Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Jurnal Infortech
Firmansyah Firmansyah
Universitas Bina Sarana Informatika
Computer Science & IT Decision Sciences, Operations Research & Management Education Engineering Library & Information Science

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

Found 3 Documents
Search

 1 
Machine Learning Dengan Decision Tree untuk Prediksi Pembayaran Invoice, Case Study : Gramedia Jakarta Firmansyah Firmansyah; Agus Yulianto
JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING Vol 5, No 1 (2021): EDISI JULY 2021
Publisher : Universitas Medan Area

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31289/jite.v5i1.5066

Abstract

Arus keuangan yang lancar merupakan salah satu kunci agar perusahaan tetap bertahan dan memiliki keberlangsungan. Pembayaran atas faktur penjualan adalah salah satu masalah yang dapat mempengaruhi keuangan, jika pembayaran faktur terlambat maka perputaran kas menjadi lambat dan berdampak pada operasional perusahaan. Belum adanya alat yang dapat memprediksi pembayaran faktur di Gramedia menyulitkan bagian keuangan. Dari permasalahan itu, maka diterapkan machine learning untuk memprediksi pembayaran faktur oleh customer, apakah pembayarannya terlambat atau tidak terlambat. Proses dalam data mining menggunakan framework CRISP-DM (Cross Standard Industry for Data Mining). Fitur data yang digunakan sebagai parameter yaitu invoice amount, payment method, paid invoice, average days late dan ratio amount of overdue by amount of balance. Data faktur penjualan diprediksi menggunakan model decision tree algoritma C5.0 dengan hasil akurasi mencapai 71.84%.  Algoritma C5.0 terbukti mampu memprediksi faktur yang pembayarannya terlambat (melewati jatuh tempo) dan pembayarannya tepat waktu (sebelum jatuh tempo).
Prediksi Hasil Belajar Menggunakan Naïve Bayes Classifier pada Tingkat Sekolah Dasar Firmansyah Firmansyah; Agus Yulianto
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 7 No. 2 (2023): Volume 7 Nomor 2 April 2023
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v7i2.12375

Abstract

Sekolah dasar merupakan lembaga pendidikan yang menyelenggarakan program pendidikan untuk menyiapkan peserta didik ke jenjang selanjutnya. Untuk dapat melanjutkan ke jenjang berikutnya tentunya dibutuhkan hasil belajar yang baik sehingga siswa dapat lulus tepat waktu. Hasil belajar adalah indikator prestasi dari peserta didik sehingga dibutuhkan model algoritma yang dapat memprediksi hasil belajar, tujuannya adalah sebagai alat pendukung keputusan lembaga dalam mengevaluasi proses pembelajaran, Hasil belajar seorang siswa merupakan patokan kemampuan siswa menguasai pelajaran sekolah, Akan lebih baik hasil belajar selalu dievaluasi oleh pendidik dengan tujuan untuk melihat kemampuan tiap-tiap anak, dengan menggunakan sampling 2 fitur yaitu kehadiran dan peringkat dan 1 fitur kelas yaitu klasifikasi. Fitur kehadiran merupakan jumlah kehadiran siswa dimana dibagi menjadi 4 klasifikasi yaitu >=90, >=70, >=50 dan <50. Fitur peringkat untuk menggambarkan peringkat siswa di kelas dengan klasifikasi peringkat 1-3, 4-10 dan >10, sedangkan kelas nilai adalah kelas yang sudah memiliki label >=90 dan <90. Naive Buyes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Dengan Naive bayes classifier dapat memprediksi belajar dari peserta didik sekolah dasar berdasarkan variabel kehadidiran dan peringkat. Hasil dari pengujian menggunakan 10 Fold-Cross Validation pada Rapid Miner menunjukkan nilai akurasi mencapai 89,93%, nilai presisi mencapai 68,95 % dan nilai mencapai 65%.
Analisis Performa Redundancy Link Menggunakan Metode Spanning Tree Protocol Dan Per VLAN Spanning Tree Firmansyah Firmansyah; Tommi Alfian Armawan Sandi; Ahmad Fauzi; Rian Septian Anwar
Jurnal Infortech Vol 5, No 1 (2023): JUNI 2023
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v5i1.15629

Abstract

Redundansi jaringan sangat penting untuk memastikan ketersediaan internet dalam jaringan komputer. Spanning Tree Protocol (STP) dan Per VLAN Spanning Tree (PVST) adalah dua metode yang dapat memberikan redundansi pada infrastruktur jaringan. Pada penelitian ini membandingkan kinerja kedua metode tersebut dalam menyediakan link redundansi dalam infrastruktur jaringan. Perbandingan didasarkan pada waktu konvergensi, penyeimbangan beban lalu lintas, dan kinerja jaringan secara keseluruhan. Hasilnya menunjukkan bahwa PVST memberikan waktu konvergensi yang lebih cepat dibandingkan dengan STP, PVST juga menyediakan penyeimbangan muatan lalu lintas yang lebih baik, memastikan bahwa lalu lintas jaringan didistribusikan secara merata di seluruh tautan yang redundan. Namun, PVST memerlukan lebih banyak upaya konfigurasi dan pengelolaan karena kebutuhan untuk mengonfigurasi STP untuk setiap VLAN. Di sisi lain, STP lebih mudah dikonfigurasi dan dikelola, tetapi dapat mengakibatkan waktu konvergensi yang lebih lambat dan penyeimbangan muatan traffic yang tidak merata.
Co-Authors Agus Yulianto Ahmad Fauzi Rian Septian Anwar Tommi Alfian Armawan Sandi