http://ejournal.nusamandiri.ac.id/index.php/pilar/issue/feed Jurnal Pilar Nusa Mandiri 2019-09-08T22:13:51-04:00 Daning Nur Sulistyowati jurnal.pilar@nusamandiri.ac.id Open Journal Systems <p>The PILAR Nusa Mandiri Journal is a formation of the Information Systems study program, which was originally a medium for accommodating scientific writings of STMIK Nusa Mandiri Jakarta Information Systems lecturers. Along with the times, this journal has become a National journal that has P-ISSN: 1978-1946 and E-ISSN: 2527-6514. PILAR Nusa Mandiri has become a Rank 3 Accredited Journal&nbsp;and is trying to become a higher accredited journal. PILAR Journal Nusa Mandiri is published 2 times in 1 year, namely in March and September. This journal is&nbsp;<span class="tlid-translation translation"><span title="">Rank 3 Accreditation Certificate (S3), Accreditation is valid for 5 years. Starting from Vol. 12, No. 1 the Year 2016 to Vol. 16, No. 2 the Year 2020.</span></span></p> http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/599 ANALISIS TINGKAT KEBERHASILAN CRYOTERAPY MENGGUNAKAN NEURAL NETWORK 2019-09-02T09:41:24-04:00 Sri Rahayu srahayu110527@gmail.com Fitra Septia Nugraha fitraseptia7@gmail.com Muhammad Ja’far Shidiq ash.shidiq.mj@gmail.com <p><em>Human health is very important to always pay attention especially after someone has been declared suffering from an illness that can inhibit positive activities. One of the most feared diseases of the 20<sup>th</sup> century is cancer. This disease requires treatment that is quite expensive. Alternative treatments are cryotherapy or ice therapy. But cryotherapy also has side effects, it is necessary to do research on its success by taking into account certain conditions of the parameters. So the purpose of this study is to analyze the success of cryotherapy so that the dataset can be used as one of the benchmarks for the success of the cryotherapy tratment method</em>. <em>The method used in this study is the machine learning method of Neural Network with 500 training cycles, learning rate of 0,003 and momentum 0,9 which results in a good classification of obtaining quite high accuracy of 87,78% and AUC value of 0,955.</em></p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/601 ANALISIS ALGORITMA KLASIFIKASI NEURAL NETWORK UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA 2019-09-02T09:41:24-04:00 Fitra Septia Nugraha fitraseptia7@gmail.com Muhammad Ja’far Shidiq ash.shidiq.mj@gmail.com Sri Rahayu srahayu110527@gmail.com <p>Salahsatu penyebab kematian utama adalah kanker. Kanker yang paling umum pada wanita adalah kanker payudara. Penyakit ini jika dapat diketahui sejak dini dapat ditanggulangi bahkan dicegah. Teknik datamining klasifikasi dapat digunakan untuk memprediksi pasien mana yang terkena kanker payudara dan tidak dengan beberapa parameter yang ada. Dengan menggunakan metode Neural Network dan tools Rapid Miner 9.0 bertujuan untuk memprediksi diagnosis kanker payudara dan kemudian&nbsp; menghasilkan nilai accuracy 71,83%, precision 81,08% dan recall 69,17% dengan AUC sebesar 0,806 yang artinya klasifikasi dinyatakan cukup sehingga pasien dengan parameter yang ada dapat diprediksi mana saja yang merupakan pasien kanker payudara dan mana yang bukan, sehingga pola ini dapat digunakan sebagai tolak ukur diagnosis sehingga dapat dideteksi lebih dini dan diharapkan dapat menekan angka kematian akibat kanker payudara.</p> 2019-08-01T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/602 KLASIFIKASI DIAGNOSIS MELAHIRKAN DENGAN METODE SESAR MENGGUNAKAN NEURAL NETWORK 2019-09-02T09:41:24-04:00 Muhammad Ja'far Shidiq ash.shidiq.mj@gmail.com Sri Rahayu srahayu110527@gmail.com Fitra Septia Nugraha fitraseptia7@gmail.com <p><em>Memiliki keturunan yang sehat, normal dan tidak beresiko bukan hal mudah didapatkan, pada kondisi tertentu melahirkan secara normal bukan solusi terbaik, operasi sesar bisa menjadi salah satu opsi yang dianggap relatif aman sejauh ini. Namun, karena sesar merupakan operasi besar, besar pula risikonya. Maka perlu pertimbangan yang