cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Erlangga, S.Kom., M.Kom
Contact Email
jurnalfik@ubl.ac.id
Phone
+628978957357
Journal Mail Official
jurnalfik@ubl.ac.id
Editorial Address
Pusat Studi Teknologi Informasi - Fakultas Ilmu Komputer Universitas Bandar Lampung Gedung Business Center Lt.2 Jl. Zainal Abidin Pagar Alam No.26 Labuhan Ratu Bandar Lampung
Location
Kota bandar lampung,
Lampung
INDONESIA
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi
Published by Universitas Bandar Lampung
ISSN : 20885555     EISSN : 27457265     DOI : http://dx.doi.org/10.36448/jmsit.v10i1.1490
Core Subject : Science,
Computer Science & IT
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknolologi menyajikan artikel/naskah dalam bidang teknologi informasi khususnya dalam Fokus pada 5 kelompok keilmuan di bidang sistem informasi yaitu: Sistem Informasi, Rekayasa Perangkat Lunak (RPL), Jaringan, Multimedia, Security, Teknologi Web dan Mobile serta Kecerdasan Buatan dan Game, serta tidak membatasi terhadap kajian-kajian sistem informasi lainnya meliputi: Information System, Business Intelligence, Logistic and Supply Chain Management, Customer Relationship Management, Human Resource Management, Intelligent Decision Support Systems, Enterprise Systems, Business Process Modelling, System Modelling, Management Information Systems, Economic Models for Information Systems, Mobile e-Business, Web Services for e-Business, Knowledge Management, Strategic Information Systems, Artificial Intelligence and Expert Systems, Balanced Scorecard, e-Commerce, Business Forecasting Process, Information Systems Change Management, Innovation in Information Systems and Change Management, Total Quality Management, Six Sigma for Performance Improvement, General Information Systems Related to Business Competitiveness.
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 20 Documents
 1   2 
Search results for , issue "Vol 15, No 2 (2025): December" : 20 Documents clear
Pengembangan Aplikasi Business Intelligence Berbasis Artificial Intelligence untuk Prediksi Keberhasilan Penjualan Produk dan Keberlanjutan UMKM Romahdoni, Muhammad Reza; Wardana, M.Azka Kesuma; Saputra, Gustrio
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4620

Abstract

Micro, Small, and Medium Enterprises (MSMEs) in Pesawaran Regency face significant challenges, particularly the reliance on traditional sales methods, limited innovation, and minimal use of information technology. Most entrepreneurs still determine sales strategies based on personal experience, often resulting in inaccurate sales forecasts and stock imbalances that disrupt financial stability and business continuity. To address this issue, an Artificial Intelligence based Business Intelligence application was developed using the Agile Software Development methodology. The system employs the Random Forest algorithm to predict product sales success. Evaluation results demonstrate that the model achieved an accuracy of 86%, with a precision of 0.88, recall of 0.93, and F1-score of 0.90, indicating strong predictive performance. To further improve system reliability, it is recommended to increase training data particularly in the “Failed” class and optimize Random Forest parameters, such as the number of decision trees, tree depth, and feature selection, to achieve better predictive outcomes.
Business Intelligence untuk Segmentasi Pelanggan dengan Metode K-Means di Mizumi Onsen Hananta, M. Kemal Aditya; Susanto, Eko Budi; Sugianti, Devi
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4452

