Abstract:Abstract: CV. Ria Kencana Ungu (RKU), as a research partner in the field of computer service, needs to improve the quality of customer service and efficiency in the process of troubleshooting computer damage. To meet these…
se needs, an expert system based on the forward chaining method was developed that is able to diagnose damage automatically. This system was developed using the waterfall method, with systematic stages from analysis to implementation. The implementation results show that the system can identify the type of damage with an accuracy rate of 89% based on validation tests on 100 real troubleshooting cases. The evaluation metric uses a comparison between the results of the system diagnosis and the results of the technician's analysis. Although the system is able to increase service efficiency by up to 40% compared to conventional methods, several obstacles were found, such as the limited initial knowledge base that impacts the accuracy of the diagnosis and the difficulty of users in understanding the system interface. Therefore, further development is needed to expand the knowledge base and improve the user experience. This study aims to develop a forward chaining-based expert system to improve efficiency, accuracy, and speed of problem solving at CV. Ria Kencana Ungu (RKU) and to increase customer satisfaction through more responsive and precise services..
Keywords: expert system; computer troubleshooting; forward chaining method
Abstrak: CV. Ria Kencana Ungu (RKU), sebagai mitra penelitian di bidang layanan servis komputer, membutuhkan peningkatan kualitas layanan pelanggan dan efisiensi dalam proses troubleshooting kerusakan komputer. Untuk memenuhi kebutuhan tersebut, dikembangkan sistem pakar berbasis metode forward chaining yang mampu mendiagnosis kerusakan secara otomatis. Sistem ini dikembangkan menggunakan metode waterfall, dengan tahapan yang sistematis dari analisis hingga implementasi. Hasil implementasi menunjukkan bahwa sistem dapat mengidentifikasi jenis kerusakan dengan tingkat akurasi sebesar 89% berdasarkan uji validasi terhadap 100 kasus troubleshooting nyata. Metrik evaluasi menggunakan perbandingan antara hasil diagnosis sistem dan hasil analisis teknisi. Meskipun sistem mampu meningkatkan efisiensi layanan hingga 40% dibandingkan metode konvensional, beberapa kendala ditemukan, seperti keterbatasan basis pengetahuan awal yang berdampak pada akurasi diagnosis dan kesulitan pengguna dalam memahami antarmuka sistem. Oleh karena itu, pengembangan lebih lanjut diperlukan untuk memperluas basis pengetahuan dan meningkatkan pengalaman pengguna. Penelitian ini bertujuan mengembangkan sistem pakar berbasis forward chaining untuk meningkatkan efisiensi, akurasi, dan kecepatan troubleshooting di CV. Ria Kencana Ungu (RKU) serta meningkatkan kepuasan pelanggan melalui layanan yang lebih responsif dan presisi.
Kata kunci: sistem pakar; troubleshooting komputer; metode forward chaining
Abstract:Abstract: College libraries are built and designed based on the needs of the academic community to support learning, research, and community service. Management of higher education institutions in Indonesia refers to Organizing…
anizing libraries in Indonesia is regulated in National Library Director Regulation No. 13 of 2017. College libraries currently use information technology to support operations. To assess the alignment of a university's goal of providing a library that complies with information technology regulations and management, library management needs to be audited. At the ISB Atma Luhur library, audits were carried out using the COBIT 4.1 framework. especially in the Acquire and Implement (AI) domain. The AI domain is a domain that assesses whether plans have been successfully acquired and implemented. This research uses interview and questionnaire methods as primary data source data collection media. The respondents involved were the head of the library and the ISB Atma Luhur library staff. The results of data processing show that the AI domain is at 2,754 with a maturity level of 3-Define Process. Of the 7 control objectives under the AI domain, AI4 Anable Operation and Use is the highest control objective with 3.28. Meanwhile, the lowest control objective is AI2 Acquire and maintain application software with 2.50.
Keywords: acquire and implement COBIT 4.1; college library ; information systems audit.