matang mengenai metode melahirkan dengan normal atau operasi sesar. Penelitian ini bertujuan untuk mengklasifikasi harus menggunakan metode sesar atau tidak dengan memperhitungkan parameter yang ada yaitu diantaranya </em><em>Age, Delivery Time, Delivery, Blood, Heart sehingga dapat memprediksi keselamatan ibu dan bayi dalam proses lahiran dengan menggunakan metode Neural Network dengan 80 dataset caesarian, training cycles 200, learning rate 0.01 dan momentum 0.9 dan menghasilkan akurasi sebesar 71,25% dan dengan nilai AUC (Area Under Curve) sebesar 0,721 yang artinya mendapat status fair classification.</em></p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/658 KLASIFIKASI PEMINJAMAN NASABAH BANK MENGGUNAKAN METODE NEURAL NETWORK 2019-09-02T09:41:24-04:00 Nur Hadianto dion.adiyanto@gmail.com Hafifah Bella Novitasari hafifah.bella@gmail.com Ami Rahmawati amirahmawati095@gmail.com <p><em>Payment of loans that experience difficulties in repayment or often called bad credit is a very detrimental thing for the bank, with the occurrence of bad credit the bank does not have the maximum ability to make money for investment. Choosing the right customer must go through the right analysis because the decision to approve or disagree with the loan is the main point that determines the possibility of bad credit. This study aims to classify eligible customers to obtain loans by taking into account existing parameters such as age, total income, number of families, monthly expenditure average, education level and others. This study uses a data mining classification method with a neural network model, to assess the accuracy of data processing using rapid miners then proceed with measurements using confusion matrix, ROC curve. The results of the neural network algorithm after going through confusion matrix testing, the ROC curve shows a very high accuracy value, and the dominant value of AUC and algorithm. The accuracy value is 98.24% with AUC of 0.979</em></p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/699 IMPLEMENTASI SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP PELAYANAN TELKOM DAN BIZNET 2019-09-02T09:41:24-04:00 Bety Wulan Sari bety@amikom.ac.id Fadholi Fat Haranto fadholi.haranto@students.amikom.ac.id <p>Sosial media merupakan suatu media yang dapat digunakan untuk berekspresi oleh penggunanya. Twitter cukup populer dan sering digunakan di Indonesia, pengguna twitter dapat berekspresi dan beraspirasi tanpa adanya batasan. <em>Tweet</em> yang berupa ekspresi dan aspirasi yang ditulis oleh pengguna twitter dapat digunakan untuk ulasan sebuah produk atau layanan. Pada penelitian ini, peneliti menggunakan teknik <em>text mining</em> dengan menerapkan algoritma <em>Support Vector Machine</em> yang dipergunakan untuk analisis sentimen pengguna twitter terhadap pelayanan Telkom dan Biznet. Data pada pelayanan Telkom dan Biznet akan dilakukan perhitungan pada penelitian ini dengan jumlah dataset sebanyak 500 <em>tweet</em> yang berasal dari <em>crawling</em> data twitter, terdapat &nbsp;250 <em>tweet</em> yang dijadikan dataset pada masing-masing objek. Sejumlah data tersebut akan dipergunakan untuk data <em>training</em> serta data <em>testing</em> dalam proses pembuatan model menggunakan algoritma <em>Support Vector Machine</em>. Metode yang digunakan untuk pengujian model adalah <em>Confusion Matrix</em> sedangkan <em>K-Fold Cross Validation</em> ditujukan untuk untuk membagi data training dan data testing sesuai lipatan yang digunakan. Hasil pengujian yang diperoleh menggunakan metode <em>K-Fold Cross Validation</em> dan <em>Confusion Matrix</em> pada model yang dibuat menggunakan algoritma <em>Support Vector Machine</em> yang memberikan hasil nilai <em>accuracy</em> 79,6%, <em>precision</em> 76,5%, <em>recall</em> 72,8% , dan <em>F1-score</em> 74,6% untuk Telkom, serta <em>accuracy</em> 83,2%, <em>precision</em> 78,8%, <em>recall</em> 71,6%, dan <em>F1-score</em> 75% untuk Biznet<em>.