cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Wagino
Contact Email
ginouniska@gmail.com
Phone
-
Journal Mail Official
ginouniska@gmail.com
Editorial Address
-
Location
Kota banjarmasin,
Kalimantan selatan
INDONESIA
Technologia: Jurnal Ilmiah
Published by Universitas Islam Kalimantan Muhammad Arsyad Al Banjari
ISSN : 20866917     EISSN : 26568047     DOI : -
Core Subject : Science,
Computer Science & IT
Technologia: Jurnal Ilmiah adalah wadah informasi, hasil penelitian, dan tulisan terkait bidang Teknik Informatika dan Sistem Informasi yang dikelola oleh Fakultas Teknologi Informasi Universitas Islam Kalimantan Muhammad Arsyad Al Banjari. Frekuensi terbitan pada jurnal ini 4 kali dalam setahun yaitu pada bulan Januari, April, Juli, dan Oktober.
Arjuna Subject : -
Articles 946 Documents
 91   92   93   94   95 
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

Abstract

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

Abstract

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
ANALISIS PEMILIHAN MARKETPLACE TERBAIK DI INDONESIA MENGGUNAKAN METODE AHP-TOPSIS (STUDI KASUS: SHOPEE, TOKOPEDIA, LAZADA) M. Muflih
Technologia : Jurnal Ilmiah Vol 14 No 2 (2023): 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/jit.v14i2.25183

Abstract

Sejak awal 2023, peta persaingan e-commerce di Indonesia semakin mengerucut ke tiga pemain utama, yaitu Shopee, Tokopedia, dan Lazada, terlebih setelah JD.ID mengumumkan penghentian operasional secara permanen pada akhir Maret 2023. Kondisi ini menuntut adanya kerangka evaluasi yang objektif dan dapat direproduksi untuk membantu konsumen maupun pelaku UMKM menentukan marketplace yang paling unggul. Penelitian terdahulu yang mengintegrasikan Analytical Hierarchy Process (AHP) dan Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) untuk pemilihan marketplace di Indonesia telah ada, namun seluruhnya menggunakan kriteria persepsional yang dinilai melalui survei primer berskala kecil sehingga sulit direproduksi dan rentan bias sampel. Penelitian ini bertujuan menyusun kerangka hybrid AHP-TOPSIS yang menggunakan data sekunder dari lembaga riset pihak ketiga yang telah dipublikasikan secara independen, yaitu rata-rata kunjungan situs bulanan, keterlibatan (engagement) media sosial, pangsa nilai transaksi, dan tingkat penggunaan paling sering atau Brand Use Most Often (BUMO), sebagai pengganti survei persepsional peneliti. AHP digunakan untuk menghitung bobot tiap kriteria melalui matriks perbandingan berpasangan, sedangkan TOPSIS digunakan untuk merangking Shopee, Tokopedia, dan Lazada berdasarkan kedekatan terhadap solusi ideal. Hasil pengujian konsistensi menunjukkan rasio konsistensi sebesar 0,018 sehingga bobot kriteria dinyatakan konsisten, dengan kriteria BUMO memperoleh bobot tertinggi (50,2%), diikuti pangsa nilai transaksi (28,4%), kunjungan situs (15,0%), dan engagement media sosial (6,3%). Hasil akhir TOPSIS menempatkan Shopee sebagai marketplace dengan nilai preferensi tertinggi (0,932), diikuti Tokopedia (0,487) dan Lazada (0,000). Penelitian ini memberikan kerangka evaluasi marketplace yang transparan dan dapat ditelusuri sumber datanya, sekaligus menjadi rujukan bagi konsumen maupun pelaku UMKM dalam menentukan kanal penjualan daring pada struktur pasar e-commerce Indonesia yang terkini.
SELF-ADAPTIVE DIFFERENTIAL EVOLUTION UNTUK OPTIMASI ENSEMBLE LEARNING DALAM MENDUKUNG PREDIKSI KETERLAMBATAN PENGIRIMAN PADA MANAJEMEN LOGISTIK E-COMMERCE M. Muflih
Technologia : Jurnal Ilmiah Vol 14 No 3 (2023): 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/jit.v14i3.25185

