Garuda - Garba Rujukan Digital

ANALISIS E-COMMERCE BERBASIS IOT DAN EDGE COMPUTING UNTUK SMART RETAIL DENGAN INVENTORY MANAGEMENT OTOMATIS M Muflih; Herry Adi Chandra
Technologia : Jurnal Ilmiah Vol 14 No 4 (2023): Technologia (Oktober)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v14i4.21229

Perkembangan teknologi Internet of Things (IoT) dan Edge Computing telah membuka peluang baru dalam transformasi digital sektor retail, khususnya dalam pengelolaan inventori dan sistem e-commerce. Penelitian ini bertujuan mengembangkan sistem e-commerce terintegrasi yang memanfaatkan teknologi IoT dan Edge Computing untuk menciptakan smart retail dengan inventory management otomatis. Sistem ini dirancang untuk mengatasi permasalahan klasik dalam manajemen stok seperti kekosongan barang, overstocking, dan keterlambatan update data inventori secara real-time. Metodologi pengembangan menggunakan metode Agile dengan pendekatan iteratif yang terbagi dalam sprint dua minggu, mencakup fase perencanaan, analisis kebutuhan, desain arsitektur IoT, implementasi sensor dan edge devices, integrasi sistem e-commerce, serta pengujian berkelanjutan. Arsitektur sistem terdiri dari layer sensing menggunakan RFID dan sensor berat untuk monitoring stok, layer edge computing untuk pemrosesan data lokal dan pengambilan keputusan cepat, serta layer cloud untuk analitik dan integrasi e-commerce. Hasil implementasi menunjukkan sistem mampu melakukan monitoring inventori real-time dengan akurasi 96%, mengurangi waktu pembaruan stok hingga 85% dibandingkan metode manual, dan meningkatkan efisiensi operasional sebesar 78%. Sistem juga berhasil mengimplementasikan fitur automated reordering dengan tingkat keberhasilan prediksi kebutuhan stok mencapai 92%. Integrasi Edge Computing terbukti mengurangi latensi pemrosesan data hingga 65% dan menghemat bandwidth cloud hingga 70% melalui pemrosesan data lokal. Pengujian usability dengan 100 responden retailer menunjukkan tingkat kepuasan 94% terhadap kemudahan penggunaan dan efektivitas sistem dalam meningkatkan produktivitas bisnis retail. Keywords: IoT, Edge Computing, E-Commerce

Klasifikasi Sentimen Produk Sepatu Berbasis AI untuk Ulasan Pendek dan Informal di Marketplace M Muflih; Sefto Pratama
Technologia : Jurnal Ilmiah Vol 15 No 1 (2024): Technologia (Januari)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v15i1.21230

Penelitian ini mengembangkan model klasifikasi sentimen berbasis Artificial Intelligence (AI) untuk menganalisis ulasan pendek dan informal produk sepatu di marketplace. Tujuan utama adalah mengidentifikasi algoritma terbaik guna mengkategorikan ulasan ke dalam sentimen positif, negatif, dan netral secara otomatis. Berdasarkan evaluasi kinerja tiga algoritma—Naive Bayes, Regresi Logistik, dan Support Vector Machine (SVM)—pada dataset uji, diperoleh hasil yang menunjukkan performa yang sangat berbeda. Naive Bayes dan Regresi Logistik mencatat akurasi yang identik sebesar 86%, namun keduanya mengalami kelemahan signifikan dalam mendeteksi ulasan positif, yang ditunjukkan oleh recall yang hanya sebesar 0.42. Di sisi lain, model SVM berhasil mencatat performa yang jauh lebih unggul dan hampir sempurna dengan akurasi 99%, didukung oleh nilai precision, recall, dan f1-score yang konsisten dan tinggi di semua kelas sentimen (makro avg F1-score: 0.98). Temuan ini menyimpulkan bahwa SVM merupakan pendekatan yang sangat efektif dan robust untuk menangani karakteristik linguistik yang unik dari ulasan pendek dan informal, sehingga dapat diimplementasikan sebagai solusi otomatis yang andal bagi pelaku bisnis untuk memantau reputasi produk dan memahami opini konsumen secara real-time.. Kata Kunci: Klasifikasi Sentimen, Ulasan Pendek, Informal, Marketplace

PREDIKSI PENJUALAN MENGGUNAKAN METODE HYBRID ENSEMBLE LEARNING M Muflih; Erfan Karyadiputra
Technologia : Jurnal Ilmiah Vol 15 No 2 (2024): Technologia (April)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v15i2.21231

