https://jurnalmahasiswa.com/index.php/jriin/issue/feedJRIIN :Jurnal Riset Informatika dan Inovasi2025-01-18T04:22:27+00:00Adminojs.jurnalmahasiswa@gmail.comOpen Journal Systems<p><strong>Jurnal Riset Informatika dan Inovasi (JRIIN) dengan ISSN 3025-0919 (media online)</strong> merupakan jurnal hasll penelitian, tugas akhir, mini project, kerja praktek mahasiswa S1, S2 atau S3. Yang terbit 12 kali dalam setahun</p>https://jurnalmahasiswa.com/index.php/jriin/article/view/2274Penerapan Alat Manajemen Proyek Di PT. Krakatau IT Cilegon2025-01-08T05:43:04+00:00Fajri Afdinalfajriafdinal@gmail.comMahesa Galang Akbarmahesagalangakbar@gmail.comTimor Setiorinitimorsetiorini@gmail.comYeni Lianayenikusmana@gmail.comInes Heidiani Ikasaridosen01374@unpam.ac.id<p>PT. Krakatau IT merupakan perusahaan jasa yang memiliki visi untuk menjadi yang terdepan dalam menyediakan solusi ICT di Indonesia. Dalam upayanya untuk meningkatkan kepuasan pelanggan, perusahaan memerlukan perencanaan dan pelaksanaan proyek yang berkualitas, termasuk penyelesaian proyek secara tepat waktu dan sesuai dengan anggaran yang telah direncanakan. Namun, perusahaan sering menghadapi tantangan dalam menyelesaikan proyek akibat manajemen yang kurang efektif, yang berujung pada kerugian. Penelitian ini bertujuan untuk menerapkan sebuah alat manajemen proyek bernama “Krakatau Pro.” Alat ini dilengkapi berbagai fitur yang dirancang untuk mempermudah pengelolaan informasi antara perencanaan dan pelaksanaan pekerjaan, sehingga mendukung keberjalanan proyek secara lebih efisien dan terorganisir.</p>2025-01-07T00:00:00+00:00Copyright (c) 2025 https://jurnalmahasiswa.com/index.php/jriin/article/view/2275Systematic Literatur Review: Implementasi Sistem Manajemen Keuangan 2025-01-08T06:20:39+00:00Ari Valentinoarivalentino140203@gmail.comMia Hilmiahmia.hilmiah04@gmail.comAhmad Faisalahfaisal345@gmail.comYulianti OktavianiOktavianiyulianti394@gmail.comInes Heidiani Ikasaridosen01374@unpam.ac.id<p>Sistem Informasi Manajemen (SIM) merupakan suatu sistem yang digunakan untuk mendukung keputusan manajerial di suatu organisasi atau perusahaan. SIM mengintegrasikan berbagai teknologi informasi yang memproses data untuk menghasilkan informasi yang berguna dalam pengambilan keputusan, perencanaan, pengawasan, dan analisis. Tujuan utama SIM adalah meningkatkan efisiensi dan efektivitas operasional dengan menyediakan informasi yang tepat, akurat, dan cepat bagi pengambil keputusan. Komponen utama dalam SIM meliputi hardware, software, prosedur, sumber daya manusia, dan data. SIM juga mencakup beberapa jenis informasi, seperti informasi strategis, taktis, dan operasional yang disesuaikan dengan kebutuhan manajerial pada berbagai level organisasi. Dalam pengembangannya, SIM memanfaatkan berbagai teknologi terkini seperti basis data, jaringan komputer, dan sistem berbasis cloud untuk mendukung pengolahan dan distribusi informasi secara efisien. Dengan semakin berkembangnya teknologi, SIM saat ini dapat memberikan keuntungan kompetitif bagi organisasi dengan menyediakan analisis prediktif dan mendukung otomasi dalam berbagai proses bisnis. Penggunaan SIM yang optimal dapat meningkatkan pengambilan keputusan yang lebih cepat, tepat, dan berbasis data, sehingga membantu organisasi mencapai tujuan jangka panjangnya secara lebih efektif.