Article Per Year (5 Year)
p-Index From 2021 - 2026
1.037
P-Index
This Author published in this journals
All Journal Indonesian Journal on Software Engineering (IJSE) INOVTEK Polbeng - Seri Informatika INTECOMS: Journal of Information Technology and Computer Science REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Infotek : Jurnal Informatika dan Teknologi Jurnal Komputer Antartika
Umi Faddillah
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Pemodelan Enterprise Arsitektur Sistem Informasi Penjualan Obat Menggunakan Kerangka TOGAF ADM Umi Faddillah; Nurfia Oktaviani Syamsiah; Indah Purwandani
Indonesian Journal on Software Engineering (IJSE) Vol 5, No 1 (2019): IJSE 2019
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (348.312 KB) | DOI: 10.31294/ijse.v5i1.5871

Abstract

Abstract: Enterprise information system architecture has covered various fields, one of which is the pharmaceutical industry which has also changed significantly. Pharmaceutical companies and all business lines around the world are forced to reconsider their business priorities and strategies to deal with uncertainty, volatility and complexity. Where it will be handled in the presence of an integrated system. In this research the implementation of information system technology is carried out by implementing the TOGAF ADM framework that will help companies in architectural modeling starting from designing system architecture, business process architecture, drug sales information system architecture, technology architecture, several proposed architectural designs for business opportunities, and proposals system changes running. The result is that the enterprise modeling information system sales architecture to produce architectural blueprints can be done in six stages in the TOGAF ADM framework. Keywords: TOGAF, Sales, Pharmaceutical
Analisa Penjualan Perlengkapan Olahraga Pada HS Sport Menggunakan Metode Apriori Bibit Sudarsono; Umi Faddillah; Ayuni Asistyasari; Yosep Nuryaman
Jurnal Inovtek Polbeng Seri Informatika Vol 6, No 2 (2021)
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/isi.v6i2.2066

Abstract

Covid-19 yang masih tidak kunjung pulih di Indonesia membuat banyak lini bisnis menjadi terganggu, bahkan beberapa diantaranya harus tutup secara permanen. Salah satu perusahaan yang tidak luput dari efek Covid-19 adalah HS SPORT. HS SPORT sebagai salah satu penjual alat-alat olah raga berupaya sebisa mungkin agar bertahan di masa Covid-19 ini. Salah satu cara yang digunakan oleh HS SPORT yaitu dengan memberikan promosi paket penjualan alat olah raga. Oleh sebab itu maka dilakukan penelitian terhadap data penjualan selama satu tahun terakhir selama pandemi menggunakan Algoritma apriori. Dan berdasarkan perhitunganyang telah dilakukan menggunakan Algoritma Apriori menghasilkan produk yang paling banyak terjual memenuhi syarat minimum confidence 70% seperti jika membeli body protector maka akan membeli hand protector 79%.
Implementasi Data Mining Untuk Memprediksi Penyakit Diabetes Menggunakan Algoritma Naives Bayes dan K-Nearest Neighbor Fitrokh Nur Ikhromr; Ipin Sugiyarto; Umi Faddillah; Bibit Sudarsono
INTECOMS: Journal of Information Technology and Computer Science Vol 6 No 1 (2023): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v6i1.5916

