Garuda - Garba Rujukan Digital

Model Aturan Asosiasi Apriori FP-Growth Kosmetik Elvi Dewi Purnama Sari Simanjuntak; Rikshintia Panjaitan; Ester Agnesya Nainggolan; Agung Permana Parangin-angin; Indra M Sarkis S
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4529

Pertumbuhan industri kosmetik di Indonesia yang semakin pesat meningkatkan volume dan variasi transaksi penjualan, sehingga pelaku usaha ritel kosmetik dituntut memahami pola pembelian konsumen guna menyusun rekomendasi produk, strategi cross-selling, serta penataan rak yang tepat sasaran. Penelitian ini menerapkan Market Basket Analysis melalui Algoritma Apriori dan FP-Growth untuk membentuk Association Rule dari 355 transaksi penjualan 13 jenis produk kosmetik. Nilai minimum support 5% dan minimum confidence 30% dipilih agar kombinasi item berfrekuensi sedang tetap tercakup dalam analisis, namun pola yang bersifat kebetulan dapat dihindari. Kedua algoritma menghasilkan 89 frequent itemset dan 21 Association Rule yang identik, menegaskan bahwa perbedaan keduanya hanya terletak pada strategi pencarian, bukan pada akurasi maupun kelengkapan hasil. Pola asosiasi paling signifikan (lift ratio > 1) ditemukan pada pasangan Toner dengan Sunscreen, Eyeliner dengan Powder, Toner dengan Foundation, serta Foundation dengan Mascara, yang menunjukkan keterkaitan pembelian positif antar produk skincare maupun makeup. Aturan-aturan tersebut diterjemahkan menjadi empat paket bundling siap terap, yaitu Rutinitas Skincare Dasar, Base Makeup Wajah, Makeup Mata & Wajah, serta Lip & Glow. Secara manajerial, keempat paket bundling ini dapat dimanfaatkan pelaku usaha ritel kosmetik untuk mendukung strategi cross-selling, efisiensi penataan rak, dan peningkatan nilai transaksi rata-rata pelanggan.

Analisis Faktor-Faktor Yang Mempengaruhi Harga Rumah di DKI Jakarta Menggunakan Metode Regresi Linear Berganda Rike Crisjulyani Lumban Raja; Grahel Simanjuntak; Steven Prananta Tarigan; Indra M Sarkis S
Jurnal Teknologi Sistem Informasi Vol 7 No 2 (2026): Jurnal Teknologi Sistem Informasi
Publisher : Program Studi Sistem Informasi, Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jtsi.v7i2.17249

Harga rumah di DKI Jakarta terus mengalami kenaikan signifikan seiring tingginya permintaan hunian di wilayah perkotaan. Penelitian ini mengkaji pengaruh lima variabel independen (jumlah kamar tidur, kamar mandi, carport, luas tanah, dan luas bangunan) terhadap harga rumah di DKI Jakarta menggunakan regresi linear berganda dengan pendekatan Ordinary Least Squares (OLS). Data sekunder dari platform Kaggle diolah menggunakan RapidMiner melalui dua skenario pengujian: tiga subset data sampel (masing-masing 500 data) dan lima wilayah administratif DKI Jakarta (masing-masing 500 data). Hasil analisis menunjukkan bahwa tingkat signifikansi dan arah pengaruh variabel independen bervariasi antar subset dan wilayah. Luas tanah dan luas bangunan secara umum menjadi faktor paling dominan dengan kontribusi positif. Kamar mandi dan carport dominan berpengaruh positif, sedangkan jumlah kamar tidur pada beberapa subset/wilayah menunjukkan pengaruh negatif. Evaluasi model menggunakan koefisien determinasi 〖(R〗^2) menghasilkan nilai antara 0,488 hingga 0,834, tertinggi pada Jakarta Utara (R^2=0,834) dan terendah pada Data 1001–1500 (R^2=0,488). Pengujian asumsi klasik menunjukkan model bebas dari multikolinearitas berat (nilai Tolerance > 0,10). Hasil ini memberikan implikasi praktis bagi pengembang, calon pembeli, dan pembuat kebijakan perumahan di DKI Jakarta.

Prediksi Penyakit Jantung Dengan Algoritma Naïve Bayes Rieno Larusta Silalahi; Gabriel Bastanta Tarigan; Yekristia Aprian Sinuhaji; Indra M Sarkis S
Jurnal Sistem Informasi dan Teknologi Vol 6 No 3 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i3.328

