cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Adiyanto
Contact Email
adiet031170@gmail.com
Phone
+6285213677334
Journal Mail Official
adiet031170@gmail.com
Editorial Address
LPPM Univeristas Insan Pembangunan Jl. Raya Serang Km. 10 Bitung Kec. Curug Kab. Tangerang BAnten
Location
Kota tangerang,
Banten
INDONESIA
IPSIKOM
Published by Universitas Insan Pembangunan Indonesia
ISSN : 23384093     EISSN : 26866382     DOI : https://doi.org/10.58217
Core Subject : Science,
Computer Science & IT
Jurnal Insan Pembangunan Sistem Informasi dan Komputer (IPSIKOM) diterbitkan oleh Fakultas Ilmu Komputer (FILKOM), Universitas Insan Pembangunan Indonesia sejak Juni 2013. IPSIKOM memuat naskah hasil-hasil penelitian di bidang Sistem Informasi dan Ilmu Komputer. IPSIKOM berkomitmen untuk memuat artikel berbahasa Indonesia yang berkualitas dan dapat menjadi rujukan utama para peneliti dalam bidang Sistem Informasi dan Ilmu Komputer. Scope Jurnal IPSIKOM Big Data Artificial Intelligence Information system Accounting System Information Education Technology Information Security information Data mining Application Information System Business Intelligence Decision Support Systems Intelligent Systems Machine Learning Network and Computer Security Optimization Pattern Recognition Soft Computing Software Engineering Information Technologi
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 284 Documents
 25   26   27   28   29 
SEGMENTASI KONSUMEN PRODUK TEMPE MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING UNTUK MENINGKATKAN STRATEGI PEMASARAN Fadhil, Fadhilah Aulia
IPSIKOM Vol. 14 No. 2 (2026): IPSIKOM
Publisher : LPPM UNIVERSITAS INSAN PEMBANGUNAN INDONESIA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58217/ipsikom.v14i2.471

Abstract

This study aims to apply the K-Means Clustering algorithm to segment consumers of tempe products at MSME Pabrik Tempe Mas Suri. The main problem addressed in this study is the limited use of consumer transaction data as a basis for developing targeted marketing strategies. Transaction records are often used only as sales documentation, not as analytical input to understand consumer purchasing behavior. This study used a quantitative approach with a data mining method. The dataset consisted of 1,000 consumer transaction records collected from December 1, 2024, to April 30, 2025. Three main variables were analyzed, namely purchase frequency, purchase quantity, and total spending. The analysis process was carried out using RapidMiner Studio through data cleaning, attribute selection, Min-Max normalization, K-Means clustering, and cluster quality evaluation using the Davies-Bouldin Index. The clustering process tested several values of K, from K=2 to K=5. The results showed that K=2 produced the lowest actual DBI value of 0.569. However, K=5 was selected because it provided more detailed and applicable consumer segments for marketing purposes. The five segments consisted of Main Priority Consumers, Loyal Consumers, Medium Consumers, Potential Consumers, and Passive Consumers. Classification validation produced an accuracy of 94.50%, indicating that the segments were well differentiated. The study concludes that K-Means Clustering can help MSMEs identify consumer characteristics and formulate more specific data-driven marketing strategies.
ANALISIS PREDIKSI PENJUALAN PRODUK ROTI MENGGUNAKAN METODE NAÏVE BAYES PADA PABRIK MR. ROTI muhamad husnu aminudin; N. Nelis Febriani SM
IPSIKOM Vol. 14 No. 2 (2026): IPSIKOM
Publisher : LPPM UNIVERSITAS INSAN PEMBANGUNAN INDONESIA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58217/ipsikom.v14i2.472