Abstrak: Perpustakaan perguruan tinggi dibangun dan dirancang berdasarkan kebutuhan civitas akademika untuk menunjang pembelajaran, penelitian dan pengabdian kepada masyarakat. Pengelolaan perguruan tinggi di Indonesia mengacu pada Penyelenggaraan perpustakaan di Indonesia diatur dalam Peraturan Kepala Perpustakaan Nasional Nomor 13 Tahun 2017. Perpustakaan perguruan tinggi saat ini sudah memanfaatkan teknologi informasi untuk menunjang operasionalnya. Untuk menilai keselarasan tujuan perguruan tinggi dalam menyediakan perpustakaan yang sesuai dengan regulasi dan pengelolaan teknologi informasi, maka pengelolaan perpustakaan perlu dilakukan audit. Pada perpustakaan ISB Atma Luhur, audit dilakukan dengan menggunakan framework COBIT 4.1. khususnya di domain Acquire and Implement (AI). Domain AI adalah domain yang menilai apakah rencana telah berhasil diperoleh dan diterapkan. Audit sistem informasi perpustakaan ini bertujuan untuk menilai keselarasan rencana dan akuisisi impelentasi sistem untuk meningkatkan layanan perpustakaan. Penelitian ini menggunakan metode wawancara dan angket sebagai media pengumpulan data sumber data primer. Responden yang terlibat adalah kepala perpustakaan dan staf perpustakaan ISB Atma Luhur. Hasil pengolahan data menunjukkan domain AI berada pada angka 2.754 dengan tingkat kematangan 3-Define Process. Dari 7 tujuan pengendalian dalam domain AI, AI4 Anable Operation and Use merupakan tujuan pengendalian tertinggi dengan nilai 3,28. Sedangkan tujuan pengendalian terendah adalah AI2 Memperoleh dan memelihara perangkat lunak aplikasi dengan nilai 2,50.
Kata kunci: acquire and implement COBIT 4.1.; audit sistem informasi; perpustakaan perguruan tinggi.
Abstract:Abstract: Twitter occupies the top position of the most popular social media platform in Indonesia. Police and other related issues were the subject of much discussion. The aim of this research is to analyze public sentiment…
ment towards the National Police Agency using Twitter with the support vector machine method. The research started by crawling Twitter data. The data contains a total of 6,925 entries for three keywords. Next, we move on to the preprocessing stage consisting of (cleaning, case folding, tokenization, and filtering). Next is the tf-idf feature extraction stage, finally the classification and evaluation stage. The results of manual data inspection (73:27) showed accuracy of 70.66%, precision of 70.68%, and recall of 99.76%. Testing the second data (82:18), found accuracy 86%, precision 86.21%, recall 99.71%. The results of manual data checking (82:18) showed accuracy of 70.66%, precision of 70.68%, recall of 99.76%. Testing the second data (82:18), found accuracy 86%, precision 86.21%, recall 99.71%. From the data system testing results (80:20), accuracy was 87.55%, positive precision 87.53%, negative precision 88.24%, positive recall 99.48%, and negative recall. the rate is 99.48.% – The result is 21.43%. Data testing results (60:40) showed accuracy of 86.89%, positive precision of 86.84%, negative precision of 88.46%, positive recall of 99.61%, and negative recall of 16.43%. Single test data validation system (80:20), accuracy 87.55, overall test cross validation system (k fold 5 accuracy) 86.673%.
