Article Per Year (5 Year)
p-Index From 2021 - 2026
1.431
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) RABIT: Jurnal Teknologi dan Sistem Informasi Univrab Jurnal Ilmiah Edunomika (JIE) Jurnal Sistem Informasi dan Sains Teknologi Jurnal Mahasiswa Sistem Informasi (JMSI) Jurnal Impresi Indonesia
Riza Adrianti Supono
Universitas Gunadarma
Religion Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS Muhammad Azis Suprayogi; Riza Adrianti Supono
Techno.Com Vol 20, No 4 (2021): November 2021
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v20i4.5094

Abstract

Helpdesk merupakan aplikasi yang bermanfaat bagi pengguna nya untuk memperoleh informasi mengenai layanan yang ada pada sebuah perusahaan atau instansi pemerintah. Proses disposisi tiket helpdesk secara manual dapat menimbulkan kesalahan dalam menentukan unit tujuan tiket serta memperpanjang masa penyelesaian tiket karena adanya waktu tunggu untuk mendisposisikan tiket menuju unit yang sesuai. Klasifikasi teks helpdesk sangat diperlukan untuk mendisposisikan tiket secara tepat dan cepat ke unit yang berwenang menangani tiket. Teks helpdesk diklasifikasi ke dalam 8 kategori unit tujuan yaitu Setditjen, Dit.Humas, Dit.PKNSI, Dit.KND, Dit.BMN, Dit.Penilaian, Dit.PNKNL, dan Dit.Lelang. Klasifikasi menggunakan metode K-Nearest Neighbor (KNN) dengan jumlah tetangga terdekat (k) yaitu k=1,3,5,7,9,11,13,15,17,19 serta metode pembobotan TF-ABS untuk proses seleksi fitur. Jumlah fitur yang digunakan untuk klasifikasi sebanyak 5%, 10%, 15%, 20%, 25% dan 30% dari jumlah seluruh dokumen. Akurasi klasifikasi tertinggi sebesar 90,04% diperoleh pada k=3 dan jumlah fitur sebanyak 15%, sedangkan akurasi terendah 84,54% pada k=19 dan jumlah fitur sebanyak 30%. Hasil klasifikasi helpdesk menggunakan KNN dan TF-ABS dapat menghasilkan akurasi cukup baik.
Perbandingan Metode TF-ABS dan TF-IDF Pada Klasifikasi Teks Helpdesk Menggunakan K-Nearest Neighbor Riza Adrianti Supono; Muhammad Azis Suprayogi
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 5 No 5 (2021): Oktober2021
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (446.78 KB) | DOI: 10.29207/resti.v5i5.3403

Abstract

Distribution of tickets to the destination unit is a very important function in the helpdesk application, but the process of distributing tickets manually by admin officers has drawbacks, namely ticket distribution errors can occur and increase ticket completion time if the number of tickets is large. Helpdesk text classification becomes important to automatically distribute tickets to the appropriate destination units in a short time. This study was conducted to compare the performance of helpdesk text classification at the Directorate General of State Assets of the Ministry of Finance using the K-Nearest Neighbor (KNN) method with the TF-ABS and TF-IDF weighting methods. The research was conducted by collecting complaint documents, preprocessing, word weighting, feature reduction, classification, and testing. Classification using KNN with parameters n_neighbor (k) namely k=1, k=3, k=5, k=7, k=9, k=11, k=13, k=15, k=17, and k=19 to classify 10,537 helpdesk texts into 8 categories. The test uses a confusion matrix based on the accuracy value and score-f1. The test results show that the TF-ABS weighting method is better than TF-IDF with the highest accuracy value of 90.04% at 15% and k=3.
ANALISIS PENGGUNAAN UANG NON TUNAI (CASHLESS) GO-PAY DAN PROSES BISNISNYA PADA TRANSPORTASI ONLINE GO-JEK DENGAN METODE ROOT CAUSE ANALYSIS Ali Muchtar Suryono; Riza Adrianti Supono
Jurnal Mahasiswa Sistem Informasi (JMSI) Vol 2 No 2 (2021): JURNAL MAHASISWA SISTEM INFORMASI (JMSI)
Publisher : Program Studi DIII Sistem Informasi - Universitas Muhammadiyah Metro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24127/jmsi.v2i2.1098

