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 3 Documents
Search
Journal : SmartComp

 1 
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