Keywords: data mining;police agencies;support vector machines
Abstrak: Twitter menduduki posisi teratas platform media sosial terpopuler di Indonesia. Polisi dan masalah terkait lainnya menjadi pokok bahasan banyak pembicaraan. Tujuan penelitian ini untuk menganalisis sentimen masyarakat terhadap Badan Kepolisian Nasional menggunakan Twitter dengan metode support vector machine. Penelitian dimulai dengan crawling data Twitter. Data memuat total 6.925 entri dari tiga kata kunci. Selanjutnya beralih ke tahap preprocessing terdiri dari (pembersihan, pelipatan kasus, tokenisasi, dan pemfilteran). Selanjutnya tahap ekstraksi fitur tf-idf, terakhir tahap klasifikasi dan evaluasi. Hasil pemeriksaan data manual (73:27) menunjukkan akurasi 70,66%, presisi 70,68%, dan recall 99,76%. Menguji data kedua (82:18), menemukan akurasi 86%, presisi 86,21%, recall 99,71%. Hasil pemeriksaan data secara manual (82:18) menunjukkan akurasi 70,66%, presisi 70,68%, recall 99,76%. Menguji data kedua (82:18), menemukan akurasi 86%, presisi 86,21%, recall 99,71%. Dari hasil pengujian sistem data (80:20), akurasi 87,55%, presisi positif 87,53%, presisi negatif 88,24%, recall positif 99,48%, dan recall negatif. tarifnya adalah 99,48.% – Hasilnya 21,43%. Hasil pengujian data (60:40) menunjukkan akurasi 86,89%, presisi positif 86,84%, presisi negatif 88,46%, recall positif 99,61%, dan recall negatif 16,43%. Uji tunggal sistem validasi data (80:20), akurasi 87,55, uji keseluruhan sistem validasi silang (akurasi k fold 5) 86,673%.
Kata Kunci: data mining;instansi kepolisian;mesin vektor pendukung
Abstract:Abstract: Today, many users use online platforms rather than offline platforms for ticket bookings, involving a wide range of services such as flights, hotels, trains, buses, and entertainment. PegiPegi.com, as one of the…
e fastest growing online travel agencies in Indonesia, demonstrates success by understanding the value of technology and maintaining strong partnerships. Users of this platform often provide reviews, viewing user reviews can be done manually but this will have a less effective impact, so it needs to be done automatically with sentiment analysis. This research the Naïve Bayes method in sentiment analysis of PegiPegi.com reviews, with a focus on understanding customer satisfaction and service improvement. By combining these approaches, this research contributes to a deeper understanding of user responses to OTA services and presents the evaluation results of the Multinomial Naive Bayes classification model with an accuracy rate of 89.5%. The high precision in the Negative class demonstrates the model's ability to identify negative reviews. However, there are challenges in classifying the Neutral class, indicating the potential for further improvement. Nevertheless, the F1 score of 0.522 reflects a good balance between overall precision, recall so it can be concluded the naïve bayes algorithm is successful for performing sentiment analysis.
Keywords: Sentiment analysis; naïve bayes algorithm; pegipegi.com; playstore
Abstract: Saat ini banyak pengguna platform online dibandingkan offline untuk pemesanan tiket, yang melibatkan berbagai layanan seperti penerbangan, hotel, kereta api, bus, dan hiburan. PegiPegi.com, sebagai salah satu agen perjalanan online yang berkembang pesat di Indonesia, menunjukkan keberhasilan dengan memahami nilai teknologi dan mempertahankan kemitraan yang kuat. Pengguna platform ini sering memberikan ulasan, melihat ulasan pengguna bisa saja dilakukan secara manual tetapi hal ini akan memberikan dampak yang kurang efektif, sehingga perlu dilakukan secara otomatis dengan analisis sentiment. Penelitian ini bertujuan untuk menerapkan metode klasifikasi Naïve Bayes dalam analisis sentimen ulasan PegiPegi.com, dengan fokus pada pemahaman kepuasan pelanggan dan peningkatan layanan. Dengan menggabungkan pendekatan ini, penelitian ini berkontribusi pada pemahaman yang lebih dalam tentang tanggapan pengguna terhadap layanan OTA dan menyajikan hasil evaluasi model klasifikasi Multinomial Naive Bayes dengan tingkat akurasi 89,5%. Presisi tinggi di kelas Negatif menunjukkan kemampuan model untuk mengidentifikasi ulasan negatif. Namun, ada tantangan dalam mengklasifikasikan kelas Netral, menunjukkan potensi untuk perbaikan lebih lanjut. Namun demikian, skor F1 0,522 mencerminkan keseimbangan yang baik antara presisi keseluruhan dan daya ingat sehingga dapat disimpulkan algoritma naïve bayes berhasil untuk melakukan analisis sentimen.
