cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Arif Budiman
Contact Email
pustakateknologiai@gmail.com
Phone
+6281374373837
Journal Mail Official
pustakateknologiai@gmail.com
Editorial Address
Jl. Batu Kasek Blok E 11 Padang
Location
Kota padang,
Sumatera barat
INDONESIA
Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence
Published by Pustaka Galeri Mandiri
ISSN : -     EISSN : 28094069     DOI : https://doi.org/10.55382/jurnalpustakaai
Core Subject : Science, Education, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Mathematics
Jurnal Pustaka AI adalah sebuah jurnal Double blind peer-review yang didedikasikan untuk publikasi hasil Penelitian yang berkualitas khusus bidang ilmu Teknologi Artificial Intelligence . Semua publikasi di Jurnal Pustaka AI bersifat akses terbuka yang memungkinkan artikel tersedia secara bebas online tanpa berlangganan apapun. Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) menerima naskah artikel setiap saat yang akan diterbitkan secara berkala tiga kali setahun yaitu pada bulan April, Agustus, dan Desember.
Arjuna Subject : Ilmu Komputer (semua kategori) - Kecerdasan Buatan
Articles 151 Documents
 12   13   14   15   16 
Analisis Kinerja Algoritma Naive Bayes dalam Memprediksi Kelulusan Mahasiswa Menggunakan Python Fansyuri, Maulana; Yunita, Devi
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 3 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i3.1491

Abstract

Prediksi kelulusan mahasiswa menjadi kebutuhan penting dalam lingkungan perguruan tinggi untuk mendukung peningkatan kualitas akademik, efektivitas pembimbingan, dan strategi pencegahan ketidaklulusan. Penelitian ini bertujuan untuk menganalisis kinerja algoritma Naive Bayes dalam memprediksi kelulusan mahasiswa berbasis data akademik dan non-akademik dengan memanfaatkan bahasa pemrograman Python. Algoritma Naive Bayes dipilih karena memiliki karakteristik komputasi sederhana, efisien, serta mampu menangani data berukuran besar dengan performa klasifikasi yang kompetitif. Penelitian dilakukan menggunakan dataset mahasiswa yang mencakup variabel seperti indeks prestasi, jumlah SKS, tingkat kehadiran, dan status kelulusan. Proses pengolahan data terdiri atas pembersihan data, penyandian data kategorikal, pembagian dataset menjadi data latih dan data uji, serta pelatihan model Naive Bayes. Evaluasi model dilakukan menggunakan Confusion Matrix, Accuracy, Precision, Recall, dan F1-Score untuk memberikan gambaran performa klasifikasi secara komprehensif. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mampu melakukan prediksi kelulusan mahasiswa dengan akurasi tinggi, yaitu 85%, serta nilai Precision, Recall, dan F1-Score yang konsisten, sehingga menegaskan keandalan model dalam mengidentifikasi mahasiswa yang lulus maupun tidak lulus. Temuan ini memperkuat potensi algoritma Naive Bayes sebagai sistem pendukung keputusan di perguruan tinggi untuk memetakan risiko ketidaklulusan sejak dini.. Kata kunci:
Integrasi Business Intelligence dan Decision Support System Berbasis SAW untuk Kepuasan Mahasiswa Firdaus, Firdaus; Pratama, Rifaldo; Kesumaningtyas, Febby; Hadi, Abrar; Eka Putra, Ilham
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 3 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i3.1523

