Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah SIGMA: Informatics Engineering Journal of UPB
Dedi Afandy
Universitas Pelita Bangsa
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 3 Documents
Search

 1 
Penerapan Algoritma Machine Learning K-Nearest Neighbor Untuk Memprediksi Penjualan Produk Terlaris Pt Lg Innotek Indonesia Dedi Afandy; Akhiratul Jamal
Jurnal SIGMA Vol 13 No 4 (2022): Desember 2022
Publisher : Teknik Informatika, Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37366/sigma.v13i4.7309

Abstract

Persaingan bisnis yang semakin ketat seiring perkembangan teknologi informasi mendorong perusahaan ritel untuk meningkatkan kualitas dan strategi produknya. PT LG Innotek Indonesia sebagai satu-satunya produsen tuner di Indonesia perlu mengidentifikasi produk yang memiliki tingkat penjualan tinggi guna memenuhi permintaan konsumen. Penelitian ini bertujuan menganalisis kinerja algoritma machine learning K-Nearest Neighbor (KNN) dalam memprediksi produk laris dan tidak laris. Hasil penelitian menunjukkan bahwa algoritma KNN mampu menghasilkan tingkat akurasi sebesar 94,74% dengan tingkat kesalahan sebesar 5,26%, sehingga dapat disimpulkan bahwa metode KNN efektif digunakan sebagai alat pendukung dalam memprediksi penjualan produk terlaris di PT LG Innotek Indonesia.
Implementasi Data Mining Clustering Untuk Pengelompokkan Buku di Perpustakaan Dengan Metode K-Means Dedi Afandy; Hetti Pesita Pardede
Jurnal SIGMA Vol 14 No 3 (2023): September 2023
Publisher : Teknik Informatika, Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37366/sigma.v14i3.7313

Abstract

Perpustakaan memiliki peran penting sebagai sumber informasi, namun sering menghadapi permasalahan ketersediaan buku akibat tingginya peminjaman dan kurangnya data analisis koleksi. Penelitian ini bertujuan untuk mengelompokkan kategori buku berdasarkan tingkat peminatannya guna membantu pengelola perpustakaan dalam pengambilan keputusan. Metode yang digunakan adalah K-Means Clustering sebagai salah satu teknik data mining untuk mengelompokkan data buku ke dalam tiga cluster, yaitu paling diminati, diminati, dan kurang diminati. Data yang digunakan berupa riwayat peminjaman buku pada Perpustakaan Sekolah Dasar selama kurang lebih satu tahun. Hasil penelitian menunjukkan bahwa penerapan K-Means Clustering mampu memberikan informasi yang jelas mengenai tingkat peminjaman buku sehingga dapat digunakan sebagai dasar dalam menentukan kebijakan penambahan atau pengelolaan koleksi buku secara lebih efektif.
Penerapan Teknik Natural Language Processing dan Algoritma Random Forest Untuk Deteksi Dini Depresi Pada Unggahan Pengguna Media Sosial X Dedi Afandy; Silvia Delya Heryani
Jurnal SIGMA Vol 16 No 1 (2025): Juni 2025
Publisher : Teknik Informatika, Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37366/sigma.v16i1.7326

Abstract

Kesehatan mental merupakan isu global yang semakin mendapat perhatian karena dampaknya yang signifikan terhadap individu dan masyarakat. Gangguan kesehatan mental, termasuk depresi, telah menjadi salah satu penyebab utama penurunan kualitas hidup dan produktivitas. Penelitian ini bertujuan untuk membangun model deteksi dini depresi berdasarkan unggahan media sosial X dengan pendekatan Natural Language Processsing (NLP) dan algoritma Random Forest. Data dikumpulkan berdasarkan kata kunci dari indikator PHQ-9, kemudian diseleksi, diberi label, diproses melalui tahap preprocessing, dan diekstraksi fiturnya menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Model dikembangkan untuk mengklasifikasikan tiga tingkat depresi, yaitu ringan, sedang, dan berat, dengan pembagian data latih dan uji menggunakan rasio 80:20. Hasil evaluasi model menunjukkan akurasi sebesar 97% dengan nilai F1-Score masing-masing sebesar 0.97 untuk depresi ringan, 0.96 untuk depresi sedang, dan 0.96 untuk depresi berat. Hasil ini menujukkan bahwa metode yang diterapkan mampu mendeteksi gejala depresi secara efektif melalui analisis teks pada unggahan media sosial X.
Co-Authors Akhiratul Jamal Hetti Pesita Pardede Silvia Delya Heryani