Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Syntax Literate: Jurnal Ilmiah Indonesia Jurnal Ilmiah SIGMA: Informatics Engineering Journal of UPB
Anggono, Aji
Unknown Affiliation
Humanities Computer Science & IT Decision Sciences, Operations Research & Management Education Environmental Science Law, Crime, Criminology & Criminal Justice Social Sciences Other

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

Found 2 Documents
Search

 1 
Analisis Migrasi Data dalam Implementasi Sap Financial and Controlling pada PT Pos Indonesia Rachmaningtyas, Mutia Dwi; Syaripudin, Rifky; Anggono, Aji
Syntax Literate Jurnal Ilmiah Indonesia
Publisher : CV. Ridwan Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (203.907 KB) | DOI: 10.36418/syntax-literate.v6i8.3876

Abstract

Seiring persaingan industri yang semakin ketat, perusahan menggantikan sistem informasi yang digunakan dalam perusahaan menjadi SAP. SAP merupakan aplikasi yang mendukung berjalannya semua proses bisnis keuangan yang ada disebuah perusahaan. PT Pos merupakan perusahaan yang berkaitan dengan bagian keuangan yang memanfaatkan sistem pelaporan keuangan. Analisis migrasi proses bisnis dalam implementasi SAP Financial and Controlling (FICO) digunakan untuk mengetahui tentang perubahan atau migrasi yang terjadi. Perubahan yang terjadi dapat merubah budaya perusahaan dan juga proses bisnis perusahaan serta bagaimana perusahaan mengatasi semua masalah baik dari segi komunikasi maupun teknis. Tujuan dari penelitian ini adalah untuk mengetahui tentang perubahan atau migrasi yang terjadi telah merubah budaya perusahaan dan juga proses bisnis perusahaan serta bagaimana perusahaan mengatasi semua masalah yang terjadi dalam perubahan yang dilakukana baik dari komunikasi maupun teknis. Teori yang digunakan adalah migrasi proses bisnis untuk menunjang analisis yang dilakukan. Teknik untuk mengumpulkan, menyusun, dan menganalisis data tergantung pada apa yang perlu diketahui tentang proses. Metode pengumpulan data mungkin melibatkan wawancara, pertemuan kelompok fokus, kuesioner, observasi, pengukuran atau pengujian. Pengumpulan data melibatkan menampilkan data dalam format yang sesuai untuk analisis. Temuan analisis dalam migrasi proses bisnis yang dilakukan yaitu semua perubahan proses bisnis yang terjadi sesuai dengan Standar Operating Procedure (SOP) dan menghasilkan SAP Financial and Controlling untuk memenuhi tujuan bisnis yang diharapkan oleh perusahaan.
Named Entity Recognition dan Analisa Jarak dengan Formula Haversine pada P2P Lending yulianto, yogi; Maricha Oki Nur Haryanto, Erry; Dwi Insani, Fajar; Dwi Anggraeni, Meita; Anggono, Aji
Jurnal SIGMA Vol 16 No 2 (2025): September 2025
Publisher : Teknik Informatika, Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37366/sigma.v16i2.7135

Abstract

Named Entity Recognition (NER) is a core task in natural language processing for extracting structured entity information from text. However, funding descriptions on peer-to-peer lending platforms are largely unstructured. This limits reliable identification of funding categories and location-related entities required for subsequent analysis. This study addresses this problem by applying Named Entity Recognition to identify agricultural entities from peer-to-peer lending funding descriptions in Indonesia, combining it with distance analysis. The data used in this study was collected from peer-to-peer lending platforms in Indonesia using web crawling techniques with the Python Selenium library. The collected funding data was used to train and test a Named Entity Recognition model developed using the spaCy library, with entity labeling performed using the Beginning–Inside–Outside (BEIN–IND–OUTS) tagging scheme. Model performance was evaluated using a confusion matrix at the token level. The evaluation results showed that the proposed model achieved 83% accuracy, 94% precision, 82.7% recall, and a 90% F1 score, indicating its ability to detect agricultural entities from lighting descriptions. Furthermore, the collected data containing agricultural entities was processed using the Haversine formula to calculate the distance between the lender and the borrower's location. When compared to Google Maps, the average distance difference was 23.7 kilometers. These results demonstrate that Named Entity Recognition combined with distance analysis can support the preparation of peer-to-peer lending data for further decision-making.
Co-Authors Dwi Anggraeni, Meita Dwi Insani, Fajar Maricha Oki Nur Haryanto, Erry Rachmaningtyas, Mutia Dwi Syaripudin, Rifky Yulianto, Yogi