Article Per Year (5 Year)
p-Index From 2021 - 2026
1.452
P-Index
This Author published in this journals
All Journal CESS (Journal of Computer Engineering, System and Science) Indonesian Journal on Software Engineering (IJSE) Moneter : Jurnal Akuntansi dan Keuangan JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Teknik Informatika STMIK Antar Bangsa Techno Nusa Mandiri : Journal of Computing and Information Technology @is The Best [Accounting Information System & Information Technology Business Enterprise] REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Jurnal Teknologi Informatika dan Komputer Jurnal Sistem Informasi Computer Science (CO-SCIENCE) Jurnal Sistem Informasi Akuntansi Jurnal Infortech
wati erawati
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Social Sciences

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Infortech

 1 
Pembuatan Model Rekomendasi Gerakan Olahraga Berbasis Content-Based Filtering Dengan Integrasi Clustering dan Klasifikasi Andi Wibowo; Wati Erawati
Jurnal Infortech Vol. 7 No. 2 (2025): Desember 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v7i2.11384

Abstract

Sistem rekomendasi gerakan olahraga menjadi esensial dalam mempromosikan gaya hidup sehat dengan memberikan saran aktivitas yang personal. Latar belakang ini mendorong pengembangan sistem rekomendasi yang mampu memahami karakteristik pengguna dan menyediakan rekomendasi aktivitas yang relevan. Tujuan penelitian ini adalah merancang dan mengimplementasikan model rekomendasi terintegrasi melalui tiga metode utama: clustering, klasifikasi, dan content-based filtering. Tahap pertama, clustering, menggunakan algoritma K-Means untuk mengelompokkan 3.000 partisipan ke dalam klaster 'Aktif' dan 'Pasif' berdasarkan profil kebugaran, yang kemudian menjadi fitur penting dalam tahap klasifikasi. Selanjutnya, berbagai model machine learning dievaluasi untuk memprediksi jenis aktivitas olahraga utama yang sesuai dengan profil pengguna. Hasil evaluasi menunjukkan bahwa model K-Nearest Neighbors (KNN) adalah yang terbaik dengan akurasi 0.4875, mengungguli Decision Tree, Random Forest, dan Deep Learning. Model KNN yang terlatih disimpan untuk deployment. Tahap terakhir adalah content-based filtering yang merekomendasikan tiga aktivitas serupa dengan aktivitas utama hasil prediksi, berdasarkan fitur konten seperti intensitas, tingkat kebugaran, kalori, dan langkah harian menggunakan Cosine Similarity. Sistem berhasil memprediksi aktivitas utama (misalnya cycling) dan memberikan rekomendasi relevan (seperti running, basketball, dan tennis) berdasarkan input profil pengguna.
Implementasi Algoritma C4.5 Untuk Klasifikasi Tingkat Kenaikan Jabatan Pada PT Siprama Cakrawala Depok Rahayu Ningsih; Muhammad Devan Basunanda; Wati Erawati
Jurnal Infortech Vol. 7 No. 1 (2025): Juni 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v7i1.12358

Abstract

Dalam era modern, kenaikan jabatan menjadi tantangan bagi perusahaan karena proses promosi yang sering kali dianggap subjektif. Penelitian ini bertujuan untuk membangun model klasifikasi kenaikan jabatan menggunakan Algoritma C4.5 guna meningkatkan objektivitas keputusan promosi karyawan. Data dikumpulkan dari database karyawan PT Siprama Cakrawala serta melalui kuesioner kepada manajer, supervisor, dan karyawan. Variabel yang digunakan mencakup kinerja, pengalaman kerja, tingkat pendidikan, sikap kerja, dan keterlibatan dalam proyek. Data dianalisis menggunakan RapidMiner dengan teknik Decision Tree, kemudian divalidasi menggunakan metode Cross Validation untuk mengukur akurasi model. Hasil penelitian menunjukkan bahwa model yang dihasilkan memiliki tingkat akurasi sebesar 88.91%, dengan classification error sebesar 11.09%. Variabel pengalaman kerja memiliki pengaruh paling dominan dengan nilai information gain tertinggi dan menjadi root node dalam pohon keputusan. Precision model menunjukkan bahwa algoritma C4.5 cukup andal dalam mengklasifikasikan karyawan yang layak dan belum layak mendapatkan promosi jabatan, dengan nilai precision kelayakan sebesar 91.11% dan precision belum layak sebesar 87.50%. Dengan hasil ini, model yang dikembangkan dapat digunakan sebagai alat bantu dalam proses pengambilan keputusan promosi karyawan.
Co-Authors Andi Wibowo Ery Suryanti Hendra Lesmana Hendra Lesmana Husni Mubarok Iha, Marlina Ana Khairunnas, Sayyid Muhammad Devan Basunanda Noviyanti, Cica Panji Madya Ramdani Rachmat Adi Purnama Rahayu Ningsih Sifa Fauziah Sita Anggraeni, Sita Sujiliani Heristian Veti Apriana, Veti