Article Per Year (5 Year)
p-Index From 2021 - 2026
3.053
P-Index
This Author published in this journals
All Journal Jurnal Buana Informatika Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Edukasi dan Penelitian Informatika (JEPIN) JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi bit-Tech INFORMASI (Jurnal Informatika dan Sistem Informasi) Informatics and Digital Expert (INDEX) Journal of Applied Computer Science and Technology (JACOST) Indonesian Journal of Digital Business MDP Student Conference jurnal informasi teknologi dan sistem Jurnal Informasi Teknologi dan Sistem (INTEKSIS)
Jimmy Tjen
Universitas Widya Dharma Pontianak
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Library & Information Science Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Prediksi Safety Stock Penjualan Produk Filter Solar Alat Berat Menggunakan Pendekatan DR-ARMA (Studi Kasus: PD. Borneo Diesel) Saputra, Andre; Willim, Andre Prasetya; Tjen, Jimmy
Indonesian Journal of Digital Business Vol 5, No 4 (2025): Indonesian Journal of Digital Business: December 2025
Publisher : Universitas Pendidikan Indonesia (UPI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17509/ijdb.v5i4.93440

Abstract

Pengendalian persediaan pada data penjualan yang fluktuatif dan bersifat sparse menuntut metode peramalan yang adaptif dan akurat. Penelitian ini menggunakan data penjualan harian dengan tingkat sparsity sebesar 86 persen dan membandingkan tiga pendekatan prediksi, yaitu ARMA klasik, DR-ARMA, dan Gradient Boosting Regression (GBR), sebagai dasar penentuan safety stock. Hasil evaluasi menunjukkan bahwa DR-ARMA memiliki performa terbaik dengan nilai MAPE sebesar 11,91 persen, jauh lebih rendah dibandingkan ARMA klasik (1.578,17 persen) dan GBR (72,89 persen). Pada tahap perhitungan safety stock, DR-ARMA tetap unggul dengan akurasi yang konsisten di seluruh periode lead time. Temuan ini menunjukkan bahwa DR-ARMA merupakan metode yang efektif pada data bersifat fluktuatif atau sparse.
Klasifikasi Rasa Buah Jeruk Pontianak (Citrus Nobilis Var. Microcarpa) Menggunakan Metode K-Cluster Classification Tree (K-CT) Tjen, Jimmy
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 6: Desember 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025126

Abstract

Revolusi Industri 4.0 telah mendorong penggunaan teknologi di berbagai aspek kehidupan, seperti industri makanan, dengan konsep machine learning digunakan untuk mengidentifikasi kualitas dan rasa dari bahan makanan. Perkembangan teknologi ini mendorong pengembangan dari metode baru yang lebih efisien dalam waktu komputasi, namun memiliki kemampuan model prediktif yang akurat. Penelitian ini bertujuan untuk memperkenalkan sebuah metode ensemble baru yang mengkombinasikan metode classification tree (CT) dan metode k-means, yang disebut sebagai metode k-cluster classification tree atau k-CT. metode k-CT merupakan metode yang dirancang untuk mengefisiensikan waktu komputasi dari metode CT tanpa mengurangi kemampuan prediktif dari metode tersebut. Pada penelitian ini, metode k-CT divalidasi menggunakan data primer yang diambil dari pengamatan sifat fisik dari buah jeruk Pontianak. Dari 457 sampel data yang ada, 80% data digunakan untuk melatih model pohon, sedangkan 20% yang tersisa digunakan untuk memvalidasi kualitas prediksi dari model. Berdasarkan pada percobaan yang dilakukan, diperoleh 3 temuan. Pertama, metode k-CT dapat mengklasifikasikan rasa dari buah jeruk Pontianak dengan akurasi sebesar 92%. Hasil ini menunjukan bahwa metode k-CT memiliki performa model prediktif yang lebih baik jika dibandingkan dengan metode CT, random forest dan gradient boosting. Kedua, ditemukan bukti lemah secara statistik ( bahwa metode k-CT memiliki kompleksitas waktu yang lebih singkat daripada metode CT, sesuai dengan Lema yang dibuktikan. Ketiga, berdasarkan pada aturan jika – maka yang dibentuk oleh metode k-CT, diketahui bahwa warna jeruk bukanlah faktor dominan yang menentukan rasa dari buah jeruk, melainkan diameter buah jeruk yang merupakan faktor dominan untuk menentukan rasa buah jeruk.   Abstract   The Industrial Revolution 4.0 has driven the integration of technology into various aspects of life, including the food and beverage industry, where machine learning methods are employed to evaluate food quality and taste. Consequently, the development of efficient machine learning techniques that provide accurate predictions with reduced computational complexity has become increasingly important. This research introduces a novel classification tree (CT)-based algorithm, termed the k-cluster classification tree (k-CT). The k-CT enhances the CT method by offering faster computations while preserving its predictive accuracy. The proposed methodology was validated using a primary dataset comprising the physical properties of “jeruk Pontianak” (Citrus nobilis var. microcarpa) oranges. Of the 457 available samples, 80% were utilized for training the tree-based models, while the remaining 20% were reserved for validating predictive accuracy. The experiments yielded three key findings. First, the k-CT achieved an accuracy of 92% in classifying the taste of “jeruk Pontianak,” outperforming CT, random forest, and gradient boosting methods. Second, there is weak evidence (α < 0.1) suggesting that the k-CT performs faster than the CT method. Lastly, based on the if-then rules derived from the k-CT tree structure, it was observed that the skin color of “jeruk Pontianak” does not significantly influence its taste. Instead, the diameter of the fruit has a strong impact on its taste.
Segmentasi Pelanggan Menggunakan Metode K-Means Dalam Data Mining untuk Strategi Promosi UMKM Lily Cakes Pontianak Danuwinata, Edward Revaldo; Tjen, Jimmy
INFORMASI (Jurnal Informatika dan Sistem Informasi) Vol 17 No 2 (2025): INFORMASI (Jurnal Informatika dan Sistem Informasi)
Publisher : LPPM STMIK Indonesia Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37424/informasi.v17i2.438

