Articles
<![CDATA[ALGORITMA APRIORI UNTUK REKOMENDASI PENAWARAN PRODUK DI BATIK PUTRA GHOFUR PEKALONGAN ]]>
<![CDATA[Darmawan, Arief Soma]]>
<![CDATA[ JURNAL LITBANG KOTA PEKALONGAN Vol 8 (2015) ]]>
Publisher : <![CDATA[BAPPEDA Kota Pekalongan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1113.573 KB)
<![CDATA[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.]]>
<![CDATA[PENERAPAN DATA MINING UNTUK MENGETAHUI POLA TRANSAKSI PEMINJAMAN BUKU DENGAN METODE DESKRIPSI ]]>
<![CDATA[Arief Soma Darmawan]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (658.045 KB)
|
DOI: 10.47775/ictech.v12i1.25
<![CDATA[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.]]>
<![CDATA[PENENTUAN METODE KLASIFIKASI MENGGUNAKAN ALGORITMA KNN UNTUK PENERBITAN SURAT KEPUTUSAN SERTIFIKASI GURU ]]>
<![CDATA[Risqiati Risqiati]]>;
<![CDATA[Indrayanti Indrayanti]]>;
<![CDATA[Arief Soma Darmawan]]>
<![CDATA[ IC-Tech Vol 14 No 1 (2019): IC-Tech Volume XIV No.1 April 2019 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (592.052 KB)
|
DOI: 10.47775/ictech.v14i1.52
<![CDATA[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.]]>
<![CDATA[Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Konten Berita Olahraga ]]>
<![CDATA[Ari Putra Wibowo]]>;
<![CDATA[Arief Soma Darmawan]]>
<![CDATA[ IC-Tech Vol 15 No 1 (2020): IC-Tech Volume XV No.1 April 2020 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (641.295 KB)
|
DOI: 10.47775/ictech.v15i1.85
<![CDATA[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..]]>
<![CDATA[IMPLEMENTASI ALGORITMA FUZZY K NEAREST NEIGHBOR UNTUK MEMPREDIKSI MAHASISWA BERPOTENSI DROP OUT ]]>
<![CDATA[Devi Sugianti]]>;
<![CDATA[Arief Soma Darmawan]]>
<![CDATA[ IC-Tech Vol 15 No 1 (2020): IC-Tech Volume XV No.1 April 2020 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (522.412 KB)
|
DOI: 10.47775/ictech.v15i1.87
<![CDATA[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]]>
<![CDATA[PENERAPAN METODE SINGLE MOVING AVERAGE UNTUK PERAMALAN PERSEDIAAN SPAREPARTS PADA ABE MOTOR ]]>
<![CDATA[Arief Soma Darmawan]]>;
<![CDATA[Risqiati Risqiati]]>;
<![CDATA[Ismet Inonu]]>
<![CDATA[ IC-Tech Vol 13 No 1 (2018): IC-Tech Volume XIII No.1 April 2018 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (139.337 KB)
|
DOI: 10.47775/ictech.v13i1.169
<![CDATA[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. ]]>
<![CDATA[MEMPREDIKSI LOYALITAS NASABAH PADA BMT ABC DENGAN METODE INTERATIVE DICHOTOMISER THREE (ID 3) ]]>
<![CDATA[Arief Soma Darmawan]]>;
<![CDATA[Devi Sugianti]]>;
<![CDATA[Wim Hapsoro]]>
<![CDATA[ IC-Tech Vol 16 No 2 (2021): IC-Tech Volume XVI No. 2 Oktober 2021 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1050.383 KB)
|
DOI: 10.47775/ictech.v16i2.190
<![CDATA[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]]>
<![CDATA[ANALISIS CLUSTER PENENTUAN PROMOSI PRODUK PASCA PANDEMI COVID 19 DENGAN METODE K MEANS ]]>
<![CDATA[Devi Sugianti]]>;
<![CDATA[Arief Soma Darmawan]]>;
<![CDATA[Anas Syaifudin]]>;
<![CDATA[Risqiati Risqiati]]>
<![CDATA[ METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 7 No. 1 (2023): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi ]]>
Publisher : <![CDATA[Universitas Methodist Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46880/jmika.Vol7No1.pp20-24