</p>2025-01-07T00:00:00+00:00Copyright (c) 2025 https://jurnalmahasiswa.com/index.php/jriin/article/view/2177Literature Review Peran Sistem Informasi Manajemen Dalam Meningkatkan Efisiensi Dan Kinerja Organisasi2025-01-01T05:26:04+00:00Eka Seftrian Anugeraekasa1209@gmail.comMuhammad Shiddiq Alfarezmshiddiqalfarez@gmail.comHakim Perdana Saputrahakimperdana13@gmail.comAhnaf Irfan Bahariantoahnafirfanbarianto@gmail.comInes Heidiani Ikasaridosen01374@unpam.ac.id<p>Sistem Informasi Manajemen (SIM) memainkan peran penting dalam meningkatkan efisiensi operasional dan kinerja organisasi di era digital. Penelitian ini melakukan kajian literatur untuk mengeksplorasi peran SIM dalam menyederhanakan proses operasional, mendukung pengambilan keputusan berbasis data, dan memfasilitasi transformasi digital. Analisis menunjukkan bahwa SIM secara signifikan meningkatkan produktivitas, mengurangi biaya operasional, serta mengintegrasikan proses bisnis secara lebih efektif. Meskipun demikian, tantangan seperti kebutuhan infrastruktur, kerentanan keamanan data, dan keterbatasan kompetensi sumber daya manusia menghambat adopsi SIM secara luas. Upaya untuk mengatasi tantangan ini menjadi kunci untuk memanfaatkan potensi penuh SIM, terutama di organisasi kecil dan menengah (UKM). Penelitian ini juga menyoroti peluang penelitian masa depan untuk mengembangkan solusi SIM yang lebih adaptif dan aman dalam memenuhi kebutuhan organisasi yang terus berkembang.</p>2025-01-07T00:00:00+00:00Copyright (c) 2025 Eka Seftrian Anugera, Muhammad Shiddiq Alfarez, Hakim Perdana Saputra, Ahnaf Irfan Baharianto, Ines Heidiani Ikasarihttps://jurnalmahasiswa.com/index.php/jriin/article/view/2295Literature Review : Pentingnya Sistem Informasi Manajemen Dalam Dunia Bisnis2025-01-09T06:29:41+00:00Akbar YudistiraAkbaryudistira322@gmail.comAlexander Herjuno Bhaskoroherjunosetyo@gmail.comRaihan Daniel Putra Nakohraihandaniel09@gmail.comInes Heidiani Ikasaridosen1374@unpam.ac.id<p>Sistem Informasi Manajemen (SIM) memainkan peran krusial dalam meningkatkan efisiensi dan efektivitas pengambilan keputusan di dunia bisnis. SIM memungkinkan pengelolaan data yang terintegrasi, penyediaan informasi yang relevan, dan mendukung perencanaan strategis perusahaan. Dengan memanfaatkan teknologi informasi, organisasi dapat meningkatkan produktivitas, mengurangi biaya operasional, dan bersaing lebih efektif di pasar global. Kajian literatur ini mengeksplorasi peran SIM dalam mengatasi tantangan bisnis modern, seperti kebutuhan akan informasi real-time, pengelolaan big data, dan adaptasi terhadap perubahan lingkungan bisnis. Studi ini juga membahas manfaat utama penerapan SIM, termasuk peningkatan kolaborasi antardivisi, optimalisasi rantai pasok, serta pemantauan kinerja organisasi. Temuan dari berbagai penelitian menunjukkan bahwa SIM yang dirancang dengan baik mampu memberikan keunggulan kompetitif yang signifikan bagi perusahaan. Dengan demikian, investasi dalam pengembangan dan implementasi SIM yang tepat menjadi kebutuhan strategis bagi keberlanjutan bisnis.