Abstract

Perkembangan teknologi informasi dan persaingan bisnis yang semakin ketat menuntut pelaku usaha untuk memanfaatkan data sebagai dasar pengambilan keputusan yang lebih efektif. MR. Roti merupakan usaha produksi roti yang memasok berbagai produk roti untuk dapur SPPG dalam program Makan Bergizi Gratis (MBG). Permasalahan yang dihadapi adalah fluktuasi penjualan yang dapat menyebabkan kelebihan maupun kekurangan produksi sehingga berpotensi menimbulkan kerugian. Penelitian ini bertujuan untuk menerapkan metode Naive Bayes dalam memprediksi tingkat penjualan produk roti serta mengukur tingkat akurasinya. Data yang digunakan merupakan data penjualan historis sebanyak 1.000 transaksi pada periode Februari 2025 hingga Januari 2026. Proses penelitian dilakukan melalui tahapan Knowledge Discovery in Databases (KDD) yang meliputi seleksi data, pembersihan data, transformasi data, pemodelan, dan evaluasi. Pengolahan data dilakukan menggunakan perangkat lunak RapidMiner dengan pembagian data training sebesar 80% dan data testing sebesar 20%. Hasil penelitian menunjukkan bahwa metode Naive Bayes mampu mengklasifikasikan tingkat penjualan ke dalam kategori laris dan kurang laris dengan tingkat akurasi sebesar 96,50%, precision sebesar 96,08% dan 96,94%, serta recall sebesar 97,03% dan 95,96%. Hasil tersebut menunjukkan bahwa metode Naive Bayes efektif digunakan untuk membantu prediksi penjualan dan mendukung perencanaan produksi yang lebih optimal pada MR. Roti.
PENERAPAN MODEL TRANSFORMER UNTUK DETEKSI BERITA PALSU DALAM BAHASA INDONESIA BERBASIS NATURAL LANGUAGE PROCESSING Rukmana, Andi; Kuswandi, Ferdi; Makin, Samsul; Styo Yuniarti, Angger; Kurniawan, Muhammad Arif
IPSIKOM Vol. 14 No. 2 (2026): IPSIKOM
Publisher : LPPM UNIVERSITAS INSAN PEMBANGUNAN INDONESIA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58217/ipsikom.v14i2.474

Abstract

The rise of false information in Indonesia has turned into a pressing problem in today's digital era, primarily driven by the heavy reliance on social media as the dominant source of information. This study aims to evaluate the effectiveness of the Transformer model in detecting fake news written in Indonesian and to compare its performance with traditional methods such as LSTM and Naïve Bayes. An experimental quantitative approach was employed, utilizing a curated dataset of verified real and fake news articles. The data underwent preprocessing stages, including text cleaning, tokenization, and transformation into numerical vector formats prior to model training. The results demonstrate that the Transformer model surpasses other methods, achieving an accuracy of 92.6% and outperforming both LSTM and Naïve Bayes in all principal evaluation metrics. In addition, the Transformer model efficiently detects typical linguistic patterns found in hoax content, including exaggerated expressions, conspiracy-related terms, and repetitive sentence constructions. Validation on an external dataset further confirms the model’s ability to maintain performance stability beyond the initial training data. Despite its promising results, the implementation of this model faces several challenges, including the limited availability of Indonesian-language datasets and concerns related to data ethics and privacy. This study contributes theoretically to the advancement of Transformer-based NLP and practically supports the enhancement of digital literacy and the development of contextual and adaptive hoax detection systems in Indonesia.
PEMODELAN TOPIK UMPAN BALIK LEARNING MANAGEMENT SYSTEM SEBAGAI PENDUKUNG EVALUASI MANAJEMEN PEMBELAJARAN MENGGUNAKAN BERTOPIC: KOMPARASI HDBSCAN DAN K-MEANS Aditya Perdana, Aldi; Sulistyo Budi, Adi; Lestari Purnamasari, Ayu; Sahadah, Dewi Nely; Ayu Ningrum, Sekar
IPSIKOM Vol. 14 No. 2 (2026): IPSIKOM
Publisher : LPPM UNIVERSITAS INSAN PEMBANGUNAN INDONESIA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58217/ipsikom.v14i2.475

