Article Per Year (5 Year)
p-Index From 2021 - 2026
2.133
P-Index
This Author published in this journals
All Journal METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Jurnal Litbang Kota Pekalongan Jurnal Pengabdian Kepada Masyarakat Abdi Nusa IC Tech: Majalah Ilmiah SmartComp
arief soma darmawan
STMIK Widya Pratama
Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Public Health Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
ALGORITMA APRIORI UNTUK REKOMENDASI PENAWARAN PRODUK DI BATIK PUTRA GHOFUR PEKALONGAN Darmawan, Arief Soma
JURNAL LITBANG KOTA PEKALONGAN Vol 8 (2015)
Publisher : BAPPEDA Kota Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1113.573 KB)

Abstract

BATIK PUTRA GHOFUR MERUPAKAN PRODUSEN DAN USAHA DAGANG BATIK DI KOTA PEKALONGAN.BERALAMAT JALAN URIP SUMOHARJO NO 176 KOTA PEKALONGAN DAN MEMEILIKI CABANG DI KOMPLEK GROSIR SETONO.YANG MEMILIKI KOLEKSI BATIK LEBIH DARI 40 JENIS BATIK. SEPERTI BATIK TULIS SUTRA, SEMI TULIS, KEMEJA PREMIS PRIA, KEMEJA DOBY, DASTER, BLUS BATIK, DLL. SETIAP PEMBELI DAPAT MEMBELI BATIK SECARA ECERAN (SATUAN) ATAU GROSIRAN (BORONGAN).BATIK PUTRA GHOFUR BIASA MELAKUKAN LEBIH DARI 500 TRANSAKSI DALAM SEHARI. DENGAN BANYAKNYA DATA YANG TERKUMPUL BELUM SECARA OPTIMAL UNTUK MELAKUKAN STRATEGI BISNIS. SEPERTI UNTUK MELAKUKAN PROMOSI DAN MEREKOMENDASIKAN PRODUK KEPADA PELANGGAN. ALGORTIMA APRIORI DAPAT DIGUNAKAN SEALAH SATU METODE YANG DAPAT MENYELESAIKAN PERMASALAHAN KARENA ALGORITMA PARIORI. DALAM PENGOLAHAN DATA YANG DIGUNAKAN DALAM 2 MINGGU DI BULAN OKTOBER TAHUN 2014 DIPEROLEH DATA SEBANYAK 500 DENGAN JUMLAH BARANG YANG TERJUAL SEBANYAK 1370. PENERAPAN DATA MINING DENGAN METODE APRIORI YANG DILAKUAKAN DI TOKO BATIK PUTRA GHOFUR DENGAN MENGUNAKAN NILAI MINIMUM SUPPORT ADALAH 0.07, DAN DENGAN NILAI MINIMUM CONFIDECE 1.
PENERAPAN DATA MINING UNTUK MENGETAHUI POLA TRANSAKSI PEMINJAMAN BUKU DENGAN METODE DESKRIPSI Arief Soma Darmawan
IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (658.045 KB) | DOI: 10.47775/ictech.v12i1.25