Abstract

Kepuasan mahasiswa merupakan indikator kinerja utama yang vital dalam penjaminan mutu perguruan tinggi nasional. Universitas Islam Sumatera Barat (UISB) saat ini menghadapi tantangan signifikan dalam pengelolaan data evaluasi kepuasan yang masih bersifat manual, terfragmentasi antar unit kerja (data silo), dan belum mencakup dimensi evaluasi yang komprehensif. Kondisi ini menyebabkan analisis data terbatas pada laporan deskriptif parsial dan menghambat pimpinan dalam mengambil keputusan strategis terkait prioritas perbaikan layanan secara cepat. Penelitian ini bertujuan untuk merancang dan mengimplementasikan solusi teknologi terintegrasi berupa sistem Business Intelligence (BI) berbasis dashboard yang dikombinasikan dengan Decision Support System (DSS) menggunakan metode Simple Additive Weighting (SAW). Metodologi penelitian mengikuti kerangka kerja pengembangan BI yang komprehensif, meliputi analisis kebutuhan bisnis, perancangan arsitektur Data Warehouse dengan skema bintang untuk integrasi data, dan penerapan algoritma SAW untuk pembobotan tujuh dimensi kualitas layanan yang diperluas (termasuk transparansi dan aksesibilitas). Hasil penelitian ini adalah sebuah ekosistem sistem informasi yang memvisualisasikan tren kepuasan mahasiswa secara real-time. Sistem ini dilengkapi fitur DSS yang secara otomatis merekomendasikan peringkat unit layanan prioritas untuk diperbaiki berdasarkan bobot kepentingan yang dinamis terhadap tujuh dimensi tersebut. Implementasi sistem ini membantu manajemen UISB bertransformasi menuju pemantauan mutu yang proaktif dan berbasis data.  
Peningkatan Loyalitas Pelanggan melalui Customer Relationship Management berbasis Pendekatan Multi-Kriteria Decision Making Rahman, Sepsa Nur; Elva, Yesri; Wulandari, Rahmatia
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 3 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i3.1547

Abstract

Loyalitas konsumen adalah elemen penting untuk memastikan kelangsungan hidup bisnis dalam pasar ritel yang sangat kompetitif. Penelitian ini bertujuan untuk meningkatkan loyalitas konsumen dengan menerapkan sistem Customer Relationship Management (CRM) berbasis web yang terintegrasi dengan metode pengambilan keputusan multi-kriteria, yaitu Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). Penelitian dilakukan di Friiday Store, sebuah toko yang menjual aneka aksesoris, dengan pendekatan campuran yang mencakup pengembangan sistem, analisis kuantitatif, dan uji pengguna. Metode TOPSIS digunakan untuk menilai alternatif produk berdasarkan kriteria utama seperti harga, desain, dan ulasan pelanggan, sehingga dapat menghasilkan peringkat dan rekomendasi produk berdasarkan data. Sistem CRM mempermudah interaksi dengan pelanggan, pengelolaan transaksi, serta menawarkan layanan yang disesuaikan melalui fitur katalog daring, riwayat pembelian, dan obrolan langsung. Temuan penelitian mengindikasikan bahwa penggabungan TOPSIS dalam CRM secara signifikan meningkatkan kepuasan serta loyalitas pelanggan berkat rekomendasi produk yang lebih relevan dan peningkatan dalam layanan responsif. Sistem ini juga membantu dalam pengambilan keputusan bisnis melalui wawasan yang dapat diterapkan dari analisis preferensi pelanggan. Penelitian ini menyimpulkan bahwa gabungan antara CRM dan alat pengambilan keputusan multi-kriteria seperti TOPSIS memberikan pendekatan strategis untuk menjalin hubungan yang tahan lama dengan pelanggan serta meningkatkan tingkat retensi dalam usaha ritel kecil dan menengah. Kata kunci: CRM, TOPSIS, Loyalitas, Kepuasan
Implementasi Edge IoT dan ThingsBoard untuk Monitoring Kandang Sapi Real-Time Zuna, Buqhori; Prabowo, Cipto; Ikhbal Salam, Riyan; Sri Wahyuni, Widya; Eka Putra, Dian; Arief Putra, Rahman; Vratiwi, Septiana
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 3 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i3.1563