Abstract

Pemanfaatan Learning Management System (LMS) dalam proses pembelajaran menghasilkan data umpan balik siswa yang dapat digunakan sebagai sumber informasi dalam evaluasi manajemen pembelajaran. Namun, data umpan balik umumnya berbentuk teks tidak terstruktur sehingga membutuhkan pendekatan pemrosesan bahasa alami untuk mengidentifikasi tema-tema utama secara sistematis. Penelitian ini bertujuan mengevaluasi pemodelan topik umpan balik LMS menggunakan BERTopic dengan membandingkan algoritma Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN) dan K-Means. Penelitian menggunakan 4.358 dokumen umpan balik siswa berbahasa Indonesia. Tahapan penelitian meliputi prapemrosesan teks, pembentukan representasi semantik menggunakan model paraphrase-multilingual-MiniLM-L12-v2, reduksi dimensi menggunakan UMAP, pengelompokan dokumen, serta evaluasi kualitas topik. Penentuan jumlah klaster K-Means dilakukan menggunakan Silhouette Score, DaviesBouldin Index, dan Calinski-Harabasz Score, dengan K=26 dipilih berdasarkan Silhouette Score tertinggi sebesar 0,4999. Hasil penelitian menunjukkan bahwa HDBSCAN memperoleh nilai c_v sebesar 0,5953 dan c_npmi sebesar 0,0523, lebih tinggi dibandingkan K-Means yang memperoleh nilai 0,5885 dan 0,0428. Sebaliknya, K-Means menghasilkan Topic Diversity sebesar 0,5269 dan cakupan dokumen 100%, sedangkan HDBSCAN memperoleh Topic Diversity sebesar 0,5192 dengan cakupan dokumen 74,02% dan 25,98% dokumen teridentifikasi sebagai outlier. Hasil tersebut menunjukkan adanya perbedaan antara selektivitas pembentukan topik dan cakupan dokumen. HDBSCAN menghasilkan topik yang lebih selektif, sedangkan K-Means mampu mengalokasikan seluruh dokumen ke dalam klaster. Temuan penelitian dapat menjadi pertimbangan dalam pemilihan algoritma pengelompokan pada pemodelan umpan balik LMS untuk mendukung evaluasi manajemen pembelajaran.

Page 29 of 29 | Total Record : 284

 25   26   27   28   29 

Filter by Year

2013 2026


Reset
Filter By Issues
All Issue Vol. 14 No. 2 (2026): IPSIKOM Vol. 14 No. 1 (2026): Jurnal Ipsikom Vol. 13 No. 2 (2025): Jurnal Ipsikom Vol. 13 No. 1 (2025): Jurnal Ipsikom Vol 12, No 2 (2024): DESEMBER 2024 Vol. 12 No. 2 (2024): DESEMBER 2024 Vol 12, No 1 (2024): Juni 2024 Vol 11, No 1 (2023): JUNI 2023 Vol 11, No 2: Desember 2023 Vol 10, No 2 (2022): Desember 2022 Vol 10, No 1 (2022): Juni 2022 Vol 9, No 2 (2021): Desember 2021 Vol 9, No 1 (2021): Juni 2021 Vol 8, No 2 (2020): DESEMBER Vol 8, No 1 (2020): JUNI Vol 7, No 2 (2019): DESEMBER Vol 7, No 1 (2019): JUNI Vol 6, No 2 (2018): DESEMBER Vol 6, No 1 (2018): JUNI Vol 5, No 2 (2017): DESEMBER Vol 5, No 1 (2017): JUNI Vol 4, No 2 (2016): DESEMBER Vol 4, No 1 (2016): JUNI Vol 3, No 1 (2015): JUNI Vol 2, No 1 (2014): JUNI Vol 1, No 1 (2013): JUNI More Issue