Abstract

STMIK Widya Pratama Pekalongan mempunyai 2063 koleksi buku, 66 koleksi jurnal, 7 proceding. Setiap anggota yang akan melakukan proses peminjaman harus mempunyai kartu anggota, dan terdaftar sebagai mahasiswa yang aktif. Anggota perpustakaan dapat meminjam buku lebih dari 1 buku, dengan batas waktu peminjaman adalah 1 minggu. Dari banyaknya jumlah transaksi maka perlu adanya analisis transaksi peminjaman guna menemukan informasi yang berbasis pengetahuan yang bermanfaat. Untuk menggambarkan data secara ringkas dibutuhkan sebuah metode deskripsi. Metode deskripsi digunakan untuk menggambarkan pola kecenderungan  yang ada data adalah. Dengan informasi yang berupa ringkas dapat mempermudah manajemen untuk melakukan pengambilan keputusan terkait dengan ketesediaan buku, dan melihat pola peminjaman buku yang sering dipinjam oleh mahasiswa. Tahapan penelitian: Precise statement of the problem, initial exploration, model building and validation, deployment. Kesimpulan yang didapt bahwa proses peminjaman terjadi paling banyak pada bulan maret hingga mei dan bulan oktober hingga desember.
PENENTUAN METODE KLASIFIKASI MENGGUNAKAN ALGORITMA KNN UNTUK PENERBITAN SURAT KEPUTUSAN SERTIFIKASI GURU Risqiati Risqiati; Indrayanti Indrayanti; Arief Soma Darmawan
IC-Tech Vol 14 No 1 (2019): IC-Tech Volume XIV No.1 April 2019
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (592.052 KB) | DOI: 10.47775/ictech.v14i1.52

Abstract

Guru merupakan ujung tombak dalam meningkatkan kualitas pendidikan yang diberi tanggung jawab untuk mendidik, membimbing, mengajar, mengarahkan, melatih, menilai, mengevaluasi peserta yang didiknya, agar peserta didik dapat mengembangkan potensinya di masa depan. Seorang guru professional bisa diukur dari sertifikasi pendidikan yang didapat dari sertifikasi guru. Sertifikasi guru adalah bukti formal pengakuan seorang guru professional yang diharapkan dapat meningkatkan kinerja dari mata pelajaran yang diampunya. Untuk membantu pihak dinas pendidikan dalam menentukan guru yang bisa mendapatkan pencairan SK sertifikasi guru, maka akan menggunakan algoritma K-NN yang dimana algoritma K-NN adalah algoritma yang menghitung berdasarkan jarak antar satu data dengan data yang lain.
Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Konten Berita Olahraga Ari Putra Wibowo; Arief Soma Darmawan
IC-Tech Vol 15 No 1 (2020): IC-Tech Volume XV No.1 April 2020
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (641.295 KB) | DOI: 10.47775/ictech.v15i1.85

Abstract

Penelitian terkait klasifikasi telah dipelajari secara luas untuk keperluan data mining, machine learning dan database serta information retrieval yang diaplikasikan untuk menentukan target pemasaran, diagnosis medis, konten berita serta  klasifikasi dokumen. Klasifikasi teks menjadi pembahasan yang ramai dibahas oleh peneliti selama dua dekade terakhir. Meskipun didalam metode dan tekniknya selalu ada pembaharuan namun kebutuhannya masih terus berkembang dan tidak pernah berakhir. Kemampuan untuk melakukan klasifikasi dokumen ke dalam kategori tertentu sangat membantu untuk menghadapi informasi yang berlebihan. Klasifikasi dokumen teks secara otomatis dikembangkan karena pekerjaan manual tidak lagi efektif. Pada penelitian ini akan dibahas bagaimana algoritma naïve bayes diterapkan untuk mengklasifikasi konten berita olahraga. Naïve bayes merupakan salah satu algoritma klasifikasi berbasis peluang. Maka dari itu, naïve bayes akan menghitung probabilitas kemunculan kata yang mempresentasikan dokumen teks dari konten berita.  Berdasarkan penelitian yang dilakukan diperoleh hasil rata-rata akurasi adalah 69,27%. Dengan nilai akurasi terbesar yaitu 75,00% dengan data dokumen teks yang digunakan sebanyak 20% dari keseluruhan dokumen teks..
IMPLEMENTASI ALGORITMA FUZZY K NEAREST NEIGHBOR UNTUK MEMPREDIKSI MAHASISWA BERPOTENSI DROP OUT Devi Sugianti; Arief Soma Darmawan
IC-Tech Vol 15 No 1 (2020): IC-Tech Volume XV No.1 April 2020
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (522.412 KB) | DOI: 10.47775/ictech.v15i1.87