Abstract

Pemantauan kondisi lingkungan kandang sapi merupakan aspek penting dalam mendukung kenyamanan dan kesehatan ternak. Perubahan suhu, kelembapan, dan kualitas udara yang tidak terkontrol dapat berdampak negatif terhadap produktivitas dan kesejahteraan hewan. Penelitian ini bertujuan untuk mengembangkan prototipe sistem monitoring kandang sapi berbasis Edge Internet of Things (IoT) yang mampu melakukan pemantauan kondisi lingkungan secara real-time serta memberikan peringatan dini kepada pengguna. Sistem dibangun menggunakan mikrokontroler ESP8266 sebagai perangkat edge, sensor DHT22 untuk pengukuran suhu dan kelembapan, serta sensor MQ135 sebagai indikator kualitas udara. Data sensor dikirimkan menggunakan protokol MQTT dan divisualisasikan melalui platform ThingsBoard, sementara notifikasi peringatan dikirimkan melalui Telegram bot berdasarkan mekanisme rule-based. Hasil implementasi menunjukkan bahwa sistem berhasil menampilkan informasi kondisi lingkungan kandang secara lokal melalui LCD, memvisualisasikan data pada dashboard ThingsBoard, serta mengirimkan notifikasi Telegram ketika kondisi lingkungan terdeteksi berada pada kategori bahaya. Penelitian ini menunjukkan bahwa integrasi edge IoT, dashboard monitoring, dan notifikasi berbasis aturan dapat menjadi solusi praktis untuk mendukung pemantauan kandang sapi secara jarak jauh.
Penerapan Long Short-Term Memory dalam Prediksi Harga Mingguan Bitcoin Berbasis Data Historis Bintang, Andi Muhammad; Suhirman, Suhirman
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 3 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i3.1582

Abstract

Bitcoin merupakan salah satu aset kripto yang memiliki tingkat volatilitas harga yang tinggi, sehingga prediksi pergerakan harganya menjadi tantangan tersendiri. Penelitian ini bertujuan untuk menerapkan metode Long Short-Term Memory (LSTM) dalam memprediksi harga mingguan Bitcoin berdasarkan data historis. Data yang digunakan berupa data historis harga Bitcoin dengan frekuensi mingguan yang telah melalui tahapan pra-pemrosesan, normalisasi, dan pembentukan data deret waktu. Model LSTM dilatih menggunakan data pelatihan dan dievaluasi menggunakan data pengujian. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM mampu menghasilkan prediksi harga yang mengikuti pola dan arah tren pergerakan harga Bitcoin aktual pada sebagian besar periode pengujian. Meskipun demikian, tingkat kesalahan prediksi cenderung meningkat pada periode dengan volatilitas harga yang tinggi. Hasil penelitian ini menunjukkan bahwa metode LSTM dapat digunakan sebagai pendekatan untuk memodelkan pergerakan harga Bitcoin berbasis data historis mingguan.
Pengembangan E-Commerce Konveksi Toko Sukses Berbasis Rule-Based Decision Support System Arief Putra, Rahman; Ikhbal Salam, Riyan; Sri Wahyuni, Widya; Ikhsan, Ikhsan; Eka Putra, Dian; Vratiwi, Septiana; Efendi, Novi
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 3 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i3.1618