</em></p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/649 PENERAPAN SUPPORT VECTOR MACHINE (SVM) PADA SMALL DATASET UNTUK DETEKSI DINI GANGGUAN AUTISME 2019-09-02T09:41:24-04:00 Bayu Sugara bayusugaraa@gmail.com Agus Subekti agus.subekti@lipi.go.id <p>Seiring dengan perkembangan ilmu pengetahuan dan teknologi informasi, kehadiran <em>machine learning</em> dibidang komputer telah menjadi salah satu tren dan menarik banyak perhatian. Penggunaan <em>machine learning</em> tidak terlepas dari&nbsp; penggunaan data dalam pembelajarannya. Data yang besar merupakan data yang sering digunakan dalam proses pembelajaran <em>machine learning</em>. Perkembangan <em>machine learning</em> yang sangat pesat dapat memungkinkan data yang besar cepat pula terakumulasi. Namun, jarang ditemukan <em>machine learning</em> menggunakan data yang kecil (<em>small dataset</em>) dalam proses pembelajarannya<em>. Small dataset</em> ini biasanya bersifat private yang diambil dari sebuah organisasi yang akan dijadikan objek penelitian seperti data bank, rumah sakit, pabrik dan perusahaan jasa. Dalam penelitian ini peneliti menggunakan&nbsp; algoritma <em>Support Vector </em>Machine dan <em>k-fold corss validation </em>untuk menguji nilai keakuratan <em>small dataset</em> serta menggunakan teknik <em>ensemble</em> untuk mengetahui seberapa pengaruhnya teknik <em>ensemble</em> terhadap algoritma <em>Support Vector Machine</em>. Hasil dari penelitian ini menunjukkan bahwan teknik <em>ensemble</em> dapat meningkatkan performa akurasi pada <em>Support Vector Machine. </em>Model algoritma SVM dan teknik <em>ensemble </em>dengan <em>poly kernel</em> menunjukkan nilai akurasi terbaik yaitu sebesar 91%.</p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/680 ANALISIS TEKSTUR PADA CITRA IRIS MATA MENGGUNAKAN ALGORITMA GRAY LEVEL CO-OCCURENCY MATRIX 2019-09-02T09:41:24-04:00 Asti Herliana astiherliana79@gmail.com Toni Arifin toni.tfn19@gmail.com <p><em>According to data from the ministry of health<strong>, </strong>with the high intensity of use the gadget nowadays<strong>, </strong>therefore the number of people with eye disease is increasing<strong>. </strong>To overcome increase suffers of eye disease<strong>, </strong>it takes need early detection for who suffers potentially eye disease so that handling and prevention of blindness from eye disease effect can be immediately<strong>. </strong>The process detection of eye disease can be see in iris<strong>, </strong>there are several disease can be seen in iris among there are diabetic retinopathy and glaucoma<strong>. </strong>This research present texture analysis for iris images, the method is used </em><em>GLCM (Gray Level Co-occurency Matrix</em><em>) </em><em>which is implemented using Matlab<strong>, </strong>and using 5 parameters namely contrast<strong>, </strong></em><em>correlation, energy, homogeneity and entropy</em><em>. Process analysis texture is developed with preprocessing technique, the result of texture in images data iris can be recognized and produce the dataset of result from feature extraction with GLCM </em><em>(Gray Level Co-occurency Matrix).</em></p> 2019-08-17T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/669 KOMPARASI ALGORITMA NEURAL NETWORK DAN NAÏVE BAYES UNTUK MEMPREDIKSI PENYAKIT JANTUNG 2019-09-02T09:41:25-04:00 Hendri Mahmud Nawawi mahmudhend94@gmail.com Jajang Jaya Purnama jajangja2412@bsi.ac.id Agung Baitul Hikmah agung.abl@bsi.ac.id <p>Heart disease is one of the types of deadly diseases whose treatment must be dealt with as soon as possible because it can occur suddenly to the sufferer.&nbsp; Factors of heart disease that are recognized based on the condition of the body of a sufferer need to be known from an early age so that the risk of possible instant attacks can be minimized or can be overcome in various ways such as a healthy lifestyle and regular exercise that can regulate heart health in the body.&nbsp; By looking at the condition of a person's body based on sex, blood pressure, age, whether or not a smoker and some indicators that become a person's characteristics of heart disease are described in a study using the Neural Network and Naïve Bayes algorithm with the aim of comparing the level of accuracy to attributes influential to predict heart disease, so the results of this study can be used as a reference to predict whether a person has heart disease or not.