cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Yonik Meilawati Yustiani
Contact Email
yonik@unpas.ac.id
Phone
-
Journal Mail Official
bambang.ariantara@unpas.ac.id
Editorial Address
-
Location
Kota bandung,
Jawa barat
INDONESIA
INFOMATEK: Jurnal Informatika, Manajemen dan Teknologi
Published by Universitas Pasundan
ISSN : 26147807     EISSN : 14110865     DOI : -
Core Subject : Science, Social, Engineering,
Computer Science & IT Environmental Science Industrial & Manufacturing Engineering Mechanical Engineering
Jurnal INFOMATEK merupakan jurnal perencanaan, pengembangan dan penerapan teknologi yang mewadahi hasil penelitian dan kegiatan ilmiah lainnya di bidang INFORMATIKA, MANAJEMEN dan TEKNOLOGI. Jurnal ini ber tujuan untuk mendesiminasikan hasil dharma penelitian dan kegiatan ilmiah lainnya kepada masyarakat umum, termasuk komunitas ilmiah demi kemajuan bersama. Lingkup Jurnal Infomatek meliputi: Teknik dan Manajemen Industri Teknik Mesin Teknologi Pangan Teknik Informatika Teknik Lingkungan Teknik Planologi, Perencanaan Wilayah Perkotaan Bidang teknik yang lain Jurnal Infomatek terbit 2 kali setahun yaitu pada bulan Juni dan bulan Desember.
Arjuna Subject : -
Articles 184 Documents
 15   16   17   18   19 
Menentukan Pola Asosiasi Penjualan di Minimarket Sakpore SMK Negeri 2 Pekalongan menggunakan Algoritma Apriori Dyen, Vincent Mallvino Putra; Darmawan, Arief Soma; Risqiati, Risqiati
INFOMATEK Vol 28 No 1 (2026): Juni 2026 (In Progress)
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v28i1.40181

Abstract

Perkembangan ritel modern menuntut pengelolaan data transaksi agar dapat mendukung pengambilan keputusan bisnis yang tepat dan akurat, termasuk pada minimarket yang berfungsi sebagai unit bisnis praktik. Dilakukannya penelitian ini memiliki tujuan menemukan pola asosiasi penjualan menggunakan algoritma Apriori dan menghasilkan sistem rekomendasi barang pada Minimarket Sakpore SMK Negeri 2 Pekalongan guna membantu pengelolaan stok dan strategi penjualan. Metodologi yang dipakai adalah tahapan Knowledge Discovery in Databases (KDD) yang meliputi seleksi data, pembersihan data, transformasi data, proses data mining atau hasil dan pembahasan menggunakan algoritma Apriori, dan evaluasi hasil. Data yang digunakan berupa 254 transaksi penjualan pada bulan April 2025. Hasil penelitian menunjukkan bahwa algoritma Apriori mampu mengidentifikasi beberapa aturan asosiasi yang relevan, dengan nilai minimum minimum support yaitu 0,1(10%) dan minimum confidence yaitu 50%. Salah satu aturan asosiasi dengan nilai confidence tertinggi adalah pembelian Aice Semangka 65g yang diikuti dengan pembelian le minerale 330ml dengan nilai confidence yaitu sebesar 53% yang menunjukkan adanya kecenderungan pembelian kedua produk tersebut. Pola asosiasi ini dapat dimanfaatkan sebagai dasar pemberian rekomendasi produk dan penyusunan strategi promosi seperti paket penjualan produk atau bundling produk yang sering dibeli secara bersamaan. Kesimpulan dari temuan ini adalah bahwa penerapan algoritma Apriori ini mampu mengidentifikasi pola asosiasi pembelian produk berdasarkan data penjualan, salah satunya adalah kecenderungan pembelian produk Aice Semangka 65g dan le minerale 330ml, pola asosiasi yang telah diperoleh ini selaras dengan tuuan penelitian dan dapat dimanfaatkan sebagai dasar dalam strategi promosi seperti bundling produk serta pengelolaan stok yang menjadi lebih efektif.
Application of The RFM Model and K-Means Clustering for Customer Segmentation in E-Wallet Top-Up Services Sundari, Agus; Putra, Indra Syah; Sibuea, Nuraini
INFOMATEK Vol 28 No 1 (2026): Juni 2026 (In Progress)
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v28i1.42246

Abstract

The implementation of digital payment technology through e-wallet top-up services requires financial institutions to understand user characteristics and behavior comprehensively The objective of this study is to segment customers based on their e-wallet top-up behavior by analyzing 143,836 bill payment transaction records using the RFM (Recency, Frequency, Monetary) model combined with the K-Means clustering algorithm. The dataset contains more than one hundred thousand transaction entries, with RFM parameters representing the time since the last transaction, the frequency of top-ups, and the monetary value spent by users. The RFM scoring process is applied to quantify user activity levels before entering the clustering stage. The K-Means clustering model successfully grouped customers into three distinct segments. The first segment represents low-activity users, the second consists of moderately active customers with stable transaction behavior, while the third segment captures highly engaged users with the highest transaction frequency and value. Evaluation metrics, including a silhouette score of 0.64, a Calinski-Harabasz index of 21690.50, and a Davies-Bouldin score of 0.70, demonstrate strong clustering performance and reliable separation between groups. The findings provide valuable insights for designing service strategies, improving mobile banking system performance, and developing targeted marketing approaches tailored to each customer segment. This research highlights the potential of RFM based clustering as a decision-support tool for enhancing digital payment service optimization and customer engagement.
Model Hybrid PSO, Feature Selection Correlation dan Logistic Regression untuk Deteksi Penyakit Jantung Hidayatullah, Muhammad Wahyu; Siswa, Taghfirul Azhima Yoga; Pranoto, Wawan Joko
INFOMATEK Vol 28 No 1 (2026): Juni 2026 (In Progress)
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v28i1.43123