</p>2025-01-08T00:00:00+00:00Copyright (c) 2025 https://jurnalmahasiswa.com/index.php/jriin/article/view/2297Implementasi Algoritma K-Means: Analisis Klasterisasi Emisi Metana Global Berdasarkan Sektor Dan Negara Menggunakan RapidMiner2025-01-09T07:13:51+00:00Muhammad Faqih Alharitsalharitsfaqih@gmail.comRamdonidoony05122022@gmail.comHanif Maulana Ar Rasyidhanifmaulanaarrasyid@gmail.comKhalid Saefullahkhalidsaefullah1622@gmail.comArjuna Mardika Maulanaarjunamardika03@gmail.com<p>Penelitian ini bertujuan untuk menganalisis pola emisi metana global berdasarkan sektor dan negara menggunakan algoritma <em>K-Means clustering</em>. Data yang digunakan adalah dataset emisi metana global dari <em>Kaggle</em>, yang mencakup informasi tentang emisi, sektor, sub-sektor, dan negara. Melalui penerapan algoritma <em>K-Means</em>, negara-negara dikelompokkan berdasarkan kesamaan pola emisi metana mereka. Hasil analisis menunjukkan kelompok negara dengan karakteristik emisi yang berbeda, yang memungkinkan identifikasi prioritas tindakan mitigasi. Penelitian ini memberikan wawasan penting bagi pembuat kebijakan dalam upaya pengendalian emisi metana global.</p>2025-01-08T00:00:00+00:00Copyright (c) 2025 https://jurnalmahasiswa.com/index.php/jriin/article/view/2289Analisis Perbandingan Algoritma Random Forest Dan Decision Tree Pada Prediksi Penyakit Diabetes2025-01-08T18:18:20+00:00Ardilla Ekrinifdaardillaekrinifda@gmail.comSalsabila Aulia Ramadhansalsabilaauliar1@gmail.comShera Marvellaardillaekrinifda@gmail.comMaulana Fansyuridosen02359@unpam.ac.id<p>Diabetes melitus adalah penyakit kronis dengan prevalensi yang meningkat secara global. Diagnosis dini sangat penting untuk mencegah komplikasi, tetapi metode tradisional sering memerlukan waktu dan akses yang terbatas. Penelitian ini membandingkan algoritma Random Forest dan Decision Tree dalam memprediksi diabetes menggunakan dataset dari Kaggle. Algoritma ini dipilih karena kemampuan mereka menangani data kesehatan yang kompleks. Random Forest menggunakan pendekatan ensemble learning untuk meningkatkan akurasi dan stabilitas, sedangkan Decision Tree menawarkan interpretasi hasil yang lebih intuitif. Evaluasi dilakukan dengan metrik seperti akurasi, presisi, recall, dan Area Under Curve (AUC). Hasil menunjukkan Random Forest unggul dalam akurasi (78,78%) dan stabilitas dibandingkan Decision Tree (77,34%). Namun, Decision Tree lebih efisien secara komputasi dan mudah diinterpretasi. Analisis ini memberikan wawasan dalam memilih algoritma prediksi diabetes yang sesuai berdasarkan kebutuhan klinis dan sumber daya. Penelitian ini merekomendasikan Random Forest untuk keandalan prediksi dan Decision Tree untuk skenario yang memerlukan efisiensi dan interpretabilitas. Implementasi lebih lanjut diharapkan membantu tenaga medis dalam pengambilan keputusan yang lebih baik.</p>2025-01-09T00:00:00+00:00Copyright (c) 2025 Ardilla Ekrinifda, Salsabila Aulia Ramadhan, Shera Marvella, Maulana Fansyurihttps://jurnalmahasiswa.com/index.php/jriin/article/view/2212Analisis Sentimen Ulasan Produk Masker Menggunakan Algoritma Naive Bayes2025-01-03T03:46:30+00:00Fareza Muhammadfarreza16@gmail.comDevi Yunitayunitadevi54@yahoo.co.id<p>Penelitian ini menganalisis sentimen ulasan produk masker menggunakan algoritma Naive Bayes. Dataset yang digunakan terdiri dari 99 ulasan produk masker dari platform e-commerce, dengan klasifikasi sentimen positif dan negatif. Metodologi yang digunakan melibatkan preprocessing data, pemodelan menggunakan algoritma Naive Bayes, dan evaluasi performa model. Hasil analisis menunjukkan bahwa algoritma Naive Bayes mampu mengklasifikasikan sentimen ulasan dengan tingkat akurasi 83.67%. Penelitian ini memberikan wawasan berharga bagi pelaku e-commerce dalam memahami persepsi pelanggan terhadap produk masker mereka dan dapat digunakan untuk meningkatkan kualitas produk serta layanan.