</p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/706 PEMILIHAN ATRIBUT PADA ALGORITMA C4.5 MENGGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK MENINGKATKAN AKURASI PREDIKSI DIAGNOSIS PENYAKIT LIVER 2019-09-02T09:41:25-04:00 Elah Nurlelah elah.enl@bsi.ac.id M. Sukrisno Mardiyanto sukrisno@informatika.org <p>Hati adalah organ vital manusia yang memiliki fungsi kompleks dan beragam, salah satunya adalah dengan menjaga kebutuhan organ dalam tubuh, khususnya otak, karena otak adalah fungsi hati yang kompleks, oleh karena itu, kesehatan hatipun perlu diperhatikan sejak dini agar tubuh tetap sehat. Penyakit hati atau liver merupakan salah satu dari 10 penyakit terbesar penyebab kematian di Indonesia, tetapi pemahaman masyarakat mengenai penyakit liver ini masih sangat rendah. Akibatnya banyak dari mereka yang tidak mendapatkan penanganan dini secara tepat. Karenanya, penting bagi kita untuk dapat mengenali gejala dini penyakit liver sebelum terlambat. Selain itu, deteksi dini terhadap penyakit liver memungkinkan penderita penyakit ini dapat disembuhkan lebih cepat. Sudah banyak penelitian untuk memprediksi penyakit liver, salah satunya yaitu dengan menerapkan metode C4.5. Pada penelitian ini dilakukan optimasi algoritma C4.5 dengan menggunakan Particle Swarm Optimization untuk meningkatkan akurasi prediksi diagnosis penyakit liver. Setelah dilakukan pengujian dengan dua model yaitu Algoritma C4.5 dan Optimasi C4.5 menggunakan <em>Particle Swarm Optimization</em> maka hasil yang didapat pengujian dengan menggunakan C4.5 dimana didapat nilai accuracy adalah 78,86% dan nilai AUC adalah 0,815%, sedangkan&nbsp; pengujian dengan menggunakan Optimasi C4.5 dengan <em>Particle Swarm Optimization</em> didapatkan nilai accuracy 82,08% dan nilai AUC adalah 0,829 dengan tingkat diagnosa&nbsp; <em>good&nbsp; classification</em>. Sehingga&nbsp; kedua&nbsp; metode tersebut memiliki perbedaan tingkat akurasi yaitu sebesar 3,22% dan perbedaan nilai AUC sebesar 0,014%. Dapat disimpulkan bahwa penerapan teknik optimasi <em>Particle Swarm Optimization</em> mampu menyeleksi atribut pada C4.5, sehingga menghasilkan tingkat akurasi diagnosis penyakit liver yang lebih baik dibanding dengan menggunakan metode individual algoritma C4.5.</p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/715 PEMERINGKATAN PENILAIAN KINERJA KARYAWAN MELALUI METODE AHP DAN VIKOR 2019-09-02T09:41:25-04:00 Wina Yusnaeni wyne.yusaneni2014@gmail.com Marlina Marlina marlina.mln@bsi.ac.id <p><em>In the company can not be separated from human resources, which is an important part of the company. The success of a company depends on the resources that are in it. Therefore, human resources have a very vital role. One of the most important factors in a company, human resources must be considered for their welfare and appreciation. For example, giving appreciation for employee performance. From evaluating employee performance, exact calculations are required, one of which uses AHP and Vikor methods. The result of this research showed usage method of vikor who assists in assessment has raised the of employee performance based on the criteria of which there are, Where criteria have been in appointed by the company and provision of weight of criteria with the methods ahp.</em> <em>From the results of the count it over with ahp drugs got when the the value of weighted criteria in accordance with the provisions fees for civil servant employees ahp with a value of The CR ≤ 0.1. This is done to explain the consistency of the weight of the criteria which had been assessed by the judges.</em> <em>Next, &nbsp;with Vikor method, obtained with the smallest value in the calculation of V = 0.5. from the results of the performed calculations to see stability calculation results with alternative methods of vikor 1 way obtained Value Q (2)-Q (1) ≥ DQ,.