Abstract

Segmentasi pelanggan merupakan strategi penting dalam pemasaran untuk meningkatkan daya saing bisnis. Penelitian ini menerapkan metode K-Means untuk mengelompokkan pelanggan Lily Cakes berdasarkan karakteristik pembelian mereka. Data yang digunakan meliputi 679 transaksi selama tiga hari raya utama: Natal, Imlek, dan Idul Fitri. Jumlah klaster optimal ditentukan menggunakan metode silhouette. Hasil penelitian menunjukkan adanya empat klaster pelanggan dengan preferensi dan pola pembelian yang berbeda. Klaster 1 cenderung membeli kue premium untuk Lebaran dan Imlek, Klaster 2 berfokus pada Idul Fitri, Imlek, dan Natal, Klaster 3 membeli kue standar dan premium saat Imlek, sedangkan Klaster 4 lebih aktif berbelanja untuk Natal dan Lebaran. Berdasarkan hasil tersebut, disarankan strategi pemasaran yang disesuaikan dengan karakteristik tiap klaster, seperti promosi pre-order, potongan harga, serta pemasaran digital melalui Instagram dan WhatsApp. Penelitian ini berkontribusi terhadap penerapan data mining dalam konteks UMKM konvensional serta menjadi acuan praktis bagi pelaku usaha dalam mengoptimalkan strategi promosi berbasis data untuk meningkatkan penjualan dan daya saing sesuai dengan perkembangan zaman.
Uncovering Legendary Coffee Shops in Pontianak Through Sentiment Analysis Ilucky Salim; Jimmy Tjen
bit-Tech Vol. 7 No. 3 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v7i3.2240

