Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Progresif: Jurnal Ilmiah Komputer
Putri, Dewi Eka
Universitas Putra Indonesia YPTK Padang
Computer Science & IT Control & Systems Engineering

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

Found 3 Documents
Search
Journal : Progresif: Jurnal Ilmiah Komputer

 1 
Implementasi Algoritma K-Means dalam Klasterisasi Penjualan Lauk Masakan Padang Putri, Dewi Eka; Putra, Dede Wira Trise; Mandala, Eka Praja Wiyata
Progresif: Jurnal Ilmiah Komputer Vol 21, No 1 (2025): Februari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i1.2459

Abstract

Culinary development in Indonesia is very rapid, increasing competition among culinary entrepreneurs. Side dish sales at RM Takana Juo are problematic in stock management due to lack of understanding of sales patterns. This research proposes the use of K-Means algorithm to cluster side dish sales based on parameters that focus on initial stock and number sold. This research begins with the collection of side dish sales datasets, determination of the optimal number of clusters, and application of the K-Means algorithm to group side dishes into two clusters: side dish clusters with higher initial stock and sales and side dish clusters with relatively low initial stock and sales. The results showed that the sales of 20 Padang cuisine side dishes at RM Takana Juo were successfully grouped into the two clusters. The validation of the method's performance showed an average Silhouette Score value of 0.57 which indicates that the K-Means algorithm successfully clustered the data quite well. This research contributes specifically in planning the procurement of Padang cuisine side dishes in organizing daily stock to reduce waste.Keywords: Clusterization; K-Means; Side Dish Sales; Padang Cuisine; Sales Pattern AbstrakPerkembangan kuliner di Indonesia sangat pesat sehingga meningkatkan persaingan antar pengusaha kuliner. Penjualan lauk di RM Takana Juo bermasalah dalam pengelolaan stok karena kurangnya pemahaman pola penjualan. Penelitian ini mengusulkan penggunaan algoritma K-Means untuk mengelompokkan penjualan lauk berdasarkan parameter yang fokus pada stok awal dan jumlah terjual. Penelitian ini dimulai dengan pengumpulan dataset penjualan lauk, penentuan jumlah klaster optimal, dan penerapan algoritma K-Means untuk mengelompokkan lauk ke dalam dua klaster yaitu klaster lauk dengan stok awal dan penjualan yang lebih tinggi dan klaster lauk dengan stok awal dan penjualan yang relatif rendah. Hasil penelitian menunjukkan bahwa penjualan 20 lauk masakan Padang di RM Takana Juo berhasil dikelompokkan ke dalam dua klaster tersebut. Validasi kinerja metode menunjukkan nilai rata-rata Silhouette Score sebesar 0.57 yang mengindikasikan bahwa algoritma K-Means berhasil mengelompokkan data dengan cukup baik. Penelitian ini berkontribusi spesifik dalam merencanakan pengadaan lauk masakan Padang dalam mengatur stok harian untuk mengurangi pemborosan.Kata kunci: Klasterisasi; K-Means; Penjualan Lauk; Masakan Padang; Pola Penjualan
Penerapan K-Means Clustering dalam Segmentasi Siswa Berdasarkan Status Sosial Ekonomi Putri, Dewi Eka; Mandala, Eka Praja Wiyata
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2 (2025): Agustus
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2809

