Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi JSR : Jaringan Sistem Informasi Robotik The Indonesian Journal of Computer Science
Ramadhani, Jilang
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering Engineering

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

Found 3 Documents
Search

 1 
Perbandingan Performa Algoritma Random Forest dan Gradient Boosting dalam Mengklasifikasi Churn Telco Purnama, Muhammad Adji; Ramadhani, Jilang; Anugraha, Yoga Safitra; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni
Techno.Com Vol. 23 No. 3 (2024): Agustus 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i3.11278

Abstract

Customer churn adalah kecenderungan pelanggan berhenti dan berpindah layanan dalam periode tertentu. Ini merupakan masalah utama dalam industri telekomunikasi karena mempengaruhi keuntungan perusahaan. Mempertahankan pelanggan lebih mudah dibandingkan mendapatkan pelanggan baru. Memprediksi churn membantu sektor CRM dalam merancang strategi retensi. Tingkat churn yang tinggi dapat menurunkan pendapatan dan mengganggu stabilitas bisnis. Berdasarkan studi, tingkat churn tahunan di industri telekomunikasi berkisar antara 15% hingga 30%. Data mining, yang memanfaatkan teknik pembelajaran mesin, digunakan untuk menganalisis dan mengekstraksi pengetahuan dari data. Penelitian ini bertujuan untuk membandingkan performa dua algoritma yaitu Random Forest dan Gradient Boosting. Hasil yang didapatkan menggunakan splitting data 80:20 menunjukkan bahwa klasifikasi lebih unggul menggunakan metode Gradient Boosting dibandingkan metode Random Forest dilihat dari tingkat akurasi dan nilai ROC AUC. Metode Gradient Boosting mendapatkan nilai akurasi dan ROC AUC sebesar 83% dan 0.89, Sedangkan metode Random Forest mampu menghasilkan nilai akurasi dan ROC AUC sebesar 81% dan 0.87.   Kata kunci: Churn, Gradient Boosting, Klasifikasi, Random Forest, Telco    
Analisis Performa Penjualan dan Prediksi Omzet dengan Pendekatan Market Basket Analysis Berbasis Data Analytics Ramadhani, Jilang; Efrizoni, Lusiana; Yenni, Helda; Zoromi, Fransiskus
The Indonesian Journal of Computer Science Vol. 14 No. 2 (2025): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v14i2.4788

Abstract

Pesatnya perkembangan bisnis ritel menuntut strategi pemasaran berbasis data untuk meningkatkan performa penjualan dan omzet. Penelitian ini menggunakan Market Basket Analysis (MBA) dengan algoritma Apriori untuk mengidentifikasi pola pembelian konsumen dan Regresi Linear Sederhana untuk memprediksi omzet berdasarkan jumlah transaksi harian. Data transaksi Alfamart Wingky Mart periode Maret–September 2024 dianalisis guna menemukan hubungan antar produk serta tren penjualan. Hasil MBA menunjukkan kombinasi produk Bimoli, Gula, dan Tepung memiliki support 42.16% dan confidence 99.37%, yang dapat dimanfaatkan untuk strategi pemasaran. Model regresi menghasilkan R² sebesar 35.65%, menunjukkan hubungan antara jumlah transaksi dan omzet, meskipun masih terdapat faktor lain yang berpengaruh. Penelitian ini memberikan wawasan strategis bagi bisnis ritel dalam optimasi tata letak produk, promosi bundling, serta peningkatan omzet berbasis analisis data.
PERBANDINGAN ALGORITMA K-MEANS CLUSTERING DAN K-MEDOIDS DALAM MENGELOMPOKKAN TINGKAT KEMISKINAN DI PROVINSI RIAU Ramadhani, Jilang; Anugraha, Yoga Safitra; Fauzan, Aulia; Rahmaddeni, Rahmaddeni; Efrizoni, Lusiana
JSR : Jaringan Sistem Informasi Robotik Vol 8, No 1 (2024): JSR: Jaringan Sistem Informasi Robotik
Publisher : AMIK Mitra Gama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58486/jsr.v8i1.393

Abstract

Kemiskinan merupakan permasalahan yang sering terjadi di dunia. Tingkat kemiskinan dari tahun ke tahun cenderung naik dan turun di setiap wilayah. Menurut Badan Pusat Statistik Riau, tingkat kemiskinan termasuk golongan rendah dengan persentase sebesar 7,00% pada september 2021. Penelitian ini bertujuan untuk mengelompokkan tingkat kemiskinan dengan Cluster kemiskinan rendah, sedang dan tinggi menggunakan algoritma K-Means Clustering dan K-Medoids. Data bersumber dari Badan Pusat Statistik Provinsi Riau dari tahun 2021-2023 dengan atribut jumlah penduduk miskin, pengangguran, dan garis kemiskinan. Hasil penelitian menunjukkan bahwa K-Means menghasilkan nilai Silhouette Coefficient sebesar 0,387 lebih tinggi dibandingkan K-Medoids sebesar 0,289. Hal ini menunjukkan Cluster yang dihasilkan K-Means lebih baik dalam mengelompokkan wilayah berdasarkan tingkat kemiskinan. Informasi ini dapat dimanfaatkan pemerintah untuk mengatasi kemiskinan yang sesuai dengan kondisi khusus di setiap Cluster wilayah.
Co-Authors Anugraha, Yoga Safitra Efrizoni, Lusiana Fauzan, Aulia Fransiskus Zoromi, Fransiskus Helda Yenni, Helda Purnama, Muhammad Adji Rahmaddeni Rahmaddeni