Article Per Year (5 Year)
p-Index From 2021 - 2026
2.488
P-Index
This Author published in this journals
All Journal Jurnal Review Pendidikan dan Pengajaran (JRPP) Jurnal Sains Komputer dan Teknologi Informasi Innovative: Journal Of Social Science Research Bulletin of Network Engineer and Informatics (BUFNETS) Mutiara: Multidiciplinary Scientifict Journal Jurnal Ilmiah Sistem Informasi Jurnal Indonesia : Manajemen Informatika dan Komunikasi
Sutejo, Heru
Unknown Affiliation
Arts Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Public Health Social Sciences Other

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 16 Documents
Search

 1   2 
Analisis Penerapan Data Mining Untuk Klasifikasi Penjualan Makanan Terlaris Menggunakan Algoritma Decision Tree (C4.5) Falentina, Falerina Gita; Wabdaron, Gabriel Yohan Yoseph; Andiyani, Dwi; Wondiwoi, Melki Sendoni; Sutejo, Heru
Jurnal Ilmiah Sistem Informasi Vol. 4 No. 2 (2025): Mei : Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/f2jegk76

Abstract

Sektor bisnis kuliner terus berkembang pesat, menciptakan kebutuhan yang kuat akan pengambilan keputusan berbasis data untuk mendukung efisiensi operasional. Penelitian ini bertujuan untuk mengklasifikasikan kinerja penjualan item menu di Warung Makan Lalapan Haris dengan menerapkan algoritma pohon keputusan C4.5 dan metodologi KDD. Sebanyak 500 data record yang berisi atribut seperti jenis menu, jumlah pelanggan, jumlah barang terjual, dan status penjualan diproses melalui beberapa tahap, meliputi pemilihan data, praproses, transformasi, penggalian data, dan evaluasi. Model pohon keputusan dibangun menggunakan RapidMiner 2026.0.1 dengan pembagian data 70% untuk pelatihan dan 30% untuk pengujian. Hasil penelitian menunjukkan bahwa algoritma C4.5 berhasil membentuk struktur klasifikasi yang mengkategorikan item menu ke dalam kelompok Best Seller, Medium Seller, dan Low Seller. Ayam Goreng secara konsisten diidentifikasi sebagai Best Seller, Ayam Bakar sebagai Medium Seller, sementara Lele Goreng dan Lele Bakar diklasifikasikan sebagai item Low Seller dengan pola pembagian yang lebih kompleks yang terutama dipengaruhi oleh jumlah pelanggan. Hasil evaluasi menunjukkan akurasi 84%, dengan presisi dan recall sempurna untuk Ayam Goreng dan Ayam Bakar, sementara performa untuk Lele Goreng dan Lele Bakar bervariasi. Temuan ini menunjukkan bahwa algoritma pohon keputusan C4.5 efektif untuk menganalisis pola penjualan dan dapat membantu pemilik bisnis dalam merencanakan inventaris dan mengoptimalkan strategi manajemen menu.
Implementasi Algoritma FP-Growth Untuk Menemukan Pola Hubungan Antar Barang pada Transaksi Penjualan Nadia, Nadia; Tripasha, Ghina; Atya, Nur; Sutejo, Heru
Jurnal Ilmiah Sistem Informasi Vol. 4 No. 2 (2025): Mei : Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/tc3ne886

Abstract

This study is motivated by the problem faced by Toko Polirindo, where sales transaction data are stored only as archives and have not been utilized for analytical purposes, resulting in unstable product availability, recurring stock shortages, and difficulties in predicting customer purchasing behavior; therefore, this research aims to identify patterns of item associations that frequently occur together by applying the Association Rule Mining method using the FP-Growth algorithm, which is recognized for its ability to extract frequent itemsets efficiently without the need to generate candidate combinations as in the Apriori algorithm. The dataset consists of sales transactions recorded from January to September 2025. It undergoes several stages, including preprocessing, binary transformation, and analysis using RapidMiner to generate frequent itemsets and association rules, evaluated using support, confidence, and lift metrics. The results reveal that item 3 consistently appears as the most dominant consequent across almost all generated rules, with confidence values ranging from 0.322 to 0.347, indicating that this item is most strongly associated with other items and frequently appears as a complementary product in customer transactions. These findings provide practical contributions by offering insights to optimize stock management, improve product placement, and develop promotional strategies based on actual purchasing patterns, while also demonstrating that the FP-Growth algorithm is an effective analytical tool to support data-driven decision-making aimed at enhancing operational efficiency and customer satisfaction in retail environments.
Chronic Kidney Disease Prediction Model Using Naïve Bayes (Case Study: Jayapura City) Rumbairusy, Grace Adelin Rumbairusy; Rumbairusy, Grace Adelin; Manda, Manda; Payungallo, Yulan Nanda Sandira; Sutejo, Heru
Jurnal Ilmiah Sistem Informasi Vol. 4 No. 1 (2025): Januari : Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/k47t6677

