Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Insan Pratama Siagian, Raihan
Unknown Affiliation
Computer Science & IT

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

Found 3 Documents
Search

 1 
ANALISIS PERFORMA SISTEM OPERASI MANJARO LINUX DALAM LINGKUNGAN KOMPUTASI DESKTOP VIRTUAL Insan Pratama Siagian, Raihan; Azima Lubis, Fauzan; Abid Syuja, Muhammad; Kiswanto, Dedy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 1 (2025): JATI Vol. 9 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i1.12668

Abstract

Penelitian ini bertujuan untuk menganalisis performa Manjaro Linux dalam lingkungan komputasi desktop virtual menggunakan VirtualBox. Sistem operasi ini diuji dengan berbagai parameter, meliputi waktu booting, penggunaan memori, penggunaan CPU, dan performa grafis, dengan menggunakan alat bantu seperti systemd-analyze, htop, stress-ng, dan glxgears pada desktop environment KDE. Hasil pengujian menunjukkan bahwa Manjaro Linux memiliki waktu booting yang cepat (18,2 detik), penggunaan memori yang efisien (1081 MB dalam kondisi idle), serta performa CPU dan grafis yang stabil. Dengan hasil ini, Manjaro Linux direkomendasikan untuk kebutuhan komputasi desktop ringan hingga menengah di lingkungan virtual, dengan optimalisasi lebih lanjut pada pengalokasian sumber daya virtual untuk meningkatkan performa.
SEGMENTASI PELANGGAN DENGAN ALGORITMA K-MEANS UNTUK STRATEGI PEMASARAN YANG EFEKTIF Insan Pratama Siagian, Raihan; Pratama, Ega; Azmi Lubis, Fauzan; Audy Priscilia, Selfi; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13865

Abstract

Segmentasi pelanggan merupakan strategi penting dalam pemasaran untuk memahami karakteristik dan perilaku pelanggan yang beragam. Salah satu metode yang sering digunakan adalah K-Means Clustering, yang mampu mengelompokkan pelanggan berdasarkan kesamaan karakteristik tertentu. Namun, pemilihan jumlah cluster yang optimal dan analisis hasil segmentasi sering kali menjadi tantangan utama dalam implementasi metode ini. Oleh karena itu, penelitian ini bertujuan untuk mengimplementasikan algoritma K-Means dalam segmentasi pelanggan serta menganalisis efektivitas hasil klasterisasi. Pengujian dilakukan pada dataset Mall Costumer yang didapat dari kagle, lalu dianalisis menggunakan algoritma K-Means. Hasil pengujian menunjukkan bahwa jumlah cluster optimal yang diperoleh adalah 5, dengan distribusi anggota sebagai berikut: Cluster 0 terdiri dari 81 pelanggan, Cluster 1 sebanyak 39 pelanggan, Cluster 2 sebanyak 22 pelanggan, Cluster 3 sebanyak 35 pelanggan Dan Cluster 4 sebanyak 23 pelanggan. Dengan demikian, penelitian ini menunjukkan bahwa metode K-Means dapat mengelompokkan pelanggan secara efektif untuk mendukung strategi pemasaran yang lebih terarah.
PENERAPAN MACHINE LEARNING UNTUK REKOMENDASI FILM BERDASARKAN PREFERENSI PENGGUNA Insan Pratama Siagian, Raihan; Khoiriah, Najwatul; Audy Priscilia, Selfi; Raffi Akbar Tanjung, Muhammad; Perdana, Adidtya
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13884

Abstract

Dalam era digital, semakin banyaknya film yang tersedia di berbagai platform streaming menimbulkan tantangan bagi pengguna dalam memilih tontonan yang sesuai dengan preferensi mereka. Permasalahan utama yang dihadapi adalah bagaimana meningkatkan akurasi rekomendasi film agar lebih relevan dan personal bagi pengguna. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi film berbasis Machine Learning dengan metode Content-Based Filtering. Sistem ini dirancang untuk memberikan rekomendasi yang lebih sesuai dengan preferensi pengguna berdasarkan deskripsi film. Metode yang digunakan dalam penelitian ini melibatkan pemrosesan dataset dari The Movie Database (TMDb), di mana teknik Term Frequency-Inverse Document Frequency (TF-IDF) dan cosine similarity digunakan untuk mengukur kesamaan antar film. Implementasi dilakukan menggunakan bahasa pemrograman Python dengan pustaka pandas, numpy, dan scikit-learn, serta dikembangkan dalam antarmuka berbasis Streamlit untuk kemudahan penggunaan. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu memberikan rekomendasi yang relevan sesuai dengan preferensi pengguna. Namun, terdapat beberapa keterbatasan, seperti kurangnya variasi rekomendasi akibat ketergantungan pada data deskriptif film. Oleh karena itu, pengembangan lebih lanjut dapat mempertimbangkan pendekatan Hybrid Filtering atau integrasi dengan model Deep Learning untuk meningkatkan akurasi dan pengalaman pengguna.
Co-Authors Abid Syuja, Muhammad Adidtya Perdana, Adidtya Audy Priscilia, Selfi Azima Lubis, Fauzan Azmi Lubis, Fauzan Dedy Kiswanto Khoiriah, Najwatul Pratama, Ega Raffi Akbar Tanjung, Muhammad Ramadhani, Fanny