Abstract

Keterlambatan pengiriman merupakan salah satu tantangan utama dalam manajemen logistik e-commerce yang berdampak langsung terhadap kepuasan pelanggan dan efisiensi operasional. Penelitian ini mengusulkan pendekatan optimasi ensemble learning berbasis Self-Adaptive Differential Evolution (SaDE) untuk memprediksi keterlambatan pengiriman pada data transaksi e-commerce. Model ensemble heterogen yang terdiri dari Random Forest, XGBoost, dan LightGBM dioptimasi secara simultan pada dua komponen, yaitu bobot kontribusi masing-masing base-learner dan ambang keputusan klasifikasi, menggunakan mekanisme Self-Adaptive Differential Evolution yang menyesuaikan parameter scaling factor (F) dan crossover rate (CR) secara otomatis berdasarkan riwayat keberhasilan mutasi pada setiap generasi. Fungsi fitness dirancang menggunakan kombinasi Balanced Accuracy dan Matthews Correlation Coefficient (MCC) untuk menghindari bias terhadap kelas mayoritas, sebagai perbaikan atas pendekatan berbasis recall murni yang rentan menghasilkan solusi degenerate pada data tidak seimbang. Eksperimen dilakukan melalui lima skenario ablasi untuk mengukur kontribusi masing-masing komponen optimasi secara terpisah maupun gabungan, dilengkapi analisis feature importance, confusion matrix, dan kurva precision-recall. Hasil penelitian menunjukkan bahwa skenario optimasi gabungan (bobot dan ambang keputusan) menghasilkan performa terbaik dengan MCC sebesar 0,499, meningkat 31,5% dibandingkan baseline sebesar 0,379. Namun demikian, perbandingan antara SaDE dan Differential Evolution standar menunjukkan hasil yang identik pada ruang pencarian berdimensi rendah yang digunakan, mengindikasikan bahwa mekanisme adaptasi parameter belum memberikan keunggulan konvergensi yang signifikan pada permasalahan optimasi ini. Temuan ini memberikan kontribusi metodologis dalam perancangan fungsi fitness yang tahan terhadap ketidakseimbangan kelas serta menjadi dasar pengembangan ruang pencarian yang lebih kompleks pada penelitian selanjutnya.
STACKING ENSEMBLE LEARNING DAN EXPLAINABLE AI (SHAP) UNTUK PREDIKSI CUSTOMER CHURN DALAM MENDUKUNG STRATEGI RETENSI PELANGGAN E-COMMERCE M. Muflih
Technologia : Jurnal Ilmiah Vol 14 No 3 (2023): 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/jit.v14i3.25186

Abstract

Penelitian ini bertujuan memprediksi customer churn pada platform e-commerce menggunakan stacking ensemble learning yang diinterpretasikan dengan pendekatan explainable AI (SHAP). Metode penelitian menggunakan dataset publik perilaku pelanggan e-commerce sebanyak 5.630 pelanggan dengan tingkat churn 16,8%, yang diproses melalui imputasi nilai hilang, encoding fitur kategorikal, dan penanganan ketidakseimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model dasar LightGBM, XGBoost, dan CatBoost digabungkan melalui stacking ensemble dengan meta-learner regresi logistik, kemudian dibandingkan dengan performa masing-masing model dasar. Hasil pengujian menunjukkan model stacking mencapai akurasi 98,76%, precision 94,44%, recall 98,42%, F1-score 96,39%, dan AUC 0,9986, unggul pada recall dan AUC dibandingkan seluruh model dasar, meskipun XGBoost tunggal memiliki F1-score sedikit lebih tinggi (96,55%). Analisis SHAP mengidentifikasi Tenure, Complain, CashbackAmount, NumberOfAddress, dan CityTier sebagai fitur paling berpengaruh terhadap prediksi churn. Kesimpulannya, kombinasi stacking ensemble dan SHAP mampu menghasilkan model prediksi churn yang akurat sekaligus dapat diinterpretasikan untuk mendukung strategi retensi pelanggan e-commerce.
KOMPARASI ALGORITMA MACHINE LEARNING DAN CONVOLUTIONAL NEURAL NETWORK (CNN) DALAM KLASIFIKASI JENIS SAMPAH UNTUK MENDUKUNG DAUR ULANG M. Muflih
Technologia : Jurnal Ilmiah Vol 14 No 2 (2023): 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/jit.v14i2.25187