Keywords: Analisis sentimen; naïve bayes; pegipegi.com; playstore
Abstract:Abstract: Guntur Store is located on Jl. Sisingamangaraja, Kisaran, Asahan Regency. It focuses on selling basic needs, but the store faces a problem in its sales. The main issue encountered is the uncertainty in forecasting…
ing the stock of basic needs, which can lead to imbalance between supply and demand, due to Guntur Store still relying on manual ledger entries for reporting and inputting data into Microsoft Excel. This research aims to predict the demand for basic needs at Guntur Store using the Single Exponential Smoothing Method and to enhance prediction accuracy through the application of time series analysis techniques on historical sales data. The Single Exponential Smoothing Method will be employed to model and forecast patterns of demand for staple goods. The findings of this research can provide insights into future demand for goods, thereby improving supply chain optimization and ensuring adequate stock levels to effectively meet customer demands. The conclusion of this study is to obtain more accurate estimates in anticipating the evolving data patterns of basic needs at Guntur Store, thus providing valuable information for the store and policymakers involved in the distribution of basic needs.
Keywords: basic food needs; forecasting; single exponential smoothing
Abstrak : Toko Guntur terletak di Jl. Sisingamangaraja, Kisaran, Kabupaten Asahan. Berfokus pada penjualan kebutuhan sembako, namun dalam penjualan toko tersebut mengalami sebuah permasalahan. Permasalahan utama yang dihadapi adalah ketidakpastian dalam meramalkan kebutuhan stok Sembako yang dapat mengakibatkan ketidakseimbangan antara pasokan dan permintaan, dikarenkan Toko Guntur masih menggunakan buku besar dalam pembuatan laporan dan di input ke dalam microsoft excel. Penelitian ini bertujuan untuk memprediksi permintaan Sembako di Toko Guntur menggunakan Metode Single Exponential Smoothing serta meningkatkan akurasi prediksi melalui penerapan teknik analisis deret waktu terhadap data penjualan historis. Metode Single Exponential Smoothing akan digunakan untuk memodelkan dan memprediksi pola permintaan barang pokok. Hasil penelitian ini dapat memberikan jumlah permintaan barang di masa mendatang sehingga optimalisasi rantai pasok menjadi g lebih baik dan memastikan tingkat stok yang memadai untuk memenuhi permintaan pelanggan secara efektif. Kesimpulan penelitian ini untuk mendapatkan perkiraan yang lebih akurat dalam mengantisipasi pola data yang sedang berkembang kebutuhan sembako pada Toko Guntur sehingga menghasilkan informasi yang akurat dapat menjadi sumber informasi berharga bagi Toko Guntur, dan pembuat kebijakan yang terlibat dalam distribusi Sembako.
Kata Kunci: kebutuhan sembako; single exponential smoothing; peramalan
Abstract:Abstract: This study aims to train computers to recognize Javanese script characters known as Hanacaraka. The evaluation was conducted on the use of Convolutional Neural Network (CNN) with the ResNet-18 architecture in recognizing…
ecognizing these characters. The research objective is to overcome traditional character recognition barriers and improve accuracy. The method employed includes building a CNN model with the ResNet-18 architecture and using diverse datasets. The results show a training accuracy of 100%, validation accuracy of 98.01%, and accuracy, precision, recall, and F1-score each at 100%. This study concludes that the developed model successfully achieves a high level of accuracy and contributes positively to the development of Javanese Hanacaraka character recognition technology.
