cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Bahar
Contact Email
bahararahman@gmail.com
Phone
-
Journal Mail Official
puslit.stmikbjb@gmail.com
Editorial Address
-
Location
Kota banjarmasin,
Kalimantan selatan
INDONESIA
Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Published by Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru
ISSN : 20893787     EISSN : 26850893     DOI : -
Core Subject : Science,
Computer Science & IT
Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi adalah Jurnal Ilmiah bidang Teknik Informatika dan Sistem Informasi yang diterbitkan secara periodik tiga nomor dalam satu tahun, yaitu pada bulan April, Agustus dan Desember. Redaksi Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi menerima sumbangan tulisan hasil penelitian atau atau artikel konseptual bidang Teknik Informatika dan Sistem Informasi.
Arjuna Subject : -
Articles 1,023 Documents
 99   100   101   102   103 
Penerapan Algoritma Support Vector Machine Dalam Analisis Sentimen Terhadap Ulasan Pengguna Pada Aplikasi NewSakpole Firdaus, Renaldi Irfan; Chamid, Ahmad Abdul; Jazuli, Ahmad
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3478

Abstract

To determine the success rate of a service, it is necessary to conduct sentiment analysis to understand public opinion and the level of public satisfaction, both positive, neutral, and negative. Sentiment analysis was used to improve the quality of service on the NewSakpole application in android-based vehicle tax payments. In this study, several stages were used such as data crawling, data preprocessing, word weighting using TF-IDF (Term Frequency Inverse Document Frequency) and SVM (Support Vectore Machine) classification model for sentiment classification. By using the Confusionsion Matrix test with a data sharing of 20% for data training and 80% for data testing, the accuracy results were obtained of 81.08%. The accuracy value of each sentiment also showed a fairly good performance, with a positive sentiment of 81.11%, a neutral sentiment of 78.62%, and a negative sentiment of 83.33%. These results show that the SVM algorithm is able to provide a fairly stable classification performance in this case study.Keywords: Sentimen Analysis; Google Play Store; NewSakpole; Support Vectore Machine AbstrakUntuk mengetahui tingkat keberhasilan suatu pelayanan, perlu dilakukan analisis sentimen untuk memahami opini publik dan tingkat kepuasan publik baik positif, netral, maupun negatif. Analisis sentimen digunakan untuk meningkatkan kualitas pelayanan pada aplikasi NewSakpole dalam pembayaran pajak kendaraan yang berbasis android. Dalam penelitian ini menggunakan beberapa tahap seperti crawling data, preprocessing data, pembobotan kata menggunakan TF-IDF (Term Frequency Inverse Document Frequency) serta model klasifikasi SVM (Support Vectore Machine) untuk klasifikasi sentimen. Dengan menggnakan pengujian Confussion Matrix dengan pembagian data 20% untuk data training dan 80% untuk data testing memperoleh hasil akurasi sebesar 81,08%. Nilai akurasi pada masing-masing sentimen juga menunjukkan performa yang cukup baik, dengan sentimen positif sebesar 81,11%, sentimen netral 78,62%, dan sentimen negatif 83,33%. Hasil ini menunjukkan bahwa algoritma SVM mampu memberikan performa klasifikasi yang cukup stabil pada studi kasus ini. 
Penerapan Data Mining Menggunakan Algoritma Apriori Untuk Menganalisis Pola Pembelian Konsumen Pada Minimarket XYZ Angelina, Angelina; Hermawan, Hermawan
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 1 (2026): Februari 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i1.3449

Abstract

The utilization of sales transaction data in the retail sector plays an important role in supporting data-driven decision making, particularly in understanding consumer purchasing patterns and designing more effective sales strategies. This study aims to analyze consumer purchasing patterns at Minimarket XYZ as a basis for developing a data-driven product bundling strategy. The main problem faced is stock imbalance caused by the underutilization of transaction data. The method used in this research is data mining using the Apriori algorithm within the CRISP-DM framework, utilizing sales transaction data from October 2024 to September 2025. The variables analyzed consist of product combinations within sales transactions evaluated using the parameters of support, confidence, and lift. The performance of the algorithm was tested using precision and recall methods to evaluate the relevance of the generated association rules against the transaction data. The results show that several product combinations have high support, confidence, and lift values, particularly in the snack–beverage and instant noodle–mineral water categories. These association rules were conceptually validated through the design of product bundling packages that align with consumer purchasing behavior. This study demonstrates that the Apriori algorithm is effective as a decision-support tool for improving promotional efficiency and inventory management in small- to medium-scale minimarkets.Keywords: Data Mining; Apriori Algorithm; Consumer Purchasing Patterns; Product Bundling; Minimarket XYZAbstrakPemanfaatan data transaksi penjualan pada sektor ritel memiliki peran penting dalam mendukung pengambilan keputusan berbasis data, khususnya dalam memahami pola pembelian konsumen dan merancang strategi penjualan yang lebih efektif. Penelitian ini bertujuan untuk menganalisis pola pembelian konsumen pada Minimarket XYZ sebagai dasar perancangan strategi product bundling berbasis data. Permasalahan utama yang dihadapi adalah ketidakseimbangan stok akibat belum dimanfaatkannya data transaksi secara optimal. Metode yang digunakan adalah data mining dengan algoritma Apriori dalam kerangka kerja CRISP-DM menggunakan data transaksi penjualan periode Oktober 2024–September 2025. Variabel yang dianalisis berupa kombinasi produk dalam transaksi penjualan yang dievaluasi menggunakan parameter support, confidence, dan lift. Pengujian performa algoritma dilakukan menggunakan metode precision dan recall untuk menilai relevansi aturan asosiasi yang dihasilkan terhadap data transaksi. Hasil penelitian menunjukkan bahwa terdapat sejumlah kombinasi produk dengan nilai support, confidence, dan lift yang tinggi, terutama pada kategori snack–minuman dan mie instan–air mineral. Hasil uji performa menunjukkan bahwa nilai precision berada pada rentang 0,73–0,80 dan nilai recall pada rentang 0,81–0,86, yang mengindikasikan bahwa algoritma memiliki tingkat akurasi yang baik dalam merekomendasikan paket bundling sesuai pola pembelian konsumen. Dengan demikian, algoritma Apriori terbukti efektif sebagai alat pendukung keputusan dalam meningkatkan efisiensi promosi dan pengelolaan stok pada minimarket skala kecil–menengah. 
Analisis Perbandingan ANN dan Hybrid QNN pada Klasifikasi Multikarakteristik Data Sedi, Kharisteas Josan; Berutu, Sunneng Sandino; Astuti, Aninda
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3485