Abstract

Nowadays, coffee shops are scattered everywhere offering a variety of unique experiences to attract customers. Despite the rapid emergence of modern coffee shops, certain long-established coffee shops (often referred to as “legendary coffee shops”) continue to thrive and maintain a loyal customer base. The success of legendary coffee shops can be attributed to factors such as signature beverages, distinctive ambiance, and a strong word-of-mouth reputation. Unlike newer establishments that rely heavily on digital marketing, these coffee shops build trust and popularity over time. To further understand their influence, sentiment analysis can be applied to customer reviews of the coffee shops. This study analyzes two legendary coffee shops in Pontianak, namely Aming Coffee Shop and Asiang Coffee Shop to understand the key factors behind their sustainability despite strong competition using Naïve Bayes Method. The best accuracy for testing data at a 50:50 ratio was 76.76%, while training data reached 96.16%. The resulting precision and recall values are 96.16% and 78.81%. This study employs N-gram 3 model to identify the top words of both coffee shops. The findings indicates that both coffee shops are well-known for their signature milk coffee and unique flavor beverages that resonate with the local community. Aming Coffee Shop attracts young customers with affordable prices, while Asiang Coffee Shop maintains its traditional coffee shop ambiance, appealing to customers seeking nostalgia. From these two case studies, it is evident the success of a coffee shop is highly influenced by taste, branding, and customer experience.
Prediksi Safety Stock Produk Filter Oli Sepeda Motor Berbasis Demand Response (DR) - ARMA Sandi Tendean; Jimmy Tjen; Riyadi Jimmy Iskandar
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.2282

Abstract

Manajemen rantai pasokan merupakan hal krusial yang dibutuhkan dalam menjaga persediaan suatu produk supaya tetap tersedia selama masa tunggu. Hal ini bertujuan untuk menjaga keberlanjutan suatu bisnis sehingga penjualan produk tersebut tidak terganggu dengan permasalahan kurangnya persediaan. Namun, metode prediksi konvensional seperti ARMA-klasik dan ARMA-GARCH seringkali kurang akurat pada data riil yang bersifat sparse yang didominasi nilai nol dan fluktuatif. Penelitian ini bertujuan untuk menggagas sebuah metode Auto Regressive Moving Average (ARMA) baru yang menggabungkan konsep demand response dengan analisis galat yang bernama Demand Response-ARMA (DR-ARMA). Metode ini dikembangkan melalui tiga tahap, yaitu penurunan matematis berbasis RMSE dan analisis tren, adaptasi model untuk data sparse, dan validasi menggunakan data primer penjualan sparepart filter oli dari CV di Kalimantan Barat selama 60 hari. DR-ARMA mengoptimasi prediksi ARMA berdasarkan pada tren penjualan serta mengontrol ketidakpastian prediksi dengan memanfaatkan analisis galat, supaya kesalahan prediksi dapat berkurang selama perhitungan safety stock. Simulasi numerik dilakukan pada data penjualan filter oli dari sebuah perusahaan yang ada di Kalimantan Barat. Hasil simulasi menunjukkan bahwa metode DR-ARMA dapat memprediksi penjualan filter oli dengan akurasi 80%, lebih tinggi dibandingkan metode prediksi lainnya seperti ARMA-Generalized Auto Regressive Conditional Heteroskedasticity (GARCH) (74%) dan ARMA-klasik (57%). Metode DR-ARMA juga dapat digunakan untuk memprediksikan safety stock untuk 60 hari kedepan dengan tingkat kesalahan prediksi sekitar 17%. Hal ini menunjukkan bahwa metode DR-ARMA cocok digunakan untuk memprediksikan safety stock dari data yang bersifat sparse. Metode DR-ARMA dapat membantu pengguna dalam mengatur jumlah persediaan barang yang dibutuhkan tanpa perlu melakukan pengisian gudang secara berlebihan.
Safety Stock Forecasting using ARMA and DR-ARMA under Different Sparsity Levels Jasmine Putri Halim; Jimmy Tjen; Alvin Lesmana
bit-Tech Vol. 8 No. 2 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i2.3154

Abstract

Accurate demand forecasting is vital in supply chain management, particularly in the fast-moving consumer goods (FMCG) industry that experiences rapid stock turnover and fluctuating demand. The Auto-Regressive Moving Average (ARMA) has been the standard approach for time series forecasting, however it often underperforms under sparse and fluctuating data. This study contributes to the literature by applying Demand Response-ARMA (DR-ARMA) that was initially developed to address data sparsity and fluctuations under more complete and lower-sparsity data conditions. Using three primary datasets with varying sparsity levels from an FMCG distributor of bottled water products in West Borneo, DR-ARMA was benchmarked against classical ARMA. The results show that DR-ARMA consistently outperforms the classical ARMA model even under more complete, lower sparse data conditions. In lower sparsity datasets, DR-ARMA achieved average Mean of Percentage Error (MAPE) values of 22.64% and 6.41% respectively compared to the baseline ARMA model (235.60% and 180.86%). However, its best performance was observed in higher sparse condition (70.45%), achieving an average MAPE value of 1.79% across all datasets, suggesting the model remains most effective when applied to sparse data as originally intended. These improvement enables more precise safety stock planning, lower holding costs, and position DR-ARMA as a practical forecasting tool that connects analytical performance with real operational impact.
DR-ARMA Method for Predicting Seblak Safety Stock Indri Sari Dewi; Jimmy Tjen
bit-Tech Vol. 8 No. 2 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i2.3196

