Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Komtekinfo Jurnal Pustaka Robot Sister
Mulyanda, Sandy
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Mathematics Mechanical Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Data Mining Menggunakan Algoritma C4.5 Untuk Prediksi Harga Pasar Mobil Bekas Mulyanda, Sandy; Defit, Sarjon; Sumijan
Jurnal KomtekInfo Vol. 10 No. 3 (2023): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v10i3.427

Abstract

Tingginya minat masyarakat terhadap mobil bekas membuat bisnis jual beli mobil bekas semakin meningkat, hal ini ditandai dengan banyaknya showroom mobil bekas yang ada di beberapa Kota, diantaranya showroom - showroom yang ada di Kota Bukittinggi seperti showroom AutoFallen. Beberapa faktor yang dapat mempengaruhi harga mobil bekas itu sendiri antara lain, tahun produksi, jenis mobil, transmisi, bahan bakar, kapasitas mesin, dan jarak tempuh. Disamping hal itu, didapatkan informasi dari pihak showroom dimana ada beberapa faktor yang mungkin berpengaruh terhadap daya beli masysrakat, diantaranya minat masyarakat terhadap suatu merk mobil, selain itu harga mobil juga dapat dipengaruhi oleh tingkat kepercayaan masyarakat terhadap suatu showroom tertentu, dengan kata lain, harga mobil bekas untuk satu merk, satu tahun rakitan dan lain sebagainya belum bisa diprediksi apakah harganya akan terus stabil atau tidak untuk ke depannya. Klasifikasi merupakan salah satu metode dalam menganalisis data mining dimana hasil dari klasifikasi tersebut dapat digunakan untuk memprediksi harga mobil bekas. Dengan menggunakan Algoritma C4.5 maka akan diketahui prediksi kestabilan dari harga mobil bekas pada beberapa tahun kedepan. Data yang diolah dalam penelitian ini sebanyak 100 data penjualan yang didapat dari showroom AutoFallen Bukittinggi. Selanjutnya data diolah menggunakan software Rapidminer. Hasil dari pengujian terhadap metode ini adalah dapat memprediksi harga pasar mobil bekas, sehingga tingkat akurasinya sebesar 99.00%. Dengan menggunakan metode Algoritma C4.5 dapat memprediksi harga pasar mobil bekas dengan akurat.
Prediksi Dropout Mahasiswa: Early-Warning Berbasis Enrollment dengan Machine Learning Andika Putra, Febri; Mirajdandi, Syahisro; Nandra, Nandra; Okmarizal, Bisma; Mulyanda, Sandy
JURNAL FASILKOM Vol. 15 No. 3 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i3.10714

Abstract

Dropout among university students remains a major challenge in higher education because it affects study continuity, institutional performance, and the efficiency of academic service planning. This study develops a machine learning–based Early Warning System (EWS) that leverages data available at enrollment and is updated after the first semester. Using the public dataset “Predict Students’ Dropout and Academic Success” (n = 4,424), the original three-class outcome (Dropout, Enrolled, Graduate) is simplified into a binary target, with dropout treated as the positive class. Two feature scenarios are evaluated: (1) enrollment-only for pre-entry screening and (2) enrollment plus first-semester indicators to update risk scores. Three models are compared: class-balanced Logistic Regression, class-balanced Random Forest, and Gradient Boosting. Model performance is assessed using accuracy, precision/recall/F1score for the dropout class, balanced accuracy, and ROC-AUC. Under the enrollment-only setting, Logistic Regression achieves the best early-warning performance (recall = 0.697; F1 score = 0.651). After incorporating first-semester features, performance improves (recall = 0.792; F1score = 0.779). Beyond model comparison, this study adds an operational perspective through confusion-matrix simulation and probability-threshold analysis to balance missed at-risk cases and follow-up workload.
Implementasi Hybrid Data Mining Menggunakan DBSCAN, FP-Growth, dan Random Forest pada Analisis Penjualan Soraya Bedsheet di Shopee Mulyanda, Sandy; Aulya, Nurul; Gusrianty, Gusrianty
Jurnal Pustaka Robot Sister (Jurnal Pusat Akses Kajian Robotika, Sistem Tertanam, dan Sistem Terdistribusi) Vol 4 No 2 (2026): Jurnal Pustaka Robot Sister (Pusat Akses Kajian Robotika, Sistem Tertanam, dan Si
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakarobotsister.v4i2.2139

Abstract

Pertumbuhan marketplace dalam beberapa tahun terakhir telah menghasilkan data transaksi dalam jumlah besar yang berpotensi dimanfaatkan sebagai sumber informasi bagi pelaku usaha. Namun, sebagian besar data penjualan masih digunakan sebatas laporan operasional sehingga informasi yang ada di dalamnya belum dimanfaatkan dengan optimal. Adapun tujuannya dari penelitian ini guna menganalisa karakteristik penjualan dan memprediksi performa penjualan produk Soraya Bedsheet pada Shopee melalui pendekatan hybrid data mining. Metode yang digunakan mengombinasikan DBSCAN untuk segmentasi produk, FP-Growth untuk analisis asosiasi antarproduk, dan Random Forest untuk prediksi penjualan. Dataset penelitian terdiri atas 120 data produk, jumlah stok, jumlah produk terjual, dan harga awal produk. Tahapan penelitian meliputi pengumpulan data, preprocessing, implementasi model, serta evaluasi dengan digunakannya RapidMiner. Temuan ini mengungkapkan bahwasanya  DBSCAN mampu mengklasifikasikan produk sebagaimana karakteristik penjualannya, FP-Growth berhasil menemukan pola keterkaitan antarproduk dalam transaksi, dan Random Forest memperoleh rata-rata accuracy sebesar 91,67% melalui 10-fold Cross Validation. Hasil penelitian menunjukkan bahwasanya pendekatan hybrid data mining mampu menghasilkan informasi yang mendukung pengelolaan stok, penyusunan strategi promosi, dan pengambilan keputusan bisnis secara lebih efektif pada marketplace Shopee.
Co-Authors Andika Putra, Febri Aulya, Nurul Gusrianty, Gusrianty Mirajdandi, Syahisro Nandra, Nandra Okmarizal, Bisma Sarjon Defit Sumijan