Abstract

Keberhasilan pendidikan tercermin dari kualitas Perguruan Tinggi adalah tingginya tingkat keberhasilan mahasiswa dan rendahnya kegagalan mahasiswa. STMIK Widya Pratama mempunyai 4 program studi dengan jumlah mahasiswa yang drop out atau non aktif yang cukup banyak, untuk itu perlu di ketahui karakteristik dari mahasiswa yang drop out dengan menganalisa data yang lama. Algortima Fuzzy K Nearest Neighbor definisikan pemberian label kelas data uji yang akan diprediksi. Algoritma Fuzzy Nearest Neighbor adalah pengembangan dari algoritma K-NN yang digabungkan dengan teori Fuzzy. Tahapan penelitian yang dilakukan adalah pengumpulan data, pengolahan data, metode yang diusulkan dan eksperimen. Dengan data yang digunkan sebagai data latih 382 untuk mahasiswa angkatan 2016. Dengan menguji nilai K =3 dan K=5  dari mahasiswa dengan IPS dari semeter 1 sampai semester 5 (3.2 2.78 3.6 3.3 0.83) hasil eksperimen yang dilakukan mengasilkan K=3 dengan kelas 1= 0.32 kelas 2 =0.67 lalu jika K= 5 menghasilkan kelas 1 =0.28 kelas 2 =0.71. hasil menunjukkan bahwa masuk ke kelas 2 dengan nilai keanggotaan terbesar, kelas 2 merupakan prediksi mahasiswa registrasi ulang pada semester 6. Fuzzy K-Nearest Neighbor  dapat digunakan untuk mencari nilai membership  pada masing-masing kelas.Kata Kunci: Fuzzy K NN, Drop Out
PENERAPAN METODE SINGLE MOVING AVERAGE UNTUK PERAMALAN PERSEDIAAN SPAREPARTS PADA ABE MOTOR Arief Soma Darmawan; Risqiati Risqiati; Ismet Inonu
IC-Tech Vol 13 No 1 (2018): IC-Tech Volume XIII No.1 April 2018
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (139.337 KB) | DOI: 10.47775/ictech.v13i1.169

Abstract

ABe Motor salah satu bidang usaha yang bergerak di bidang pedagangan dan jasa. ABe Motor dalam menentukan jumlah persediaan spareparts yang akan dibeli hanya menggunakan perkiraan berdasarkan pengalaman yang telah terjadi. Hal tersebut mengakibatkan permasalahan yaitu ketidaksesuaianjumlah spareparts yang dibeli sehingga terjadin a kekurangan atau bahkan penumpukan spareparts tertentu di gudang dikarenakan jumlah pemesan pada ABe motor sulit di prediksi.Untuk mengatasi permasalahan yang terjadi, perlu adanya sistem peramalan persediaan spareparts pada periode berikutnya agar tidak terjadi penumpukan atau kekurangan spareparts tertentu di gudang. Dengan menggunakan metode peramalan Single Moving Average ang di terapkan pada sistem ini, akan lebih cocok dalam meramalkan persediaan spareparts untuk persediaan spareparts yang dalam penjualannya tidak tentu seperti pada ABe Motor. Sistem dibangun menggunakan metode pengembangan sistem waterfall, dengan tahapan Perencanaan, Analisa, Perancangan, Implemetasi dan Pengujian. Hasil dari penelitian ini terciptanya penerapan metode Single Moving Average untuk peramalan persedian spareparts di ABe Motor yang mampu membantu pemilik dalam menen tukan persediaan yang akan dibeli , serta diperoleh pengujian whit-box, black-box maupun CAT (User Acceptance Test) bahwa sistem yang telah dibuat berjalan dengan baik. Sistem yang telah dibangun masih perlu dikembangkan untuk kedepannya seperti met ode peramalan bisa diganti atau ditambahkan sesuai kebutuhan perusahaan, ditambahkan fitur grafik dan bisa ditransformasikan ke dalam platform android.  Kata Kunci : Peramalan, Persedi aan, Single Moving Average. 
MEMPREDIKSI LOYALITAS NASABAH PADA BMT ABC DENGAN METODE INTERATIVE DICHOTOMISER THREE (ID 3) Arief Soma Darmawan; Devi Sugianti; Wim Hapsoro
IC-Tech Vol 16 No 2 (2021): IC-Tech Volume XVI No. 2 Oktober 2021
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1050.383 KB) | DOI: 10.47775/ictech.v16i2.190