</em> <em>and obtained also for method 2 using the value V = 0.4 and value V = 0.6 and gained equality results ranked one and two.</em> <em>The result of the method of vikor expected can help decision-makers in determining the ranking of employees based on the best performance of employees.</em></p> <p>&nbsp;</p> <p>&nbsp;</p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/684 OPTIMALISASI KLASIFIKASI BERITA MENGGUNAKAN FEATURE INFORMATION GAIN UNTUK ALGORITMA NAIVE BAYES TERHUBUNG RANDOM FOREST 2019-09-02T09:41:25-04:00 Bobby Suryo Prakoso 14002107@nusamandiri.ac.id Didi Rosiyadi didi.rosiyadi@gmail.com Dedi Aridarma 14002154@nusamandiri.ac.id Heru Sukma Utama 14002126@nusamandiri.ac.id Fariz Fauzi 14002102@nusamandiri.ac.id Mohammad Arifin Nurul Qhomar 14002108@nusamandiri.ac.id <p>Penelitian ini adalah tentang pengklasifikasian berita yang mengoptimalisasi dengan kombinasi antar algoritma. Tentang dataset yang digunakan diambil pada situs pemberitaan online. Algoritma yang digunakan adalah algoritma <em>Naive Bayes Classifier</em>, dan <em>Random Forest</em> dengan pembobotan seleksi fitur <em>Information Gain</em>. Dataset yang digunakan terdapat 615 dataset dengan 3 katagori atau tema berita. Dalam permodelan terdapat 6 model skenario sebagai pembanding untuk menentukan skenario mana yang mendapatkan nilai terbaik, berdasarkan hasil penelitian ini nilai terbaik didapatkan oleh model <em>Remove Useless Attributes, Naive bayes Classifier-Multinomial, </em>dan<em> Random Forest-Feature Selection Information gain. </em>Hasil evaluasi yang didapatkan adalah nilai <em>accuracy</em> 85.67%, nilai <em>recall</em> 85.67%, dan nilai <em>precision</em> 86.23</p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/716 PERANCANGAN SISTEM INFORMASI PENGAJUAN PINJAMAN BERBASIS WEB MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING 2019-09-02T09:41:25-04:00 Titis Widyastuti titis.widyastuti12@gmail.com Nia Rahma Kurnianda nia.rahma@mercubuana.ac.id <p>Dalam usaha meningkatkan jumlah anggota yang bergabung dalam naungan koperasi karyawan, koperasi UMB bermaksud melakukan peningkatan pelayanan pada produk simpan pinjam. Namun produk tersebut memiliki rentang waktu pelayanan yang sangat panjang dan antrian yang cukup besar. Sebelum peminjaman disetujui terdapat verifikasi berkas atas aplikasi anggota terlebih dahulu. Pendataan dan pencatatan atas peminjaman dan pembayaran pinjaman pun masih dilakukan secara sederhana yaitu dengan metode tulis tangan. Hal ini menyebabkan rawan terjadinya <em>human error</em> dan dokumen tidak terkontrol. Oleh karena itu, kami merancang sebuah sistem informasi pengajuan pinjaman bagi anggota untuk menyelesaikan permasalahan tersebut. Untuk mendukung usaha koperasi karyawan memberikan kemudahan dalam mengajukan pinjaman, rancangan ini kami buat menggunakan basis web dan berorientasi obyek. Sistem ini nantinya akan memberikan kemudahan bagi anggota untuk mengajukan pinjaman dari manapun dan kapanpun, memberikan keleluasaan bagi anggota untuk mengetahui status peminjaman yang diajukan dan pengembalian hutang yang telah dibayarkan. Selain itu dari sisi koperasi pegawai UMB, benefit yang diterima adalah kemudahan dan kecepatan dalam hal verifikasi berkas serta kerapihan administrasi peminjaman uang. Selain itu dalam pembuatan laporan juga menjadi fitur utama dari sistem yang kami rancang ini. Dalam menghasilkan rekomendasi peminjaman yang disetujui kami menggunakan variasi metode SAW. Hasil kalkulasi dari fitur rekomendasi ini akan menjadi dasar bagi pelayanan verifikasi berkas yang lebih cepat.