Abstract

Go-Jek menciptakan suatu trobosan baru dimana pelanggan ojek tidak perlu lagi pergi ke pangkalan ojek untuk mendapatkan ojek. Pelanggan dapat memanggil ojek dengan cepat, harga termurah, tanpa beranjak dari tempat mereka berada. Apalagi ditambah dengan adanyauang elektronik Go-Pay, pelanggan tidak harus repot-repot menyediakan uang tunai. Banyaknya kemudahan dan manfaat yang dirasakan oleh konsumen Go-Jek dari adanya fitur Go-Pay, membuat banyak konsumen yang berminat menggunakan transportasi Go-Jek. Tujuan penelitian ini adalah untuk mengetahui penggunaan uang non tunai (cashless) Go-Pay dalam aplikasi Go-Ride pada transportasi ojek online Go-Jek dan proses bisnisnya menggunakan metode analisis Root Cause Analysis (RCA) dengan langkah-langkahnya yaitu pengumpulan data, pemetaan faktor kausal, identifikasi root cause, dan perumusan rekomendasi. Hasil penelitian yang diperoleh adalah pada faktor manfaat, indikator yang perlu mendapatkan perhatian dari Go-Pay adalah memberikan keuntungan tambahan saat menyelesaikan transaksi dan meningkatkan efisiensi dalam melakukan transaksi sehingga perlu dilakukan evaluasi dan perbaikan. Pada faktor kemudahan, indikator yang perlu mendapatkan perhatian dari Go-Pay adalah indikator jelas dan mudah dimengerti, tidak dibutuhkan banyak usaha, mudah digunakan dan mudah dioperasikan dan cepat mahir sehingga perlu dilakukan evaluasi dan perbaikan. Evaluasi dan perbaikan menggunakan Root Case Analysis (RCA) dengan metode “5Why’s” dan menggunakan Failure Mode and Effect Analysis (FMEA). Perbaikan yang telah dilakukan oleh Go-Jek adalah sistem Go-Pay diamankan oleh Gojek SHIELD, Go-Pay telah mendapatkan sertifikasi ISO 27001:2013 Information Security Management System - ISMS atau Sistem Manajemen Keamanan Informasi. Go-Pay memberikan berbagai fitur tambahan melalui Go-Pay Plus yaitu proteksi ekstra untuk saldo Go-Pay, limit lebih besar, kirim-kirim saldo Go-Pay, transfer ke rekening bank, Benefit PayLater, dan Promo eksklusif.
Prediksi Kelancaran Piutang Pelanggan pada PT. Citra Ina Feedmill dengan Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbors Auki Akbar; Riza Adrianti Supono
JURNAL ILMIAH EDUNOMIKA Vol 6, No 1 (2022): EDUNOMIKA : Vol. 06, No. 01, 2022
Publisher : ITB AAS INDONESIA Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29040/jie.v6i1.4692

Abstract

Giving credit to customers is a solution that is often done by business actors today, such as companies. By offering credit solutions, companies can attract potential customers and make it easier for customers to make payments. However, being able to provide credit to customers can cause losses for the company when customers are unable to pay their periodic credits. For this reason, in this study an analysis was carried out to categorize customer payment capabilities using the Naïve Bayes Algorithm and the K-Nearest Neighbors Algorithm. The results of the study, obtained the best data mining model to predict the age classification of customer receivables using the KNN algorithm which is optimized with a feature selection algorithm with an accuracy of 99%. Keywords: algorithm, data mining, KNN, Naïve Bayes, customer receivables
THE BENEFIT ANALYSIS OF P2P LENDING USING SVM WITH TEXTUAL FEATURE AUGMENTATION: ANALISIS MANFAAT P2P LENDING BERBASIS SVM DAN AUGMENTASI FITUR TEKS Rengganis Nurul Aini H; Riza Adrianti Supono
Rabit : Jurnal Teknologi dan Sistem Informasi Univrab Vol 10 No 2 (2025): Juli
Publisher : LPPM Universitas Abdurrab

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36341/rabit.v10i2.5870

Abstract

This study focuses on sentiment analysis of user reviews from the top 10 peer-to-peer (P2P) lending applications using Support Vector Machines (SVM) enhanced with linguistic feature augmentation. A total of 73,955 reviews—approximately 60% in Indonesian and 40% in English—were analyzed. The research included descriptive analysis, text preprocessing, word weighting, data labeling, and data visualization. Textual feature augmentation included sentiment polarity scores, part-of-speech (POS) tag frequencies, and domain-specific keywords extracted from a curated corpus to enrich the input space for classification. The SVM model with a Radial Basis Function (RBF) kernel achieved 91.29% accuracy in classifying positive and negative sentiments. Results indicated a predominantly positive perception among users, as reflected in frequently used terms such as “good,” “easy,” and “fast,” suggesting high user satisfaction. However, concerns regarding security and technical issues were also present, captured by terms such as “verification” and “data.” Word cloud visualizations highlighted key sentiment trends. These findings suggest that while public distrust persists in certain areas, positive sentiments significantly outweigh negative concerns. This provides actionable insights for service providers and policymakers to enhance platform reliability, address user pain points, and foster greater trust in P2P lending services.
Perbandingan Performa Algoritma ARIMA, XGBoost, dan LSTM untuk Prediksi Harga Bitcoin Menggunakan Dataset Publik Ahsan Firdaus; Riza Adrianti Supono
Jurnal Impresi Indonesia Vol. 5 No. 7 (2026): Jurnal Impresi Indonesia
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/jii.v5i7.7957

