Article Per Year (5 Year)
p-Index From 2021 - 2026
2.551
P-Index
This Author published in this journals
All Journal Jurnal Sistem dan Informatika Jurnas Nasional Teknologi dan Sistem Informasi International Journal of Artificial Intelligence Research 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 : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search

 1   2   3 
Penerapan K-Medoids untuk Pengelompokan Kepatuhan Wajib Pajak PBB di Kecamatan Bukit Kecil Muhammad R Firdaus; Iis Pradesan
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.
Implementasi Pola Pembelian Konsumen Menggunakan Metode Association Rule Mining Meirisca Wijaya; Iis Pradesan; Arif Yulianto
Jurnal Teknologi Sistem Informasi Vol 6 No 2 (2025): Jurnal Teknologi Sistem Informasi
Publisher : Program Studi Sistem Informasi, Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jtsi.v6i2.13405

Abstract

PT. XYZ adalah perusahaan modern yang berorientasi pada kenyamanan serta kemudahan konsumen dalam berbelanja kebutuhan . Setiap bulan, perusahaan dapat menghasilkan data transaksi penjualan dalam jumlah besar yang tersimpan dalam bentuk nota atau riwayat penjualan. Volume data yang tinggi tersebut berpotensi dapat dimanfaatkan sebagai sumber informasi yang berguna atau bernilai bagi perusahaan. Penelitian ini bertujuan mengolah data penjualan menjadi infomarsi yang relevan untuk mendukung pengambilan keputusan. Melalui pemanfaatan data penjualan tersebut, perusahaan diharapkan mampu mengidentifikasi pola pembelian konsumen sehingga dapat menentukan strategi penjualan yang lebih tepat serta mengoptimalkan pengelolaan persediaan barang. Metode yang digunakan dalam penelitian ini adalah pendekatan Data Mining dengan Standar Cross Industry Process For Data Mining (CRISP-DM). Analisis ini dilakukan menggunakan teknik Association Rule Mining dengan Algoritma Apriori. Hasil dari penerapan metode tersebut diharapkan dapat meningkatkan intensitas penjualan pada periode berikutnya sekaligus mengurangi risiko penumpukan stok di dalam gudang. Dengan demikian, penelitian ini memberikan kontribusi dalam mendukung efektivitas strategi bisnis pada PT. XYZ.
Implementasi Data Mining Regresi Linear Berganda Pada Sistem Prediksi Penjualan Obat Pada Apotek XYZ Fredy Suwanto; Iis Pradesan
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 Iis Pradesan; 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.
Analisi Pola Pemesanan Pelanggan Menggunakan Algoritma Apriori-Tid Untuk Rekomendasi Paket Bundling Menu Pada Autotec Coffee Maverick; Iis Pradesan
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.
Comparative Study of IndoBERT and IndoBERT-BiLSTM Models Across Three Text Preprocessing Frameworks for Aspect-Based Sentiment Analysis on MyTelkomsel App Reviews Antonius Wahyu Sudrajat; Iis Pradesan Pradesan; Yulistia Yulistia Yulistia
International Journal of Artificial Intelligence Research Vol 10, No 2 (2026): December
Publisher : Universitas Dharma Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29099/ijair.v10i2.1751

Abstract

This study examines how text preprocessing depth and model architecture jointly affect aspect-based sentiment analysis (ABSA) of MyTelkomsel application reviews. A total of 850 cleaned Google Play reviews were weakly labeled into 1,036 aspect-sentiment instances covering package price, network signal, and customer service using a keyword lexicon and a rating-derived heuristic. Three preprocessing frameworks of increasing complexity (transformer-oriented, hybrid, and augmented hybrid with class-imbalance handling) were each evaluated on three IndoBERT-based architectures (a frozen baseline, full fine-tuning, and an IndoBERT+BiLSTM hybrid) under an identical evaluation protocol. The augmented hybrid framework combined with full fine-tuning achieved the best performance (accuracy 92.16%, macro F1-score 0.7406), ahead of the transformer-oriented (macro F1 = 0.6219) and hybrid (macro F1 = 0.6404) frameworks, and its advantage for the fine-tuned model was consistent across three random seeds, although these differences do not survive correction for multiple comparisons at three seeds. Fine-tuning consistently outperformed both the frozen baseline and the BiLSTM extension, while the customer service aspect remained the hardest to classify because of class imbalance and weak-label noise. A post-hoc audit found that 61.5% of test instances share near-identical text with training instances, an artifact of splitting multi-aspect reviews at the row level; absolute scores are therefore upper bounds, and although all conditions share one split, the interaction between this overlap and the augmented framework's oversampling remains untested. Unlike prior Indonesian IndoBERT-based ABSA studies that fix a single preprocessing pipeline, this study isolates the separate contributions of preprocessing depth and model architecture.
Co-Authors Abdul Rahman Abdul Rahman Adellia Rahmawati Adellia Rahmawati Angelya, Tasya Antonius Wahyu Sudrajat Arif Yulianto Arnila Trisna Putri Claresta Visakha Dafid Dedy Hermanto Dien Novita Dorie P. Kesuma Edbert Priansyah Charles Fredy Suwanto Ilham Indra Hidayat jurianto jurianto Lisa Amelia Fransen Lisa Amelia Fransen Maverick Meirisca Wijaya Muhammad R Firdaus Sukriyadi Sukriyadi Tasya Angelya Tasya Angelya Yulistia Yulistia Yulistia