Article Per Year (5 Year)
p-Index From 2021 - 2026
3.528
P-Index
This Author published in this journals
All Journal SINTEK JURNAL: Jurnal Ilmiah Teknik Mesin Sinkron : Jurnal dan Penelitian Teknik Informatika Knowledge Engineering and Data Science Community Engagement and Emergence Journal (CEEJ) Jurnal Sistem Komputer dan Informatika (JSON) ABDI SABHA (Jurnal Pengabdian kepada Masyarakat) Bulletin of Computer Science Research Jurnal Pengabdian Masyarakat IPTEK Hello World Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Blend Sains Jurnal Teknik Journal of Software Engineering and Information System (SEIS) Prosiding Seminar Nasional Teknik UISU (SEMNASTEK) Jurnal Sains Student Research Nusantara Journal of Multidisciplinary Science Jurnal Komprehenshif Tsabit
Zuli Agustina Gultom
Universitas Muhammadiyah Sumatera Utara
Religion Arts Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Mechanical Engineering Social Sciences Other

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
Kombinasi Metode Gada (Grey Absolute Decesion Analysis) Dan Gra (Grey Relational Analysis) Dalam Menentukan Karyawan Tetap Berbasis Web Muhammad Hafiz; Zuli Agustina Gultom
Nusantara Journal of Multidisciplinary Science Vol. 4 No. 3 (2026): NJMS - Oktober 2026
Publisher : PT. Inovasi Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penentuan karyawan tetap merupakan salah satu proses penting dalam manajemen sumber daya manusia karena berhubungan dengan kualitas, produktivitas, dan keberlangsungan operasional perusahaan. Proses penentuan karyawan tetap pada PT. Sari Pati Abadi masih dilakukan secara manual dan subjektif sehingga berpotensi menimbulkan kesalahan penilaian, kurangnya transparansi, dan ketidakkonsistenan dalam pengambilan keputusan. Penelitian ini bertujuan membangun sistem pendukung keputusan berbasis web menggunakan kombinasi Grey Absolute Decision Analysis (GADA) dan Grey Relational Analysis (GRA). GADA digunakan untuk menentukan bobot kriteria secara objektif, sedangkan GRA melakukan perangkingan alternatif. Sistem dikembangkan menggunakan PHP dan MySQL. Hasil perhitungan pada 30 alternatif menghasilkan bobot C1=0.2084, C2=0.2074, C3=0.2074, C4=0.2074, dan C5=0.1694. Nilai Grey Relational Grade tertinggi diperoleh Muhammad Akmal sebesar 0.9661. Evaluasi dengan confusion matrix menghasilkan akurasi 90.00%, presisi 93.33%, recall 87.50%, spesifisitas 92.86%, dan F1-Score 90.32%. Hasil ini menunjukkan bahwa kombinasi GADA dan GRA dapat mendukung proses penentuan karyawan tetap secara lebih objektif, terstruktur, transparan, dan terukur
Implementasi Data Mining untuk Strategi Customer Relationship Management (CRM) dengan Pendekatan RFM dan K-Means Clustering pada Kelompok UMKM Thito Angga Darma; Zuli Agustina Gultom
Komprehensif Vol 4 No 2 (2026)
Publisher : CV Edu Tech Jaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini dilatarbelakangi oleh kebutuhan Kelompok Usaha Mikro, Kecil, dan Menengah (UMKM) dalam memahami karakteristik pelanggan serta menentukan strategi Customer Relationship Management (CRM) yang tepat berdasarkan data transaksi. Pengelolaan data transaksi secara konvensional belum mampu memberikan informasi yang optimal mengenai pola dan segmentasi pelanggan. Penelitian ini bertujuan untuk mengimplementasikan data mining menggunakan pendekatan RFM (Recency, Frequency, Monetary) dan algoritma K-Means Clustering untuk melakukan segmentasi pelanggan serta mengintegrasikan hasilnya ke dalam sistem CRM berbasis web. Penelitian menggunakan pendekatan Research and Development (R&D) dengan pengolahan data secara kuantitatif. Data penelitian berupa 200 data transaksi pelanggan yang selanjutnya melalui tahap data cleaning, transformasi atribut RFM, normalisasi data, dan proses clustering menggunakan algoritma K-Means. Hasil pengolahan menghasilkan 162 pelanggan unik yang dapat dikelompokkan ke dalam tiga segmen utama. Cluster 0 terdiri atas 119 pelanggan (73,5%) yang memiliki frekuensi dan nilai transaksi relatif rendah dan dikategorikan sebagai pelanggan transaksional atau musiman. Cluster 1 terdiri atas 15 pelanggan (9,3%) dengan karakteristik transaksi tingkat menengah dan dikategorikan sebagai pelanggan potensial. Cluster 2 terdiri atas 28 pelanggan (17,3%) dengan nilai transaksi tinggi dan tingkat kedatangan berulang yang kuat sehingga dikategorikan sebagai pelanggan inti atau Champions. Hasil segmentasi kemudian diimplementasikan pada sistem CRM berbasis web menggunakan Python dan framework Flask untuk mendukung proses klasterisasi dan rekomendasi strategi pemasaran. Evaluasi Two-Stage Data Mining menghasilkan nilai AUC sebesar 1,000 dan F-Score sebesar 100%. Hasil penelitian menunjukkan bahwa integrasi pendekatan RFM dan K-Means Clustering dapat membantu UMKM melakukan segmentasi pelanggan secara sistematis dan mendukung pengambilan keputusan dalam penerapan strategi CRM berbasis data.