Abstract

The rapid growth of the small culinary sector intensifies competition and operational complexity, particularly in managing inventory levels to ensure product availability and customer satisfaction. This study focuses on Warung Seblak Uwak, which uses a dual demand structure: a customizable prasmanan model and predetermined Seblak bundled packages. This research specifically analyzes the demand for these bundled packages, which, despite being standardized, still exhibit complex and volatile daily patterns influenced by overall store traffic. Accurate stock management for these items is crucial for maintaining profit margins and minimizing ingredient spoilage. To address the challenge of this unpredictable demand and optimize inventory in the small F&B context, this study pioneers the application of the Demand Response-AutoRegressive Moving Average (DR-ARMA) model. This sophisticated time-series methodology, previously confined to industrial or financial risk assessment, is novel in its capacity to adapt its forecast to recent sales anomalies in a dynamic culinary setting, offering superior predictive performance over standard methods. This application fills a critical gap in F&B forecasting literature. The research analyzes inventory risks and determines the optimal safety stock for the bundled packages using DR-ARMA (1,3). The methodology utilized 127 days of sales transaction records from Warung Seblak Uwak, followed by rigorous testing. The model achieved a RMSE of 5.9310, demonstrating high predictive acacuracy. The resulting safety stock recommendations offer a quantified and robust strategy for micro and small culinary enterprises, specifically concerning their standardized products, to significantly mitigate stockout risks and reduce waste, thereby improving operational efficiency and profitability.
An Optimized Demand Response-ARMA Model for Inventory Management Under Intermittent Product Demand Vedano Gustine; Sandi Tendean; Jimmy Tjen
bit-Tech Vol. 8 No. 2 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i2.3326

Abstract

Forecasting accuracy serves a crucial role in supply chain management, especially in calculating safety stock and purchase limit, particularly under demand fluctuations such as those observed for air filter products, which are characterized as slow moving and intermittent. The DR-ARMA method was designed to model sparse data effectively, despite the model heavily relies on manual tuning factor selection. In this case, the model still face limitation in handling intermittent demand. To address such methodological gap, this study proposes an optimized version of the Demand Response-ARMA (DR-ARMA) model which is able to handle intermittent demand, named Optimized Demand Response-ARMA (ODR-ARMA) by applying optimization problems that lead to an adaptive error multiplier factor. Using air filter sales data with a sparsity level of 62.3% and a varying lead time assumption from a company located in Pontianak. The comparative analysis of ODR-ARMA against LSTM, GBRT, and DR-ARMA reveals that the ODR-ARMA model demonstrates the best performance for both safety stock and purchase limit calculations with an average accuracy of 81.11% and 96.09%, respectively. The optimization results in a significant improvement, as the DR-ARMA model achieves an average accuracy of 51.26% for safety stock calculation and 30.48% for purchase limit calculation. As the ODR-ARMA model has the capability to generate an accurate demand forecast and requires low computational resources, this model can be used as a basis for enterprises, especially SMEs in decision making related to inventory management, which allows enterprises to avoid the risks of stockout, excess stock, and dead stock.
Sistem Pakar Pendeteksi Penyakit Pernapasan Menggunakan Gradient Boosting dan Metode CNN Eva Gultom; Tony Darmanto; Jimmy Tjen
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3601

