Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Krea-TIF: Jurnal Teknik Informatika
Laksono, Panji
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Library & Information Science

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penerapan Big Data Menggunakan Algoritma Multi-Label K-Nearest Neighbor dalam Analisis Sentimen Konsumen UMKM Sektor Kuliner Fauzi, Muhammad Ridho; Pratama, Risky Adit; Laksono, Panji; Eosina, Puspa
Krea-TIF: Jurnal Teknik Informatika Vol 9 No 1 (2021)
Publisher : Fakultas Teknik dan Sains, Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32832/kreatif.v9i1.3587

Abstract

UMKM di Kota Bogor merupakan UMKM yang mengalami perkembangan yang signifikan dari tahun ke tahun. Pada tahun 2019, di Kota Bogor tercatat ada sekitar 30.822 usaha UMKM yang didominasi sektor kuliner 60 persen, kerajinan 30 persen dan 10 persen lainnya adalah sektor batik. Dengan adanya pertumbuhan UMKM yang signifikan tersebut, maka akan berpengaruh terhadap persaingan UMKM yang semakin meningkat dan akan semakin sulit untuk melihat peta persaingan pada UMKM, khususnya pada sektor kuliner. Sehingga untuk mengatasi persaingan tersebut salah satu cara yang dapat dilakukan adalah melihat sentimen konsumen terhadap UMKM tersebut. Salah satu metode yang dapat digunakan dalam menyelesaikan permasalahan tersebut, adalah metode Data Mining. Pada metode Data Mining, terdapat beberapa algoritma popular yang sering digunakan. Dan salah satu algoritma yang popular itu adalah algoritma K-Nearest Neighbor (K-NN). Algoritma KNN dapat digunakan pada berbagai kasus penelitian, seperti multi-class classification, binary classification dan multi-label classification yang dapat membantu dalam memprediksi berbagai kasus di kehidupan sehari-hari. Sehingga dalam hal ini, kami mengusulkan sebuah ide baru, yaitu penerapan Big Data menggunakan algoritma Multi-Label K-Nearest Neighbor atau ML-KNN dalam analisis sentimen konsumen terhadap UMKM sektor kuliner di Kota Bogor. Ide atau gagasan tersebut dapat bermanfaat bagi pelaku UMKM sektor kuliner di Kota Bogor dalam mengetahui insight atau wawasan dari hasil analisis sentimen konsumen terhadap UMKM dan dapat membantu untuk pengambilan sebuah keputusan bisnis dalam meningkatkan daya saingnya terhadap kompetitor atau UMKM sektor kuliner yang berada di Kota Bogor.
Machine Learning for the Model Prediction of Final Semester Assessment (FSA) using the Multiple Linear Regression Method Rachmawati, Fitria; Jaenudin, Jejen; Ginting, Novita Br; Laksono, Panji
JURNAL TEKNIK INFORMATIKA Vol. 17 No. 1: JURNAL TEKNIK INFORMATIKA
Publisher : Department of Informatics, Universitas Islam Negeri Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/jti.v17i1.28652

Abstract

Corona virus (COVID-19) is the reason behind the collapse of the National Assembly. The first is the Final Semester Assessment (FSA) , which is a component of the student's graduation. The aforementioned evaluation process is a crucial consideration for the teacher since it uses several intricate surveys and mark components. A prediction model is employed to assist teachers in providing suitable results for student learning. The method that is used is called the multiple linear regression. This multiple linear regression algorithm yields an accuracy level of approximately 92%. The analysis results using the method are used as a guide to understanding student’s index. This index is a rating that appears based on the Minimum Credit Count (MCC). Therefore, the goal of this study is to determine students' understanding of the FSA prediction value, which will be taken into consideration through the results of the MCC weights in the form of a range in the form of "Grade." Additionally, the research aims to determine the accuracy of the results from the model obtained using multiple linear regression algorithms in predicting students' FSA.
Co-Authors Fauzi, Muhammad Ridho Fitria Rachmawati Jejen Jaenudin Novita Br Ginting Pratama, Risky Adit Puspa Eosina