Article Per Year (5 Year)
p-Index From 2021 - 2026
2.386
P-Index
This Author published in this journals
All Journal METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Jurnal Pengabdian Kepada Masyarakat Abdi Nusa IC Tech: Majalah Ilmiah SmartComp LogicLink: Journal of Artificial Intelligence and Multimedia in Informatics
Devi Sugianti
STMIK Widya Pratama
Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Public Health Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
Peningkatan Akurasi Algoritma KNN dengan Seleksi Fitur Gain Ratio untuk Klasifikasi Penyakit Diabetes Mellitus Indrayanti Indrayanti; Devi Sugianti; M. Adib Al Karomi
IC-Tech Vol 12 No 2 (2017): IC-Tech Volume XII No.2 Oktober 2017
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (385.246 KB) | DOI: 10.47775/ictech.v12i2.3

Abstract

Diabetes Mellitus  merupakan salah satu penyakit kronis yang mematikan. Penyakit yang juga dikenal dengan nama penyakit kencing manis ini terjadi akibat kadar glukosa di dalam darah terlalu tinggi. Diabetes Mellitus banyak diteliti di banyak negara pada saat ini karena peningkatan penderita yang banyak dan sangat mengkhawatirkan. Menurut WHO saat ini lebih dari 246 juta jiwa menderita diabetes dan diperkirakan akan meningkat menjadi 380 juta jiwa pada tahun 2025 apabila tidak dilakukan penanganan yang serius. Dibetes menyebabkan penyakit lain / komplikasi yang setiap tahunya mengakibatkan kematian hingga 3,8 juta jiwa. Data mining merupakan kegiatan menemukan sebuah pola, aturan dan pengetahuan baru dari sebuah dataset. Salah satu fungsi mayor data mining adalah klasifikasi. KNN merupakan salah satu algoritma klasifikasi data mining terbaik dan banyak digunakan. Algoritma KNN bekerja dengan cara menghitung kedekatan data testing dengan keseluruhan data training. K dalam KNN merupakan variabel jumlah tetangga terdekat yang akan diambil untuk proses klasifikasi. Jumlah K=1 akan membuat hasil klasifikasi terasa kalu karena hanya memperhitungkan satu tetangga terdekat atau satu record karakteristik data terdekat. Sedangkan jumlah K yang terlalu banyak akan menghasilkan klaasifikasi yang samar. Dari hasil penelitian yang telah dilakukan disimpulkan bahwa penggunaan algoritma seleksi fitur gain ratio dapat meningkatkan akurasi dari klasifikasi penyakit diabetus mellitus dengan menggunakan algoritma knn. Adapun kenaikan akurasi tertinggi didapatkan pada nilai treshold 0,152 dengan hanya mempertahankan 4 atribut dari keseluruhan 8 atribut data.
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
Sistem Pendukung Keputusan Pemberian Pembiayaan Nasabah Dengan Metode K-Nearest Neighbor (KNN) Di Kospinmu Surya Mentari Karanganyar Kabupaten Pekalongan Devi Sugianti; Arif Soma Darmawan
IC-Tech Vol 15 No 2 (2020): IC-Tech Volume XV No.2 Oktober 2020
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (346.439 KB) | DOI: 10.47775/ictech.v15i2.132

Abstract

KospinMU Surya Mentari Karanganyar merupakan koperasi yang melakukan banyak aktivitas didalamnya termasuk memberikan pembiayaan bagi nasabah. Demi kelancaran kegiatan pemberiaan pembiayaan antara pihak koperasi dengan nasabah, pihak koperasi perlu menilai dan menentukan kelayakan pembiayaan yang akan diterima nasabah terlebih dahulu sebelum memberikan keputusan pembiayaanya. Masalah yang dihadapi KospinMU Surya Mentari Karanganyar belum mampu mengatur pemberian pembiayaan secara tepat sasaran karena penyeleksiannya yang manual, tidak ada sistem nilai dimana nasabah dapat rekomendasi lain jika nilai tidak sesuai yang diajukan. Dalam pembangunan sistem ini menggunakan metode pengembangan sistem waterfall yang terdiri dari tahapan komunikasi, tahapan perencanaan, tahapan modeling, tahapan pengkodean dan tahapan deployment. Metode pengujian yang digunakan adalah white box, black box dan UAT (User Acceptance Test). Sistem pendukung keputusan pemberian pembiayaan nasabah dengan metode K Nearest Neighbor (KNN) di KospinMU Surya Mentari Karanganyar Kab. Pekalongan ini dapat mempermudah pekerjaan komite dalam memberikan pembiayaan nasabah, sistem dapat memberikan klasifikasi setiap pemohon baru sesusai dengan nilai yang dihitung dengan metode perhitungan K Nearest Neighbor (KNN) dan dapat menjadi media penyimpanan cadangan ketika memorendum yang disimpan secara manual hilang atau rusak. Kata Kunci: k nearest neighbor, waterfall, sistem pendukung keputusan
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
PENERAPAN MACHINE LEARNING UNTUK PENENTUAN SEGMENTASI MAHASISWA BARU DENGAN METODE K MODES devi sugianti; Hermanus Wim Hapsoro; Wahyu Setianto
IC-Tech Vol 17 No 1 (2022): IC-Tech Volume XVII No. 1 April 2022
Publisher : STMIK WIDYA PRATAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (720.056 KB) | DOI: 10.47775/ictech.v17i1.227