Keywords: convolution neural network (CNN); javanese hanacaraka script; resnet-18
Abstrak: Penelitian ini bertujuan melatih komputer untuk mengenali huruf aksara Jawa Hanacaraka. Evaluasi dilakukan terhadap penggunaan Convolutional Neural Network (CNN) dengan arsitektur ResNet-18 dalam pengenalan karakter tersebut. Tujuan penelitian adalah mengatasi hambatan pengenalan karakter tradisional dan meningkatkan akurasi. Metode yang digunakan mencakup pembuatan model CNN dengan arsitektur ResNet-18 dan penggunaan dataset yang beragam. Hasilnya menunjukkan akurasi pelatihan 100%, validasi 98.01%, dan akurasi, presisi, recall, dan F1-score masing-masing sebesar 100%. Simpulan penelitian ini adalah bahwa model yang dikembangkan berhasil mencapai tingkat akurasi yang tinggi dan memberikan kontribusi positif pada pengembangan teknologi pengenalan karakter Hanacaraka Jawa.
Kata kunci: convolution neural network (CNN); huruf aksara jawa hanacaraka; resnet-18
Abstract:Abstract: Children's nutritional issues are an important concern for parents to pay attention to growth and development, especially health and well-being. According to the results of the Ministry of Health's Indonesian Nutrition…
utrition Status Survey (SSGI), there are 4 nutritional problems for children in Indonesia, namely stunting, wasting, underweight and everweight. In this research, how to predict signs of symptoms of a decline in a child's nutritional status using a machine learning algorithm, a prediction model was designed using logistic regression in Python IDE to predict whether a child is indicated by a decline in nutrition or not. Dataset from Bengkayang Community Health Center data consisting of 657 pediatric patient data. The dataset is divided into 7 features (independent variables) and 1 predictor (dependent variable). Test results show perfect performance with precision, recall, F1-score, accuracy values of 100%. Then the visualization results on the ROC (Receiver Operating Characteristic) curve to depict the TP (True Positive) value on the Y axis against the FP (false Positive) value on the become overfit. It is recommended that in preparing the training dataset, measure the training data and reduce the features, after carrying out feature selection to increase the accuracy of the model.
Keywords: child nutritional status; growth and development logistic regression; machine learning
Abstract: Masalah Gizi anak menjadi perhatian penting bagi orangtua untuk memperhatikan tumbuh kembang, terutama kesehatan dan kejahteraan. Menurut hasil survei status Gizi Indonesia (SSGI) Kemenkes memperlihatkan 4 permasalahan gizi anak di Indonesia yaitu stunting, wasting, underweight, dan everweight. Dalam penelitian ini, bagaimana memprediksi tanda gejala penurunan status gizi anak menggunakan algoritma machine learning dirancang model prediksi menggunakan logistic regression pada Python IDE dengan memprediksi anak terindikasi penurunan gizi atau tidak. Dataset dari data Puskesmas Bengkayang yang terdiri 657 data pasien anak. Dataset dibagi menjadi 7 feature (variabel independen) dan 1 predictor (variabel dependen). Hasil Pengujian memperlihatkan kinerja yang sempurna dengan nilai presisi, recall, F1-score, akurasi, sebesar 100%. Kemudian hasil Visualisasi pada kurva ROC (Receiver Operating Characteristic) untuk menggambarkan nilai TP (True Positif) di sumbu Y terhadap nilai FP (false Positif) di sumbu X juga menunjukkan nilai yang sangat tinggi dan sudah mendekati angka 1 ini pertanda bahwa model ini menjadi overfit. Sebaiknya dalam persiapan training dataset diukur dengan data training dan mengurangi feature, setelah melakukan feature Selection untuk meningkatkan akurasi model.