</p>2025-01-09T00:00:00+00:00Copyright (c) 2025 Fareza Muhammad, Devi Yunitahttps://jurnalmahasiswa.com/index.php/jriin/article/view/2189Analisis Dan Prediksi Rating Game Berdasarkan Review Pengguna Steam Menggunakan Algoritma K–Nearest Neighbor2025-01-02T07:21:32+00:00Maulana Fansyuridosen02359@unpam.ac.idAbdul Hanifabdulhanif1803@gmail.comAlfreza Routya Faizanalfrezarf@gmail.comFadhil Nata Pratamafadhilpratama798@gmail.comVerrel Aulia Rahmanverrelaulia@gmail.com<p>Industri game digital terus berkembang pesat, dengan platform seperti Steam yang menawarkan ribuan game kepada jutaan pengguna. Namun banyaknya pilihan membuat pengguna kesulitan menemukan game yang sesuai dengan kebutuhannya. Penelitian ini bertujuan untuk menganalisis dan memprediksi rekomendasi pengguna untuk rating game di Steam menggunakan algoritma K-nearest neighbour (KNN). Kumpulan data yang digunakan terdiri dari 2.800 review pengguna terhadap 7 game yang diperoleh dari Kaggle.com. Melakukan proses pengolahan data secara sistematis, meliputi pembersihan data, transformasi teks, dan segmentasi data menjadi data latih dan data uji. Algoritma KNN dengan k=5 diimplementasikan menggunakan software RapidMiner yang mendukung analisis data halus dengan metode non parametrik. Hasil penelitian menunjukkan bahwa algoritma KNN dapat memprediksi statistik permainan dengan akurat. Penggunaan pemrosesan data terstruktur dan perangkat lunak pendukung menghasilkan model klasifikasi label berpemilik. Selain itu, penelitian ini menunjukkan potensi pengembangan model lebih lanjut dengan memperluas kumpulan data, memasukkan lebih banyak variabel, dan membandingkan berbagai variabel untuk penilaian kinerja. Selain memberikan solusi praktis, penelitian ini juga memberikan kerangka teoritis untuk penerapan algoritma KNN pada sistem rekomendasi big data, yang dapat meningkatkan pengalaman pengguna dalam mengeksplorasi game baru.</p>2025-01-09T00:00:00+00:00Copyright (c) 2025 Maulana Fansyuri, Abdul Hanif, Alfreza Routya Faizan, Fadhil Nata Pratama, Verrel Aulia Rahmanhttps://jurnalmahasiswa.com/index.php/jriin/article/view/2244Implementasi Metode K-Nearest Neighbors (KNN) Untuk Klasifikasi Penyakit Jantung2025-01-07T07:09:53+00:00Maulana Fansyuridosen02359@unpam.ac.idTyas Fachri Ramdhanirtyasfachri@gmail.comRivan Saputrarivan7332@gmail.comDeni Setiawandenisetiawannnn4@gmail.com<p>Penyakit jantung merupakan salah satu penyakit yang sangat berbahaya, penyakit ini juga bisa menyerang berbagai kalangan usia. Penyakit jantung meskipun tidak menular, akan menjadi serius bagi semua kalangan usia jika berbagai faktor seperti kurangnya aktivitas fisik, kebiasaan merokok, konsumsi alcohol dan pola hidup tidak sehat dilakukan. Salah satu yang menyebabkan penyakit ini timbul adalah penyumbatan aliran darah yang masuk ke dalam jantung. Penelitian ini memanfaatkan Teknik data mining untuk menggali informasi dari data besar dengan focus pada metode K-Nearest Neighbors (KNN). K-Nearest Neighbors adalah algoritma sederhana namun efektif untuk klasifikasi data yang bekerja dengan menentukan kedekatan objek baru. Metode ini termasuk dalam kategori supervisored learning, yang menggunakan data berlabel untuk membangun model prediksi. Data yang digunakan dalam penelitian ini diambil dari Kaggle dengan judul “Dataset Penyakit Jantung” yang terdiri dari 1025 entri dan 13 atribut. Tujuan Penelitian ini adalah untuk memancarkan Tingkat akurasi metode K-NN serta mengembangkan aplikasinya dalam klasifikasi penyakit jantung.