Implementasi Algoritma K-Means Untuk Clustering Data Inventori

amelia rahmadani, Nursyahira Nursyahira — Sun, 23 Mar 2025 00:00:00 +0000

Manajemen persedian perangkat teknoogi pada sebuah bagian fungsi Shared Service Center Information Communication Technology (SSC ITC) menjadi kunci dalam memastikan ketersediaan barang guna mendukung sistem informasi dan komunikasi perusahaan. Ketidakseimbangan antara stok dan permintaan yang dinamis menjadi tantangan utama dalam manajemen inventori perangkat teknologi. Oleh karena itu, Shared Service Center Information Communication Technology (SSC ICT) berperan penting dalam memastikan ketersediaan barang guna mendukung sistem informasi dan komunikasi perusahaan. Sehingga pengelompokan data perlu dilakukan untuk memahami pola dan hubungin antar data dalam inventori. Penelitian ini bertujuan untuk menerapkan algoritma K-Means dalam mengelompokkan data inventori berdasarkan stok dan durasi penyimpanan perangkat. Hasil analisis menunjukkan bahwa berdasarkan uji coba terhadap cluster 2, 3, 4, 5, 6, 7, 8, 9, dan 10, pemilihan K=6 didasarkan pada hasil nilai Davies-Bouldin Index (DBI) terkecil dibandingkan dengan nilai DBI pada K lainnya, yaitu sebesar 0,693, yang mengindikasikan kualitas klaster yang optimal. Dengan demikian, metode ini dapat membantu dalam mengoptimalkan strategi pengelolaan inventori.

Analisis Sentimen pada Ulasan Aplikasi iPusnas di Google Play Store Menggunakan Naive Bayes Classifier

Hamzah Naufal Zuhdi, Budi Prasetiyo — Sun, 23 Mar 2025 00:00:00 +0000

Perkembangan teknologi informasi telah membawa perubahan signifikan dalam akses dan literasi informasi, terutama melalui perpustakaan digital. Di Indonesia, iPusnas, aplikasi perpustakaan digital yang dikelola oleh Perpustakaan Nasional Republik Indonesia, menjadi salah satu platform populer yang menawarkan akses gratis ke berbagai buku digital. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna iPusnas di Google Play Store menggunakan algoritma Naive Bayes. Penelitian ini menggunakan 700 ulasan pengguna yang dikumpulkan, diproses, dan diberi label sentimen berdasarkan rating ulasan. Setelah melalui tahap pre-processing, termasuk case folding, tokenization, dan stemming, data dibagi menjadi set data latih dan uji dengan rasio 80:20. Hasil analisis menunjukkan bahwa 75,1% ulasan bersentimen positif, mengindikasikan tingkat kepuasan pengguna yang tinggi. Algoritma Naive Bayes menunjukkan akurasi 58%, dengan nilai precision 69%, recall 81%, dan f1-score 75%. Temuan ini konsisten dengan penelitian sebelumnya yang juga menunjukkan kualitas layanan dan kepuasan pengguna yang tinggi terhadap iPusnas. Hasil penelitian ini dapat digunakan oleh pengembang iPusnas untuk meningkatkan kualitas layanan berdasarkan umpan balik pengguna. Penggunaan analisis sentimen yang lebih canggih dan integrasi teknologi lainnya dapat lebih meningkatkan evaluasi sentimen dan kualitas layanan di masa depan

Indonesian Journal of Informatic Research and Software Engineering (IJIRSE)

Implementasi Algoritma K-Means Untuk Clustering Data Inventori

Analisis Sentimen pada Ulasan Aplikasi iPusnas di Google Play Store Menggunakan Naive Bayes Classifier