Abstract

The accuracy of educational aid distribution remains a challenge, especially when it is not based on structured socioeconomic data. This study aims to group students at SMP Negeri 1 Lunang based on socioeconomic status using the K-Means Clustering algorithm as a segmentation approach. The data used includes parents' income and occupation, number of dependents, social assistance, certificates of poverty, and distance from home to school. After data normalization, clustering and visualization were performed using Principal Component Analysis (PCA). The clustering results yielded three main groups representing different socioeconomic levels: low, medium, and high. Validation using the Silhouette Score yielded a value of 0.2592, indicating that the cluster separation was adequate. These findings suggest that K-Means can serve as a decision-making tool for data-driven aid distribution. This study offers a new approach to student segmentation that simultaneously considers geographical and socioeconomic indicators.Keywords: K-Means; Socioeconomic status; Student segmentation; PCA; Silhouette score  AbstrakKetepatan penyaluran bantuan pendidikan masih menjadi tantangan, terutama ketika tidak berbasis pada data sosial ekonomi yang terstruktur. Penelitian ini bertujuan untuk mengelompokkan siswa SMP Negeri 1 Lunang berdasarkan status sosial ekonomi menggunakan algoritma K-Means Clustering sebagai pendekatan segmentasi. Data yang digunakan mencakup penghasilan dan pekerjaan orang tua, jumlah tanggungan, bantuan sosial, surat keterangan tidak mampu, dan jarak rumah ke sekolah. Setelah data dinormalisasi, dilakukan klasterisasi dan visualisasi menggunakan Principal Component Analysis (PCA). Hasil clustering menghasilkan tiga kelompok utama yang merepresentasikan tingkatan sosial ekonomi berbeda yaitu rendah, menengah dan tinggi. Validasi menggunakan Silhouette Score menunjukkan nilai sebesar 0,2592, menandakan bahwa pemisahan klaster cukup baik. Temuan ini menunjukkan bahwa        K-Means dapat menjadi alat bantu pengambilan keputusan untuk penyaluran bantuan berbasis data. Penelitian ini menawarkan pendekatan baru dalam segmentasi siswa yang mempertimbangkan indikator geografis dan sosial secara bersamaan.Kata kunci: K-Means; Status sosial ekonomi; Segmentasi siswa; PCA; Silhouette score  
Penerapan Algoritma Decision Tree dalam Menentukan Kelayakan Penerima Bantuan Program Keluarga Harapan Mandala, Eka Praja Wiyata; Putri, Dewi Eka
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3494

Abstract

Determining the eligibility of beneficiaries for the Family Hope Program still faces targeting inaccuracies due to limited data analysis and subjective decision-making. This study aims to develop a Decision Tree–based classification model to objectively determine Family Hope Program eligibility using data-driven approaches. The dataset includes socio-economic attributes such as income, DTKS status, school-age children, pregnant or breastfeeding mothers, elderly members, disabilities, and occupation. The data were processed through cleaning, transformation, and splitting into training and testing sets. Experimental results show that the model achieved a highest accuracy of 96.00%, along with high precision and recall values. The resulting decision tree structure also provides interpretable rules to support decision-making. These findings demonstrate that the Decision Tree method is effective in improving the accuracy and transparency of Family Hope Program beneficiary selection.Keywords: Decision Tree; Family Hope Program; Classification; Data Mining; Social Assistance AbstrakPenentuan kelayakan penerima Program Keluarga Harapan masih menghadapi permasalahan ketidaktepatan sasaran akibat keterbatasan analisis data dan subjektivitas dalam pengambilan keputusan. Penelitian ini bertujuan mengembangkan model klasifikasi berbasis Decision Tree untuk menentukan kelayakan penerima Program Keluarga Harapan secara objektif dan berbasis data. Dataset yang digunakan mencakup atribut sosial ekonomi seperti pendapatan, status DTKS, usia sekolah, ibu hamil atau menyusui, lansia, disabilitas, dan pekerjaan. Data diproses melalui tahap pembersihan, transformasi, dan pembagian data latih dan uji. Hasil pengujian menunjukkan bahwa model mencapai akurasi tertinggi sebesar 96,00%, dengan presisi dan recall yang tinggi. Struktur pohon keputusan juga menghasilkan aturan yang mudah diinterpretasikan sebagai dasar pengambilan keputusan. Hasil ini membuktikan bahwa Decision Tree efektif untuk meningkatkan ketepatan dan transparansi penyaluran bantuan Program Keluarga Harapan.Kata kunci: Decision Tree; Program Keluarga Harapan; Klasifikasi; Data Mining; Bantuan Sosial 
Co-Authors Eka Praja Wiyata Mandala Putra, Dede Wira Trise