Abstract

Penyakit Ginjal Kronis (PGK) merupakan salah satu masalah kesehatan yang kritis karena bersifat progresif dan sering tidak menunjukkan gejala pada tahap awal, sehingga banyak pasien terdiagnosis pada stadium lanjut. Di Kota Jayapura, jumlah kasus PGK terus meningkat akibat hipertensi, diabetes, serta keterbatasan akses layanan deteksi dini. Penelitian ini bertujuan membangun model prediksi PGK menggunakan algoritma Naïve Bayes serta menganalisis keterkaitan variabel klinis yang berpengaruh terhadap PGK pada pasien di Jayapura. Penelitian mengikuti kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM), meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment. Dataset yang digunakan terdiri dari 500 data pasien dengan 13 atribut medis, termasuk tekanan darah, glukosa darah, kreatinin serum, hemoglobin, albumin, dan kondisi urin. Seluruh data telah melalui tahap pembersihan sebelum pemodelan sehingga tidak memerlukan preprocessing lanjutan. Pemodelan dilakukan menggunakan RapidMiner, dan algoritma Naïve Bayes menghasilkan akurasi sebesar 94.40% dengan nilai precision dan recall tinggi pada kedua kelas PGK dan non-PGK. Hasil ini menunjukkan bahwa Naïve Bayes efektif dalam mengidentifikasi pola PGK pada data klinis lokal. Kontribusi utama penelitian ini adalah pemanfaatan data nyata dari pasien Kota Jayapura, sehingga menghasilkan model prediksi yang relevan secara regional serta memberikan pemahaman baru mengenai faktor medis yang dominan. Implikasi penelitian ini mencakup potensi integrasi model ke dalam sistem pendukung keputusan klinis maupun aplikasi monitoring kesehatan untuk mendukung deteksi dini PGK dan meningkatkan kualitas layanan kesehatan.
Prediction of Unselling Menu Items for Bundling and Promotion Strategies in Cafés Using Decision Tree Algorithm Karubun, Fheisyach Artianshal; Kluman, Didaktus Baptista; Febriansyah, Rahul; Pali, Putra Emanuel; Satia, Aldo Yunus Lazarus; Sutejo, Heru
Jurnal Ilmiah Sistem Informasi Vol. 5 No. 1 (2026): January: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/qc1w9009

Abstract

Industri café di Indonesia menghadapi tantangan dalam mengelola menu yang tidak laris, yang dapat menimbulkan kerugian akibat penumpukan bahan baku dan inefisiensi operasional. Penelitian ini bertujuan untuk memprediksi menu tidak laris menggunakan algoritma Decision Tree sebagai dasar penyusunan strategi bundling dan promosi yang efektif di café. Metode penelitian menggunakan pendekatan Knowledge Discovery in Database (KDD) yang mencakup tahapan seleksi data, pra-pemrosesan, transformasi, data mining, dan evaluasi pola. Dataset penelitian terdiri dari 500 record transaksi café yang dibagi menjadi 80% data latih (400 record) dan 20% data uji (100 record). Variabel yang digunakan meliputi jenis promo, nama menu, harga, kategori harga, cuaca, dan label kelarisan. Hasil penelitian menunjukkan bahwa model Decision Tree mampu memprediksi menu tidak laris dengan akurasi 84%, precision 87,50% untuk kelas Laris, dan 77,78% untuk kelas Tidak Laris. Analisis pohon keputusan mengidentifikasi bahwa jenis promo merupakan faktor paling dominan dalam menentukan kelarisan menu, diikuti oleh nama menu, harga, dan kondisi cuaca. Promo buy 1 get 1 terbukti paling efektif meningkatkan penjualan secara konsisten, sementara menu tanpa promo cenderung tidak laris. Menu seperti Coconut Steezy dan Steezy Coffee menunjukkan performa stabil bahkan dengan diskon ringan. Temuan ini memberikan rekomendasi strategis bagi pengelola café dalam mengoptimalkan promosi, mengurangi pemborosan bahan baku, dan meningkatkan profitabilitas melalui pendekatan berbasis data yang dapat diimplementasikan secara praktis.
Implementation of Naïve Bayes Algorithm on the Eligibility of Kartu Indonesia Pintar Scholarship (Case Study: University of Sepuluh Nopember Papua) Siahaan, Daniel Bienfield Manahan; Bagre, Estevina Carolina; Wanda, Jered Imanuel; Silahooy, Grisye; Sutejo, Heru
Jurnal Ilmiah Sistem Informasi Vol. 4 No. 1 (2025): Januari : Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/rdzdm469

