Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan
Aprilisa Arum
Universitas Duta Bangsa
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Model Hybrid Clustering untuk Artikel Ilmiah Prosiding SENATIB Berbasis TF-IDF Nabila Wahyu Ningtias; Abdullah Azza Al Abllas; Arif Kurniawan; Nasywa Hamna Zakiya; Aprilisa Arum
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 4 (2026): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Meningkatnya jumlah artikel ilmiah pada prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) menyebabkan proses pencarian referensi berdasarkan topik penelitian menjadi kurang efisien apabila dilakukan secara manual. Penelitian ini bertujuan mengelompokkan artikel ilmiah berdasarkan kemiripan topik menggunakan pendekatan text mining dan algoritma K-Means Clustering. Data penelitian diperoleh melalui proses web scraping sebanyak 490 artikel yang terdiri atas atribut judul dan abstrak. Tahapan penelitian meliputi data cleaning, preprocessing (case folding, cleaning, tokenization, stopword removal), pembobotan menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), penentuan jumlah cluster menggunakan Agglomerative Hierarchical Clustering dengan Ward Linkage dan Elbow Method, dilanjutkan proses clustering menggunakan K-Means. Hasil penelitian menunjukkan bahwa jumlah cluster yang paling representatif adalah tiga cluster. Evaluasi menggunakan Silhouette Score, Davies–Bouldin Index (DBI), dan Calinski–Harabasz Index (CHI) menghasilkan nilai masing-masing sebesar 0,0336, 4,5271, dan 13,7372. Meskipun tingkat pemisahan antarcluster masih relatif rendah akibat kemiripan topik antarartikel, hasil clustering mampu mengelompokkan artikel ke dalam tiga kelompok utama, yaitu Sistem Informasi, Internet of Things (IoT), dan Sistem Pendukung Keputusan. Penelitian ini diharapkan dapat membantu proses pencarian referensi berdasarkan topik serta memberikan gambaran mengenai persebaran topik penelitian pada prosiding SENATIB.
Analisis Segmentasi Negara Asal Wisatawan Mancanegara ke Indonesia Menggunakan Metode K-Means Clustering Dista Dian Saputri; Angel Tesalonika; Desta Aditya; Satya Yoma; Aprilisa Arum
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 4 (2026): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Jumlah kunjungan wisatawan mancanegara ke Indonesia menunjukkan perbedaan yang cukup beragam jika dilihat berdasarkan negara asalnya. Perbedaan tersebut mencerminkan adanya karakteristik kunjungan yang tidak sama sehingga diperlukan proses segmentasi untuk memperoleh gambaran mengenai kelompok negara dengan pola kunjungan yang serupa. Penelitian ini bertujuan melakukan segmentasi negara asal wisatawan mancanegara menggunakan algoritma K-Means Clustering dengan memanfaatkan data kunjungan wisatawan periode 2020–2025 yang diperoleh dari Badan Pusat Statistik (BPS). Tahapan penelitian meliputi preprocessing data, integrasi dataset, pembentukan empat fitur utama, yaitu total kunjungan, rata-rata kunjungan, standar deviasi, dan growth rate, kemudian dilanjutkan dengan transformasi logaritmik, normalisasi menggunakan MinMax Scaler, serta penentuan jumlah cluster menggunakan Elbow Method dan Silhouette Score. Hasil evaluasi menunjukkan bahwa jumlah cluster yang paling sesuai adalah tiga cluster dengan nilai Silhouette Score sebesar 0,5413. Proses clustering menghasilkan tiga kelompok yang terdiri atas 72 negara, 83 negara, dan 38 negara dengan karakteristik kunjungan yang berbeda. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu mengelompokkan negara asal wisatawan secara cukup baik sehingga dapat dimanfaatkan sebagai informasi pendukung dalam penyusunan strategi promosi dan pengembangan pasar pariwisata Indonesia.
Co-Authors Abdullah Azza Al Abllas Angel Tesalonika Arif Kurniawan Desta Aditya Dista Dian Saputri Nabila Wahyu Ningtias Nasywa Hamna Zakiya Satya Yoma