The rapid development of technology has had a significant impact on various aspects of life, one of which is the economic sector. The application of technology in the economic sector involves the use of AI in e-commerce, particularly in the live feature of Shopee, which provides substantial benefits for business actors. However, it can also create imbalances in the market at times. The market imbalance has led to unhealthy business competition practices that are contrary to Law Number 5 of 1999 concerning the Prohibition of Monopolistic Practices and Unfair Business Competition. The purpose of this research is to analyze the utilization of AI in Shopee's live feature, which is indicated to potentially lead to unfair business competition practices based on Competition Law. The method used in this research is normative empirical, combining the implementation of positive law with legal events occurring in society. The utilization of AI in Shopee's live feature causes an imbalance in the market by providing significant advantages to business players who possess multiple AI models, allowing them to dominate up to 50% of the market share for certain products and hindering new competitors from entering the market. The use of AI in Shopee's live feature leads to market dominance and a dominant position by business players, which contradicts Articles 19 and 25 of Law Number 5 of 1999 concerning the Prohibition of Monopoly Practices and Unfair Business Competition.

This study examines how the violation of Grice’s cooperative maxims—quantity, quality, relation, and manner—elicits humor in YouTube clips from Steve Harvey’s TV Show. Using a qualitative content analysis approach, this research analyzes social media data from the show’s YouTube channel. The analysis applies a pragmatic identity framework and follows the data analysis techniques outlined by Miles and Huberman (1984). Key findings reveal how different types of maxim violations, influenced by contextual factors, contribute to humor production in a talk show format. This study offers valuable insights into the role of conversational implicature in humor, particularly within contemporary media, and contributes to the broader field of discourse analysis and humor studies. By examining how humor is constructed through maxim flouting, the research highlights its implications for understanding humor in digital media and its cultural significance in global media contexts.

This paper presents recent research in the field of human face recognition and detection. Technology development has marked a clear transformation in the implementation of recognition tasks. It is a transition from classical methods to methods with AI and deep learning applications. We have reviewed the latest works in famous journals to evaluate this field. This paper provides a comprehensive taxonomy across detection, identification, and tracking. It offers a comparative analysis of state-of-the-art AI approaches and highlights their strengths, limitations, and practical considerations. We have evaluated the level of compliance, completeness, and methodology of related studies. According to the results of our evaluation, significant improvements and developments have occurred in this field. However, some challenges still need to be focused on, such as improving the efficiency of training models in different environmental conditions. The negative effects of lighting conditions, occlusion of faces, or distortions due to different shooting angles are overcome.

Indoor positioning plays an important role in a wide range of applications, such as autonomous mobile robots (AMRs), healthcare smart homes, and industrial automation. Popular positioning methods include received signal strength indicator (RSSI)-based positioning, proximity-based positioning, angle-of-arrival (AoA)-based positioning, and fingerprinting. Each method has specific trade-offs regarding accuracy, cost, and deployment complexity. Recent research has focused on solutions to improve accuracy. These include noise filtering techniques, such as Kalman and particle filters, as well as the use of machine learning to optimize the positioning model. In particular, graph-based positioning methods have demonstrated the ability to improve accuracy by optimizing the spatial relationship between landmarks. In addition, regression-based error estimation helps predict and correct positioning errors, improving system reliability. This paper presents a focused review of state-of-the-art techniques to enhance indoor positioning systems' accuracy. They consist of filtering, hybrid methods, and Artificial Intelligence (AI)-based optimization, offering a practical reference for enhancing system performance in real-world applications. By reinforcing recent developments, this review serves as a foundation for researchers and engineers seeking effective positioning solutions for AMR and smart environments. Looking ahead, hybrid positioning systems integrate multiple technologies. AI and machine learning enhance them. Hybrid positioning systems are expected to offer greater accuracy, flexibility, and scalability. These advancements will be essential in optimizing operations and enhancing user experiences in future automation applications and the Internet of Things(IoT).