Keywords: logistic regression; machine learning; status gizi anak; tumbuh kembang
Abstract:Abstract: There are a great number of academics that are now conducting research on sentiment analysis by employing supervised and machine learning techniques. The research can be carried out with the assistance of a variety…
iety of sources, including reviews of movies, reviews of Twitter, reviews of online products, blogs, discussion forums, and other social networks. With the progress of technology, individuals may now effortlessly utilize social media platforms to access and share information, as well as express their viewpoints to the general public, without any constraints of distance or time. Twitter is a social media network that serves as a repository for opinions. Diverse techniques are employed to provide optimal and realistically precise pressure detection. The analysis and discussion affirm that the Support Vector Machine (SVM) was effectively employed in this study, utilizing public opinion data on television program reviews in Indonesia. An SVM classifier is employed to examine the Twitter data set by utilizing various parameters. The study successfully completed the preprocessing process by collecting a total of 400 data points, consisting of 320 reviews from 4 television shows for training data and 80 reviews for testing. The data was filtered and classified using SVM, with 200 positive and 200 negative data points for comparison. The experiment utilized the SVM method using TF-IDF to achieve the most accurate test results. The test accuracy was 80%, while the training data accuracy reached 100%.
Keywords: Sentiment Analysis; Support Vector Machine; Television Shows Review, TF-IDF,
Abstrak: Saat ini, banyak akademisi sedang menyelidiki analisis sentimen melalui pemanfaatan teknik yang diawasi dan pembelajaran mesin. Kajian dapat dilakukan dengan menggunakan beberapa sumber seperti review film, review Twitter, review produk online, blog, forum diskusi, atau jejaring sosial lainnya. Dengan kemajuan teknologi, masyarakat kini dapat dengan mudah memanfaatkan platform media sosial untuk mengakses dan berbagi informasi, serta menyampaikan pandangan mereka kepada masyarakat umum, tanpa batasan jarak dan waktu. Twitter adalah jaringan media sosial yang berfungsi sebagai gudang opini. Beragam teknik digunakan untuk menghasilkan deteksi tekanan yang optimal dan presisi secara realistis. Analisis dan pembahasan menegaskan bahwa Support Vector Machine (SVM) efektif digunakan dalam penelitian ini, memanfaatkan data opini publik tentang review program televisi di Indonesia. Pengklasifikasi SVM digunakan untuk memeriksa kumpulan data Twitter dengan memanfaatkan berbagai parameter. Penelitian berhasil menyelesaikan proses preprocessing dengan mengumpulkan total 400 titik data yang terdiri dari 320 review dari 4 acara televisi untuk data pelatihan dan 80 review untuk pengujian. Data disaring dan diklasifikasikan menggunakan SVM, dengan 200 titik data positif dan 200 titik data negatif sebagai perbandingan. Percobaan ini menggunakan metode SVM dengan menggunakan TF-IDF untuk mencapai hasil pengujian yang paling akurat. Akurasi pengujiannya mencapai 80%, sedangkan akurasi data pelatihan mencapai 100%.
Kata kunci: Analisis Sentimen, Review Tayangan Televisi, TF-IDF, Support Vector Machine
Abstract:Abstract: Twitter, as a social media platform, has rapidly grown as a means for people to express their opinions and thoughts on various topics, including education. The number of Twitter users surged to 10.645.000 in 2020,…
20, with a significant increase during the pandemic. Telkom University, as a private institution of higher education in Indonesia, has become one of the topics of discussion on Twitter. Users’ opinions about Telkom University vary, ranging from positive to negative. To gain deeper insights into public view, sentiment analysis is essential. The analysis follows the Knowledge Discovery in Databases (KDD) process, utilizing the Naive Bayes classification algorithm. The evaluation results indicate the best accuracy achieved with an 80:20 data split, resulting in an accuracy rate of 82.05%, precision of 82.3%, recall of 82.05%, and F1-Score of 82.08%. The Naïve Bayes model demonstrates good performance for sentiment analysis of public views regarding Telkom University on Twitter.
Keywords: naïve bayes; sentiment analysis; twitter; telkom university.