</p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/618 KERANGKA PENGAMBILAN KEPUTUSAN UNTUK PEMASARAN PRESISI MENGGUNAKAN METODE RFM, ALGORITMA K-MEANS DAN DECISION TREE 2019-09-02T09:41:25-04:00 Jupriyanto Jupriyanto jupriyanto.kahar@gmail.com Siti Nurlela siti.sie@nusamandiri.ac.id <p>Pemasaran presisi memberikan kemampuan pada perusahaan untuk menawarkan produk-produk yang dibuat secara khusus kepada pelanggan dan memberikan kemampuan kepada perusahaan untuk menarik minat pelanggan dengan pesan-pesan pemasaran yang dibuat secara khusus. Penelitian ini menyajikan kerangka kerja pengambilan keputusan baru menggunakan teknik data mining. Pertama, penelitian ini menyajikan model tren untuk memprediksi secara akurat kuantitas pasokan bulanan; kedua, menggunakan model RFM (Recency,Frequency, Monetary) untuk memilih atribut untuk mengelompokkan pelanggan ke dalam kelompok sesuai history transaksi belanjanya; ketiga, menggunakan Algoritma K-Means untuk membuat clustering pelanggan berdasarkan data RFM masing-masing pelanggan, keempat, menggunakan Decision Tree untuk mengidentifikasi nilai atribut penting untuk membedakan kelompok pelanggan yang berbeda; dan akhirnya, dari proses data mining yang peneliti lakukan menciptakan berbagai strategi penawaran yang menargetkan setiap cluster pelanggan. Data penjualan dari Syifamart di Subang Jawa Barat, dikumpulkan dan digunakan dalam studi kasus untuk menggambarkan bagaimana mengimplementasikan kerangka yang diusulkan. Dari penelitian yang telah dilakukan menunjukan bahwa proses data mining dari history transaksi penjualan 351,158 rows, dengan agregasi berdasarkan pelanggan menggunakan metode RFM dan diekstraksi dengan menggunakan algoritma clustering k-means membentuk 4 (empat) cluster optimal. Keempat (empat) cluster tersebut diklasifikasikan dengan menggunakan algoritma decision tree sehingga Syifamart dapat mengetahui mana pelanggan potensial dan mana pelanggan yang tidak potensial. Untuk ketersediaan pasokan stok, manajemen memprediksi kebutuhan persediaan produk dengan menggunakan metode tren dimana stok di bulan selanjutnya di prediksi dengan menggunkana history penjualan di bulan sebelumnya.</p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/767 PENGGUNAAN METODE PROFILE MATCHING UNTUK PEMILIHAN EOSH CAPTAIN TERBAIK PADA PT.COCA-COLA INDONESIA 2019-09-05T01:01:03-04:00 Riduan Syaiful Mashyur riduan.syaiful@yahoo.com Frieyadie Frieyadie frieyadie@nusamandiri.ac.id <p><em>Environment, Occupational, Safety and Health (EOSH) Captain is an activity created by the Safety Officer at PT. Coca-Cola Indonesia. To determine the best EOSH Captain for the first time and is still influenced by the Subjective factor in assessing the prospective EOSH Captain, the safety officer is sometimes difficult to determine the best EOSH Captain, due to the lack of criteria so that the inaccuracy of assessment results in errors in determining the selection of EOSH Captain, constraints Another factor is the search for supporting data for the EOSH captain selection criteria is hampered, because the safety officer must focus on the job desk of his work, resulting in the length of the decision-making process. In this study, to overcome the above constraints, a method called the Profile Matching method is used. This Profile Matching method can process and compare the actual data value of a profile to be assessed with the expected profile value so that competency differences can be known. The purpose of this research is to accelerate the decision-making process. The assessment process will be more accurate, resulting in the determination of the selection of EOSH to be more precise and correct.&nbsp;The assessment process will be more accurate, resulting in the determination of the selection of EOSH to be more precise and correct. The results of calculations using the Profile Matching method above have obtained the greatest value and become the best EOSH captain is employee 17.