Article Per Year (5 Year)
p-Index From 2020 - 2025
0.882
P-Index
This Author published in this journals
All Journal JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) NU-JST
Nugraha, Danang Satya
Unknown Affiliation
Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering Materials Science & Nanotechnology

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Perancangan Data Warehouse Sebagai Penunjang Strategi Penerimaan Mahasiswa Baru Thoib, Imam; Candra, Beda Puspita; Firmansyah, Fendy Bayu; Nugraha, Danang Satya; Sururi, Nafis
Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI) Vol. 4 No. 1 (2025): Juni 2025
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i1.346

Abstract

Penerimaan Mahasiswa Baru (PMB) merupakan proses strategis yang mempengaruhi pertumbuhan dan pengembangan institusi pendidikan tinggi. Penelitian ini bertujuan untuk merancang data warehouse sebagai solusi integrasi dan analisis data PMB. Skema data warehouse dirancang dengan pendekatan star schema yang mencakup fakta pendaftaran dan beberapa dimensi pendukung seperti jalur pendaftaran, program studi, wilayah, dan waktu. Proses ETL dibangun menggunakan Pentaho Data Integration untuk mengintegrasikan data dari sistem operasional ke dalam data warehouse. Hasil visualisasi melalui Metabase menunjukkan bahwa rancangan ini mampu menyajikan informasi strategis seperti tren pendaftaran, efektivitas jalur masuk, serta sebaran wilayah asal pendaftar. Dengan demikian, data warehouse yang dibangun dapat menjadi alat bantu yang efektif dalam mendukung pengambilan keputusan dan pengembangan strategi PMB yang lebih terarah.
Perancangan Aplikasi Membership Gym Berbasis Web untuk Optimalisasi Layanan Pelanggan Sururi, Nafis; Thoib, Imam; Nugraha, Danang Satya; Bayu F, Fendy; Shah P, M. Sabil
Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI) Vol. 4 No. 2 (2025): September 2025
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i2.605

Abstract

Perkembangan gaya hidup sehat mendorong meningkatnya jumlah anggota gym, sehingga pengelola perlu menyediakan layanan yang efektif, cepat, dan terstruktur. Namun, sebagian besar gym masih menghadapi kendala dalam pengelolaan membership, termasuk pencatatan manual yang rawan kesalahan, keterlambatan pada proses pendaftaran dan perpanjangan, serta keterbatasan dalam penyampaian informasi kepada anggota. Kondisi tersebut dapat menurunkan kepuasan dan loyalitas pelanggan. Penelitian ini bertujuan untuk merancang aplikasi membership gym berbasis web sebagai solusi digital dalam optimalisasi layanan pelanggan. Metode yang digunakan mencakup analisis kebutuhan sistem, perancangan antarmuka dengan pendekatan user-centered design, serta pengembangan prototipe aplikasi. Aplikasi dirancang dengan fitur utama berupa pendaftaran dan perpanjangan online, pengelolaan data anggota, integrasi pembayaran, serta penyajian informasi jadwal latihan dan promosi secara real-time. Hasil perancangan menunjukkan bahwa aplikasi mampu meningkatkan efisiensi administrasi, mempercepat akses informasi, dan memberikan kemudahan layanan bagi anggota. Dengan demikian, sistem ini diharapkan dapat mendukung peningkatan kualitas pelayanan, kepuasan, serta loyalitas pelanggan terhadap gym. Kata Kunci: Perancangan, membership, gym, aplikasi, optimalisasi
Segmentasi Pelanggan Berbasis Analisis RFM Menggunakan Algoritma K-Means Clustering Nugraha, Danang Satya; Thoib, Imam; Sururi, Nafis; Bayu F, Fendy; Candra, Beda Puspita
Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI) Vol. 4 No. 2 (2025): September 2025
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i2.641

