Article Per Year (5 Year)
p-Index From 2020 - 2025
1.006
P-Index
This Author published in this journals
All Journal Indonesian Journal on Data Science Teknomatika: Jurnal Informatika dan Komputer
Puji Winar Cahyo
Unknown Affiliation
Computer Science & IT

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Topic Modeling dan Social Network Analysis digunakan untuk mencari keterkaitan topik pada Tweet Pembahasan Saham Muhammad, Ilham Zulqarnain; Puji Winar Cahyo
INDONESIAN JOURNAL ON DATA SCIENCE Vol 1 No 1 (2023): Indonesian Journal on Data Science
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat Universitas Achmad Yani Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30989/ijds.v1i1.900

Abstract

Pada tahun 2020, jumlah orang yang melakukan trading di Indonesia mengalami peningkatan meskipun terjadi pandemic covid19. Dalam hitungan jumlah investor pada tahun 2020 mencapai 3.5 juta investor sedangkan pada tahun 2021 meningkat menjadi 7.5 investor. Melalui adanya peningkatan ini, maka jumlah posting tentang saham dan tutorial mengenai trading saham di media sosial meningkat cukup drastis. Maka penelitian ini mencoba untuk melakukan analisis keterkaitan topik pembicaraan saham pada sosial media Twitter dengan menggunakan integrasi topic modelling dan Social Network Analysis (SNA). Proses pembagian topik ideal menggunakan coherence measurement menentukan sebanyak 5 topik ideal. Melalui lima topik yang dihasilkan dari topic modelling tersebut kemudian dilakukan analisis menggunakan SNA sehingga menghasilkan nilai degree centrality, betweeness centrality, dan closeness centrality yang sama pada setiap topik. Nilai tersebut diantaranya: 4 untuk nilai degree centrality, 0.4 untuk betweeness centrality dan 1 untuk closeness centrality. Melalui hasil tersebut maka perlunya evaluasi dalam pembentukan SNA dengan menggunakan topic modeling. Evaluasi tersebut salah satunya bisa dilakukan melalui identifikasi pada tweet yang memiliki kesamaan pembahasan meskipun dengan penulisan redaksi yang berbeda, atau dapat dilakukan dengan cara menambah variasi data dengan cara memperlama waktu pengambilan.
KLASTERISASI TIPE PEMBELAJAR SEBAGAI PARAMETER EVALUASI KUALITAS PENDIDIKAN DI PERGURUAN TINGGI Puji Winar Cahyo
Jurnal Teknomatika Vol 11 No 1 (2018): TEKNOMATIKA
Publisher : Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta

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

Abstract

Lemahnya kualitas pendidikan di perguruan tinggi sangat mempengaruhi target capaian kelulusan. Untuk itu, setiap perguruan tinggi diharapkan mempunyai sistem pembelajaran yang kondusif dengan melakukan penekanan dan pemenuhan pada beberapa komponen kualitas pendidikan. Komponen kualitas pendidikan tersebut diantaranya adalah kurikulum, kualitas dosen dan kesesuaian metode dalam memberikan pembelajaran. Selain pada peningkatan kualitas pendidikan, motivasi yang tumbuh dari dalam diri mahasiswa sangatlah berpengaruh. Orang yang memiliki motivasi tinggi untuk berprestasi biasanya memiliki: cita-cita tinggi, ingin maju, bekerja keras, bersaing, tekun dan sangat menghargai produktivitas. Oleh karena itu, lemahnya motivasi untuk berprestasi akan sangat menentukan besar kecilnya pencapaian hasil. Proses pembelajaran yang memerlukan waktu rata – rata selama 4 tahun untuk Sarjana, tentunya menghasilkan history capaian lulusan yang dapat dianalisis. Data history tersebut diantaranya berupa masa studi, masa penyelesaian tugas akhir dan Indeks Prestasi Kumulatif (IPK). Data tersebut dapat dilakukan pengelompokan secara klaster untuk mengetahui kelompok mahasiswa yang memiliki tipe pembelajar yang sejenis di perguruan tinggi, dengan diketahuinya klaster tipe pembelajar di perguruan tinggi tersebut maka dapat dikembangkan pada evaluasi kualitas pendidikan di suatu perguruan tinggi.
Analisis Pola Konsumen Dalam Bertransaksi Bisnis di Bengkel Resmi AHASS Total Honda Motor Budi Wardoyo; Puji Winar Cahyo; Muhammad Habibi; M. Abu Amar Al Badawi
Jurnal Teknomatika Vol 16 No 1 (2023): TEKNOMATIKA
Publisher : Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30989/teknomatika.v16i1.1133

