Claim Missing Document
Check
Articles

Sistem Pendukung Keputusan Pemilihan Platform Digital untuk Meningkatkan Brand Awareness Produk UMKM Menggunakan Metode TOPSIS Enok Tuti Alawiah; Sunarti Sunarti; Omar Pahlevi
JOINS (Journal of Information System) Vol 11 No 1 (2026): Edisi (Desember 2025 - Mei 2026)
Publisher : Fakultas Ilmu Komputer, Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/joins.v11i1.15787

Abstract

The development of digital technology has encouraged Micro, Small, and Medium Enterprises (MSMEs) to utilize digital platforms as a marketing tool to increase product brand awareness. However, the large number of digital platform options makes it difficult for MSMEs to determine the most effective platform. This study aims to develop a Decision Support System (DSS) in selecting digital platforms to increase MSME product brand awareness using the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) method. This study uses a quantitative approach by collecting data through questionnaires from MSMEs in Bogor Regency. The criteria used include customer reach, engagement level, promotion costs, ease of use, ease of features, and payment methods. The TOPSIS calculation results show that TikTok obtained the highest preference value of 0.657, followed by Shopee Marketplace at 0.574, Instagram at 0.473, Tokopedia at 0.441, and Facebook Pro at 0.392. These findings indicate that TikTok is the most recommended digital platform in increasing MSME brand awareness because it has a wide reach and high level of interaction. Thus, the implementation of TOPSIS-based DSS has been proven to be able to provide objective and systematic digital platform recommendations, thereby helping MSMEs formulate more effective and data-driven digital marketing strategies.
ANALISA PERFORMA ARSITEKTUR MOBILENETV1 DAN RESNET MENGGUNAKAN META-LEARNING DALAM MENDETEKSI OBJEK HEWAN KUCING Faiz Octa Reynaldi; Omar Pahlevi; Indah Suryani
Indonesian Journal of Business Intelligence (IJUBI) Vol 4 No 1 (2021): Indonesian Journal of Business Intelligence (IJUBI)
Publisher : Universitas Alma Ata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21927/ijubi.v4i1.1686

Abstract

Object Detection memiliki beberapa kendala saat proses training seperti banyaknya data yang harus dilatih, menggunakan waktu cukup lama untuk dilatih dan lain-lain. Pada penelitian ini, peneliti melakukan komparasi akurasi dan average loss training arsitektur SSD MobileNetV1 dan SSD ResNet menggunakan Pre-Trained model dengan metode Few-Shot Learning menggunakan Hold-Out Cross Validation untuk mendeteksi Objek Hewan Kucing Hitam dan Objek Hewan Kucing Putih dengan pengambilan data secara rill dari metode observasi Jakarta Vet Shop dan hanya membutuhkan sedikit data untuk dilakukannya proses training. Penelitian ini dilakukan dengan cara menggunakan Cloud Computing seperti Google Colab sebagai media untuk membandingkan akurasi arsitektur SSD MobileNetV1 dan SSD ResNet. Hasil analisa dalam penelitian ini adalah SSD ResNet memiliki akurasi yang tinggi dengan nilai rata-rata 100% pada kucing hitam dan nilai rata-rata 97.9% pada kucing putih sementara untuk SSD MobileNetV1 memiliki nilai rata-rata 99.66666667% pada kucing hitam dan 78.733% pada kucing putih. Kemudian SD MobileNetV1 memiliki Train Loss lebih besar dengan nilai rata-rata 0.003923 pada Kucing Hitam dan nilai rata-rata 0.0059 Kucing Putih jika dibandingkan dengan SSD ResNet dengan nilai rata-rata 0.030263 pada Kucing Hitam dan nilai rata-rata 0.00413 pada Kucing Putih.