<![CDATA[The impact of the COVID-19 pandemic has been felt by all sectors, including the economic sector. UMKM have really felt the impact after the covid 19 pandemic with declining sales turnover. This study aims to classify products from UMKM that are not selling well and selling well. The K means method was chosen for grouping because it is simple and the K means method can group according to the same criteria grouped into a data cluster, for different data entered into another cluster. There are 28 data sets which will be grouped into 2 clusters . With the criteria of total goods sold, total transactions, difference in days and final stock. The data was taken from January 2022 to August 2022. After clustering, it was found that C1 had 12 products that were selling well, and for C2 there were 16 products that were not selling well. Therefore, UMKM can carry out sales promotion strategies that are fast and precise so that products that are not selling well can increase sales volume. Promotions can be carried out in the form of discounted promotions, mailer promotions, and fractional promotions.]]>
<![CDATA[PENERAPAN CROSS SELLING UNTUK MENINGKATKAN PENJUALAN PADA KLINIK KECANTIKAN DENGAN MENGGUNAKAN ALGORITMA APRIORI ]]>
<![CDATA[Syaifudin, Anas]]>;
<![CDATA[Risqiati, Risqiati]]>;
<![CDATA[Sugianti, Devi]]>;
<![CDATA[Darmawan , Arief Soma]]>
<![CDATA[ METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 7 No. 2 (2023): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi ]]>
Publisher : <![CDATA[Universitas Methodist Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46880/jmika.Vol7No2.pp295-300
<![CDATA[The impact of the COVID-19 pandemic has been felt by all sectors, including the economic sector. UMKM have really felt the impact after the covid 19 pandemic with declining sales turnover..This study aims to classify products from UMKM that are not selling well and selling well. The K mens method was chosen for grouping because it is simple and the K means method can group according to the same criteria grouped into a data cluster, for different data entered into another cluster. There are 28 data sets which will be grouped into 2 clusters . With the criteria of total goods sold, total transactions, difference in days and final stock. The data was taken from January 2022 to August 2022. After clustering, it was found that C1 had 12 products that were selling well, and for C2 there were 16 products that were not selling well. Therefore, UMKM can carry out sales promotion strategies that are fast and precise so that products that are not selling well can increase sales volume. Promotions can be carried out in the form of discounted promotions, mailer promotions, and fractional promotions]]>
<![CDATA[IMPLEMENTASI CLUSTERISASI UNTUK PENGELOMPOKKAN GAYA BELAJAR MAHASISWA DENGAN METODE K MODES ]]>
<![CDATA[Kurniawan, Muhammad Faizal]]>;
<![CDATA[Sugianti, Devi]]>;
<![CDATA[Darmawan, Arief Soma]]>;
<![CDATA[Wibowo, Ari Putra]]>;
<![CDATA[Widiyono, Widiyono]]>
<![CDATA[ METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 8 No. 1 (2024): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi ]]>
Publisher : <![CDATA[Universitas Methodist Indonesia ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.46880/jmika.Vol8No1.pp20-25
<![CDATA[One of the keys to success in learning is determining student learning styles. Learning styles are grouped into 3, grouping learning styles based on the characteristics of students. Sample data used for 3 classes in the artificial intelligence course with total data of 83 students who answered 36 questions. To be able to carry out student mapping using the k modes method for clustering. The K modes method is used because the data used is categorical. K modes can be used for multi-dimensional clustering and shorter computing times. With the clustering application for grouping student learning styles with a sample of 83 students by answering 36 questions to be divided into 3 groups, the results were 37 students for the visual group, 31 students for the auditory group and 15 students for kinesthetics. At the testing stage, black box testing is used. By knowing learning style groups, students can easily learn and absorb information]]>