Abstract

Persaingan peusahaan semakin ketat menuntut perusahaan memberikan pelayanan yang memuaskan kepada konsumen. Dalam mempertahankan konsumen salah satu kuncinya adalah mengelola informasi pelanggan. Perusahaan akan terbantu jika mempunyai sistem informasi pelanggan dikelola dengan baik, data pelanggan yang baru ataupun data pelanggan yang lama. BMT ABC mempunyai mempunyai 4.882 nasabah, akan tetapi sampai tahun 2020 nasabah yang aktif melakukan penabungan adalah 2.392 nasabah. Dalam memprediksi nasabah yang aktif di BMT ABC menggunakan metode ID3. ID 3 adalah salah satu metode klasifikasi pada data mining decision tree (pohon keputusan). Langkah-langkah penelitan: identifikasi dan perumusan masalah, penentuan variabel penelitian, penentuan data latih, hitung gain dan entropy, membagun decision tree dengan algoritma ID3. Pada penelitian ini menggunakan atribut: jenis kelamin, usia, pekerjaan, pendidikan, status, dan setoran awal. Dari hasil perhitungan Gain dan Entropy dihasilkan 5 aturan dan menghasilkan pohon keputusanKata kunci: Loyalitas Nasabah, ID 3
Segementasi Nasabah Tabungan Pada BMT XXX dengan Metode Fuzzy C Means dan Model RFM arief soma darmawan; Devi Sugianti; Anas Syaifudin
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 10, No 2 (2021): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v10i2.2355

Abstract

Setiap perusahaan akan berlomba lomba untuk meningkatkan pelayanan kepada pelanggan, agar pelanggan tidak berpindah ke pesaing. BMT XXX juga tidak menginginkan nasabahnya berpindah ke pesaing. Pada tahun 2019 nasbah BMT XXX mencapai 4882 nasabah, akan tetapi yang aktif melakukan transaksi penabungan hanya 1392 nasabah. BMT mengalami kesulitan dalam menginterpretasikan data, karena data yang tersaji dalam bentuk manual. Untuk membantu BMT dalam mengelompokkan nasabah yang potensial menggunakan metode fuzzy C Means dan model RFM (Recency, Frequency, dan  Monetary). Metode Fuzzy C means  digunakan karena dapat menggelompokkan data yang lebih besar dan lebih kokoh pada data oulier, dalam menentukan cluster atau kelompok dengan derajat keanggataan. Langkah langkah metode penelitian yang dilakukan adalah pengumpulan data, pengolahan data, metode yang diusulkan, eksperimen metode, validasi hasil atau pengujina. Hasil pengujian dengan Davies Bouldin Index diperoleh 0,464 dengan jumlah klaster sebanyak 6. Dengan kelas nasbah superstar sebanyak 79 nasabah, golden sebanyak 462 nasabah, typical customer  124 nasabah, occantional customer sebanyak 271 nasabah, everyday sopper  239 nasabah, dormant cusomer  217 nasabah. Dengan adanya data tersebut dapat digunakan oleh BMT XXX pengambilan keputusan dalam hal menentukan strategi marketing untuk meningkatkan pelanggan agar pelanggan selalu aktif melakukan penabungan. Kata Kunci : Segementasi nasabah, fuzzy c means, RFM
Case Based Reasoning Untuk Mendeteksi Penyakit Kucing Dengan Metode KNN Arief Soma Darmawan; Devi Sugianti; Muhammad Faisal Halim
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 11, No 2 (2022): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v11i2.3452