Abstract

Perkembangan teknologi informasi mendorong pelaku usaha mikro, kecil, dan menengah (UMKM) untuk mengadopsi sistem e-commerce dalam meningkatkan efektivitas pengelolaan penjualan dan layanan kepada pelanggan. Namun, sistem e-commerce yang diterapkan pada UMKM umumnya masih berfokus pada fungsi transaksi dan belum dilengkapi dengan mekanisme pengambilan keputusan yang terstruktur. Penelitian ini bertujuan untuk mengembangkan sistem e-commerce pada Konveksi Toko Sukses dengan mengintegrasikan Rule-Based Decision Support System (RB-DSS) sebagai modul pendukung pengambilan keputusan. Metode penelitian menggunakan pendekatan pengembangan sistem yang meliputi tahapan analisis, perancangan, implementasi, dan pengujian. RB-DSS diterapkan untuk menghasilkan rekomendasi produk berdasarkan kriteria harga, ketersediaan stok, tingkat permintaan, dan kategori produk. Hasil penelitian menunjukkan bahwa integrasi RB-DSS mampu mendukung proses pengambilan keputusan secara lebih objektif, konsisten, dan relevan dengan kondisi bisnis. Sistem yang dikembangkan diharapkan dapat meningkatkan efektivitas pengelolaan penjualan serta kualitas pengambilan keputusan berbasis data pada usaha konveksi skala kecil dan menengah.
Analisis Visual Merchandising Berbasis Computer Vision pada Konten Platform Digital AL Ceramic Noviyanti, Nikita; Cahyaningrum, Yuniana
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1540

Abstract

Perkembangan teknologi digital telah mendorong pelaku industri kreatif untuk memanfaatkan media sosial sebagai sarana promosi produk. Ayu Larasati Ceramic (AL Ceramic) sebuah brand keramik milik Ayu Larasati yang dikenal dengan desain organik, warna natural dan filosofi slow craft turut memanfaatkan media sosial Instagram dan situs website untuk memperkenalkan produknya. Penerapan Computer Vision ialah sebagai alat analisis Visual Merchandising untuk mengukur efektivitas konten platform digital AL Ceramic. Penelitian ini bertujuan untuk menganalisis lebih lanjut bagaimana Visual Merchandising berperan pada platform digital AL Ceramic serta mengidentifikasi elemen visual yang berpengaruh pada promosi produk. Metode penelitian yang digunakan adalah metode kualitatif dengan analisis deskriptif yang bertumpu pada prinsip dan unsur Visual Merchandising. Data diperoleh melalui observasi dan analisis visual pada konten media sosial instagram serta Website resmi AL Ceramic. Hasil penelitian menunjukkan bahwa AL Ceramic menerapkan prinsip Visual Merchandising secara konsisten dari visual yang tinggi, palet warna netral, pencahayaan lembut, dan layout minimalis yang selaras dengan identitas brand. Strategi ini tidak hanya memperkuat brand AL Ceramic tetapi juga berdampak positif terhadap engagement audiens. Dengan demikian, penerapan Computer Vision dapat menjadi instrument strategis untuk mengoptimakan Visual Merchandising serta menguatkan Branding AL Ceramic.
Performa Logistic Regression dalam Klasifikasi Sentimen Opini Publik Pemilu di India Puspa Ningrum, Okky; Remawati, Dwi; Susyanto, Teguh; Laksito Yuly Saptomo, Wawan
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1566

Abstract

Opini publik tentang pemilu di India melalui media sosial sangat tinggi, terutama melalui twitter. Untuk mengetahui apakah opini tersebut positif, negative atau netral maka dilkukan analisis sentiment. Data teks dari media sosial bersifat tidak terstruktur dan penuh noise sehingga diperlukan model klasifikasi yang mampu bekerja secara efektif pada teks pendek dan bervariasi. Penelitian ini menggunakan algoritma Logistic Regression. Hasil eksperimen menunjukkan bahwa model dapat mencapai akurasi sebesar 84,46%. Temuan ini menunjukkan bahwa pendekatan yang diusulkan dapat berfungsi sebagai metode yang andal dan efisien untuk pemantauan opini publik secara otomatis. Hasil penelitian menunjukkan bahwa Logistic Regression mampu memberikan performa klasifikasi yang stabil dengan tingkat akurasi yang kompetitif untuk analisis sentimen politik pada teks pendek media sosial. Model juga menunjukkan konsistensi dalam menangani distribusi sentimen yang tidak seimbang.
Klasterisasi Provinsi di Indonesia Berdasarkan Produksi Komoditas Unggulan Sektor Peternakan Menggunakan K-Means Lailatul Ananti, Syayyidah; Andhyka, Awang; Aditya Nugroho, Rizky
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1612

