Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) Nuansa Informatika
Iwan Setiawan
Universitas Logistik dan Bisnis Internasional
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PENERAPAN KONSEP BIG DATA UNTUK OPTIMALISASI MANAJEMEN ASET DI PT POS INDONESIA Muhammad Ruslan Maulani; Iwan Setiawan; Marwanto Rahmatuloh
Jurnal Ilmiah Teknologi Infomasi Terapan (JITTER) Vol. 10 No. 2 (2024)
Publisher : Universitas Widyatama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33197/jitter.vol10.iss2.2024.1528

Abstract

Penelitian ini bertujuan untuk menerapkan konsep Big Data dalam rangka mengoptimalkan manajemen aset di PT Pos Indonesia. PT Pos Indonesia perlu mengadopsi teknologi Big Data untuk mengumpulkan, mengelola, dan menganalisis data yang dihasilkan oleh berbagai sumber. Metode penelitian yang digunakan dalam penelitian ini adalah Scrum, sebuah kerangka kerja pengembangan perangkat lunak yang berfokus pada fleksibilitas dan kolaborasi tim. Penelitian ini melibatkan beberapa tahapan. Pertama, dilakukan analisis kebutuhan dan identifikasi aset yang perlu dioptimalkan. Selanjutnya, dilakukan pengumpulan data dari berbagai sumber seperti sistem manajemen aset. Data yang dikumpulkan kemudian diproses dan disimpan dalam infrastruktur Big Data yang sesuai. Selanjutnya, menggunakan metode Scrum, tim peneliti dan stakeholder terlibat dalam proses pengembangan solusi Big Data. Sprint-sprint pendek dilakukan untuk mengimplementasikan dan menguji berbagai komponen sistem, seperti platform pengumpulan data, algoritma analisis, dan visualisasi hasil. Iterasi secara teratur memungkinkan penyesuaian dan perbaikan berkelanjutan sesuai dengan umpan balik yang diberikan oleh tim dan pemangku kepentingan. Hasil dari penelitian ini adalah prototype aplikasi dan penerapan konsep Big Data yang diimplementasikan dalam aplikasi manajemen aset di PT Pos Indonesia. Dengan mengoptimalkan penggunaan data, PT Pos Indonesia dapat meningkatkan efisiensi operasional, memperbaiki pengambilan keputusan berdasarkan analisis data yang lebih akurat.
Predicting the Happiness Index Based on the HDI Indicator in Indonesia Using the Ensemble Learning Approach: Prediksi Indeks Kebahagiaan Berdasarkan Indikator IPM di Indonesia Menggunakan Pendekatan Ensemble Learning Syafrial Fachri Pane; Rofi Nafiis Zain; Iwan Setiawan; Virdiandry Putratama
NUANSA INFORMATIKA Vol. 19 No. 2 (2025): Nuansa Informatika 19.2 Juli 2025
Publisher : FKOM UNIKU

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25134/ilkom.v19i2.410

Abstract

Machine Learning is used to analyze complex data in various fields of research. In this study, we applied an ensemble learning approach consisting of Random Forest Regression (RF), XGBoost Regression (XGB), Decision Tree Regression (DT) and Pearson correlation analysis as well as Shapley Additive Explanations (SHAP) to analyze the relationship between the HDI and Happiness indicators in Indonesia. Second, building a prediction model with an ensemble learning approach, namely stacking, which consists of several algorithms including RF, XGB, DT. The results of this study, one, based on the results of Pearson correlation analysis, Permutation Importance (PI), and SHAP, show that the happiness score of Indonesian people has a strong correlation with the Human Development Index variable. The Pearson correlation result shows a value of 0.88, which indicates a very strong positive relationship between HDI and happiness. In addition, the Permutation Importance and SHAP analysis also confirms that HDI is one of the most influential variables in predicting happiness scores in Indonesia. Second, the performance model for predicting happiness using stacking regressors with an R-Squared value of 97.68\%, MAE 0.002900, MSE 0.000021, and RMSE 0.004604.
Co-Authors Marwanto Rahmatuloh Muhammad Ruslan Maulani Rofi Nafiis Zain Syafrial Fachri Pane Virdiandry Putratama