Abstract

Diabetes merupakan salah satu penyakit kronis penyebab kematian tertinggi di Indonesia berdasarkan data Riskesdas 2018 menunjukkan jumlah keseluruhan kasus penyakit diabetes yang ada di Indonesia yakni sebesar 8.5 %, meningkat dibandingkan data Riskesdas 2013 yang hanya sebesar 6.9 %. Salah satu faktor penyebab penyakit diabetes adalah obesitas yang tidak tertangani. Pada pasien Pra diabetes ditandai dengan gula darah yang naik. Permasalahan tersebut menjadi sangat penting untuk memprediksi secara dini sebagai langkah antisipasi untuk menekan kasus diabetes. Penelitian ini dilakukan dengan menggunakan metode klasifikasi dalam penggalian data untuk mencari informasi penting pasien diabetes. Algoritma Naïve Bayes dan K-Nearest Neighbor digunakan untuk penyelesaian kasus ini. Performa algoritma Naïve Bayes dan K-Nearest Neighbor menjadi bagian evaluasi untuk mencari algortima terbaik. Hasil evaluasi, menggunakan 2000 data pasien diabetes dengan metode K- Nearest Neighbor memiliki hasil accuracy sebesar 99% sedangkan Naïve Bayes memiliki hasil accuracy sejumlah 75%, selisih akurasi terhadap dua metode tersebut sejumlah 24%. Selanjutnya, dari hasil evaluasi uji coba model mengunakan 30 data yang dibagi menjadi data uji dan data latih, menggunakan K-Nearest Neighbor memiliki hasil accuracy sejumlah 53%, sedangkan Naïve Bayes memiliki hasil accuracy sejumlah 66%, memiliki selisih accuracy sejumlah 13%. Dapat disimpulkan bahwa perbandingan implementasi untuk mengklasifikasikan prediksi diabetes dengan menggunakan 2000 data dan 30 data untuk uji coba model K-Nearest Neighbor dan Naïve Bayes menghasilkan accuracy yang berbeda. Pada implementasi untuk mengklasifikasikan prediksi diabetes dengan 2000 data algoritma K- Nearest Neighbor dapat menghasilkan tingkat nilai accuracy prediksi diabetes lebih baik dibandingkan dengan memakai algoritma Naïve Bayes. sedangkan saat menggunakan data untuk uji coba model yaitu 30 data algoritma Naïve Bayes dapat menghasilkan tingkat nilai accuracy prediksi diabetes lebih baik dibandingkan dengan memakai alogoritma K-Nearest Neighbor. Berdasarkan penilaian algoritma tersebut dapat di tarik kesimpulan bahwa algoritma KNN bekerja lebih baik saat jumlah data lebih besar sedangkan sebaliknya untuk algoritma Naives Bayes memiliki hasil evaluasi tertinggi saat jumlah dataset lebih sedikit. Algoritma KNN menjadi rekomendasi terbaik dalam penggalian data besar untuk melihat pola dalam dataset 2000 record dari sumber dataset diabetes.
Implementasi Extreme Programming pada Pembuatan Website Sistem Informasi E-Accountant PT Naga Emas Internasional Ahmad fachrurozi; Lady Agustine; Umi Faddillah; Ipin Sugiyarto
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 9 No. 1 (2025): Volume 9 Nomor 1 Januari 2025
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v9i1.14294

Abstract

PT Naga Emas Internasional menghadapi tantangan dalam mengelola keuangan perusahaan akibat perubahan regulasi dan dinamika bisnis yang cepat. Sistem pencatatan keuangan yang digunakan saat ini tidak efektif dalam menangani masalah tersebut, sehingga perusahaan membutuhkan sistem informasi yang lebih fleksibel dan dapat beradaptasi dengan perubahan yang terjadi. Penelitian ini mengusulkan penerapan metode Extreme Programming (XP) dalam pengembangan Sistem Informasi E-Accountant  sebagai solusi yang tepat untuk mengatasi masalah tersebut. XP adalah metode pengembangan perangkat lunak yang mengutamakan fleksibilitas, kolaborasi erat dengan pengguna, serta pengujian yang terus-menerus. Metode ini memungkinkan sistem dikembangkan secara iteratif dan dapat dengan cepat menyesuaikan diri dengan kebutuhan yang terus berubah. Dalam penelitian ini, sistem E-Accountant  berbasis web dirancang untuk memudahkan pengelolaan keuangan perusahaan, yang meliputi pencatatan transaksi, pembuatan laporan keuangan, serta pemantauan kondisi keuangan secara real-time. Keunggulan utama XP adalah keterlibatan pengguna pada setiap tahap pengembangan, sehingga sistem dapat disesuaikan secara langsung dengan kebutuhan mereka. Hasil penelitian ini menunjukkan bahwa penerapan XP berhasil menciptakan sistem yang fleksibel, mudah diadaptasi terhadap perubahan regulasi dan kebutuhan bisnis, serta memastikan bahwa setiap fitur sistem telah diuji dan sesuai dengan kebutuhan pengguna. Dengan demikian, sistem ini diharapkan dapat meningkatkan efisiensi, transparansi, dan akurasi dalam pengelolaan keuangan perusahaan yang lebih baik dan lebih efektif.
Klasifikasi Sentimen Data Kredit untuk Menentukan Kelayakan Nasabah Menggunakan Random Forest Ipin Sugiyarto; Umi Faddillah; Bibit Sudarsono
Jurnal Komputer Antartika Vol. 4 No. 1 (2026): Maret
Publisher : Antartika Media Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70052/jka.v4i1.1352