</em></p> 2019-09-05T01:01:03-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/650 PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA K-MEANS UNTUK MENGETAHUI MINAT CUSTOMER DI TOKO HIJAB 2019-09-05T03:59:25-04:00 Yulianti Yulianti yuleeseunggi@gmail.com Dwi Yuni Utami dwi.dyu@bsi.ac.id Noer Hikmah noer.nhh@bsi.ac.id Fuad Nur Hasan fuad.fnu@bsi.ac.id <p>Hijab is not a foreign thing for the population in Indonesia, because most of the population of Indonesia is Muslim. Today, many business people, especially hijab sellers, provide a variety of brands and models in the hijab they sell. Therefore sellers are required to be able to think intelligently in making a sales strategy that will certainly be useful to know clearly which products are most in demand by customers, and also to increase sales in their stores. Then there needs to be an alternative that can realize the recording of sales transaction data more quickly and structured. In this study the authors applied the k-means algorithm to determine customer interest in the products they sell. In the calculation that has been done by using two parameters, namely the transaction and the number of sales and passing three iterations with the results of iterations one gets a ratio of 0.374324132, the iteration two gets the ratio 0.543018325, and the iteration three gets the same ratio value as second iteration. So it can be concluded that the hijab that is most desirable by the customers is the hijab with the brand Rabbani, Elzatta, and Zoya, the low-interest hijab branded by Dian Pelangi, Kami Idea, and Meccanism. And the hijab with those who are not high and also not low is the hijab under the brand Ria Miranda, Jenahara, Shasmira, and Shafira.</p> 2019-09-05T03:59:25-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/705 SENTIMEN ANALISIS KEBIJAKAN GANJIL GENAP DI TOL BEKASI MENGGUNAKAN ALGORITMA NAIVE BAYES DENGAN OPTIMALISASI INFORMATION GAIN 2019-09-06T21:39:26-04:00 Heru Sukma Utama hsukmautama@gmail.com Didi Rosiyadi didi.rosiyadi@gmail.com Dedi Aridarma 14002154@nusamandiri.ac.id Bobby Suryo Prakoso 14002107@nusamandiri.ac.id <p>Analysis of the odd even-numbered sentiment systems in Bekasi toll using the Naïve Bayes Algorithm, is a process of understanding, extracting, and processing textual data automatically from social media. The purpose of this study was to determine the level of accuracy, recall and precision of opinion mining generated using the Naïve Bayes algorithm to provide information community sentiment towards the effectiveness of the odd system of Bekasi tiolls on social media. The research method used in this study was to do text mining in comments-comments regarding posts regarding even odd oddities on Bekasi toll on Twitter, Instagram, Youtube and Facebook. The steps taken are starting from preprocessing, transformation, datamining and evaluation, followed by information gaon feature selection, select by weight and applying NB Algorithm model. The results obtained from the study using the NB model are obtained Confusion Matrix result, namely accuracy of 79,55%, Precision of 80,51%, and Sensitivity or Recall of 80,91%. Thus this study concludes that the use of Support Vector Machine Algorithms can analyze even odd sentiments on the Bekasi toll road.</p> 2019-09-05T08:49:46-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/660 PREDIKSI TINGKAT KELULUSAN NILAI MAHASISWA TERHADAP MATAKULIAH WEB PROGRAMMING MENGGUNKAN METODE NEURAL NETWORK 2019-09-05T09:54:21-04:00 Mochammad Abdul Azis mochabdulazis01@gmail.com Agung Fazriansyah agungfaz1305@bsi.ac.id <p>Penerapan teknologi informas dalan dunia pendidikan juga dapat menghasilkan data yang berlimpah mengenai data mahasiswa dan nilai pembelajaran yang dihasilkan. Seperti nilai matakuliah unggulan tersebut yang sangat mempengaruhi jumlah ipk dan kelulusan karna jika salah satu matakuliah unggulan seperti <em>Web Programing</em> tersebut mendapatkan nilai D maka mahasiswa tersebut tidak dapat melakukan pendaftaran Tugas akhir atau Skripsi. Salah satunya caranya adalah dengan melakukan klasifikasi daa nilai mahasiswa untuk mengetahui nilai matakuliah unggulan apa saja yang paling krusial dari semester pertama. <em>Neural Network </em>lebih flesksibel yaitu tidak ada batasan apriori yang dikenakan bila dibandingkan dengan pemodelan statistic klasik, sehingga <em>Neural Network</em> cenderung memberikan prediksi yang akurat.