Abstract

The accumulated data, which consists of facts and transaction events in a business, should be processed and utilized for the progress of business development. Currently, the data owned by AHASS THM has not been optimized and further processed to provide broader benefits, such as promotion and forming loyal AHASS customers. The objective of this research is to analyze the existing transaction data to identify consumer transaction patterns at AHASS THM. The research methodology used is Market Basket Analysis (MBA), a method for analyzing consumer transaction data by finding associative relationships between different items in the consumer's shopping cart. By applying a minimum parameter limitation of support = 0.001, confidence = 0.8, and sorting based on the magnitude of the confidence parameter, 62 associative rules of consumer transaction patterns in AHASS THM business were obtained. By selecting the top 10 associative rules based on the highest confidence values, generally, these associative rules have a confidence parameter greater than 0.95 or 95%. Additionally, there are 3 associative rules with a confidence value of 1 or 100%, indicating that consumers will purchase Bearing Needle 20x29x218 after buying Bearing Ball 6902U, or a combination of Bearing Ball 6902U with CVT Grease 10 gr or Oli MPX2 0.8 lt.
ANALISIS SENTIMEN ULASAN BANTUAN SOSIAL (BANSOS) DI TWITTER MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) GILANG BRILIAN RACHMAT; Puji Winar Cahyo; Fajar Syahruddin
Jurnal Teknomatika Vol 15 No 1 (2022): TEKNOMATIKA
Publisher : Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30989/teknomatika.v15i1.1137

Abstract

Background: Social assistance (bansos) is assistance provided to the community/social institutions in a non-continuous and selective manner in the form of money/goods to the community, aiming to improve the welfare of the community. The purpose of this study is to create an analytical model using the Support Vector Machine method which is used to perform Sentiment analysis regarding social assistance (bansos) on Twitter. Research Method: using the Support Vector Machine (svm) method. Based on the classification results, a lot of negative tweet data and many netizens regret that social assistance is still not evenly distributed and there is still a lot of social assistance corruption by the government itself which is marked by a lot of negative sentiments rather than positive sentiments. Conclusion: This study succeeded in testing the accuracy using the Support Vector Machine (SVM) method with a value of 84% on training data and 97% on testing data.
CParts Platform Analisis Harga Komponen Komputer pada Marketplace Anas Sufi Hasan Manahingati; Puji Winar Cahyo; Kartikadyota Kusumaningtyas; Alfun Roehatul Jannah
Jurnal Teknomatika Vol 16 No 2 (2023): TEKNOMATIKA
Publisher : Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30989/teknomatika.v16i2.1251

Abstract

Amidst the fluctuations in computercomponent prices brought about by the Covid-19pandemic, a comprehensive analysis platform hasbeen developed to address this challenge. Thisinnovative platform harnesses historical datasourced from prominent e-commerce platforms suchas Shopee, Blibli, and Tokopedia, presenting userswith insightful average price graphs categorized bycomponent series and types. The researchmethodology adopted follows a prototype approach,encompassing meticulous phases ranging fromneeds analysis, application design, prototyping,testing, evaluation, prototype refinement, through toimplementation and ongoing maintenance. Thesuccessful implementation of this system, powered bythe Python programming language, features robustfunctionalities including product search anddynamic graphical representations derived fromhistorical data. The data retrieval process, utilizingthe Scraping method, occurs at regular intervals ona weekly basis. Upon meticulous analysis ofhistorical data spanning from January to July 2022,a noteworthy trend emerged, highlighting thatShopee and Tokopedia consistently offer computercomponents at relatively more affordable pricescompared to Blibli. The conclusive findings of thisresearch underscore the platform's efficacy inproviding an essential tool for users navigating thecomplex landscape of computer component pricedynamics, particularly in the unprecedented contextof the ongoing pandemic. This platform not onlyfacilitates monitoring but also empowers users withvaluable insights crucial for informed purchasingdecisions based on stable and budget-friendly pricingstructures.
CParts Platform Analisis Harga Komponen Komputer pada Marketplace Anas Sufi Hasan Manahingati; Puji Winar Cahyo; Kartikadyota Kusumaningtyas; Alfun Roehatul Jannah
Jurnal Teknomatika Vol 16 No 2 (2023): TEKNOMATIKA
Publisher : Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30989/teknomatika.v16i2.1251