Abstract

Pemahaman terhadap karakteristik nasabah merupakan faktor penting dalam meningkatkan efektivitas strategi pemasaran. Pada perusahaan payment gateway, penyusunan laporan segmentasi pelanggan diperlukan agar strategi pemasaran dapat lebih tepat sasaran. Penelitian ini bertujuan menyusun laporan segmentasi nasabah berdasarkan pendekatan Recency, Frequency, Monetary (RFM) yang banyak digunakan untuk mengukur perilaku pelanggan. Metode penelitian dilakukan melalui pengolahan data mining menggunakan algoritma K-Means dalam proses clustering. Untuk memastikan kualitas hasil pengelompokan, validitas diuji dengan menggunakan indeks Davies-Bouldin dan metode Elbow. Hasil penelitian menunjukkan bahwa algoritma K-Means menghasilkan nilai Davies-Bouldin sebesar 0.1089. Nilai tersebut mengindikasikan bahwa K-Means memiliki performa yang efektif dalam mengelompokkan data pelanggan. Segmentasi yang dihasilkan mampu memberikan gambaran perilaku nasabah berdasarkan tingkat keterkinian transaksi, frekuensi pembelian, dan kontribusi nilai finansial. Dengan demikian, laporan segmentasi nasabah berbasis RFM dapat dijadikan dasar bagi perusahaan payment gateway dalam merumuskan strategi pemasaran yang lebih terarah, meningkatkan efektivitas promosi, serta memperkuat loyalitas pelanggan.
Evaluasi Metode Pelabelan Sentimen Berbasis Leksikon terhadap Ulasan Aplikasi Sekuritas di Google Play Store Thoib, Imam; Candra, Beda Puspita; Sururi, Nafis; Nugraha, Danang Satya; Kholifah, Binti
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 13, No 4 (2025)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v13i4.93039

Abstract

Penelitian ini bertujuan untuk mengevaluasi persepsi pengguna terhadap aplikasi sekuritas di Indonesia melalui pendekatan analisis sentimen berbasis leksikon dan mengevaluasi performa klasifikasi menggunakan algoritma Random Forest. Data penelitian berupa 130.905 ulasan pengguna dari sepuluh aplikasi sekuritas populer di Google Play Store. Dua pendekatan leksikal yang digunakan adalah InSet Lexicon dan SentiWords_ID untuk memberi label sentimen pada ulasan tersebut. Hasil analisis menunjukkan bahwa aplikasi Ajaib memperoleh proporsi sentimen positif tertinggi dan paling representatif dengan jumlah ulasan terbesar dibandingkan aplikasi lain, sedangkan aplikasi MOST menunjukkan proporsi sentimen negatif tertinggi menurut kedua pendekatan. Pemodelan klasifikasi sentimen dilakukan menggunakan ekstraksi fitur TF-IDF dan algoritma Random Forest, yang dievaluasi melalui metrik akurasi, precision, recall dan f1-score. Hasil evaluasi menunjukkan bahwa SentiWords_ID memberikan performa klasifikasi yang lebih unggul dan stabil dibandingkan InSet Lexicon, khususnya dalam mengidentifikasi sentimen positif dan netral.
Exploratory Data Analysis dan Machine Learning dalam Memprediksi Employee Attrition: Exploratory Data Analysis and Machine Learning in Predicting Employee Attrition Kholifah, Binti; Firmansyah, Fendy Bayu; Sururi, Nafis; Nugraha, Danang Satya
Nusantara Journal of Science and Technology Vol 1 No 2 (2024): Published in November of 2024
Publisher : Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) Universitas Nahdlatul Ulama Kalimantan Selatan

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Employee attrition is one of the main challenges faced by organizations in retaining competent human resources. This study aims to explore data patterns and predict employee attrition using the Exploratory Data Analysis (EDA) approach and Machine Learning algorithms such as Logistic Regression, Support Vector Machine (SVM), and Naive Bayes. The analysis was conducted on a dataset that includes various factors such as demographics, job satisfaction, and employee performance. The research findings indicate that Logistic Regression achieved an accuracy of 87%, but the model has weaknesses in detecting the positive class (attrition), as reflected by its low recall score. SVM, with an accuracy of 85%, provided high precision for the positive class but performed poorly in detecting actual attrition cases. Conversely, Naive Bayes, with an accuracy of 85%, demonstrated more balanced performance with a higher weighted average F1-score compared to the other models, although there is still room for improvement, particularly in predicting the positive class. Based on the results, Naive Bayes stands out as a more reliable model for predicting employee attrition with more balanced performance compared to Logistic Regression and SVM. To enhance prediction performance, it is recommended to address the class imbalance in the dataset through techniques such as oversampling, undersampling, class weighting, or specialized algorithms.
Co-Authors Bayu F, Fendy Candra, Beda Puspita Firmansyah, Fendy Bayu Kholifah, Binti Shah P, M. Sabil Sururi, Nafis Thoib, Imam