Abstract

AbstractRespiratory diseases are among the most common illnesses in the community and are often underestimated. Low public awareness of respiratory diseases has led to a spike in mortality rates due to chronic respiratory diseases and slow treatment. One of the obstacles currently faced is that the manual diagnosis system takes a long time and requires limited specialist expertise. This study provides an expert system that can be used to detect respiratory tract diseases with two different types of input data. The Gradient Boosting algorithm is applied to improve diagnostic accuracy based on clinical data, while the CNN method is used to identify diseases using automatic features by extracting chest X-ray images. This study uses a dataset from Kaggle, which produces a data accuracy rate of 99.7% using Gradient Boosting and 95.93% using the CNN method. The accuracy results from each method show that this system can provide accurate respiratory disease detection results. Keywords: CNN; Gradient Boosting; Respiratory Disease; Expert System AbstrakPenyakit pernapasan merupakan salah satu penyakit yang sering ditemui di kalangan masyarakat dan sering diremehkan. Rendahnya tingkat kesadaran masyarakat terhadap penyakit pernapasan menyebabkan melonjaknya tingkat kematian, dikarenakan penyakit pernapasan kronis dan penanganan yang lambat. Kendala yang dihadapi saat ini salah satunya yaitu sistem diagnosis manual yang digunakan memerlukan waktu yang lama serta keahlian spesialis yang terbatas. Penelitian ini menyediakan sistem pakar yang dapat digunakan untuk mendeteksi penyakit saluran pernapasan dengan dua jenis data input yang berbeda. Algoritma Gradient Boosting diterapkan untuk meningkatkan akurasi diagnostik berdasarkan data klinis, sedangkan metode Convolutional Neural Networks (CNN) digunakan untuk mengidentifikasi penyakit menggunakan fitur otomatis dengan mengekstrak citra rontgen dada. Penelitian ini menggunakan dataset dari Kaggle, yang menghasilkan tingkat akurasi data sebesar 99,7% menggunakan Gradient Boosting dan 95,93% menggunakan metode CNN. Tingkat akurasi dari masing-masing metode menunjukkan bahwa sistem ini dapat memberikan hasil deteksi penyakit pernapasan yang akurat. 
Sistem Kendali Otomatis Ruang Kelas Berbasis ESP32 Pada Universitas Widya Dharma Pontianak Felix Liando; Genrawan Hoendarto; jimmy tjen
INTEKSIS Vol 12 No 1: Mei 2025
Publisher : LPPM Universitas Widya Dharma Pontianak

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.66003/inteksis.v12i1.10539

Abstract

Seiring dengan perkembangan teknologi, Building Automation telah menjadi aspek penting dalam pengelolaan bangunan. Dengan otomatisasi yang canggih, kebutuhan akan pengelolaan manual semakin berkurang. Dalam konteks ini, teknologi Internet of Things (IoT) memainkan peran krusial dengan menyediakan solusi yang inovatif untuk mewujudkan konsep Building Automation. Pada Universitas Widya Dharma Pontianak (UWDP), salah satu masalah yang sering dihadapi adalah ketergantungan pada pengontrolan manual perangkat seperti air conditioner (AC) dan lampu. Seringkali setelah selesainya kegiatan perkuliahan, perangkat seperti AC dan lampu tidak dimatikan oleh pengguna ruangan. Oleh karena itu, IoT dapat menjadi salah satu solusi untuk mengatasi masalah ini. Dengan diterapkannya sistem kendali otomatis ini, diharapkan proses pengontrolan secara manual terhadap perangkat lampu dan AC dapat diminimalisir. Sistem ini memungkinkan pengalihan kendali perangkat menuju pengontrolan yang lebih efisien dan praktis melalui aplikasi mobile berbasis Android yang telah dirancang secara khusus. Setelah diterapkannya sistem ini, pengguna dapat mengontrol perangkat lampu dan AC sesuai dengan preferensi pengguna secara real-time dimanapun dan kapanpun, sehingga dapat meningkatkan kenyamanan dan kemudahan pengelolaan perangkat di ruang kelas tanpa perlu hadir secara langsung di dalam ruang kelas.
Co-Authors Alvin Lesmana Danuwinata, Edward Revaldo Eva Gultom Felix Liando Genrawan Hoendarto Ilucky Salim Indri Sari Dewi Jasmine Putri Halim Paskalia Kartini Riyadi Jimmy Iskandar Sabila, Qolbi Sin Saputra, Andre Tendean, Sandi Therence, Claretty Tony Darmanto Valentina, Cecilia Valentino Pratama Vedano Gustine Venicia Lauren Verita, Nengsy Willay, Thommy Willim, Andre Prasetya