Abstract

Program KIP Kuliah bertujuan memperluas akses pendidikan tinggi yang adil, namun seleksi manual di tingkat kampus kerap subjektif dan sukar diaudit. Penelitian ini menawarkan dukungan seleksi berbasis data menggunakan klasifikator Naive Bayes untuk membantu pengambilan keputusan di Universitas Sepuluh Nopember Papua. Tujuan penelitian adalah: (1) merancang dan mengimplementasikan model yang transparan dan replikabel untuk memprediksi kelayakan beasiswa, serta (2) mengevaluasi kinerjanya dengan metrik klasifikasi standar. Metode yang digunakan mengikuti alur KDD di RapidMiner, mencakup impor data, kendali mutu, imputasi nilai hilang, penetapan peran atribut, dan penyandian fitur; pelatihan model menggunakan smoothing Laplace. Dataset berisi 543 pendaftar periode 2024–2025 dengan atribut sosioekonomi (pekerjaan dan penghasilan orang tua, jumlah tanggungan, status DTKS, desil P3KE), sementara label target berupa kelayakan historis. Evaluasi dilakukan pada himpunan uji berukuran 50. Hasil menunjukkan akurasi 94% dengan matriks kebingungan TP=45, FP=2, FN=1, TN=2; untuk kelas Layak, presisi 95,74% dan recall 97,83%; AUC 0,891 mengindikasikan pemisahan kelas yang kuat. Temuan ini membuktikan pendekatan mampu mengenali kandidat layak secara andal, seraya menyoroti keterbatasan sensitivitas pada kelas Tidak Layak yang minoritas. Kontribusi penelitian adalah rancangan pipa analitik yang ringan dan dapat diaudit, yang mempercepat penyaringan, mengurangi subjektivitas, serta memperkuat akuntabilitas melalui keluaran terukur. Implikasinya, model dapat berperan sebagai filter tahap awal untuk memfokuskan telaah komite; peningkatan ke depan mencakup penyeimbangan kelas, penyetelan ambang, dan pelatihan ulang berkala demi menjaga keadilan dan efisiensi.
Application of the K-Means Method for Grouping Product Data Based on Sales Level Matuan, Helson; Dude, Esau; Mallo, Atius; Yowey, Herlina; Patey, Yusuf Selius; Sutejo, Heru
Jurnal Ilmiah Sistem Informasi Vol. 5 No. 1 (2026): January: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/53pfrd78

Abstract

Ritel modern di Indonesia tumbuh pesat dengan keragaman produk yang makin kompleks, sehingga pengelolaan data penjualan menjadi penting bagi pengambilan keputusan manajerial. Penelitian ini bertujuan mengelompokkan produk di Indomaret Kotaraja berdasarkan perilaku penjualan untuk mendukung keputusan terkait persediaan, penataan rak, dan promosi. Metode yang digunakan adalah klastering K-Means dengan implementasi di RapidMiner. Dataset mencakup penjualan bulanan selama satu tahun untuk produk makanan dan minuman kemasan. Sebelum pemodelan, dilakukan preprocessing yang meliputi pembersihan data, validasi tipe, penghapusan duplikasi, penanganan nilai hilang, dan normalisasi fitur, dengan variabel penjualan Januari hingga Desember sebagai masukan numerik, sementara identitas produk disimpan untuk interpretasi. Jumlah klaster alternatif K = 2, 3, dan 4 dievaluasi menggunakan Davies Bouldin Index, koefisien Silhouette, dan tren SSE atau WCSS. Hasil menunjukkan K = 4 memberikan pemisahan dan kekompakan terbaik dibanding K = 2 dan K = 3. Model akhir membagi 99 produk ke dalam klaster beranggotakan 16, 27, 31, dan 25 item. Profil centroid mengungkap pola yang berbeda: satu klaster memiliki penjualan tinggi dan relatif stabil pada kuartal empat fast moving, satu klaster menunjukkan lonjakan kuat di akhir tahun sensitif promosi atau musiman, satu klaster rendah namun stabil slow moving, dan satu klaster lebih volatil sehingga memerlukan pengendalian ketat. Penelitian ini menyajikan alur kerja yang dapat diulang dan profil klaster yang mudah ditafsirkan untuk tindakan operasional, seperti memprioritaskan pengisian ulang untuk fast mover, promosi terarah bagi kelompok menengah atau musiman, serta pengetatan stok dan optimasi rak untuk kelompok lambat atau volatil, sehingga membantu penyederhanaan kompleksitas data penjualan dan peningkatan keputusan berbasis data.
Co-Authors Alo, Fenny Girik Andiyani, Dwi Anggreini, Novita Apriono, Apriono Atya, Nur Bagre, Estevina Carolina de Queljoe, Desy Akwita Dude, Esau Falentina, Falerina Gita Febriansyah, Rahul Ilmalasari Fitri, Diza Karubun, Fheisyach Artianshal Kluman, Didaktus Baptista Lahallo, Jim Mallo, Atius Manda, Manda Matatula, Frengklin Matuan, Helson Nadia Nadia Pali, Putra Emanuel Patey, Yusuf Selius Payungallo, Yulan Nanda Sandira Prasetya, Andika Hero risaldi, risaldi Rumbairusy, Grace Adelin Rumbairusy, Grace Adelin Rumbairusy Satia, Aldo Yunus Lazarus Sherly Jayanti Siahaan, Daniel Bienfield Manahan Silahooy, Grisye Susi Hendartie T. Wicaksono, Satria Tatuhey, Emy Lenora Thamrin, Rosiyati M.H Tripasha, Ghina Wabdaron, Gabriel Yohan Yoseph Wanda, Jered Imanuel Wondiwoi, Melki Sendoni Yowey, Herlina