Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Febrian Maulana
Universitas Duta Bangsa Surakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Menggunakan Association Rule dengan Algoritma Apriori pada Data Transaksi Retail Andri Khoirul Manaf; Febrian Maulana; Nabilah Junita Eka Putri; Vhereyga Putra Pradana
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan bisnis retail menghasilkan data transaksi dalam jumlah besar yang dapat dimanfaatkan untuk memperoleh informasi mengenai pola pembelian pelanggan. Namun, data tersebut sering kali belum dimanfaatkan secara optimal sebagai dasar pengambilan keputusan. Penelitian ini bertujuan menerapkan metode Association Rule menggunakan algoritma Apriori untuk menemukan hubungan antarproduk yang sering dibeli secara bersamaan serta mengembangkan aplikasi berbasis Streamlit sebagai media analisis. Dataset yang digunakan merupakan data transaksi retail yang terdiri atas 38.765 baris data dan setelah proses preprocessing diperoleh 3.898 transaksi valid dengan 167 jenis produk. Proses analisis menggunakan parameter minimum support sebesar 8%, minimum confidence sebesar 50%, minimum lift sebesar 1, dan maximum rule length sebanyak 3 item. Hasil penelitian menunjukkan bahwa sistem berhasil menghasilkan 65 frequent itemset dan 11 association rule yang memenuhi seluruh parameter. Aturan terbaik diperoleh pada kombinasi other vegetables dan rolls/buns menuju whole milk dengan nilai support sebesar 8,21%, confidence sebesar 55,94%, dan lift sebesar 1,221. Nilai tersebut menunjukkan adanya hubungan asosiasi positif sehingga informasi yang diperoleh dapat dimanfaatkan untuk strategi product bundling, cross-selling, penataan tata letak produk, serta pengelolaan persediaan barang. Aplikasi yang dikembangkan juga mampu menampilkan hasil analisis, visualisasi network graph, rekomendasi produk, dan fasilitas ekspor laporan sehingga dapat membantu pengambilan keputusan bisnis berbasis data.
Perancangan Sistem Rekomendasi Pemilihan Model Valen Purwaixna Saputra; Bayu Susilo Aji Nugroho; Adi Tegar Setiawan; Atik Setyaningsih; Febrian Maulana
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi Artificial Intelligence (AI) yang semakin pesat menghadirkan berbagai model AI dengan karakteristik dan kemampuan yang berbeda-beda sehingga pengguna sering mengalami kesulitan dalam menentukan model yang paling sesuai dengan kebutuhannya. Penelitian ini bertujuan untuk merancang sistem rekomendasi pemilihan platform Artificial Intelligence menggunakan metode Content-Based Filtering (CBF) berdasarkan kemiripan karakteristik setiap model AI. Dataset penelitian terdiri atas 40 model AI yang direpresentasikan menggunakan enam atribut, yaitu Context Window, Intelligence Index, Price, Speed (Token/s), Latency, dan End-to-End Response Time. Sebelum dilakukan proses perhitungan, seluruh atribut dinormalisasi menggunakan metode Min-Max Normalization untuk menyamakan rentang nilai data. Selanjutnya, tingkat kemiripan antar model dihitung menggunakan metode Cosine Similarity dan diurutkan berdasarkan nilai similarity tertinggi. Hasil penelitian menunjukkan bahwa model MiMo-V2-Omni-0327 memperoleh nilai similarity tertinggi sebesar 0,9945 terhadap model acuan MiMo-V2-Omni, diikuti oleh Step 3.7 Flash, MiniMax-M3, MiMo-V2.5-Pro, dan DeepSeek V4 Pro (High). Hasil tersebut menunjukkan bahwa metode Content-Based Filtering yang dipadukan dengan Cosine Similarity mampu menghasilkan rekomendasi model Artificial Intelligence berdasarkan kemiripan karakteristik setiap model sehingga dapat membantu pengguna dalam memilih platform AI yang sesuai dengan kebutuhannya.
Co-Authors Adi Tegar Setiawan Andri Khoirul Manaf Atik Setyaningsih Bayu Susilo Aji Nugroho Nabilah Junita Eka Putri Valen Purwaixna Saputra Vhereyga Putra Pradana