Abstract

Strategi pemasaran yang lebih responsif dan berbasis data sangat penting untuk sektor perhotelan mengingat persaingan yang semakin ketat. Mizumi Onsen sebagai hotel onsen yang terletak di Wonosobo, meskipun memiliki banyak informasi tentang pelanggan, belum berhasil memanfaatkan data tersebut secara optimal untuk mendapatkan segmentasi pasar yang akurat. Penelitian ini bertujuan untuk menggunakan algoritma K-Means Clustering yang dikombinasikan dengan Business Intelligence, tidak hanya untuk mengenali segmen pelanggan, tetapi juga untuk memperbaiki strategi pemasaran digital agar lebih efisien dan tepat sasaran. Data dalam penelitian ini mencakup 1.049 transaksi pelanggan dari Januari hingga Juli 2025 dengan 753 transaksi yang valid setelah proses pembersihan, serta data eksternal dari Instagram Insight untuk membandingkan profil audiens. Proses penelitian mencakup pengumpulan data, pembersihan, rekayasa fitur menggunakan Python, segmentasi dengan K-Means, dan visualisasi hasil melalui Google Looker Studio. Analisis mengindikasikan adanya empat segmen utama: High Value (17,4%) yang didominasi oleh perempuan berusia 35-44 tahun dari Jakarta; Medium-High Value (10,3%) dengan dominasi serupa berasal dari Jakarta dan Semarang; Medium-Low Value (42,8%) yang merupakan segmen terbesar dengan sebagian besar perempuan berusia 25-44 tahun dari Jakarta; dan Low Value (29,7%) yang juga didominasi oleh perempuan berusia 25-34 tahun dari Jakarta. Visualisasi dasbor Business Intelligence memberikan pemahaman mendalam terkait demografi, geografi, perilaku, dan nilai pelanggan. Temuan penelitian ini menekankan bahwa penggabungan K-Means dengan Business Intelligence tidak hanya meningkatkan ketepatan segmentasi pelanggan, tetapi juga menyediakan dasar strategis dalam merancang promosi digital yang responsif, efektif, dan berkelanjutan di dunia perhotelan.
Implementasi Algoritma First Fit Decreasing (FFD) Pada Perhitungan Cutting Plan Material Berbasis Panjang (Studi Kasus PT Bukaka Teknik Utama) Wibawa, Condro; Tri Anggraeni, Dessy
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4623

Abstract

Kebutuhan raw material pada industri manufaktur merupakan faktor yang sangat penting. Pada berbagai proyek, kebutuhan material terhadap budget proyek mencapai 30-60%. Oleh karenanya perencanaan pengadaan material harus dihitung dengan benar. Cutting plan adalah metode untuk menghitung kebutuhan material dalam sebuah proyek. Untuk optimalisasi perhitungan cutting plan, PT Bukaka Teknik Utama membuat program untuk mengintegrasikan perhitungan cutting plan dengan data BQ yang sudah ada pada program monitoring produksi. Algoritma yang digunakan adalah FFD (First Fit Decreasing). Algoritma ini digunakan untuk menghitung material berbasis panjang (length based), seperti steel angle, H-beam, steel round bar, dan lain-lain. Perhitungan program menghasilkan luaran yang sama dengan perhitungan manual. Akan tetapi dengan waktu perhitungan yang jauh lebih cepat. Perhitungan manual biasanya membutuhkan waktu 30-180 menit per proyek, bisa direduksi menjadi rata-rata 1,83 detik per proyek. Nilai ini setara dengan 99,89% efisiensi waktu. Perhitungan kinerja algoritma FFD terhadap hasil dan sisa material juga sangat baik. Hal ini terlihat dari nilai Effective Utilization Rate yang tinggi yaitu 95,01% dan nilai fair waste yang cukup kecil yaitu 4,99% per proyek.
Analisis ‘What-if’ Generatif untuk Evaluasi Ketahanan Model Prediksi Pertanian terhadap Perubahan Iklim Qomariyah, Nurul; Afifah, Dian Ayu; Supriyatna, Agiska Ria
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4586

