tagar pertanyaan sebagai label atau kelas. Tujuan penelitian ini adalah melakukan klasifikasi multi-label pada data teks dan membandingkan hasil kinerja metode Problem Transformation dan Algorithm Adaptation dalam melakukan klasifikasi multi-label. Dataset yang digunakan adalah 450 data pertanyaan pada forum Q&A platform Kotakode. Metode Problem Transformation yang digunakan pada penelitian ini adalah Label Powerset, Binary Relevance, dan Classifier Chain dengan K-Nearest Neighbor sebagai algoritma klasifikasi. Sedangkan metode Algorithm Adaptation yang digunakan adalah Multi-Label K-Nearest Neighbor (ML-KNN). Grid Search Cross Validation digunakan pada penelitian ini untuk menemukan nilai hyperparameter k yang dapat memberikan hasil kinerja model terbaik. Hasil Penelitian menunjukkan bahwa metode Problem Transformation Label Powerset dengan K-Nearest Neighbor sebagai algoritma klasifikasi menghasilkan nilai akurasi, precision, recall, dan f1 score terbaik, yaitu 86%, 92%, 86%, dan 87%. Berdasarkan hasil tersebut, Metode Problem Transformation Label Powerset-KNN menghasilkan kinerja lebih baik dalam melakukan klasifikasi multi-label pertanyaan Kotakode dibandingkan dengan metode Algorithm Adaptation Multi-Label K-Nearest Neighbor.
Penerapan Metode Association Rule dengan Algoritma FP-Growth dan Prediksi dengan Artificial Neural Network untuk Persediaan Sparepart Gebryana Hotmida Lamtiar Lumban Gaol; Wiyli Yustanti
Journal of Emerging Information Systems and Business Intelligence (JEISBI) Vol. 3 No. 4 (2022): Vol. 03 Issue 04
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jeisbi.v3i4.49352

Abstract

Untuk memaksimalkan pelayanan pada jumlah persediaan sparepart di perusahaan, maka diperlukan suatu teknik data mining dengan pemanfaatan data transaksi penjualan. Data transaksi pada Auto2000 Wiyung hanya digunakan untuk mengetahui keuntungan perusahaan, padahal data tersebut dapat dijadikan sebagai pengetahuan baru dalam menentukan persediaan. Pada penelitian ini data akan diolah dengan menggunakan metode association rule dan prediksi dengan Artificial Neural Network untuk menemukan pola pembelian dan memprediksi jumlah pembelian berdasarkan data transaksi penjualan sparepart. Dengan menerapkan metode Association Rule menggunakan algoritma Fp-Growth maka diperoleh 4 association rule dengan nilai confidence diatas 70%. Pola asosiasi yang diperoleh kemudian diprediksi dengan Artificial Neural Network menggunakan algoritma backpropagation. Percobaan trial error menggunakan perubahan hidden layer mulai dari 1-10 dengan lima jenis learning rate yaitu 0.01, 0.02, 0.001, 0.002, dan 0.003. Prediksi model ANN pada rule ke-1 menghasilkan MAPE sebesar 13.620% dan akurasi sebesar 86.38% dengan arsitektur 3-7-1, pada rule ke-2 menghasilkan MAPE sebesar 5.960% dan akurasi sebesar 94.04% dengan arsitektur 3-1-1, pada rule ke-3 menghasilkan MAPE sebesar 9.924% dan akurasi sebesar 90.076% dengan arsitektur 3-3-1, dan pada rule ke-4 menghasilkan MAPE sebesar 8.874% dan akurasi sebesar 91.126% dengan arsitektur 3-6-1.
Co-Authors Diah Leni Karputri Erlina Eka Fitriani Gebryana Hotmida Lamtiar Lumban Gaol Kevin Satria Muhammad Iqbal Khusniatul Fahriya Rahmah Wulandari Rohmatul Hasanah