Pada penelitian ini, sebuah chatbot untuk penerimaan mahasiswa baru dikembangkan dengan memanfaatkan algoritma Naïve Bayes. Sumber data yang digunakan adalah dialog antara staf penerimaan dan calon mahasiswa, yang didasarkan pada informasi dari brosur penerimaan mahasiswa baru Institut Widya Pratama (d.h. STMIK Widya Pratama) tahun akademik 2024-2025. Data tersebut disusun dalam format JSON, mencakup tiga elemen: struktur pertanyaan, klasifikasi, dan jawaban. Langkah-langkah pra-pemrosesan data meliputi penormalan teks, pengkodean label, vektorisasi, dan word embedding. Algoritma Naïve Bayes dipilih untuk melatih model karena kemampuannya dalam memprediksi respons dari data diskrit. Hasil pengujian menunjukkan bahwa algoritma ini mencapai tingkat akurasi 88%, melampaui kinerja algoritma K-Neighbors-Classifier. Model yang dihasilkan diimplementasikan dalam aplikasi chatbot berbasis desktop yang dijalankan melalui command prompt, menggunakan bahasa pemrograman Python dan beberapa pustaka seperti pickle, string, dan numpy. Aplikasi ini mampu memberikan jawaban atas pertanyaan pengguna dengan mengakses model yang tersimpan dalam file *.pkl. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes efektif dalam memprediksi pertanyaan pengguna, dengan akurasi yang memadai untuk aplikasi chatbot penerimaan mahasiswa baru

Industri kerajinan kain jeblos yang menggunakan Alat Tenun Bukan Mesin (ATBM) memainkan peran penting dalam pelestarian budaya dan mendorong pertumbuhan ekonomi di daerah tersebut. Namun, pengelolaan persediaan benang yang tidak efektif, baik karena kelebihan stok maupun kekurangan bahan baku, sering menyebabkan proses produksi terganggu. Dalam penelitian ini, metode Economic Order Quantity (EOQ) dan Reorder Point (ROP) digunakan sebagai solusi ilmiah dalam manajemen rantai pasok untuk mengoptimalkan sistem pengelolaan stok benang. Data yang digunakan berasal dari pemakaian benang selama satu tahun (2020) pada salah satu unit usaha kain jeblos. Permintaan tahunan benang tercatat sebesar 11.396,24 kg. Berdasarkan perhitungan metode EOQ, jumlah pemesanan optimal setiap kali order adalah sebesar 754,86 kg, sedangkan titik pemesanan ulang (ROP) ditentukan pada saat persediaan menyentuh 221,59 kg, dengan asumsi konsumsi harian sebesar 31,66 kg dan lead time 7 hari. Hasil evaluasi menunjukkan bahwa penerapan metode EOQ dan ROP dapat menurunkan total biaya persediaan tahunan dari Rp 1.752.143 menjadi Rp 1.509.717, sehingga menghasilkan penghematan sebesar ±Rp 242.425 per tahun. Kesimpulan dari penelitian ini adalah bahwa algoritma EOQ dan ROP dapat diterapkan secara efektif dalam skala usaha kecil kerajinan kain tradisional, guna meningkatkan efisiensi biaya dan menjaga kesinambungan pasokan bahan baku.

Penelitian ini berfokus pada penerapan metode Exploratory Data Analysis (EDA) untuk menganalisis dataset publik tentang lemak tubuh. Masalah yang diidentifikasi adalah pentingnya memahami pola distribusi dan hubungan antar variabel dalam dataset lemak tubuh. Penelitian ini memanfaatkan dataset lemak tubuh yang mencakup berbagai pengukuran lingkar tubuh pria, seperti berat badan, tinggi badan, dan persentase lemak tubuh. Solusi yang ditawarkan melibatkan serangkaian langkah EDA, termasuk pembersihan data, analisis univariat dan multivariat, serta visualisasi data menggunakan grafik seperti histogram, scatter plot, dan heatmap. Penanganan outlier dan rekayasa fitur seperti Body Mass Index (BMI) dilakukan untuk meningkatkan kualitas data dan menghasilkan wawasan baru tentang distribusi lemak tubuh. Hasil penelitian menunjukkan hubungan kuat antara persentase lemak tubuh dengan variabel seperti berat badan, lingkar perut, dan kepadatan tubuh. Sebagian besar individu dalam dataset berada dalam kategori BMI normal, dengan perbedaan distribusi ukuran tubuh berdasarkan kategori BMI. Hasil dari penelitian ini adalah dengan menggunakan EDA yang menyeluruh, yang mencakup analisis univariat dan multivariat, pola dan hubungan antara persentase lemak tubuh dan variabel lain seperti berat badan, tinggi badan, usia, dan lingkar tubuh telah ditemukan. Penelitian ini merekomendasikan pengembangan model prediktif berbasis machine learning dengan menggunakan dataset lemak tubuh.