</p>2025-01-09T00:00:00+00:00Copyright (c) 2025 Maulana Fansyuri, Tyas Fachri Ramdhani, Rivan Saputra, Deni Setiawanhttps://jurnalmahasiswa.com/index.php/jriin/article/view/2242Implementasi Algoritma Regression Untuk Prediksi Harga Rumah Di Boston 2025-01-06T02:12:54+00:00Sukron Ma'mumsukronmamum389@gmail.comReza Pratamasukronmamum389@gmail.comMuhammad Nurkholis Ajie Kurniawansukronmamum389@gmail.comAgeng Putra Mulyasukronmamum389@gmail.comAlfi Ariyadi Anatasiasukronmamum389@gmail.comMaulana Fansyuridosen02359@unpam.ac.id<p>Prediksi harga rumah merupakan aspek krusial dalam industri properti, khususnya di kota besar seperti Boston yang memiliki dinamika pasar yang kompleks. Penelitian ini mengimplementasikan algoritma regresi linier untuk memprediksi harga rumah berdasarkan berbagai atribut seperti jumlah kamar tidur, luas tanah, usia bangunan, dan kedekatannya dengan pusat kota. Dataset yang digunakan terdiri dari 501 data dengan 14 fitur yang mencakup karakteristik rumah dan lingkungan. Proses penelitian melibatkan tahapan Knowledge Discovery in Databases (KDD) mulai dari pemilihan hingga evaluasi model. Hasil analisis menunjukkan bahwa model regresi linier memberikan akurasi yang baik dengan nilai R-squared sebesar 0,745, mengindikasikan bahwa model dapat menjelaskan 74,5% variasi harga rumah. Penelitian ini memberikan wawasan berharga bagi pelaku industri properti untuk mendukung pengambilan keputusan berbasis data yang lebih efektif. Namun, terdapat ruang untuk peningkatan, terutama dalam mengurangi kesalahan prediksi melalui eksplorasi algoritma lain.</p>2025-01-09T00:00:00+00:00Copyright (c) 2025 Sukron Ma'mum, Reza Pratama, Muhammad Nurkholis Ajie Kurniawan, Ageng Putra Mulya, Alfi Ariyadi Anatasia, Maulana Fansyurihttps://jurnalmahasiswa.com/index.php/jriin/article/view/2288Pengembangan Sistem Rekomendasi Buku Menggunakan Algoritma Machine Learning Berbasis Klasifikasi2025-01-08T14:17:02+00:00Restu Ajirestu9410@gmail.comSaddam Syaifunnuhasaddamsyaifunnuha@gmail.comFikri Hidayatfikrihidayat2022@gmail.comAlkhodrialkhodri393@gmail.comKamaludin Malik Antaprajaantaprajakemal@gmail.com<p>Pengguna di era digital seringkali kesulitan memilih buku yang sesuai dengan kebutuhan dan minat mereka di antara banyaknya pilihan yang tersedia. Masalah ini dapat menyebabkan kebingungan dan ketidakefektifan dalam proses pemilihan buku, terutama bagi pembaca yang mencari referensi berkualitas dalam waktu singkat. Oleh karena itu, sistem rekomendasi buku yang akurat dan dapat diandalkan sangat penting untuk membantu pembaca menemukan buku yang sesuai dengan preferensi mereka. Tujuan penelitian ini adalah untuk mengembangkan sistem rekomendasi buku yang dapat memberikan hasil yang lebih tepat berdasarkan analisis data pengguna dan metadata buku. Pemrosesan data dilakukan dengan algoritma klasifikasi seperti <em>Decision Tree</em> dan <em>Random Forest</em>.