WPWindania Purba

Windania Purba

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Windania Purba has a total of 12 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    PENERAPAN DATA MINING MENGGUNAKAN METODE APRIORI UNTUK MENYUSUN POLA PERSEDIAAN INVENTARIS BARANG PADA BIRO SARANA DAN PRASARANA UNIVERSITAS PRIMA INDONESIA

    by Windania Purba

    Abstrak: Penerapan Data Mining Menggunakan Metode Apriori Untuk Menyusun Pola Persediaan Inventaris Barang Pada Biro Sarana Dan Prasarana Universitas Prima Indonesia. Tujuan penelitian adalah untuk mengurangi kesalahan, khususnya untuk laporan inventaris yang dipinjam dan yang dikembalikan. Dalam hal ini peneliti banyak memperoleh data-data dan informasi-informasi melalui studi pustaka yang berhubungan langsung dengan teoritis, dan melakukan observasi dengan mewawancarai langsung tentang bentuk sistem yang diharapkan. Untuk keberhasilan dalam kegiatan praktek belajar mengajar di laboratorium, maka peneliti menyarankan untuk membuat sistem informasi inventaris laboratorium laptop dengan tujuan untuk membantu mengatasi kesalahan dalam pendataan inventaris, pencarian data inventaris serta mengatasi kesulitan dalam pembuatan laporan. Dengan adanya sistem informasi inventaris ini, dapat merubah sistem kinerja pada petugas laboratorium. Perancangan sistem informasi inventaris ini menggunakan bahasa pemrograman Visual Basic 2010, dan perancangan database menggunakan SQL 2008.Kata Kunci: Sistem Informasi, Inventaris, Visual Basic 2010, SQL Server 2008


  • Open Access

    Diagnosing chicken diseases using fuzzy Tsukamoto web-based expert system

    by Delima Sitanggang, Anita Christine Sembiring, Saut Parsaoran Tamba, Windania Purba, Volvo Sihombing, Sonya Patricia, Irwan Budiman

    Chicken is one source of protein favored by the community. One of the benefits we can take on chicken is meat and eggs. But chicken disease becomes one of the problems that are very detrimental to chicken farmers. This was assessed because of the lack of knowledge of farmers in handling conditions that occur in chicken. Accurate information about handling chicken disease among farmers is still difficult to obtain. Therefore, it is necessary to design an expert system application in detecting diseases that are experienced by chickens based on the symptoms shown and how to handle them. The method used is fuzzy Tsukamoto as an inference engine to determine the disease based on its symptoms and use the PHP programming language in making applications and MySQL as its database. Based on the results of the diagnosis in the sample taken showed the results of the fuzzy Tsukamoto diagnosis were 97.97% (very good) with the type of disease: typhoid chicken based on the symptoms seen. The solution given is isolation of chickens that show symptoms and give disinfectant water, spray disinfectant, replace all water and feed, clean the entire cage, and destroy dead chickens.


  • Open Access

    IMPLEMENTASI DATA MINING UNTUK PENGELOMPOKKAN DAN PREDIKSI KARYAWAN YANG BERPOTENSI PHK DENGAN ALGORITMA K-MEANS CLUSTERING

    by Windania Purba, Willy Siawin

    Penelitian ini dilakukan untuk mempelajari Data Mining dengan menggunakan algoritma K-MeanClustering yang diimplementasikan dalam perusahaan PT. Berlian Transtar Abadi untuk mengelompokkan dan melakukan prediksi terhadap karyawan yang berpotensi PHK. Data dikumpulkan dengan cara wawancara dan observasi terhadap pihak yang bersangkutan, selanjutnya data dianalisa untuk menentukan karyawan yang berpotensi PHK. Dari eksperimen yang dilakukan dengan menggunakanalgoritma K-means serta menggunakan software Visual Basic V10 dapat memberikan hasil yang akurat.


  • Open Access

    SIMULASI SISTEM ANTRIAN PEMESANAN MAKANAN PADA RUMAH MAKAN DENGAN MENGGUNAKAN MODEL MULTI CHANNEL MULTI QUEUE

    by Windania Purba, Jimmy Rio Tinambunan, Intan Savira, Siti Aisyah

    Antrian adalah sekumpulan proses dan mekanisme di dalam suatu sistem yang berkaitan dengan urutan (prioritas) yang dilakukan oleh sistem. Pelaku-pelaku utama dalam sebuah situasi antriaan adalah pelanggan (customer) dan pelayan (server). Dalam model antrian, interaksi antara pelanggan dan pelayan adalah menarik hanya dalam hal kaitannya dengan periode waktu yang diperoleh pelanggan untuk menyelesaikan sebuah pelayanan. Proses antrian dapat diterapkan dengan menggunakan beberapa sistem, antara lain Multi Queue Multi Channel (MQMC). Sistem ini paling sering dijumpai dalam kehidupan sehari – hari. Proses antrian di kasir supermarket, loket karcis stasiun, tiket film, dan sebagainya merupakan beberapa contoh penerapan sistem MQMC. Di dalam sistem MQMC, terdapat beberapa channel yang melayani beberapa antrian pada waktu yang bersamaan. Sistem ini merupakan sistem yang memiliki efisiensi waktu antrian tertinggi dari beberapa sistem yang ada, sedangkan kelemahannya adalah sistem ini akan sangat memboros biaya untuk jumlah item yang relatif sedikit. Dengan melihat pertimbangan di atas peneliti tertarik untuk membuat penelitian tentang simulasi menggunakan MQMC, hasil yang didapatkan bahwa MQMC dapat digunakan untuk mengetahui efesiensi dari proses antrian yang selama ini terjadi di rumah makan.


  • Open Access

    The effect of mining data k-means clustering toward students profile model drop out potential

    by Windania Purba, Saut Tamba, Jepronel Saragih

    The high of student success and the low of student failure can reflect the quality of a college. One of the factors of fail students was drop out. To solve the problem, so mining data with K-means Clustering was applied. K-Means Clustering method would be implemented to clustering the drop out students potentially. Firstly the the result data would be clustering to get the information of all students condition. Based on the model taken was found that students who potentially drop out because of the unexciting students in learning, unsupported parents, diffident students and less of students behavior time. The result of process of K-Means Clustering could known that students who more potentially drop out were in Cluster 1 caused Credit Total System, Quality Total, and the lowest Grade Point Average (GPA) compared between cluster 2 and 3.