Article Per Year (5 Year)
p-Index From 2021 - 2026
9.185
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Jurnal Khatulistiwa Informatika JIEET (Journal of Information Engineering and Educational Technology) JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Ilmu Teknik dan Komputer JIKA (Jurnal Informatika) Jurnal Teknik Informatika (JUTIF) Jurnal Informatika Terpadu TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi Journal of Software Engineering and Information System (SEIS) Jurnal Kecerdasan Buatan dan Teknologi Informasi Informasi interaktif : jurnal informatika dan teknologi informasi
Prihartono, Willy
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 77 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 77 Documents
Search

 4   5   6   7   8 
OPTIMALISASI UPAYA PENCEGAHAN STUNTING PADA BALITA DI KOTA CIREBON MENGGUNAKAN METODE NAÏVE BAYES Lita, Arlita lita; Prihartono, Willy; Rohmat, Cep Lukman
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.5868

Abstract

Abstrak. Stunting adalah kondisi kekurangan gizi kronis yang menyebabkan tinggi badan anak berada di bawah standar usianya. Di Puskesmas Nelayan Kota Cirebon, prevalensi stunting pada balita cukup tinggi akibat pola makan yang kurang baik, minimnya pengetahuan gizi orang tua, dan akses terbatas pada makanan bergizi. Penelitian ini bertujuan untuk mengoptimalkan peran Posyandu dalam pencegahan stunting pada balita melalui klasifikasi pembagian makanan berdasarkan usia, berat badan, tinggi badan, dan lingkar lengan atas (LILA) menggunakan metode Naïve Bayes. Penelitian dilakukan di Puskesmas Nelayan Kota Cirebon dengan menggunakan data antropometrik balita sebagai dasar analisis. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu mengklasifikasikan status gizi balita dengan tingkat akurasi yang memadai, sehingga dapat digunakan sebagai referensi dalam merancang strategi distribusi makanan yang lebih terarah. Temuan ini memberikan kontribusi terhadap pengembangan strategi intervensi stunting yang lebih efektif di masa mendatang.
OPTIMASI STOK DENGAN CLUSTERING DATA TRANSAKSI PENJUALAN MENGGUNAKAN ALGORITMA K-MEANS DI KONTER AGUNG CELL RAHMAWATI, RULI; Prihartono, Willy; ., Fathurrohman
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6302

Abstract

Pengelolaan stok barang yang tidak optimal menjadi tantangan utama bagi usaha kecil seperti Konter Seluler Agung Cell. Penelitian ini bertujuan untuk mengidentifikasi pola pembelian pelanggan serta mengoptimalkan pengelolaan stok melalui penerapan algoritma K-Means yang diimplementasikan menggunakan perangkat lunak RapidMiner. Pemilihan algoritma K-Means didasarkan pada efektivitasnya dalam menganalisis data berukuran besar secara sistematis.  Data penelitian diperoleh melalui observasi langsung dan mencakup 500 transaksi penjualan selama periode 1 Juli hingga 1 Agustus 2024. Variabel yang digunakan meliputi kategori produk, quantity, harga jual, dan total harga. Pemilihan data ini dilakukan agar analisis dapat difokuskan pada variabel yang relevan untuk mengidentifikasi pola pembelian konsumen. Metode analisis data dilakukan berdasarkan pendekatan Knowledge Discovery in Databases (KDD) meliputi tahapan Data Selection, preprocessing, transformation, data mining, dan evaluation.  Analisis ini menggunakan 500 data transaksi penjualan. Penelitian ini menghasilkan beberapa Cluster, Analisis menunjukan konfigurasi Cluster 3 sebagai yang terbaik, dengan nilai Davies-Bouldin Index (DBI) terendah, yaitu 0,913 dari beberapa cluster yang diuji coba.  Temuan ini memungkinkan identifikasi pola pembelian pelanggan yang lebih jelas, sehingga dapat membantu dalam pengelolaan stok yang lebih efisien dan tepat sasaran.
ANALISIS SENTIMEN ULASAN GOOGLE MAPS RUMAH SAKIT KHALISHAH DI CIREBON DENGAN ALGORITMA NAIVE BAYES RIZKI, ALVA FAUZIR; Prihartono, Willy; rohman, Fathur
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6309