</p>2025-01-09T00:00:00+00:00Copyright (c) 2025 Restu Aji, Saddam Syaifunnuha, Fikri Hidayat, Alkhodri, Kamaludin Malik Antaprajahttps://jurnalmahasiswa.com/index.php/jriin/article/view/2308Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Level Stres Mahasiswa2025-01-11T01:22:17+00:00Devi Yunitadosen00846@unpam.ac.idFirmansyah Surya Kusumafirmansyahsuryakusuma@gmail.comAlpian Maulanafirmansyahsuryakusuma@gmail.comAlana Zatayumnifirmansyahsuryakusuma@gmail.comIhdaudinfirmansyahsuryakusuma@gmail.comDiski Bima Pradanafirmansyahsuryakusuma@gmail.com<p>Stress pada mahasiswa merupakan masalah yang dapat memengaruhi performa akademik, termauk nilai <em>Grade Point Average </em>(GPA). Penelitian ini bertujuan untuk mengklasifikasikan tingkat stress mahasiswa menggunakan algoritma klasifikasi <em>K-Nearest Neighbor </em>(KNN). Dataset yang digunakan terdiri dari 2.000 data mahasiswa, yang diambil dari platform Kaggle, mencakup variabel-variabel seperti jam belajar perhari, jam ektrakulikuler perhari, jam tidur perhari, jam aktivitas sosial perhari, jam aktifitas fisik perhari, nilai <em>Grade Point Average </em>(GPA) dan hasil kuesioner tingkat stress. Data diolah melalui proses praproses, termasuk normalisasi dan pembagian data menjadi <em>training </em>dan <em>testing </em>dengan rasio 80:20. Model KNN dikembangkan untuk mengklasifikasikan tingkat stress ke dalam kategori rendah, sedang, dan tinggi. Hasil pengujian menggunakan model KNN dengan nilai k = 3, dengan tujuan mengetahui tingkat akurasi yang lebih baik dari algoritma <em>K-Nearest Neighbor</em>. Setelah dilakukan pengujian didapatkan hasil yang dari algoritma <em>K-Nearest Neighbor </em>dengan menggunakan nilai k = 3, yaitu dengan tingkat akuarasi mencapai 93%, dengan metrik evaluasi berupa <em>precision</em>, <em>recall</em>, dan <em>F1-score </em>yang juga menunjukkan performa yang baik. Penelitian ini dapat di simpulkan bahwa algoritma <em>K-Nearest Neighbor </em>efektif untuk digunakan dalam klasifikasi tingkat stress mahasiswa. Hasil ini dapat menjadi dasar untuk pengembangan sistem deteksi dini tingkat stres yang dapat diintegrasikan ke dalam platform pendidikan.</p>2025-01-09T00:00:00+00:00Copyright (c) 2025 https://jurnalmahasiswa.com/index.php/jriin/article/view/2316Evaluasi Model Naive Bayes Untuk Klasifikasi Data Pasien Dalam Prediksi Penyakit2025-01-13T07:55:43+00:00Lalu Akbar Prayudilaluakbar256@gmail.comJoseph Marsianolaluakbar256@gmail.comPanri Budiman Nadapdaplaluakbar256@gmail.comKristina Nicelaluakbar256@gmail.comAbdul Syukurlaluakbar256@gmail.comMaulana Fansyuridosen02359@unpam.ac.id<p><em>Naive Bayes</em> merupakan salah satu algoritma klasifikasi berbasis probabilistik yang sering digunakan dalam analisis data kesehatan, khususnya untuk memprediksi penyakit berdasarkan data pasien. Penelitian ini bertujuan mengevaluasi performa model <em>Naive Bayes</em> dalam <em>klasifikasi</em> data pasien untuk <em>prediksi penyakit</em> tertentu. Model ini diimplementasikan pada dataset pasien yang mencakup berbagai fitur, seperti gejala, riwayat kesehatan, dan demografi. Evaluasi dilakukan dengan menggunakan metrik performa seperti <em>akurasi</em>, presisi, recall. Hasil analisis menunjukkan bahwa <em>Naive Bayes</em> memiliki keunggulan dalam menangani dataset berukuran kecil hingga menengah dengan fitur-fitur independen, namun kinerjanya dapat menurun jika asumsi independensi antar fitur tidak terpenuhi. Studi ini memberikan wawasan mengenai keandalan <em>Naive Bayes</em> dalam membantu pengambilan keputusan klinis, serta membahas tantangan dan peluang untuk meningkatkan <em>akurasi</em> model melalui teknik pra-pemrosesan data dan pemilihan fitur yang tepat.