Abstract

Bitcoin merupakan aset digital berbasis teknologi blockchain yang memiliki karakteristik volatilitas harga tinggi sehingga menyulitkan proses pengambilan keputusan investasi dan meningkatkan kebutuhan akan metode prediksi yang akurat. Seiring meningkatnya adopsi Bitcoin dan transaksi aset kripto di Indonesia, kemampuan memprediksi pergerakan harga menjadi semakin penting bagi investor maupun pelaku industri. Meskipun berbagai penelitian telah mengembangkan model prediksi harga cryptocurrency, kajian komparatif yang membandingkan pendekatan statistik, machine learning, dan deep learning pada dataset yang sama masih terbatas. Oleh karena itu, penelitian ini bertujuan untuk membandingkan performa algoritma Autoregressive Integrated Moving Average (ARIMA), Extreme Gradient Boosting (XGBoost), dan Long Short-Term Memory (LSTM) dalam memprediksi harga harian Bitcoin. Dataset yang digunakan berupa data historis Bitcoin terhadap Rupiah (BTC/IDR) periode 1 Januari 2020 hingga 31 Mei 2025 yang diperoleh dari dataset publik. Tahapan penelitian meliputi pengumpulan data, prapemrosesan data, pembagian data menggunakan metode temporal split dengan rasio 70:30, implementasi model baseline tanpa optimasi hyperparameter, serta evaluasi menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM menghasilkan performa terbaik dengan nilai RMSE sebesar 83.205.260, MAE sebesar 63.429.270, dan MAPE sebesar 4,90%, diikuti oleh XGBoost dengan nilai MAPE sebesar 20,29%, sedangkan ARIMA menghasilkan performa terendah dengan nilai MAPE sebesar 46,44%. Temuan ini menunjukkan bahwa LSTM lebih efektif dalam menangkap pola non-linear dan dependensi temporal pada data harga Bitcoin yang bersifat volatil dibandingkan ARIMA dan XGBoost. Dengan demikian, pendekatan deep learning menggunakan LSTM dapat menjadi alternatif yang lebih baik.
ANALISIS WEBSITE DIGITAL MARKETING DAN PENGARUHNYA TERHADAP MINAT BELI LAYANAN Regista Arrizky; Riza Adrianti Supono
Jurnal Sistem Informasi dan Sains Teknologi Vol 7, No 2 (2025): Jurnal Sistem Informasi dan Sains Teknologi
Publisher : Universitas Trilogi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31326/sistek.v7i2.2416

Abstract

Penelitian ini bertujuan untuk menganalisis pengaruh elemen website digital marketing terhadap minat beli layanan digital. Fokus utama penelitian ini adalah untuk mengetahui bagaimana kecepatan loading, efektivitas Call-to-Action (CTA), dan kemudahan navigasi memengaruhi pengalaman pengguna dan keputusan pembelian. Penelitian ini menggunakan metode kuantitatif dengan menyebarkan survei kepada 100 responden berusia 17–44 tahun yang telah terpapar konten organik dari sebuah digital agency. Data dianalisis menggunakan regresi linier berganda untuk mengukur pengaruh masing-masing variabel terhadap minat beli. Hasil penelitian menunjukkan bahwa kecepatan loading, kualitas CTA, dan kemudahan navigasi berpengaruh signifikan terhadap minat beli. Website yang memuat dengan cepat meningkatkan kenyamanan pengguna, CTA yang efektif mendorong interaksi dan konversi, sedangkan navigasi yang intuitif memperpanjang durasi kunjungan dan keterlibatan pengguna. Ketiga elemen ini secara kolektif berkontribusi pada pengalaman pengguna yang positif dan mendorong perilaku pembelian. Temuan ini menegaskan pentingnya optimalisasi website dalam strategi digital marketing. Digital agency dan pelaku bisnis lainnya dapat memanfaatkan temuan ini untuk meningkatkan performa website dan daya saing.
Co-Authors Ahsan Firdaus Ali Muchtar Suryono Auki Akbar Muhammad Azis Suprayogi Regista Arrizky Rengganis Nurul Aini H