Claim Missing Document
Check
Articles

Found 2 Documents
Search

Optimasi Pengelolaan Data Pencarian Fasilitas Ekspedisi Berbasis Otomasi dengan Pendekatan Framework Waterfall Yulyanti, Eva; Shindy Yuliyatini; Imelda, Imelda
Jurnal Informatika & Teknologi Cerdas Vol 1 No 1 (2025): Jurnal Informatika dan Teknologi Cerdas (JITC)
Publisher : Program Studi Teknik Informatika Universitas Paramadina

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51353/9gcnrp75

Abstract

Information technology (IT) has become an integral part of everyday life and plays an important role in various aspects of modern society. With the rapid development of technology, IT has changed the way individuals and organizations communicate, work, and interact. PT XYZ, as a company engaged in logistics, faces a challenge in managing expedition facility search data. This study aims to automate the management of expedition facility search data using the Waterfall framework. The stages in Waterfall include stages such as needs analysis, design, implementation, testing and maintenance. The waterfall method is helpful because it provides a structured, clear, and organized process for project completion.
Segmentasi Spasio-Temporal Performa Penjualan Produk Sepatu Menggunakan Algoritma K-Means: Spatio-temporal Segmentation of Footwear Sales Performance Using the K-Means Algorithm Yuliyatini, Shindy; Yulyanti, Eva; Triyono, Gandung
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 2 (2026): MALCOM April 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i2.2609

Abstract

Ketimpangan performa penjualan antarwilayah umumnya dianalisis melalui agregasi tahunan yang berpotensi menyembunyikan dinamika pasar. Penelitian ini bertujuan mengusulkan model segmentasi performa penjualan sepatu berbasis spatio-temporal menggunakan algoritma K-Means dengan unit analisis State × Quarter. Dataset diperoleh dari platform Kaggle (Adidas US Sales Dataset) periode 2020-2021 dan diagregasi dari 400 transaksi menjadi 181 observasi menggunakan variabel total sales, units sold, operating profit, dan operating margin. Metode meliputi preprocessing menggunakan IQR dan winsorizing, normalisasi Min-Max, serta clustering K-Means. Evaluasi dilakukan menggunakan Silhouette Score, Davies-Bouldin Index (DBI), Calinski-Harabasz Index (CHI), dan uji stabilitas Adjusted Rand Index (ARI) sebagai metode validasi tambahan untuk mengukur konsistensi hasil clustering. Hasil menunjukkan tiga cluster  dengan distribusi 55,8% (rendah), 32,0% (menengah), dan 12,2% (tinggi). Nilai Silhouette Score sebesar 0,4263 menunjukkan pemisahan cluster  moderat, sedangkan ARI sebesar 1,000 menunjukkan stabilitas sangat tinggi. Analisis spasio-temporal menunjukkan 52% state mengalami perubahan cluster  antarkuartal. Temuan ini menunjukkan adanya dinamika performa wilayah yang tidak terdeteksi dalam agregasi tahunan. Kontribusi ilmiah penelitian ini adalah penerapan segmentasi spatio-temporal berbasis K-Means dengan evaluasi kualitas dan stabilitas cluster  untuk mengidentifikasi dinamika performa distribusi wilayah secara lebih akurat.