</p>2025-01-10T00:00:00+00:00Copyright (c) 2025 https://jurnalmahasiswa.com/index.php/jriin/article/view/2317Penerapan K-Nearest Neighbor Untuk Memprediksi Penjualan Produk Parfum Baru 2025-01-13T08:39:37+00:00Devi Yunitadosen00846@unpam.ac.idKahfi Ahmad Arpiandikahfiahmadarpiandi@gmail.comMuhamad Bilalmuhamadbilal165@gmail.comRama Ghazi Ginastioghaziginastio@gmail.comRivaldo Geovany Tangkinrivaldogeovany@gmail.com<p>Penjualan produk parfum baru sering kali menjadi tantangan dalam dunia ritel, terutama karena banyaknya faktor yang dapat memengaruhi keberhasilan produk di pasar, seperti harga, preferensi pelanggan, dan jumlah pembeli. Penelitian ini bertujuan untuk memprediksi penjualan produk parfum baru dengan menerapkan algoritma k-<em>Nearest Neighbor </em>(k-NN), yang merupakan salah satu metode pembelajaran mesin berbasis <em>instance</em>. Algoritma ini bekerja dengan mengklasifikasikan data baru berdasarkan jarak dari data sebelumnya yang sudah terklasifikasi. Dalam penelitian ini, dataset penjualan parfum yang mencakup atribut harga, jumlah pembeli, dan status penjualan digunakan untuk melatih model. Implementasi algoritma dilakukan dengan menggunakan berbagai nilai k, yaitu k=2, k=3, dan k=4, untuk menentukan jumlah tetangga terdekat yang digunakan dalam proses prediksi. Hasil penelitian menunjukkan bahwa k-NN mampu memberikan prediksi yang akurat terhadap status penjualan produk parfum baru, dengan hasil terbaik diperoleh pada nilai k=3, di mana prediksi status penjualan "Laris" berhasil dihasilkan untuk produk baru yang diuji. Evaluasi kinerja algoritma juga menunjukkan bahwa pemilihan tetangga terdekat berdasarkan jarak Euclidean dan normalisasi data memainkan peran penting dalam meningkatkan akurasi prediksi. Dengan demikian, metode k-NN dapat menjadi solusi yang efektif bagi perusahaan dalam menganalisis data penjualan dan membantu pengambilan keputusan strategis terkait peluncuran produk parfum baru.</p>2025-01-10T00:00:00+00:00Copyright (c) 2025 https://jurnalmahasiswa.com/index.php/jriin/article/view/2331Analisis Pola Transportasi Publik Menggunakan K- Means Clustering2025-01-18T04:22:27+00:00Danu Saputradosen00846@unpam.ac.idYusuf Arif Rahmandosen00846@unpam.ac.idDwi Yansen Yesayadosen00846@unpam.ac.idDevi Yunitadosen00846@unpam.ac.id<p>Penelitian ini bertujuan untuk menganalisis pola penggunaan transportasi publik berbasis layanan Uber di New York City menggunakan algoritma K-Means Clustering. Dataset yang digunakan mencakup data pickup yang mencatat lokasi (latitude dan longitude) serta waktu. Proses analisis dilakukan menggunakan RapidMiner dengan langkah-langkah meliputi praproses data, normalisasi, pengelompokan klaster, dan evaluasi model. Hasil menunjukkan bahwa algoritma K-Means mampu mengidentifikasi lima wilayah pickup utama dengan nilai Silhouette Coefficient sebesar 0,65, menunjukkan klaster yang cukup terpisah.</p>2025-01-10T00:00:00+00:00Copyright (c) 2025