Abstract

The rapid advancement of machine learning has driven the exploration of various computational models to address classification problems across datasets with diverse characteristics. This study aimed to compare the performance of Artificial Neural Network (ANN) and Hybrid Quantum Neural Network (Hybrid QNN) under controlled experimental conditions. Three benchmark datasets, namely Red Wine Quality, Banknote Authentication, and Leukemia Gene Expression, were used with a training and test data split of 80:20. The evaluation was conducted using accuracy, precision, recall, F1-score, and computational time. The results showed that on the Gene Expression Leukemia dataset, Hybrid QNN achieved an accuracy of 0.9333, significantly outperforming ANN, which obtained 0.6111. Conversely, ANN demonstrated competitive performance and higher computational efficiency on low- and medium-dimensional datasets. These findings indicate that the advantages of Hybrid QNN are contextual and strongly dependent on data characteristics.Keywords: Artificial Neural Network; Hybrid Quantum Neural Network; classification; machine learningAbstrakPerkembangan pesat pembelajaran mesin telah mendorong eksplorasi berbagai model komputasi untuk menyelesaikan permasalahan klasifikasi pada data dengan karakteristik yang beragam. Penelitian ini bertujuan untuk membandingkan kinerja Artificial Neural Network (ANN) dan Hybrid Quantum Neural Network (Hybrid QNN) dalam kondisi eksperimen yang terkontrol. Tiga dataset acuan digunakan, yaitu Red Wine Quality, Banknote Authentication, dan Gene Expression Leukemia, dengan pembagian data latih dan uji sebesar 80:20. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, F1-score, serta waktu komputasi. Hasil eksperimen menunjukkan bahwa pada dataset Gene Expression Leukemia, Hybrid QNN mencapai akurasi 0,9333, jauh lebih tinggi dibandingkan ANN sebesar 0,6111. Sebaliknya, ANN menunjukkan performa yang kompetitif dan lebih efisien pada dataset berdimensi rendah hingga menengah. Temuan ini menunjukkan bahwa keunggulan Hybrid QNN bersifat kontekstual dan bergantung pada karakteristik data. 

Page 103 of 103 | Total Record : 1023

 99   100   101   102   103 

Filter by Year

2013 2026


Reset
Filter By Issues
All Issue Vol 15, No 2 (2026): April 2026 Vol 15, No 1 (2026): Februari 2026 Vol 14, No 3: Desember 2025 Vol 14, No 2: Agustus 2025 Vol 14, No 1: April 2025 Vol 13, No 3: Desember 2024 Vol 13, No 2: Agustus 2024 Vol 13, No 1: April 2024 Vol 12, No 3: Desember 2023 Vol 12, No 2: Agustus 2023 Vol 12, No 1: April 2023 Vol 11, No 3: Desember 2022 Vol 11, No 2: Agustus 2022 Vol 11, No 1: April 2022 Vol 10, No 3: Desember 2021 Vol 10, No 2: Agustus 2021 Jutisi Vol. 10, No. 1, April 2021 JUTISI Vol. 9, No. 3, Desember 2020 JUTISI Vol. 9, No. 2, Agustus 2020 JUTISI Vol. 9, No. 1, April 2020 JUTISI Vol. 8, No. 3, Desember 2019 JUTISI Vol. 8, No. 2, Agustus 2019 JUTISI Vol. 8, No. 1, April 2019 Vol 7, No 3: Desember 2018 Vol 7, No 2: Agustus 2018 Vol 7, No 1: April 2018 Vol 6, No 3: Desember 2017 Vol 6, No 2: Agustus 2017 Vol 6, No 1: April 2017 Vol 5, No 3: Desember 2016 Vol 5, No 2: Agustus 2016 Vol 5, No 1: April 2016 Vol 4, No 3: Desember 2015 Vol 4, No 2: Agustus 2015 Vol 4, No 1: April 2015 Vol 3, No 3: Desember 2014 Vol 3, No 2: Agustus 2014 Vol 3, No 1: April 2014 Vol 2, No 1: April 2013 More Issue