Abstract

Global climate change directly affects agricultural productivity and increases uncertainty in crop yield prediction systems. Most machine learning models still rely on historical data that fail to represent extreme climate scenarios. This study proposes a data processing strategy based on generative simulation to evaluate the robustness of crop yield prediction models under synthetic climate perturbations. The Gaussian-based what-if analysis approach was applied to generate synthetic data that preserves the statistical characteristics of the original dataset. The baseline model employed a HistGradientBoostingRegressor, evaluated using R², MAE, RMSE, and Stability Index (SI) metrics. Experimental results achieved an R² of 0.9519, MAE of 1.08 t/ha, and SI values exceeding 0.95 across all simulated rainfall (±15%) and temperature (±2°C) scenarios. The Kolmogorov–Smirnov test confirmed that synthetic data distributions were not significantly different from the original (p > 0.05). These findings demonstrate that Gaussian-based generative simulation effectively enriches agricultural data and enables quantitative sensitivity evaluation of predictive models. The proposed approach aligns with the data-centric AI paradigm and supports the development of resilient, climate-adaptive smart agriculture systems
Perancangan Enterprise Architecture untuk Layanan Helpdesk TI Perguruan Tinggi XYZ Menggunakan TOGAF ADM Ibrahim, Hasbi Aufa
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4670

Abstract

Pemanfaatan teknologi informasi di lingkungan perguruan tinggi menuntut ketersediaan layanan pendukung yang handal, di mana helpdesk TI berperan strategis dalam memastikan kelancaran operasional akademik dan administratif. Namun, pengelolaan layanan helpdesk pada Perguruan Tinggi XYZ saat ini masih menghadapi kendala krusial, yaitu pencatatan insiden yang dilakukan secara manual, belum adanya standarisasi prosedur penanganan, serta minimnya integrasi antar sistem yang berdampak pada lambatnya waktu respons. Penelitian ini bertujuan untuk merancang arsitektur enterprise layanan helpdesk TI yang terstruktur guna mengatasi permasalahan tersebut. Metode yang digunakan adalah The Open Group Architecture Framework Architecture Development Method (TOGAF ADM), yang mencakup tahapan Preliminary, Architecture Vision, Business Architecture, Information System Architecture, hingga Technology Architecture, dengan didukung analisis kesenjangan (gap analysis) terhadap kondisi saat ini. Hasil dari penelitian ini adalah sebuah cetak biru (blueprint) arsitektur enterprise yang dapat dijadikan referensi utama dalam pengembangan sistem helpdesk yang terintegrasi. Penelitian ini menyimpulkan bahwa implementasi rancangan tersebut mampu mentransformasi layanan dari pola reaktif menjadi proaktif melalui otomatisasi alur kerja, sentralisasi manajemen pengetahuan (knowledge base), serta modernisasi infrastruktur, sehingga meningkatkan efisiensi dan kepuasan pengguna.
Face Recognition dengan YOLO 8 dan Convolutional Neural Network (CNN) Setiawan, Asep Trisna; Prihatmanto, Ary Setijadi; Erlangga, Erlangga; Ariani, Fenty; Permana, Adi
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4658

Abstract

Pengenalan wajah merupakan teknologi penting dalam biometric authentication untuk sistem keamanan dan identifikasi otomatis, namun metode tradisional masih terkendala oleh variasi pose dan pencahayaan. Penelitian ini bertujuan untuk mengembangkan dan mengintegrasikan arsitektur YOLOv8 sebagai face detector dan Convolutional Neural Network (CNN) sebagai face recognizer ke dalam satu pipeline end-to-end yang efisien. Metodologi yang digunakan melibatkan penggunaan YOLOv8 untuk deteksi dan lokalisasi wajah secara real-time, diikuti proses cropping serta alignment, dan diakhiri dengan klasifikasi identitas menggunakan model CNN berbasis transfer learning. Dataset yang digunakan mencakup 38 individu dengan total 380 citra yang dilatih menggunakan GPU NVIDIA GTX 1070. Hasil penelitian menunjukkan bahwa YOLOv8 mencapai performa sangat baik dengan nilai mean Average Precision (mAP@0.5) sebesar 0,972 dan waktu inferensi hanya 12,5 ms per frame. Sementara itu, model CNN berhasil mencapai akurasi pengujian sebesar 93,8% dengan F1-Score 0,93. Meskipun sistem mengalami penurunan performa pada kondisi pencahayaan rendah (low light) dan oklusi, integrasi kedua model ini terbukti tangguh dan layak diimplementasikan untuk aplikasi praktis seperti kontrol akses dan sistem kehadiran otomatis secara real-time. Pengembangan lanjutan disarankan untuk meningkatkan ketahanan model terhadap pose ekstrem dan hambatan visual yang berat.
Evaluasi Efektivitas Teknik Regularisasi Dalam Mengurangi Overfitting Pada Model CNN Prasetyo, Stefanus Eko; Haeruddin, Haeruddin; Elvis, Elvis
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4676