PENERAPAN METODE NAÏVE BAYES UNTUK MENGANALISIS SENTIMEN PUBLIK TERHADAP LAYANAN TRANSPORTASI ONLINE DI INDONESIA BERBASIS DATA MEDIA SOSIAL X Fahri Nasution; Zuli Agustina Gultom
Komprehensif Vol 4 No 2 (2026)
Publisher : CV Edu Tech Jaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Layanan transportasi online seperti Gojek dan Grab telah menjadi bagian penting dari mobilitas masyarakat di Indonesia. Tingginya penggunaan layanan ini memicu banyaknya opini publik yang tersebar di media sosial X, baik berupa apresiasi maupun keluhan. Penelitian ini bertujuan untuk menerapkan text mining dan metode Naïve Bayes dalam menganalisis dan memetakan sentimen publik terhadap layanan transportasi online agar dapat dimanfaatkan sebagai bahan evaluasi kualitas layanan berbasis data. Dataset yang digunakan berjumlah 1.930 tweet mengenai Gojek dan Grab yang dikumpulkan dari Januari 2023 hingga Desember 2025, lalu dilabeli secara manual ke dalam kelas positif dan negatif. Data diproses melalui tahapan preprocessing (termasuk cleaning, case folding, tokenizing, stopword removal, dan stemming), lalu dibobotkan menggunakan metode TF-IDF sebelum diklasifikasikan menggunakan algoritma Multinomial Naïve Bayes dengan rasio pembagian data latih dan uji sebesar 80:20. Hasil pengujian model menunjukkan performa yang sangat baik dengan tingkat accuracy sebesar 87,31%, precision 89,53%, recall 83,24%, F1-score 86,27%, dan nilai ROC-AUC mencapai 0,9574. Hasil pemetaan klasifikasi sentimen menunjukkan bahwa terdapat 923 tweet (47,8%) bersentimen positif dan 1.007 tweet (52,2%) bersentimen negatif. Hal ini membuktikan bahwa metode Naïve Bayes dengan pembobotan TF-IDF sangat efektif dalam menganalisis opini teks, serta menunjukkan bahwa opini masyarakat saat ini terhadap layanan transportasi online di Indonesia masih didominasi oleh keluhan yang sedikit lebih besar dibandingkan apresiasi.
PREDIKSI JUMLAH ORDER GOJEK DRIVER MENGGUNAKAN ALGORITMA RANDOM FOREST DENGAN EVALUASI MODEL Muhammad Raja Aldimas; Zuli Agustina Gultom
Komprehensif Vol 4 No 2 (2026)
Publisher : CV Edu Tech Jaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini berjudul “Prediksi Jumlah Order Driver Gojek Menggunakan Algoritma Random Forest Regression”. Penelitian ini bertujuan untuk memprediksi jumlah order driver Gojek berdasarkan beberapa faktor yang berkaitan dengan aktivitas kerja driver. Variabel yang digunakan meliputi durasi kerja dan jam online, sedangkan jumlah order digunakan sebagai variabel target. Data penelitian diperoleh melalui kuesioner terhadap driver Gojek.Metode yang digunakan adalah Random Forest Regression, yaitu metode machine learning yang menggabungkan beberapa decision tree untuk menghasilkan prediksi. Tahapan penelitian meliputi pengumpulan data, preprocessing, pembagian data menjadi data training dan testing dengan perbandingan 70:30, pembangunan model, serta proses prediksi. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE) untuk mengetahui tingkat kesalahan prediksi terhadap data aktual.Hasil penelitian menunjukkan bahwa Random Forest Regression dapat digunakan untuk memprediksi jumlah order driver Gojek berdasarkan variabel yang digunakan dalam penelitian. Hasil evaluasi model melalui nilai RMSE, MAE, dan MAPE menunjukkan tingkat kemampuan model dalam menghasilkan prediksi jumlah order. Model yang dihasilkan dapat memberikan estimasi jumlah order berdasarkan kondisi kerja driver sehingga dapat menjadi informasi pendukung dalam memahami pola jumlah order yang diperoleh driver Gojek.
Co-Authors Affandi Al Hamidy Alhamidy, Alhamidy Andi Zulherry Annisa, Putri Cintami Arifina Ramadhani Elvira Nuriza Harahap Elza Ahmad Raihan Fadhlurrohman, Dimas Fahri Nasution Fahrizal Zulkarnain Farid Akbar Siregar Ferdy Riza Firahmi Rizky Firahmi Rizky Fonna, Syarizal Hafizh Alfarisy Hazidar, Al-Hamidy Hevlie Winda Nazry S Indra Maryanti Khairun Niswa Lubis, Riadini Wanty M. Syauqi Haris Mahardika Abdi Prawira Tanjung Maryanti, Indra Mika Debora Br Barus Muammar Farhan Muhammad Andrian Muhammad Devri Kazza Nasution Muhammad Hafiz Muhammad Raja Aldimas Niswa, Khairun Rizki Efrida Rizky, Firahmi Siregar, Chandra A Tanjung, Iqbal Tegar Yudhistyra Thito Angga Darma Wardana, Muhammad Andika Yohanni Syahra Yoshida Sary