Abstract

Kucing adalah hewan kesayangan yang sangat populer dikalangan masyarakat Indonesia. Ketersediaan dokter tidak sebanding dengan banyaknya masyarakat yang mencintai kucing serta pemilik juga banyak yang belum mengetahui cara pemeliharaan dengan benar. Jenis penyakit yang dialami kucing sangat banyak maka dari itu membutuhkan penanganan dan pengobatan yang berbeda-beda. Maka untuk dapat mendiagnosa penyakit pada kucing dibutuhkan sebuah sistem dengan berbasis Case Based Reasoning(CBR) dengan metode K Nearest Neighbor. Case Base Reasoning (CBR) dapat penyelesaikan masalah berdasarkan masa lalu yang sama untuk menyelesaikan masalah yang baru, dalam memecahkan kasus baru maka mengingat kasus lama. Algoritma K Nearest Neighbor memilih data  sejumlah K yang paling dekat dari data baru. Metode penelitian yang digunakan adalah CHRISP –DM (Cross Industry Process for data mining)  dengan tahapan sebagai berikut: Fase Pemahaman Bisnis, Fase Pemahaman data, Fase Pengolahan Data, Fase Pemodelan, Fase Evaluasi dan Fase penyebaran. Data yang didapat 320 data, setelah melalukan fase pengolahan data menjadi 250 data. Pengujian akurasi didapatkan akurasi yang paliing tinggi adalah dengan menggunakan nilai K= 3 dengan tingkat akurasi sebesar 97 %.
Naïve Bayes, Neural Network dan K-Nearest Neighbor untuk Klasifikasi Topik Tugas Akhir Ari Putra Wibowo; Widiyono Widiyono; Anas Saifudin; Arief Soma Darmawan; Eko Budihartono
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 11, No 4 (2022): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v11i4.4251

Abstract

Pemilihan topik atau judul skripsi menentukan mahasiswa dalam menyelesaikan pengerjaan skripsi tepat waktu, hal ini juga berpengaruh dalam kebutuhan akreditasi program studi. Namun penentuan topik atau judul skripsi menjadi hal yang cukup sulit untuk mahasiswa, beberapa penelitian mengenai klasifikasi topik skripsi telah banyak dilakukan untuk mengelolompokkan topik atau judul skripsi sesuai dengan konsentrasi keahliannya sehingga memberikan informasi yang dapat membantu mahasiswa. Pada penelitian ini dilakukan perbandingan model klasifikasi untuk mengetahui model klasifikasi terbaik dalam klasifikasi topik  atau judul skripsi. Ada tiga model klasifikasi yang dibangun dalam penelitian ini dengan menggunakan algoritma Naïve Bayes, Neural Network dan K-Nearest Neighbor. Evaluasi hasil dilakukan dengan metode cofusion matrix untuk mengetahui nilai akurasi, presisi, recall dan f-score. Dari hasil eksperimen menunjukkan bahwa model klasifikasi dengan algoritma Neural Network memiliki nilai akurasi paling tinggi dengan nilai 94,1% sedangkan nilai akurasi paling rendah adalah model klasifikasi Naïve Bayes dengan nilai 79% .
Co-Authors Agus Ilyas Anas Saifudin Anas Syaifudin ARI PUTRA WIBOWO Arochman Arochman Devi Sugianti Eko Budihartono, Eko Faizal Kurniawan Indrayanti Indrayanti Ismet Inonu Much. Rifqi Maulana Muhamad Faisal Halim Muhammad Faisal Halim Risqiati Risqiati Syaifudin, Anas Widiyono Widiyono Widiyono, Widiyono Wim Hapsoro