Abstract

Penelitian ini bertujuan mengevaluasi dan membandingkan efektivitas berbagai teknik regularisasi seperti regularisasi L1 dan L2, dropout, dan augmentasi data, baik secara terpisah maupun kombinasi, dalam mengatasi overfitting pada model Convolutional Neural Network (CNN) dalam skenario dataset terbatas. Keterbatasan dataset merupakan tantangan utama yang menyebabkan model CNN cenderung mengalami overfitting, di mana performa pada data pelatihan 97.95% akurasi jauh melebihi akurasi validasi 67%. Penelitian ini menggunakan arsitektur CNN dasar yang konsisten dan dataset CIFAR-10. Hasil pengujian teknik regularisasi tunggal menunjukkan bahwa augmentasi data adalah teknik yang paling optimal pada pengujian terpisah. Model dengan augmentasi data mencapai akurasi validasi tertinggi 78.18% dan kesenjangan generalisasi terendah 2.31% di antara semua teknik yang diuji. Sementara itu, ditemukan bahwa penggunaan tingkat regularisasi yang terlalu ekstrem pada teknik regularisasi L1/L2 dapat menyebabkan underfitting karena bobot dipaksa mendekati nol  sehingga model kehilangan kapasitas belajar. Pencapaian kinerja model yang paling superior diperoleh melalui pendekatan kombinasi. Kombinasi antara augmentasi data dan regularisasi L2 menghasilkan akurasi validasi tertinggi sebesar 79.89% dengan kesenjangan generalisasi paling kecil, yaitu 0.38%. Dengan demikian, disimpulkan bahwa pendekatan kombinasi teknik regularisasi adalah strategi paling efektif untuk meningkatkan generalisasi model CNN pada lingkungan dengan dataset terbatas.
Implementasi Sistem Informasi E-Commerce Untuk UMKM Di Kabupaten Ogan Komering Ulu Selatan Berbasis Web Saputra, Yulistian Saputra; Indera, Indera
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4629

Abstract

Perkembangan teknologi informasi mendorong pelaku Usaha Mikro, Kecil, dan Menengah (UMKM) untuk memanfaatkan platform digital dalam meningkatkan jangkauan pemasaran dan daya saing. Namun, sebagian besar UMKM di Kabupaten Ogan Komering Ulu Selatan masih mengalami keterbatasan dalam mempromosikan dan menjual produk secara daring karena belum tersedianya sistem informasi yang terintegrasi. Penelitian ini bertujuan untuk mengimplementasikan Sistem Informasi E-Commerce berbasis web yang dirancang untuk membantu UMKM dalam mengelola produk, transaksi, serta informasi pelanggan secara lebih efektif. Pengembangan sistem menggunakan metode Waterfall yang meliputi tahapan analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Hasil penelitian menunjukkan bahwa sistem E-Commerce yang dibangun mampu meningkatkan efisiensi proses penjualan, memperluas akses pasar, serta mempermudah pelaku UMKM dalam melakukan pengelolaan usaha secara digital. Selain itu, pengujian yang dilakukan menunjukkan bahwa seluruh fungsi sistem berjalan sesuai kebutuhan pengguna. Dengan demikian, implementasi sistem ini dapat menjadi solusi digital yang mendukung transformasi UMKM menuju era ekonomi berbasis teknologi. Kata Kunci: E-Commerce, Sistem Informasi, UMKM, Web, Waterfall, Transformasi Digital.
Fish Marketing Decision Support System at Belawan Fishing Port with AHP and PROMETHEE Method Wildani, Wildani; Irawan, Muhammad Dedi
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4576