Abstract

Amidst the fluctuations in computercomponent prices brought about by the Covid-19pandemic, a comprehensive analysis platform hasbeen developed to address this challenge. Thisinnovative platform harnesses historical datasourced from prominent e-commerce platforms suchas Shopee, Blibli, and Tokopedia, presenting userswith insightful average price graphs categorized bycomponent series and types. The researchmethodology adopted follows a prototype approach,encompassing meticulous phases ranging fromneeds analysis, application design, prototyping,testing, evaluation, prototype refinement, through toimplementation and ongoing maintenance. Thesuccessful implementation of this system, powered bythe Python programming language, features robustfunctionalities including product search anddynamic graphical representations derived fromhistorical data. The data retrieval process, utilizingthe Scraping method, occurs at regular intervals ona weekly basis. Upon meticulous analysis ofhistorical data spanning from January to July 2022,a noteworthy trend emerged, highlighting thatShopee and Tokopedia consistently offer computercomponents at relatively more affordable pricescompared to Blibli. The conclusive findings of thisresearch underscore the platform's efficacy inproviding an essential tool for users navigating thecomplex landscape of computer component pricedynamics, particularly in the unprecedented contextof the ongoing pandemic. This platform not onlyfacilitates monitoring but also empowers users withvaluable insights crucial for informed purchasingdecisions based on stable and budget-friendly pricingstructures.
Topic Modeling dan Social Network Analysis digunakan untuk mencari keterkaitan topik pada Tweet Pembahasan Saham Muhammad, Ilham Zulqarnain; Puji Winar Cahyo
INDONESIAN JOURNAL ON DATA SCIENCE Vol. 1 No. 1 (2023): Indonesian Journal on Data Science
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat Universitas Achmad Yani Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30989/ijds.v1i1.900

Abstract

Pada tahun 2020, jumlah orang yang melakukan trading di Indonesia mengalami peningkatan meskipun terjadi pandemic covid19. Dalam hitungan jumlah investor pada tahun 2020 mencapai 3.5 juta investor sedangkan pada tahun 2021 meningkat menjadi 7.5 investor. Melalui adanya peningkatan ini, maka jumlah posting tentang saham dan tutorial mengenai trading saham di media sosial meningkat cukup drastis. Maka penelitian ini mencoba untuk melakukan analisis keterkaitan topik pembicaraan saham pada sosial media Twitter dengan menggunakan integrasi topic modelling dan Social Network Analysis (SNA). Proses pembagian topik ideal menggunakan coherence measurement menentukan sebanyak 5 topik ideal. Melalui lima topik yang dihasilkan dari topic modelling tersebut kemudian dilakukan analisis menggunakan SNA sehingga menghasilkan nilai degree centrality, betweeness centrality, dan closeness centrality yang sama pada setiap topik. Nilai tersebut diantaranya: 4 untuk nilai degree centrality, 0.4 untuk betweeness centrality dan 1 untuk closeness centrality. Melalui hasil tersebut maka perlunya evaluasi dalam pembentukan SNA dengan menggunakan topic modeling. Evaluasi tersebut salah satunya bisa dilakukan melalui identifikasi pada tweet yang memiliki kesamaan pembahasan meskipun dengan penulisan redaksi yang berbeda, atau dapat dilakukan dengan cara menambah variasi data dengan cara memperlama waktu pengambilan.
Co-Authors Alfun Roehatul Jannah Anas Sufi Hasan Manahingati Budi Wardoyo Fajar Syahruddin GILANG BRILIAN RACHMAT Kusumaningtyas, Kartikadyota M. Abu Amar Al Badawi Muhammad Habibi Muhammad, Ilham Zulqarnain