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian baik di Indonesia maupun secara global sehingga diperlukan model deteksi dini yang akurat. Penelitian ini bertujuan meningkatkan kinerja Logistic Regression dengan regularisasi L2 melalui optimasi Particle Swarm Optimization (PSO) dan feature selection berbasis correlation. Metode yang digunakan meliputi pre-processing, standarisasi, seleksi fitur, serta evaluasi menggunakan K-10 Fold Cross Validation. Hasil pengujian menunjukkan bahwa Logistic Regression menghasilkan accuracy 82,47%, precision 80,31%, recall 88,56%, dan F1-score 84,10%. Setelah dioptimasi dengan PSO, performa meningkat menjadi accuracy 84,45%, precision 81,74%, recall 91,01%, dan F1-score 85,98%. Hasil tersebut menegaskan bahwa pendekatan hybrid yang diusulkan efektif dalam meningkatkan deteksi penyakit jantung.
Analisis TPM pada Mesin Milling Menggunakan Metode OEE: Studi Kasus di Salah Satu Jasa Konstruksi di Kota Cilegon Hayyin, Fajar; Maulana, Sifli; Adhiwikarta, HM. Juju; Surani, Dewi
INFOMATEK Vol 28 No 1 (2026): Juni 2026 (In Progress)
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v28i1.45283

Abstract

Dalam proses produksi, mesin memiliki peran penting karena sangat menentukan kelancaran kerja, kualitas hasil, dan efisiensi waktu. Ketika mesin tidak bekerja secara optimal, dampaknya tidak hanya pada keterlambatan produksi, tetapi juga pada peningkatan biaya operasional dan potensi penurunan kualitas produk. Penelitian ini bertujuan untuk menganalisis efektivitas mesin milling menggunakan pendekatan Total Productive Maintenance (TPM) dengan metode Overall Equipment Effectiveness (OEE) pada salah satu jasa konstruksi di Kota Cilegon. Penelitian dilakukan dengan pendekatan deskriptif kuantitatif melalui studi kasus. Data dikumpulkan melalui observasi langsung, wawancara dengan operator dan teknisi, serta dokumentasi data operasional yang meliputi waktu kerja mesin, downtime, jumlah produksi, dan produk cacat. Hasil penelitian menunjukkan bahwa nilai Availability sebesar 94,71%, Performance sebesar 84,25%, dan Quality sebesar 92,00%, sehingga diperoleh nilai OEE sebesar 73,41%. Nilai tersebut masih berada di bawah standar ideal 85%. Hasil ini menunjukkan bahwa mesin sebenarnya cukup tersedia untuk digunakan, namun belum dimanfaatkan secara optimal dalam proses produksi. Permasalahan utama tidak hanya berasal dari downtime tidak terencana, tetapi juga dari penurunan performa mesin saat beroperasi yang menyebabkan kehilangan produktivitas secara tidak langsung. Perbaikan yang disarankan meliputi penguatan preventive maintenance, peningkatan keterlibatan operator melalui autonomous maintenance, serta penerapan inspeksi harian yang lebih disiplin. Dengan perbaikan tersebut, efektivitas mesin diharapkan dapat meningkat dan proses produksi menjadi lebih stabil, efisien, dan berkelanjutan.

Page 19 of 19 | Total Record : 184

 15   16   17   18   19 

Filter by Year

2017 2026


Reset
Filter By Issues
All Issue Vol 28 No 1 (2026): Juni 2026 (In Progress) Vol 27 No 2 (2025): Desember 2025 Vol 27 No 1 (2025): Juni 2025 Vol 26 No 1 (2024): Volume 26 No. 1, Juni 2024 Vol 26 No 2 (2024): Desember 2024 Vol 25 No 2 (2023): Volume 25 No. 2 Desember 2023 Vol 25 No 1 (2023): Volume 25 No. 1 Juni 2023 Vol. 25 No. 1 (2023): Volume 25 No. 1 Juni 2023 Vol. 24 No. 2 (2022): Volume 24 No. 2 Desember 2022 Vol 24 No 1 (2022): Volume 24 No. 1 Juni 2022 Vol 23 No 2 (2021): Volume 23 No. 2 Desember 2021 Vol 23 No 1 (2021): Volume 23 No. 1 Juni 2021 Vol 22 No 2 (2020): Volume 22 No. 2 Desember 2020 Vol 22 No 1 (2020): Volume 22 No. 1 Juni 2020 Vol 21 No 2 (2019): Volume 21 No. 2 Desember 2019 Vol 21 No 1 (2019): Volume 21 No. 1 Juni 2019 Vol 20 No 2 (2018): Volume 20 No. 2 Desember 2018 Vol 20 No 1 (2018): Volume 20 No. 1 Juni 2018 Vol 19 No 01 (2017): Volume 19 No. 1 Juni 2017 Vol 19 No 2 (2017): Volume 19 No. 2 Desember 2017 Vol 18 No 2 (2016): Vol. 18, No. 2 Desember 2016 Vol 18 No 1 (2016) More Issue