Abstract

Subsektor peternakan memiliki peran penting dalam mendukung ketahanan pangan dan pemenuhan kebutuhan protein hewani masyarakat Indonesia. Perbedaan kondisi geografis, sumber daya, dan kebijakan daerah menyebabkan adanya variasi tingkat produksi pada komoditas sektor peternakan antarprovinsi. Penelitian ini bertujuan untuk mengelompokkan provinsi-provinsi di Indonesia berdasarkan kesamaan produksi komoditas unggulan sektor peternakan, yaitu sapi potong, sapi perah, ayam ras petelur, dan ayam ras pedaging, menggunakan metode klasterisasi K-Means. Data yang digunakan merupakan data sekunder tahun 2023–2024 yang bersumber dari Portal Satu Data Pertanian dan mencakup 38 provinsi di Indonesia. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan melalui normalisasi Min-Max Scaling, penentuan jumlah klaster optimal menggunakan metode Elbow, penerapan algoritma K-Means, serta evaluasi kualitas klaster menggunakan Silhouette Coefficient. Hasil analisis menunjukkan jumlah klaster optimal adalah K=3. Klaster pertama terdiri dari Provinsi Jawa Timur dengan tingkat produksi peternakan sangat tinggi dan dominan pada sebagian besar komoditas. Klaster kedua mencakup sebagian besar provinsi dengan tingkat produksi peternakan relatif rendah dan merata. Klaster ketiga terdiri dari Provinsi Jawa Barat dan Jawa Tengah yang memiliki keunggulan pada produksi ayam ras pedaging. Evaluasi klasterisasi menghasilkan nilai Silhouette Coefficient sebesar 0,8278 yang menunjukkan kualitas klaster yang sangat baik dan pemisahan antar klaster yang jelas. Hasil penelitian ini diharapkan dapat menjadi dasar pengelompokan dan identifikasi potensi subsektor peternakan antarprovinsi serta mendukung perencanaan dan penentuan prioritas kebijakan pengembangan peternakan yang lebih tepat sasaran dan berbasis data.
Simulasi Navigasi Robot Labirin Menggunakan Algoritma Depth-First Search pada Platform Webots Fajri, Muhammad; Sakinah, Putri
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1619

Abstract

Autonomous Mobile Robot (AMR) merupakan cabang robotika yang memungkinkan robot berjalan dan menavigasi diri tanpa intervensi secara langsung dari manusia. Salah satu komponen penting dalam pengembangan robot ini ialah path planning, yaitu kemampuan robot dalam menentukan jalur yang akan dilaluinya. Penelitian ini bertujuan untuk menguji kemampuan algoritma Depth First Search (DFS) dalam membantu robot menavigasi diri menyelesaikan arena labirin. Algoritma DFS diimplementasikan dalam robot e-puck menggunakan simulator Webots. Robot akan diuji untuk menyelesaikan lima arena labirin yang berbeda. Hasil simulasi menunjukkan bahwa algoritma DFS mampu membantu robot dalam menyelesaikan seluruh arena labirin. Dalam implementasinya, algoritma DFS dapat menggunakan dua strategi penelusuran yang berbeda, yaitu strategi prioritas kanan dan prioritas kiri. Pada penelitian ini, strategi prioritas kanan unggul 1548,29 detik lebih cepat dalam menyelesaikan seluruh labirin dibandingkan strategi prioritas kiri.

Page 14 of 16 | Total Record : 151

 12   13   14   15   16 

Filter by Year

2021 2026


Reset
Filter By Issues
All Issue Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 3 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 2 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 1 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 4 No 3 (2024): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 4 No 2 (2024): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 4 No 1 (2024): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 3 No 3 (2023): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 3 No 2 (2023): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 3 No 1 (2023): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 2 No 2 (2022): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 2 No 1 (2022): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence Vol 1 No 1 (2021): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) More Issue