Article Per Year (5 Year)
p-Index From 2021 - 2026
2.426
P-Index
This Author published in this journals
All Journal Jurnal Sistem dan Informatika Jurnas Nasional Teknologi dan Sistem Informasi JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI JuSiTik : Jurnal Sistem dan Teknologi Informasi Komunikasi Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi INFORMASI (Jurnal Informatika dan Sistem Informasi) Jatilima : Jurnal Multimedia Dan Teknologi Informasi JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Jurnal Teknologi Sistem Informasi Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) MDP Student Conference
Iis Pradesan
Universitas Multi Data Palembang
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Other

Published : 25 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 25 Documents
Search

 1   2   3 
Implementasi Sistem Klasifikasi Tim Kerja Menggunakan Algoritma Naïve Bayes (Studi Kasus: PT.MNL) Angelya, Tasya; Rahman, Abdul; Pradesan, Iis
Jurnal Nasional Teknologi dan Sistem Informasi Vol 9 No 2 (2023): Agustus 2023
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v9i2.2023.86-94

Abstract

PT.MNL adalah perusahaan swasta yang bergerak dibidang jasa kehutanan khususnya Hutan Tanaman Industri. Perusahaan memiliki banyak areal kerja yang memiliki banyak tim kerja di semua arealnya. Mengingat besarnya tim kerja, pemilik perusahaan harus bisa menjaga kinerja tim kerjanya agar selalu berada dalam posisi baik. Dengan semakin banyaknya tim kerja maka data yang masuk ke dalam perusahaan semakin banyak pula, data-data tersebut tentunya perlu dimanfaatkan dengan cara mengolah dan menganalisis untuk menghasilkan suatu informasi yang berguna bagi perusahaan. Sehingga dapat digunakan dalam mengklasifikasikan seluruh anggota-anggota tim pada lokasi kerja tertentu. Maka dari itu, diperlukan sebuah teknologi Data Mining yang dapat membantu perusahaan dalam memilah nama tim yang sebaiknya dipilih. Metode yang dipakai untuk klasifikasi tim kerja adalah algoritma Naïve Bayes. Penelitian ini menghasilkan tingkat akurasi klasifikasi sebesar 93,66%, hasil recall 90,74% serta hasil precision sebesar 88,58% sehingga hal ini menunjukkan bahwa sistem klasifikasi tim menggunakan algoritma Naive Bayes dapat digunakan oleh pemilik perusahaan sebagai bahan pertimbangan dalam mengatur persebaran tim di setiap lokasi kerja.
Implementasi Data Mining Regresi Linear Berganda Pada Sistem Prediksi Penjualan Obat Pada Apotek XYZ Suwanto, Fredy; Pradesan, Iis
Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Vol. 5 No. 1 (2026): EDISI JANUARI 2026
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jursi.v5i1.12404

Abstract

Persaingan di dunia bisnis penjualan seperti apotek sekarang menuntut para stakeholder apotek untuk menemukan strategi pengelolaan stok maupun pemasaran untuk memprediksi pangsa pasar agar dapat meningkatkan penjualan obat dan memberikan profitabilitas bagi apotek XYZ. Apotek XYZ belum menerapkan analisis secara manual maupun menggunakan sistem untuk memprediksi penjualan obat, sehingga sering mengalami kekosongan maupun penumpukan stok. Untuk menganalisis diperlukan suatu metode atau algoritma data mining yang mampu mengolah transaksi penjualan obat menjadi suatu informasi. Penelitian ini bertujuan mengembangkan sistem informasi prediksi penjualan obat di apotek XYZ yang nantinya diimplementasikan atau diintegrasikan sebuah model prediksi Regresi Linear Berganda yang diimplementasikan dalam sistem berbasis website, dengan mengikuti tahapan CRISP-DM untuk membantu apotek XYZ dalam memprediksi penjualan obat sehingga dapat mencegah kehabisan atau kelebihan stok dan dapat mendukung penjualan pada apotek. Variabel harga dan curah hujan digunakan sebagai prediktor terhadap jumlah penjualan. Berdasarkan hasil implementasi terhadap obat Arkavit, perhitungan manual mendapatkan hasil prediksi sebesar 3,87768 dan menggunakan sistem website yang telah dibuat mendapatkan hasil prediksi sebesar 3,88 obat. Hasil penelitian menunjukkan bahwa sistem mampu mereplikasi perhitungan manual secara akurat, dan beberapa obat menunjukkan performa model yang baik, meskipun sebagian lainnya masih memerlukan penyempurnaan. Secara keseluruhan, model dan sistem prediksi yang dibangun dapat membantu Apotek XYZ dalam memprediksi penjualan obat, dapat dijadikan dasar dalam pengambilan keputusan terkait pengelolaan stok obat secara lebih efisien.
Pipeline ETL Big Data sebagai Solusi Integrasi Data Perguruan Tinggi dengan Evaluasi Validitas Otomatis Pradesan, Iis; Dorie Pandora Kesuma
Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Vol. 5 No. 2 (2026): EDISI MARET 2026
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jursi.v5i2.12504