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia dengan jumlah kasus yang terus meningkat setiap tahun. Deteksi dini menjadi faktor krusial dalam menurunkan angka kematian, namun masyarakat seringkali enggan melakukan pemeriksaan karena keterbatasan waktu dan antrian panjang di fasilitas kesehatan. Penelitian ini bertujuan untuk membangun dan mengevaluasi model prediksi serangan jantung menggunakan algoritma Naïve Bayes berbasis data rekam medis pasien. Dataset yang digunakan adalah Heart Attack Dataset dari Kaggle yang terdiri dari 1.319 data dengan sembilan variabel, meliputi usia, jenis kelamin, denyut nadi, tekanan darah sistolik dan diastolik, kadar glukosa, enzim KCM (CK-MB), troponin, dan target klasifikasi berupa positive (terdeteksi serangan jantung) atau negative (tidak terdeteksi). Metode yang diterapkan menggunakan algoritma Naïve Bayes yang diimplementasikan melalui aplikasi RapidMiner dengan pembagian data 80:20 untuk data latih dan data uji. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu memprediksi serangan jantung dengan akurasi sebesar 72,18%, presisi 93,86%, recall 58,52%, dan F1-Score 72,08%. Berdasarkan evaluasi menggunakan confusion matrix, model menunjukkan performa yang sangat baik dalam memprediksi kasus negatif (TN=478) dengan tingkat kesalahan positif yang rendah (FP=31), namun masih memiliki keterbatasan dalam mendeteksi kasus positif (TP=474) dengan false negative yang cukup tinggi (FN=336). Faktor dominan yang mempengaruhi prediksi adalah troponin, yang merupakan biomarker utama kerusakan otot jantung, diikuti oleh KCM (CK-MB), usia, dan tekanan darah. Temuan ini sejalan dengan penelitian klinis yang menyatakan bahwa troponin merupakan biomarker gold standard untuk diagnosis serangan jantung.

Prediksi Penyakit Jantung Dengan Algoritma Naïve Bayes Rieno Larusta Silalahi; Gabriel Bastanta Tarigan; Yekristia Aprian Sinuhaji; Indra M Sarkis S
Jurnal Sistem Informasi dan Teknologi Vol 6 No 3 (2026): Jurnal Sistem Informasi dan Teknologi (SINTEK)
Publisher : LPPM STMIK KUWERA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56995/sintek.v6i3.328

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia dengan jumlah kasus yang terus meningkat setiap tahun. Deteksi dini menjadi faktor krusial dalam menurunkan angka kematian, namun masyarakat seringkali enggan melakukan pemeriksaan karena keterbatasan waktu dan antrian panjang di fasilitas kesehatan. Penelitian ini bertujuan untuk membangun dan mengevaluasi model prediksi serangan jantung menggunakan algoritma Naïve Bayes berbasis data rekam medis pasien. Dataset yang digunakan adalah Heart Attack Dataset dari Kaggle yang terdiri dari 1.319 data dengan sembilan variabel, meliputi usia, jenis kelamin, denyut nadi, tekanan darah sistolik dan diastolik, kadar glukosa, enzim KCM (CK-MB), troponin, dan target klasifikasi berupa positive (terdeteksi serangan jantung) atau negative (tidak terdeteksi). Metode yang diterapkan menggunakan algoritma Naïve Bayes yang diimplementasikan melalui aplikasi RapidMiner dengan pembagian data 80:20 untuk data latih dan data uji. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu memprediksi serangan jantung dengan akurasi sebesar 72,18%, presisi 93,86%, recall 58,52%, dan F1-Score 72,08%. Berdasarkan evaluasi menggunakan confusion matrix, model menunjukkan performa yang sangat baik dalam memprediksi kasus negatif (TN=478) dengan tingkat kesalahan positif yang rendah (FP=31), namun masih memiliki keterbatasan dalam mendeteksi kasus positif (TP=474) dengan false negative yang cukup tinggi (FN=336). Faktor dominan yang mempengaruhi prediksi adalah troponin, yang merupakan biomarker utama kerusakan otot jantung, diikuti oleh KCM (CK-MB), usia, dan tekanan darah. Temuan ini sejalan dengan penelitian klinis yang menyatakan bahwa troponin merupakan biomarker gold standard untuk diagnosis serangan jantung.

Segmentasi Perilaku Belanja Pelanggan dengan K-Means Clustering Nabila Amanda; Steaven Yehezkiel Sidabutar; Dominikus Zemika Pratama; Audy Rizky Butar Butar; Indra M Sarkis S
Jurnal Sistem Informasi dan Teknologi Jaringan Vol 7 No 2 (2026): September
Publisher : CV. ADMITECH SOLUTIONS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63703/sisfotekjar.v7i2.204

Penelitian ini bertujuan mengelompokkan konsumen berdasarkan pendapatan tahunan dan skor belanja menggunakan metode K-Means Clustering agar diperoleh segmen konsumen yang lebih seragam untuk merumuskan strategi pemasaran. Desain/metode/pendekatan: Dataset yang digunakan adalah Mall Customer Segmentation Data dari Kaggle dengan 200 data konsumen. Tahapan meliputi praproses data, normalisasi Z-score, penentuan jumlah cluster optimal dengan metode Elbow dan Silhouette Score untuk k = 2 hingga k = 10, serta pembentukan model K-Means. Temuan/hasil: k = 5 memberikan Silhouette Score tertinggi, yaitu 0,5547. Model lima cluster membentuk segmen Pelanggan Standar (40,5%), Premium (19,5%), Impulsif (11,0%), Hemat (17,5%), dan Pasif (11,5%). Kesimpulan: Hasil segmentasi dapat menjadi landasan bagi manajemen ritel dalam merumuskan strategi pemasaran yang lebih individual dan efisien.

Title

Found 5 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 5 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 5 Documents
Search