Abstract

Penilaian kelayakan kredit merupakan proses penting dalam industri keuangan untuk meminimalkan risiko gagal bayar. Studi ini bertujuan untuk mengembangkan sistem otomatis berbasis kecerdasan buatan menggunakan Algoritma Random Forest untuk mengevaluasi kelayakan kredit pelanggan. Metodologinya meliputi pengumpulan data pinjaman, pra-pemrosesan, pelatihan model Random Forest, dan pengembangan aplikasi web KreditSmart. Dataset terdiri dari 700 entri dengan fitur seperti jumlah pinjaman (plafond), jangka waktu (tenor), dan kualitas pembayaran (kolektilitas). Hasil menunjukkan bahwa model Random Forest mencapai akurasi 85%, dengan kualitas pembayaran sebagai prediktor utama. Aplikasi KreditSmart memungkinkan penilaian kredit secara real-time, meningkatkan efisiensi dan akurasi. Studi ini berkontribusi pada otomatisasi penilaian kredit, pengurangan risiko, dan referensi akademis untuk aplikasi pembelajaran mesin di bidang keuangan.   Credit eligibility assessment is a critical process in the financial industry to minimize default risks. This study aims to develop an automated system based on artificial intelligence using the Random Forest algorithm to evaluate customer creditworthiness. The methodology includes collecting loan data, preprocessing, training the Random Forest model, and developing the KreditSmart web application. The dataset comprises 700 entries with features such as loan amount (plafond), tenure (tenor), and payment quality (kolektibilitas). Results show that the Random Forest model achieves an accuracy of 85%, with payment quality as the primary predictor. The KreditSmart application enables real-time credit assessment, enhancing efficiency and accuracy. This study contributes to credit assessment automation, risk reduction, and academic references for machine learning applications in finance.
Penerapan Model LSTM dan CNN Untuk Klasifikasi Sentimen Pada Ulasan Aplikasi Roblox Lady Agustin Fitriana; Ipin Sugiyarto; Umi Faddillah
Infotek: Jurnal Informatika dan Teknologi Vol. 9 No. 1 (2026): Infotek : Jurnal Informatika dan Teknologi
Publisher : Fakultas Teknik Universitas Hamzanwadi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29408/jit.v9i1.32848

Abstract

In the rapidly evolving digital era, online gaming platforms like Roblox have transformed into complex interactive social spaces where users interact, create, and co-build virtual experiences. This study aims to compare the performance of two deep learning architectures Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) in classifying user reviews of the Roblox app from the Google Play Store into positive, negative, and neutral sentiment categories. The dataset comprises 5,000 Indonesian-language reviews collected via web scraping using the google_play_scraper library. Preprocessing involved text cleaning, case folding, tokenization, normalization of informal words, stopword removal, stemming, and lexicon-based sentiment labeling. Data were converted to numerical representations using Tokenizer and padding, then split into 80% training and 20% testing subsets. CNN achieved superior performance with 89% accuracy, 0.88 precision, 0.81 recall, and 0.83 F1-score, outperforming LSTM (86.60% accuracy, 0.80 precision, 0.82 recall, 0.81 F1-score). CNN effectively extracts spatial patterns in text, while LSTM captures temporal word dependencies. This research affirms CNN's superiority for short Indonesian text sentiment analysis, provides a deep learning benchmark for gaming app reviews, and offers practical implications for Roblox developers to interpret user feedback for feature enhancements.
Co-Authors Asistyasari, Ayuni Bibit Sudarsono Fachrurozi, Ahmad Fitrokh Nur Ikhromr Ipin Sugiyarto Lady Agustin Fitriana Lady Agustine Nurfia Oktaviani Syamsiah Purwandani, Indah Yosep Nuryaman