Abstract

Data akademik di perguruan tinggi, seperti mahasiswa, dosen, mata kuliah, kelas, dan nilai, tersebar di berbagai sumber heterogen, sehingga menimbulkan tantangan besar pada integrasi, dan standar validitas data. Kondisi ini berpotensi menghambat pelaporan, akreditasi, maupun pengambilan keputusan strategis berbasis data. Penelitian ini bertujuan merancang dan mengimplementasikan pipeline Extract, Transform, Load (ETL) berbasis big data untuk mengatasi permasalahan tersebut. Metode penelitian meliputi studi pendahuluan, pengumpulan data, pemetaan rule validasi, dan implementasi pipeline menggunakan Apache NiFi serta Hadoop Distributed File System (HDFS). Hasil implementasi menunjukkan pipeline mampu mengekstrak data multi-sumber secara otomatis, menerapkan validasi berbasis aturan (length, nullable, reference, min-max), dan memuat data tervalidasi ke cluster HDFS dengan high availability dan fault tolerance. Uji coba menemukan sekitar 8% data error berhasil diisolasi, sementara tingkat validitas data pada entitas utama mencapai lebih dari 90%. Kontribusi penelitian ini terletak pada integrasi multi sumber data akademik, penerapan standar, mekanisme otomatis penanganan data invalid, serta pemanfaatan HDFS sebagai penyimpanan terdistribusi. Pipeline yang dihasilkan dapat menjadi blueprint praktis untuk perguruan tinggi di Indonesia dalam mengukur kualitas data dan mendukung tata kelola berbasis big data.
Penerapan K-Medoids untuk Pengelompokan Kepatuhan Wajib Pajak PBB di Kecamatan Bukit Kecil Firdaus, Muhammad R; Pradesan, Iis
JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Vol 7 No 1 (2026)
Publisher : SOTVI - Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/jitsi.7.1.538

Abstract

Land and Building Tax (PBB) is an important source of revenue for local governments. However, taxpayer compliance levels vary across regions, which makes the process of mapping and evaluation more challenging. This study aims to group PBB taxpayers in Bukit Kecil District based on their compliance levels using the K-Medoids algorithm. The research was conducted following the CRISP-DM stages, which include business understanding, data understanding, data preparation, modeling, evaluation, and deployment. The data used consist of PBB taxpayer data from 2018 to 2022 with attributes including Tax Object Number (NOP), sub-district, tax year, and payment status. Before the clustering process, the data underwent preprocessing stages such as cleaning, transformation, and normalization. The results indicate that the K-Medoids method is able to form several groups of taxpayers with different levels of compliance. This grouping provides an overview of taxpayer compliance patterns in the study area. Based on these results, it can be concluded that the K-Medoids algorithm can be used as an analytical tool to support evaluation and strategic planning of PBB management by the Regional Revenue Agency.
Analisi Pola Pemesanan Pelanggan Menggunakan Algoritma Apriori-Tid Untuk Rekomendasi Paket Bundling Menu Pada Autotec Coffee Maverick; Pradesan, Iis
Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Vol. 5 No. 2 (2026): EDISI MARET 2026
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jursi.v5i2.12510

Abstract

Penelitian ini bertujuan untuk menganalisis pola pemesanan pelanggan pada Autotec Coffee menggunakan algoritma Apriori-TID guna menghasilkan rekomendasi paket bundling menu. Data yang digunakan merupakan 8.670 transaksi periode Mei 2024 hingga September 2025. Metodologi penelitian mengacu pada CRISP-DM yang meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment. Hasil penelitian menunjukkan bahwa algoritma Apriori-TID mampu menemukan aturan asosiasi dengan nilai minimum support 1% dan confidence 25%. Pola keterkaitan menu yang ditemukan dapat dimanfaatkan sebagai dasar strategi promosi berbasis data untuk meningkatkan nilai transaksi dan kepuasan pelanggan.
Co-Authors Abdul Rahman Abdul Rahman Adellia Rahmawati Adellia Rahmawati Angelya, Tasya Arif Yulianto Arnila Trisna Putri Claresta Visakha Dafid Dedy Hermanto Dien Novita Dorie P. Kesuma Edbert Priansyah Charles Firdaus, Muhammad R Ilham Indra Hidayat jurianto jurianto Lisa Amelia Fransen Lisa Amelia Fransen Maverick Nur Rachmat Sukriyadi Sukriyadi Suwanto, Fredy Tasya Angelya Tasya Angelya Wijaya, Meirisca