Article Per Year (5 Year)
p-Index From 2020 - 2025
0.659
P-Index
This Author published in this journals
All Journal JSI (Jurnal sistem Informasi) Universitas Suryadarma Technologia: Jurnal Ilmiah Jurnal Manajemen Informatika dan Sistem Informasi
Syarah Seimahuira
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
IMPLEMENTASI DATAMINING DALAM MENENTUKAN DESTINASI UNGGULAN BERDASARKAN ONLINE REVIEWS TRIPADVISOR MENGGUNAKAN ALGORITMA K-MEANS Syarah Seimahuira
Technologia : Jurnal Ilmiah Vol 12, No 1 (2021): Technologia (Januari)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (287.552 KB) | DOI: 10.31602/tji.v12i1.4229

Abstract

Pariwisasta merupakan salah satu industri yang memiliki pertumbuhan tercepat diseluruh negara khususnya pada Asia Timur. Hal tersebut menjadikan pariwisata sebagai sektor yang cepat dikembangkan dalam dunia startup salah satunya adalah TripAdvisor yang merupakan platform informasi wisata terbesar di dunia. Dalam meningkatkan layanannya kepada pengguna, TripAdvisor melakukan online review untuk mendapatkan rating berdasarkan pengalaman perjalanan wisata pada berbagai destinasi. Penerapan datamining mampu menjadi alat bantu dalam mengelola data online review yang berukuran besar. Datamining wisata memiliki potensi yang besar untuk dipelajari sehingga diketahui pola tersembunyi dalam kumpulan rating tersebut. Dataset online review memiliki atribut asal sebanyak 11 yang dikelola menjadi 10 atribut, dengan jumlah keseluruhan 980 record dan dilakukan prapemrosesan sehingga diketahui data yang di-clustering­-kan sebanyak 2 cluster. Metode Clustering dengan menerapkan algoritma K-Means mampu mengelompokan data rating pengguna layanan dengan baik. Hal tersebut dibuktikan dengan nilai Davies-Bouldin Index yang bernilai 0.134 serta dapat membatu dalam mengambil keputusan selanjutnya dan mengembangkan destinasi unggulan tersebut. Sehingga dapat diketahui destinasi unggulan berdasarkan cluster pada C1 yakni  picnic/parks spot (PS) = 3.177, religion institution (RI) = 2.925, beach (BC) = 2.854,  resorts (RE) = 1.625, dan theaters (TH) = 1.597.Kata Kunci: Pariwisata, Clustering, K-Means, Davies-Bouldin Index
PEMBUATAN APLIKASI NOTES KULIAH BERBASIS ANDROID (STUDI KASUS: UNIVERSITAS BINA SARANA INFORMATIKA) Syarah Seimahuira; Saifuddaulah Alfarabi; Sabili Noor Arba; Gatot Andil Pratama
JSI (Jurnal sistem Informasi) Universitas Suryadarma Vol 10, No 2 (2023): JSI (Jurnal sistem Informasi) Universitas Suryadarma
Publisher : Universitas Dirgantara Marsekal Suryadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35968/jsi.v10i2.1093

Abstract

AbstrakPenelitian membahas terkait rancangan aplikasi yang diperuntukkan bagi mahasiswa di perguruan tinggi Universitas Bina Sarana Informatika dalam melakukan pencatatan tugas kuliah. Aplikasi ini menjadi suatu platform yang memungkinkan mahasiswa membuat dan mengatur catatan untuk tugas kuliah berbasis mobile yang dibangun dengan bahasa pemrogramman Java dan menggunakan SQLite. Dalam pengembangannya aplikasi menerapkan metode object oriented dengan UML Dari hasil analisa kebutuhan dan rancang sistem dilanjutkan dengan pembuatan desain usecase, class diagram, sequence diagram, activity diagram dan flowcart program. Aplikasi ditunjang dengan berbagai fitur diantaranya kemampuan membuat dan mengedit catatan, mengategorikan catatan berdasarkan kode mata kuliah, judul atau deskripsi tugas dan dipermudah dengan fitur akses link e-learning kampus. Keywords: Aplikasi Mobile, Java, SQLite, Notes
ANALISIS ALGORITMA GRADIENT BOOSTING DALAM PENGARUH MASYARAKAT MEMILIH RUMAH SEWA Rizka Dahlia; Lady Agustin Fitriana; Syarah Seimahuira
Jurnal Manajemen Informatika dan Sistem Informasi Vol. 8 No. 1 (2025): MISI Januari 2025
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/misi.v8i1.1356

Abstract

Tingginya pertumbuhan populasi yang tidak sejalan dengan ketersediaan lahan perumahan telah menimbulkan tantangan yang kompleks, terutama terkait dengan peningkatan harga tanah yang berujung pada naiknya harga rumah. Rumah sewa hadir menjadi alternatif yang semakin penting bagi masyarakat untuk mendapatkan tempat tinggal yang layak. Selain itu, rumah sewa juga memberikan peluang bisnis yang menguntungkan bagi pemilik properti dan penyedia jasa sewa. Untuk membantu masyarakat dalam memilih rumah sewa yang sesuai dengan kebutuhan mereka, penerapan algoritma Gradient Boosting dapat menjadi solusi yang efektif. Algoritma ini bekerja dengan cara membangun serangkaian model prediktif secara berurutan, di mana setiap model mencoba memperbaiki kesalahan yang dihasilkan oleh model sebelumnya. Sebagai salah satu metode dalam machine learning, Gradient Boosting termasuk dalam kategori ensemble learning, yang membangun model yang kuat dari gabungan beberapa model yang relatif lebih lemah. Penelitian ini menggunakan data dari repository Kaggle dan menemukan bahwa algoritma Gradient Boosting menunjukkan kinerja yang sangat menjanjikan dalam memprediksi harga sewa rumah, dengan tingkat akurasi mencapai 84,38%. Evaluasi lebih lanjut menggunakan metrik Area Under the Curve (AUC) menunjukkan hasil sebesar 92,65%, yang mengindikasikan kemampuan algoritma ini dalam memprediksi baik data positif maupun negatif dengan akurasi yang tinggi. Hasil penelitian ini menunjukkan bahwa Gradient Boosting memiliki potensi besar sebagai alat bantu dalam memprediksi harga sewa rumah secara akurat, serta membantu mengatasi tantangan ketersediaan perumahan yang terjangkau.
Co-Authors Gatot Andil Pratama Lady Agustin Fitriana Rizka Dahlia Sabili Noor Arba Saifuddaulah Alfarabi