Abstract

Pengelolaan sampah yang belum optimal menjadi tantangan lingkungan yang mendesak, terutama pada tahap pemilahan jenis sampah untuk mendukung proses daur ulang. Penelitian ini membandingkan kinerja algoritma Machine Learning (ML) dan Convolutional Neural Network (CNN) dalam mengklasifikasikan jenis sampah berdasarkan citra. Dengan menggunakan pendekatan kuantitatif komparatif, penelitian ini mengimplementasikan Random Forest, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Convolutional Neural Network (CNN) pada dataset citra sampah TrashNet yang terdiri dari enam kategori, yaitu kardus, kaca, logam, kertas, plastik, dan sampah umum. Metode penelitian melibatkan pra-pemrosesan citra seperti augmentasi data, ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG) untuk algoritma ML konvensional, serta validasi model menggunakan stratified k-fold cross-validation. Kinerja model dievaluasi berdasarkan akurasi, presisi, recall, F1-score, dan AUC. Hasil menunjukkan bahwa CNN mencapai akurasi tertinggi (0.932), diikuti oleh SVM (0.861), Random Forest (0.842), dan KNN (0.798). Meskipun demikian, SVM menunjukkan nilai AUC tertinggi (0.981), sedikit mengungguli CNN (0.978). Hal ini mengindikasikan bahwa CNN unggul dalam ekstraksi fitur visual secara otomatis, sementara SVM tetap kompetitif untuk klasifikasi citra sampah dengan sumber daya komputasi yang lebih terbatas. Temuan ini menawarkan dasar teknis yang menjanjikan bagi pengembangan sistem penyortiran sampah otomatis untuk mendukung daur ulang yang lebih efisien.

Page 95 of 95 | Total Record : 946

 91   92   93   94   95 

Filter by Year

2016 2026


Reset
Filter By Issues
All Issue Vol 17 No 3 (2026): Technologia (Juli) Vol 17 No 2 (2026): Technologia (April) Vol 17, No 2 (2026): Technologia (April) Vol 17, No 1 (2026): Technologia (Januari) Vol 17 No 1 (2026): Technologia (Januari) Vol 16 No 4 (2025): Technologia (Oktober) Vol 16 No 3 (2025): Technologia (Juli) Vol 16 No 2 (2025): Technologia (April) Vol 16, No 2 (2025): Technologia (April) Vol 16 No 1 (2025): Technologia (Januari) Vol 16, No 1 (2025): TECHNOLOGIA (JANUARI) Vol 15, No 4 (2024): Technologia (Oktober) Vol 15 No 4 (2024): Technologia (Oktober) Vol 15 No 3 (2024): Technologia (Juli) Vol 15, No 3 (2024): Technologia (Juli) Vol 15, No 2 (2024): Technologia (April) Vol 15 No 2 (2024): Technologia (April) Vol 15, No 1 (2024): Technologia (Januari) Vol 15 No 1 (2024): Technologia (Januari) Vol 14 No 4 (2023): Technologia (Oktober) Vol 14, No 4 (2023): Technologia (Oktober) Vol 14, No 3 (2023): Technologia (Juli) Vol 14 No 3 (2023): Technologia (Juli) Vol 14, No 2 (2023): Technologia (April) Vol 14 No 2 (2023): Technologia (April) Vol 14, No 1 (2023): Technologia (Januari) Vol 13, No 4 (2022): Technologia (Oktober) Vol 13, No 3 (2022): Technologia (Juli) Vol 13, No 2 (2022): Technologia (April) Vol 13 No 2 (2022): Technologia (April) Vol 13, No 1 (2022): Technologia (Januari) Vol 12, No 4 (2021): Technologia (Oktober) Vol 12, No 3 (2021): Technologia (Juli) Vol 12, No 2 (2021): Technologia (April) Vol 12, No 1 (2021): Technologia (Januari) Vol 11, No 4 (2020): Technologia (Oktober) Vol 11 No 3 (2020): Technologia (Juli) Vol 11, No 3 (2020): Technologia (Juli) Vol 11, No 2 (2020): Technologia (April) Vol 11, No 1 (2020): Technologia (Januari) Vol 10, No 4 (2019): TECHNOLOGIA (OKTOBER) Vol 10, No 4 (2019): TECHNOLOGIA(OKTOBER) Vol 10, No 3 (2019): TECHNOLOGIA (JULI) Vol 10, No 2 (2019): TECHNOLOGIA (APRIL) Vol 10, No 1 (2019): TECHNOLOGIA (JANUARI) Vol 9, No 4 (2018): TECHNOLOGIA Vol 9, No 3 (2018): TECHNOLOGIA Vol 9, No 2 (2018): TECHNOLOGIA Vol 9, No 1 (2018): TECHNOLOGIA Vol 8, No 4 (2017): TECHNOLOGIA Vol 8, No 3 (2017): TECHNOLOGIA Vol 8, No 2 (2017): TECHNOLOGIA Vol 8, No 1 (2017): TECHNOLOGIA Vol 7, No 4 (2016): TECHNOLOGIA Vol 7, No 3 (2016): TECHNOLOGIA Vol 7, No 2 (2016): TECHNOLOGIA Vol 7, No 1 (2016): TECHNOLOGIA More Issue