Abstract

Rumah Sakit Khalishah merupakan fasilitas kesehatan di Kabupaten Cirebon, dan dengan kemajuan teknologi informasi, analisis sentimen menjadi metode yang efektif untuk memahami pandangan masyarakat terhadap layanan dan fasilitas kesehatan. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat dengan algoritma Naïve Bayes, menggunakan data ulasan dari platform Google Maps. Data dikumpulkan dengan teknik web scraping dan diproses melalui tahapan pra-pemrosesan teks, termasuk pembersihan, normalisasi, tokenisasi, penghapusan stopwords, dan stemming. Teknik TF-IDF digunakan untuk memberi bobot pada kata-kata dalam teks sebelum dilakukan pemodelan sentimen. Hasil evaluasi menunjukkan bahwa algoritma Naïve Bayes mencapai accuracy 84%, precision 89%, recall 91%, dan F1-score 90%. Temuan analisis menunjukkan bahwa mayoritas ulasan masyarakat bernada positif, mencerminkan tingkat kepuasan tinggi terhadap layanan rumah sakit. Namun, ulasan negatif mengindikasikan perlunya peningkatan di beberapa aspek, seperti efisiensi administrasi dan kenyamanan fasilitas. Penelitian ini memberikan kontribusi bagi manajemen Rumah Sakit Khalishah untuk meningkatkan layanan dan fasilitas serta sebagai acuan bagi pengambilan keputusan strategis di sektor Kesehatan.
SEGMENTASI KONSUMEN DI PASARMU.ID MENGGUNAKAN K-MEANS CLUSTERING BERDASARKAN MODEL RFM Jihan, Aminatun; Prihartono, Willy; ., Fathurrohman
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6327

Abstract

Kemajuan teknologi mempermudah pengelolaan data pelanggan, meningkatkan efisiensi operasional bisnis. Penelitian ini menggunakan algoritma K-Means Clustering untuk mengelompokkan pelanggan Pasarmu.id berdasarkan model RFM (Recency, Frequency, Monetary) guna memahami pola belanja mereka. Penelitian ini mengikuti metode Knowledge Discovery in Databases (KDD) yang meliputi pemilihan data, prapemrosesan, transformasi, klasterisasi, dan evaluasi hasil menggunakan Davies-Bouldin Index (DBI) untuk menentukan jumlah klaster optimal. Hasil segmentasi membagi pelanggan menjadi tiga kelompok: Golden Customer (Frequency dan Monetary tinggi, Recency rendah), Platinum Customer (Recency tinggi, Frequency dan Monetary sedang), dan Silver Customer (Recency tinggi, Frequency dan Monetary rendah). Visualisasi hasil memperlihatkan karakteristik tiap kelompok, membantu strategi pemasaran yang lebih tepat sasaran: program loyalitas dan diskon untuk Golden Customer, promosi peningkatan transaksi bagi Platinum Customer, serta penawaran khusus untuk Silver Customer agar lebih aktif berbelanja. Pendekatan berbasis data ini diharapkan dapat meningkatkan efektivitas pemasaran, membangun loyalitas pelanggan, serta meningkatkan pendapatan Pasarmu.id, sekaligus menegaskan pentingnya analisis data dalam merancang strategi pemasaran yang lebih personal dan relevan.
IMPLEMENTASI ALGORITMA FP-GROWTH UNTUK MENINGKATKAN PEMASARAN PRODUK MINUMAN BOBA BERBASIS PYTHON (STUDI KASUS: KEDAI NGENYOD'S DESA BOGOR INDRAMAYU) Erpian, Soni; Astuti, Rini; Prihartono, Willy; Hamonangan, Ryan
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6341

Abstract

Penelitian ini menganalisis pola pembelian produk di Kedai "Ngenyod'S", dengan menggunakan algoritma FP-Growth untuk meningkatkan strategi pemasaranPola pembelian pelanggan sangat penting untuk membuat strategi promosi yang lebih baik dan mengelola stok.  Salah satu masalah yang dihadapi adalah tidak memanfaatkan data transaksi secara efektif saat menentukan strategi pemasaran.  Akibatnya, tujuan penelitian ini adalah menerapkan algoritma FP-Growth untuk menemukan itemsets sering dan pola asosiasi yang dapat digunakan dalam strategi bisnis berbasis data.  Proses penelitian ini terdiri dari beberapa langkah: pengumpulan data transaksi, preprocessing data, penerapan algoritma FP-Growth, dan analisis hasil dengan mempertimbangkan nilai dukungan dan kepercayaan tertentu. Dataset yang digunakan mencakup 508 penjualan dengan atribut seperti tanggal penjualan, nama produk, jumlah penjualan, harga satuan, dan pendapatan total.  Hasil penelitian menunjukkan bahwa beberapa produk, seperti Milo Milk dan Milo Ori, memiliki pola pembelian yang kuat dengan keyakinan sebesar 70%. Pola ini memberikan wawasan untuk strategi pemasaran, seperti menerapkan promosi bundling atau diskon untuk produk terkait.  Selain itu, penelitian ini menemukan bahwa algoritma FP-Growth lebih efisien dalam analisis data transaksi dibandingkan dengan metode konvensional. Kesimpulannya adalah bahwa penggunaan algoritma FP-Growth dapat membantu bisnis menemukan pola pembelian pelanggan, meningkatkan efisiensi pemasaran, dan mengoptimalkan manajemen stok. Studi ini membantu mengembangkan sistem rekomendasi berbasis pola pembelian yang dapat digunakan dalam bisnis ritel, terutama usaha kecil dan menengah.  Memperluas atribut dataset dan menggabungkan teknik lain seperti algoritma Apriori untuk mendapatkan hasil yang lebih lengkap adalah saran untuk penelitian lanjutan. Model serupa juga dapat diterapkan untuk meningkatkan efisiensi pemasaran berbasis data di berbagai industri bisnis lain.
PENERAPAN NAIVE BAYES UNTUK ANALISIS SENTIMEN PADA ULASAN PELANGGAN DI LAZADA: STUDI KASUS TOKO MAWAR COLLECTION Al Lutfani, Thariq Kemal; Astuti, Rini; Prihartono, Willy; Hamonangan, Ryan
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6391