</p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/664 ESTIMASI MEDIA ONLINE DALAM PROSES BISNIS PEMASARAN DAN JASA DI KOTA TASIKMALAYA MENGGUNAKAN METODE DISCRETE 2019-09-05T11:33:54-04:00 Iqbal Dzulfiqar Iskandar iqb.iql@bsi.ac.id <p><em>Online media is used by many organizations as a helping tool to reach the goal in the business process especially marketing or introducing a product that is marketed. Therefore, this research is trying to explain how massive the role of online media is, in the business process in the town of Tasikmalaya based on a statistic number scale from the data that refer to quantitative methodology, Discrete Data, and Correlational analyses method. Meanwhile. The result of this research reveals Online media is, towards business process marketing and service in the town of the Tasikmalaya area positively affected business process marketing and service. These results are supported by the results of data processing. From 78 organizations, the positive rate of online media on marketing and services is 95% greater than the positive level, which is only 5%. sig. (2-sided) of 0,000, meaning that α=0.05 is greater than the value of Sig. (2-sided) or [0.05&gt; 0,000]. This shows that the variable X has an influence on variable Y. The results of the analysis of bivariate people, obtained the final value r =1, for the estimated value. This number defines the variable X which has a very strong attachment relationship to a variable.</em></p> 2019-09-05T11:33:54-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/752 KOMPARASI METODE KLASIFIKASI PADA ANALISIS SENTIMEN USAHA WARALABA BERDASARKAN DATA TWITTER 2019-09-05T11:54:46-04:00 Tati Mardiana tati.mardiana@gmail.com Hafiz Syahreva hafizsyahreva22@gmail.com Tuslaela Tuslaela tuslaela.tll@nusamandiri.ac.id <p>Saat ini usaha waralaba di Indonesia memiliki daya tarik yang relatif tinggi. Namun, para pelaku usaha banyak juga yang mengalami kegagalan. Bagi seseorang yang ingin memulai usaha perlu mempertimbangkan sentimen masyarakat terhadap usaha waralaba. Meskipun demikian, tidak mudah untuk melakukan analisis sentimen karena banyaknya jumlah percakapan di Twitter terkait usaha waralaba dan tidak terstruktur. Tujuan penelitian ini adalah melakukan komparasi akurasi metode <em>Neural Network</em>, <em>K-Nearest Neighbor</em>, <em>Naïve Bayes</em>, <em>Support Vector Machine</em>, dan <em>Decision Tree</em> dalam mengekstraksi atribut pada dokumen atau teks yang berisi komentar untuk mengetahui ekspresi didalamnya dan mengklasifikasikan menjadi komentar positif dan negatif. &nbsp;Penelitian ini menggunakan data <em>realtime </em>dari &nbsp;<em>tweets</em> pada Twitter. Selanjutnya mengolah data tersebut dengan terlebih dulu membersihkannya dari <em>noise</em> dengan menggunakan Phyton. Hasil&nbsp; pengujian&nbsp; dengan&nbsp; <em>confusion&nbsp; matrix</em>&nbsp; diperoleh&nbsp; nilai akurasi <em>Neural Network</em> sebesar 83%, <em>K-Nearest Neighbor </em>sebesar 52%, <em>Support Vector Machine &nbsp;sebesar </em>83%, dan <em>Decision Tree </em>sebesar 81%. Penelitian ini menunjukkan metode <em>Support Vector Machine </em>&nbsp;dan Neural Network paling baik untuk mengklasifikasikan komentar positif dan negatif terkait usaha waralaba.</p> <p>&nbsp;</p> 2019-09-05T00:00:00-04:00 ##submission.copyrightStatement## http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/693 KLASIFIKASI SMS SPAM MENGGUNAKAN SUPPORT VECTOR MACHINE 2019-09-08T22:13:51-04:00 Agus Setiyono agasasutadewa@gmail.com Hilman F Pardede hilman@nusamandiri.ac.id <p><em>It is now common for a cellphone to receive spam messages. Great number of received messages making it difficult for human to classify those messages to Spam or no Spam. &nbsp;One way to overcome this problem is to use Data Mining for automatic classifications. In this paper, we investigate various data mining techniques, named Support Vector Machine, Multinomial Naïve Bayes and Decision Tree for automatic spam detection. Our experimental results show that Support Vector Machine algorithm is the best algorithm over three evaluated algorithms. Support Vector Machine achieves 98.33%, while Multinomial Naïve Bayes achieves 98.13% and Decision Tree is at 97.10 % accuracy.</em></p> 2019-09-08T22:13:51-04:00 ##submission.copyrightStatement##