Abstract

Strategi marketing sangat diperlukan, untuk mendapatkan mahasiswa sebanyak-banyaknya. Kelangsungan perguruan tinggi bergantung terhadap pembiayaan dari mahasiswa. Dibutuhkan strategi marketing untuk mempromosikan keunggulan dari setiap program studi, agar penerimaan mahasiswa baru semakin meningkat. Data yang perlu dianalisa adalah data pendaftaran mahasiswa baru di Sistem Pendaftaran Mahasiswa Baru SIPENMARU. Langkah langkah penelitian yang dilakukan : identifikasi masalah, pengumpulan data, pemrosesan data dan pemodelan. Data yang dikumpulkan dari tahun 2019 sampai dengan tahun 2021 sebanyak 1.219 data pendaftar dengan variabel sebanyak 109. Saat pemrosesan data dilakukan yang digunakan ada 5 variabel yaitu : jenis kelamin, asal kota, pekerjaan ayah, asal sekolah dan program studi. Pada fase pemodelan menggunakan clustering untuk pengelompokkan data dengan karakteristik yang sama, teknik cluster dengan mengelompokkan dengan tipe data bersifat kategorikal menggunakan K modes. Cluster dibagi menjadi 2 cluster, dari hasil eksperimen didapatkan hasil untuk program studi Teknik informatika di dominasi berjenis kelamin Laki-laki, asal kota Pekalongan, pekerjaan ayah PNS dan asal sekolah SMA. Sedangkan untuk program studi Sistem Informasi di dominasi jenis kelamin perempuan, asal kota Batang, perkejaan ayah wiraswasta, asal sekolah SMK.
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 %.
Association Rule Mining untuk Penentuan Media Promosi Pendaftaran Mahasiswa Baru dengan Metode Apriori Devi Sugianti
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 12, No 1 (2023): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v12i1.4124

Abstract

Jumlah perguruan tinggi swasta di Jawa Tengan terdapat 247 perguruan tinggi, persaingannya semakin ketat. Maka dari itu dibutuhkan inovasi agar dapat beradaptasi dan bertahan. Keunggulan perguruan tinggi harus ditonjolkan dalam mempromosikan perguruan tinggi tersebut. STMIK Widya Pratama disetiap tahunnya melakukan promosi untuk menjaring mahasiswa baru. Adapun media promosi yang digunakan berupa brosur, poster, spanduk, radio, koran, bagian pendaftaran, teman, dosen/staf, sosial media. Data dibagian pendaftaran semakin lama bertambah besar dari tahun ke tahunnya, maka dari itu perlu diolah. Model pengolahan data yang digunakan adalah  data mining agar dapat menyelesaiakan permasalahan dalam menemukan atribut-atribut yang terjadi besamaan adalah Association rules (aturan asosiasi). Tahapan metode penelitian yang dilakukan adalah: Extraction, Prepocessing, algoritma data mining dan rule. Pada penelitian ini di hasilkan bahwa jika teman maka sosial media, dengan batasan nilai support min 0,3 dan minimal confidence 0,5. Algoritma apriori dapat membetuk pola kombinasi dengan aturan asosiasi setelah melakukan perhitungan nilai support dan confidence
ANALISIS CLUSTER PENENTUAN PROMOSI PRODUK PASCA PANDEMI COVID 19 DENGAN METODE K MEANS Devi Sugianti; Arief Soma Darmawan; Anas Syaifudin; Risqiati Risqiati
METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 7 No. 1 (2023): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/jmika.Vol7No1.pp20-24

Abstract

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.
PENERAPAN CROSS SELLING UNTUK MENINGKATKAN PENJUALAN PADA KLINIK KECANTIKAN DENGAN MENGGUNAKAN ALGORITMA APRIORI Syaifudin, Anas; Risqiati, Risqiati; Sugianti, Devi; Darmawan , Arief Soma
METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 7 No. 2 (2023): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/jmika.Vol7No2.pp295-300

Abstract

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
Co-Authors Anas Syaifudin ARI PUTRA WIBOWO arief soma darmawan Arief Soma Dharmawan Arif Soma Darmawan Faizal Kurniawan Hermanus Wim Hapsoro Indrayanti Indrayanti M. Adib Al Karomi Muhammad Faisal Halim Risqiati Risqiati Syaifudin, Anas Wahyu Setianto Widiyono Widiyono Wim Hapsoro