Abstract

This study aims to develop a fish marketing decision support system at Belawan Fishing Port to assist fish warehouses or markets in determining the vessels with the best fish marketing performance. Once the results are obtained, port authorities can evaluate vessels with low marketing results to improve their marketing strategies in the future. The methods used in this study are the Analytical Hierarchy Process (AHP) and PROMETHEE, which are applied to evaluate and rank marketing alternatives based on multiple criteria such as market demand, price, sales volume, sales targets, and sales turnover. The integration of these two methods allows for a more structured and objective decision-making process. The results of the study show that the application of the AHP and PROMETHEE methods can effectively assist in determining optimal marketing decisions by comprehensively considering the factors that influence fish marketing performance. This system also increases the accuracy of decision making by up to 90% compared to conventional methods that rely solely on experience. Overall, the developed system is expected to improve the efficiency of fish marketing and support the welfare of fishermen in Belawan Fishing Port.
Optimasi Parameter Neural Network untuk Meningkatkan Efisiensi Pembelajaran Model Saputra, Ari Kurniawan; Endra, Robby Yuli; Erlangga, Erlangga
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4618

Abstract

Penelitian ini dilakukan untuk mengatasi permasalahan rendahnya stabilitas dan efisiensi pembelajaran pada Neural Network yang disebabkan oleh pemilihan parameter awal secara acak, seperti bobot, bias, dan learning rate. Penelitian ini bertujuan mengoptimasi parameter-parameter tersebut agar proses pelatihan menjadi lebih stabil, cepat, dan konsisten. Metode yang digunakan adalah optimasi Particle Swarm Optimization (PSO) yang diterapkan melalui tujuh tahapan, mulai dari pra-proses data, perancangan arsitektur model, perhitungan fungsi loss, inisialisasi bobot, optimasi learning rate serta bobot awal, sampai pelatihan model dan evaluasi performa. Dataset terdiri dari 10 sampel dengan lima fitur input dan satu target harga jual. Hasil penelitian menunjukkan bahwa PSO berhasil menghasilkan learning rate optimal sebesar 0.174 dan bobot awal yang lebih stabil dibandingkan model baseline. Evaluasi menggunakan confusion matrix menunjukkan peningkatan performa dibandingkan baseline yang hanya memperoleh accuration 60%, precision 0.60, recall 1.00, dan F1-score 0.75. Secara keseluruhan, optimasi PSO terbukti meningkatkan stabilitas pembelajaran, mempercepat konvergensi, dan menghasilkan model Neural Network yang lebih efisien serta lebih akurat.

Page 1 of 2 | Total Record : 20

 1   2 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol 15, No 2 (2025): December Vol 15, No 1 (2025): June Vol 14, No 2 (2024): December Vol 13, No 1 (2023): June Vol 12, No 2 (2022): December Vol 12, No 1 (2022): June Vol 11, No 2 (2021): December Vol 11, No 1 (2021): June Vol 10, No 2 (2020): Desember Vol 10, No 1 (2020): Juni Vol 9, No 2 (2019): Desember Vol 9, No 1 (2019): Juni Vol 8, No 2 (2018): Desember Vol 8, No 1 (2018): Juni Vol 7, No 2 (2017): Desember Vol 7, No 1 (2017): Juni Vol 6, No 2 (2016): Desember Vol 6, No 1 (2016): Juni Vol 5, No 2 (2015): Desember Vol 5, No 1 (2015): Juni Vol 4, No 1 (2014): Juni Vol 3, No 2 (2013): Desember Vol 3, No 1 (2013): Juni Vol 2, No 2 (2012): Desember Vol 2, No 1 (2012): Juni Vol 2, No 2 (2011): Desember Vol 1, No 1 (2011): Juni More Issue