Abstrak: Media sosial Twitter berkembang pesat sebagai sarana masyarakat berekspresi untuk menuangkan opini dan pikiran mereka mengenai topik apapun, termasuk pendidikan. Pengguna Twitter meningkat tajam hingga 10.645.00 pengguna pada tahun 2020 dan terus meningkat selama pandemi. Telkom University sebagai perguruan tinggi menjadi salah satu topik yang dibicarakan yang berkaitan dengan pendidikan. Pendapat mengenai Telkom University yang diungkapkan oleh pengguna Twitter beragam, baik positif maupun negatif. Analisis sentimen diperlukan untuk memahami pandangan publik lebih mendalam. Digunakan tahapan Knowledge Discovery in Databases dan algoritma klasifikasi Naïve Bayes dalam analisis ini. Hasil evaluasi menunjukkan akurasi paling baik dicapai dengan rasio data 80:20, dengan nilai akurasi sebesar 82.05%, nilai presisi sebesar 82.3%, nilai recall sebesar 82.05%, dan nilai F1-Score sebesar 82.08%. Model klasifikasi Naïve Bayes memiliki performa baik untuk analisis sentimen pandangan publik di Twitter mengenai Telkom University.
Kata kunci: analisis sentimen; naïve bayes; twitter; telkom university.
Abstract:Abstract: Toko IBIL Asahan is a retail business engaged in selling children's and adult clothing. Customer retention and marketing tactics are vital for corporate success. Especially for retail enterprises like the Ibil…
Asahan Store, it's critical to consistently create novel strategies to draw in new clients and keep existing ones. This research aims to design a web-based new customer acquisition and points program to increase buying interest and customer loyalty at IBIL Asahan stores. The research method used is a case study, which involves collecting data from primary and secondary sources. Primary data were obtained through direct observation at Toko IBIL Asahan and interviews with store management. The results of this study resulted in the design of a point program integrated with the web application to provide incentives to customers to shop regularly at Toko IBIL Asahan. This points program will give customers points every time they make a purchase, and these points can be redeemed for gifts or discounts in the future. In addition, new customer acquisition strategies are also proposed, including marketing through social media, promotional campaigns, and collaboration with local partners. This web application also provides information about point programs, special offers, and other features that can interest customers. In addition, the installation of point machines in stores will also be carried out to make it easier for customers to collect points and exchange them.
Keywords: Cashier Application; database; member; point; pos
Abstrak: Toko IBIL Asahan adalah sebuah usaha retail yang bergerak di bidang penjualan pakaian anak-anak dan dewasa. Strategi pemasaran dan retensi pelanggan menjadi faktor penting bagi keberhasilan bisnis. Terutama bagi bisnis ritel seperti Toko Ibil Asahan, penting untuk terus mengembangkan cara-cara baru untuk menarik pelanggan baru dan mempertahankan pelanggan yang sudah ada. Penelitian ini bertujuan untuk perancangan program poin dan akuisisi pelanggan baru berbasis web untuk meningkatkan minat beli dan loyalitas pelanggan pada toko IBIL Asahan. Metode penelitian yang digunakan adalah studi kasus, yang melibatkan pengumpulan data dari sumber primer dan sekunder. Data primer diperoleh melalui observasi langsung di toko IBIL Asahan dan wawancara dengan manajemen toko. Hasil penelitian ini menghasilkan perancangan program poin yang terintegrasi dengan aplikasi web untuk memberikan insentif kepada pelanggan untuk berbelanja secara teratur di Toko IBIL Asahan. Program poin ini akan memberikan poin kepada pelanggan setiap kali mereka melakukan pembelian, dan poin-poin ini dapat ditukarkan dengan hadiah atau diskon di masa mendatang. Selain itu, strategi akuisisi pelanggan baru juga diusulkan, termasuk pemasaran melalui media sosial, kampanye promosi, dan kolaborasi dengan mitra lokal. Aplikasi web ini juga menyediakan informasi tentang program poin, penawaran spesial, dan fitur-fitur lain yang dapat menarik minat pelanggan. Selain itu, pemasangan mesin poin di toko juga akan dilakukan untuk memudahkan pelanggan dalam mengumpulkan poin dan menukarkannya.
Kata kunci: aplikasi kasir; database; member; poin; pos