Abstract

Penelitian ini memanfaatkan algoritma Naive Bayes untuk menganalisis sentimen ulasan pelanggan terhadap toko Baju Mawar Collection di platform Lazada.Hasil eksperimen menunjukkan bahwa model yang dikembangkan mencapai akurasi 94%, presisi 96%, recall 98%, dan F1-score 97%. Temuan ini menunjukkan bahwa pendekatan Naive Bayes mampu secara efektif mengenali pola sentimen dalam ulasan data, meskipun terdapat kombinasi antara ulasan positif dan negatif. 
OPTIMASI MODEL XGBOOST UNTUK PREDIKSI PENYAKIT JANTUNG MENGGUNAKAN OPTUNA Optarina, Yasni; Suarna, Nana; Bahtiar, Agus; Rahaningsih, Nining; Prihartono, Willy
Jurnal Rekayasa Perangkat Lunak dan Sistem Informasi Vol. 6 No. 1 (2026)
Publisher : Department of Information System Muhammadiyah University of Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/seis.v6i1.10527

Abstract

Heart disease is one of the leading causes of mortality worldwide, emphasizing the need for accurate early detection systems. Machine learning models such as XGBoost have demonstrated strong performance in medical classification tasks; however, their effectiveness is highly dependent on optimal hyperparameter configurations. This study aims to improve the performance of XGBoost for heart disease classification by applying hyperparameter optimization using the Optuna framework with the Tree-structured Parzen Estimator (TPE) algorithm. The UCI Heart Disease dataset, consisting of 918 records, is used in this study. To address class imbalance, the Synthetic Minority Oversampling Technique (SMOTE) is applied to the training data. Model performance is evaluated using accuracy, precision, recall, F1-score, and ROC-AUC metrics. The experimental results show that the optimized XGBoost model achieves an accuracy of 89.13%, outperforming the baseline model with 87.50%, and improves recall from 87.50% to 89.10%. In addition, the optimized model attains a higher ROC-AUC value of 0.9319, indicating improved classification stability. These findings demonstrate that Optuna-based hyperparameter optimization effectively enhances the performance and reliability of XGBoost, making it suitable for supporting early heart disease diagnosis in medical decision support systems.
Co-Authors ., Fathurrohman Agustin, Nia Aini Nurul Ainisa, Nurul Al Lutfani, Thariq Kemal Al Maeni, Nurul Ameliana, Nikan Apriliansyah, Rizal Dwi Rizki Aprilla, Anggita Arifqi, Tri Astuti , Rini Ayu Azzahra, Fadita Ayuni, Putri DAIPAH, IIP IMRON Dalifah, Nurul Dita, Fio Eka Permana, Sandy Erpian, Soni Fachry Abda El Rahman Fathur Rohman, Fathur Fathurrohman Fathurrohman Faturrohman, Faturrohman Faujia, Agnes Firmansyah, Fajar Gifthera Dwilestari Gunawan, Sepriyan Haikal, Harisman Hamonangan, Ryan Haryandini, Nur Anindya Putri Herdiana, Rulli Herdiana, Rully Hidayah, Nurni Hidayat, Pierre Galuh HIDAYATULLAH, NAUFAL ARIF Hoeriah, Dede Jannah, Nursuviyani Jihan, Aminatun Julianti, Okta Nur Kholifa, Nur Kusmawanti, Nisa Laksamana, Patria Gita Lita, Arlita lita Maulana, Aldi Maulida, Nida Mega Fatimah Rosana Muharromah, Oom Nining Rahaningsih Nur Amalia, Ocsana Nur Apriliani, Nur Nur Kirana, Anita Nur Pangestika, Fanny Nurdin Nurhakim, Bani Nurhayah, Nurhayah Nuri Nuri Nurjanah, Nurul Nurliana, Nicky NURUL AZIZAH Nurwanda, Nurwanda Nurzaman Nurzaman Odi Nurdiawan OKTAVIANI, ERNA Oktaviany, Nurul Optarina, Yasni Peni Peni Permana, Sandy Eka PUJI LESTARI Putriana, Puput RAHMAWATI, RULI Retnasari, Peni Rini Astuti RIZKI, ALVA FAUZIR Rohmat, Cep Lukman Rosiana, Rosa Salsabila, Fauhan saninah, annisa Saniyah, Nilta Sayuti Hanapiah, Neneng Suarna, Nana Zaelani, Nursehan