Perkembangan analisis data konsumen mendorong penerapan teknik machine learning untuk memahami pola pembelian produk. Penelitian ini menerapkan pendekatan Hybrid Ensemble Learning berbasis stacking dengan metode kuantitatif eksperimental pada Bike Buyers Dataset dari Kaggle yang berisi 1000 data pelanggan dengan 13 variabel demografis dan perilaku. Tahapan penelitian mencakup eksplorasi dan praproses data melalui imputasi median, One-Hot Encoding, dan penyeimbangan kelas menggunakan SMOTE untuk mengatasi ketidakseimbangan data. Empat algoritma utama, yaitu Random Forest, XGBoost, LightGBM, dan CatBoost, digabungkan menggunakan Logistic Regression sebagai meta-model dalam kerangka stacking ensemble. Validasi dilakukan dengan Repeated Stratified K-Fold untuk menjamin kestabilan hasil. Model hybrid terbukti memberikan hasil prediksi yang lebih akurat dan seimbang dibanding model tunggal, serta memiliki potensi diterapkan dalam pengembangan sistem pendukung keputusan berbasis data perilaku konsumen. Keywords: Hybrid Ensemble, Stacking, Machine Learning, Bike Buyers, Prediksi Penjualan.

Pengaruh Kualitas Sistem dan Kualitas Informasi Terhadap Kepuasan Pengguna TikTok Shop: Peran Trust Sebagai Variabel Moderating M Muflih; Muhammad Saidi Rahman
Technologia : Jurnal Ilmiah Vol 15 No 3 (2024): Technologia (Juli)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v15i3.21235

Penelitian ini bertujuan untuk menganalisis pengaruh kualitas sistem dan kualitas informasi terhadap kepuasan pengguna TikTok Shop dengan kepercayaan sebagai variabel pemoderasi. Menggunakan pendekatan kuantitatif, data dikumpulkan melalui kuesioner online terhadap 150 pengguna aktif TikTok Shop di Indonesia yang dipilih menggunakan teknik purposive sampling. Analisis data menggunakan regresi hierarki dengan IBM SPSS Statistics. Hasil penelitian menunjukkan bahwa baik kualitas sistem (β = -0,061, p = 0,461) maupun kualitas informasi (β = 0,006, p = 0,944) tidak berpengaruh signifikan terhadap kepuasan pengguna. Demikian pula, kepercayaan tidak terbukti memoderasi hubungan antara kualitas sistem (β = -0,120, p = 0,198) dan kualitas informasi (β = 0,125, p = 0,105) dengan kepuasan pengguna. Temuan ini mengungkapkan bahwa model kesuksesan sistem informasi konvensional tidak sepenuhnya relevan dalam konteks TikTok Shop, yang mengindikasikan bahwa determinan kepuasan pengguna dalam platform social commerce berbasis konten mungkin lebih dipengaruhi oleh faktor-faktor intrinsik seperti aspek hiburan, viralitas konten, dan pengalaman komunitas. Penelitian ini memberikan kontribusi teoretis dalam mengidentifikasi batasan penerapan model tradisional pada platform social commerce dan implikasi praktis bagi pengelola TikTok Shop dalam menyusun strategi engagement yang sesuai dengan karakteristik platform.Keywords: Kualitas Sistem, Kualitas Informasi, Kepercayaan, Kepuasan Pengguna, TikTok Shop, Social Commerce

PERBANDINGAN MODEL MACHINE LEARNING UNTUK DETEKSI PENIPUAN TRANSAKSI ONLINE MENGGUNAKAN LIGHTGBM, RANDOM FOREST, DAN LOGISTIC REGRESSION M Muflih; Agus Alim Muin
Technologia : Jurnal Ilmiah Vol 15 No 4 (2024): Technologia (Oktober)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v15i4.21282

Penipuan transaksi online merupakan salah satu tantangan utama dalam sistem keuangan digital modern. Penelitian ini membandingkan tiga algoritma machine learning, yaitu LightGBM, Random Forest, dan Logistic Regression, untuk mendeteksi potensi transaksi penipuan menggunakan IEEE-CIS Fraud Detection Dataset. Tahapan penelitian mencakup eksplorasi data, rekayasa fitur, pembagian data latih-uji, pelatihan model, serta evaluasi menggunakan metrik AUC, Precision, Recall, dan F1-Score. Hasil eksperimen menunjukkan bahwa LightGBM memperoleh nilai AUC tertinggi sebesar 0.847, menandakan kemampuan diskriminatif terbaik dalam membedakan transaksi penipuan dan sah. Random Forest mencapai Precision tertinggi (0.188) dan F1-Score (0.270), menunjukkan keseimbangan lebih baik antara presisi dan sensitivitas. Logistic Regression memiliki performa terendah namun menawarkan interpretabilitas tinggi. Penelitian ini menegaskan pentingnya pemilihan algoritma berdasarkan kebutuhan sistem, antara performa tinggi dan kemudahan interpretasi dalam konteks deteksi penipuan transaksi online.Kata Kunci: Deteksi Penipuan, Machine Learning, LightGBM, Random Forest, Logistic Regression

Title

Found 5 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 5 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 5 Documents
Search