PT Laras Astra Kartika ialah sebuah perusahaan yang beroperasi disektor pemasaran minyak kelapa sawit yang berupa anak dari PT Rajawali Nusantara Indonesia (Persero). Dalam menentukan karyawan terbaik, perusahaan masih memakai cara manual yang memerlukan periode yang panjang serta tidak transparan. Sehingga, dibuatlah Sistem Pendukung Keputusan dalam menyerap pekerja terbaik. Sistem ini dirancang khusus untuk menetapkan pekerja terbaik dengan parameter yang sudah ditentukan oleh perusahaan. Sistem ini mampu mengelola data karyawan, data kriteria dan sub kriteria, menginput nilai parameter guna mencari dan menentukan karyawan terbaik menggunakan metode TOPSIS. Pengembangan dalam merancang sistem menggunakan metode RUP agar hasil dari penelitian sistem yang dirancang memiliki pendekatan yang lebih objektif dalam menentukan karyawan terbaik yang dihitung menggunakan metode TOPSIS.
 

Media pembelajaran adalah alat penting untuk menyampaikan informasi dan pesan dalam proses belajar. Pemanfaatan teknologi dan informasi sebagai media pembelajaran menjadi hal yang penting untuk membuat proses belajar lebih menarik dan tidak bergantung hanya pada guru. Penelitian ini menggunakan metode Research and Development (R&D) dengan model ADDIE. Model ADDIE ini memiliki lima tahapan: analisis, desain, pengembangan, implementasi, dan evaluasi. Adapun sampel penelitian ini adalah Himpaudi Kecamatan Kedungwuni dan data ataupun problem yang dibahas pada penelitian ini adalah berkaitan dengan pembelajaran pengenalan rambu lalu lintas. Media pembelajaran animasi bisa digunakan sebagai alternativ bagi guru dalam menyampaikan materi kepada siswa, karena sudah dilakukan uji validasi oleh ahli media dan ahli materi. Hasil dari ahli media diperoleh prosentase sebesar 79% dengan kualifikasi layak. Sedangkan hasil dari ahli materi diperoleh prosentase sebesar 87,5% dengan kualifikasi sangat layak.

Keterbatasan fitur FAQ statis pada website Anti Dosa Pendidikan dan Integritas Akademik (ADIA) LLDIKTI Wilayah III dalam menjawab pertanyaan pengguna secara interaktif menjadi masalah utama dalam penyampaian informasi. Penelitian ini bertujuan untuk mengembangkan chatbot berbasis Dialogflow yang terintegrasi dengan website ADIA guna meningkatkan efektivitas dan responsivitas layanan informasi. Pengembangan dilakukan melalui tahapan pengumpulan data, perancangan intent, implementasi chatbot dalam platform Dialogflow, dan integrasi ke situs WordPress. Dialogflow Essentials memanfaatkan algoritma klasifikasi intent berbasis word embeddings dan neural network untuk memproses input pengguna secara semantik. Evaluasi dilakukan melalui pengujian fungsionalitas, pengukuran akurasi menggunakan precision, recall, F1-score, serta penilaian pengguna. Hasil menunjukkan chatbot mampu merespons dengan akurasi 100% pada data pelatihan, namun menurun menjadi 83% pada pertanyaan parafrase. Survei dari 10 pengguna menunjukkan bahwa 80% responden merasa puas terhadap performa chatbot. Temuan ini menegaskan bahwa chatbot berbasis Dialogflow dapat meningkatkan aksesibilitas informasi, meskipun masih memerlukan pengembangan lanjutan dalam pemahaman variasi bahasa alami