• Beranda
  • Website Perpustakaan
  • Panduan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Penanda Bagikan

SKRIPSI DIGITAL

Pengaruh Engagement Media Sosial Terhadap Penjualan Online Paket Internet Indibiz PT Telkom Indonesia (Persero) Tbk Menggunakan Pendekatan Machine Learning = Analyzing the Impact of Social Media Engagement on Indibiz Telkom Indonesia Online Sales via Machine Learning

GAVRILA NAUFAL ARSANDY - Nama Orang; Idhawati Hestiningsih - Nama Orang; Kuwat Santoso - Nama Orang;

Gavrila Naufal Arsandy, "Pengaruh Engagement Media Sosial Terhadap Penjualan Online Paket Internet Indibiz PT Telkom Indonesia (Persero) Tbk Menggunakan Pendekatan Machine Learning", Skripsi DIV Jurusan Teknik Elektro Politeknik Negeri Semarang, di bawah bimbingan Idhawati Hestiningsih, S.Kom, M.Kom. dan Kuwat Santoso, S.Kom, M.Kom., Juli 2024.
Penelitian ini bertujuan untuk mengukur pengaruh engagement media sosial, khususnya metrik partisipasi pasif seperti jumlah tayangan (views) dari platform Instagram, Facebook, dan TikTok, terhadap konversi penjualan online paket internet Indibiz PT Telkom Indonesia (Persero) Tbk di wilayah Jawa Tengah dan Daerah Istimewa Yogyakarta. Selain itu, penelitian ini membandingkan kinerja algoritma Machine Learning untuk membangun model peramalan penjualan yang presisi. Metode yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan menerapkan teknik jeda waktu (time lag) selama 14 hari pada data historis harian dari Januari 2024 hingga Desember 2025. Tiga algoritma dievaluasi secara komparatif: Linear Regression (sebagai baseline), Random Forest Regression, dan eXtreme Gradient Boosting (XGBoost). Hasil pengujian menunjukkan bahwa model Random Forest Regression memberikan performa terbaik dengan tingkat kesalahan terendah (MAE = 0,0367, RMSE = 0,1590) dan nilai koefisien determinasi (R2) tertinggi sebesar 89,13%. Model terbaik kemudian diimplementasikan ke dalam sistem dashboard interaktif berbasis web menggunakan Flask dan Vanilla JavaScript, dilengkapi dengan keamanan token JWT, yang terbukti secara fungsional dapat membantu pihak manajemen operasional dalam memantau tren dan merumuskan strategi pemasaran digital secara akurat.
Kata Kunci: Engagement Media Sosial, Indibiz, Prediksi Penjualan, Machine Learning, Random Forest Regression.


Fulltext
  • Harap masuk untuk melihat lampiran
Informasi Detail
Judul Seri
-
No. Panggil
RK 007 2026
Penerbit
Semarang : Politeknik Negeri Semarang., 2026
Deskripsi Fisik
xvi, 97 hal.: illus.; 30 cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
NONE
Tipe Isi
text
Tipe Media
computer
Tipe Pembawa
online resource
Edisi
-
Subjek
MACHINE LEARNING
indibiz
engagement media sosial
prediksi penjualan
random forest regression
Info Detail Spesifik
-
Pernyataan Tanggungjawab
GAVRILA NAUFAL ARSANDY
Versi lain/terkait

Tidak tersedia versi lain

Komentar

Anda harus masuk sebelum memberikan komentar

  • Panduan
  • Area Anggota

Tentang Kami

Si-Repo adalah platform digital yang dikelola oleh UPA Perpustakaan Politeknik Negeri Semarang, menyimpan karya ilmiah seperti Tugas Akhir, Skripsi, dan Tesis dari sivitas akademika Polines, untuk mendukung kebutuhan akademik, penelitian, dan pengembangan.

Jam Buka Perpustakaan

Senin - Kamis:
07.30 - 16.00 WIB

Jum'at:
07.30 - 16.30 WIB


NPP. 3374102C0000002
0895340731030
Follow Us
Subscribe

© 2026 — Perpustakaan Politeknik Negeri Semarang

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik
Kemana ingin Anda bagikan?