Jurnal Informatika dan Teknik Elektro Terapan
Not a member yet
1765 research outputs found
Sort by
APLIKASI PEMESANAN BERBASIS WEBSITE PADA DOBRO COFFEE DENGAN MENERAPKAN PAYMENT GATEWAY MIDTRANS
Get PDFPertumbuhan kedai kopi di Bekasi (120 unit tahun 2021) memperketat persaingan. Dobro Coffee menghadapi masalah antrian (10-15 menit), kesalahan input pesanan, yang berdampak pada penurunan penjualan (Rp65.000 Oktober 2024 menjadi Rp49.000 Januari 2025). Penelitian ini mengusulkan aplikasi pemesanan website terintegrasi Payment Gateway Midtrans, dikembangkan dengan metode SDLC Waterfall (analisis kebutuhan, perancangan UML & basis data, implementasi PHP, MySQL, Bootstrap, Laragon, pengujian fungsional). Hasilnya adalah prototipe dengan modul pelanggan (registrasi, katalog menu, pembayaran Midtrans) dan admin (dasbor, kelola menu/pesanan). Pengujian SUS pada 25 responden menghasilkan skor 82,5 ('Good' dan 'Acceptable'). Sistem diproyeksikan mengurangi antrian, kesalahan input, dan meningkatkan efisiensi
IMPLEMENTASI MACHINE LEARNING BERBASIS FITUR WARNA RGB DAN HSV UNTUK KLASIFIKASI KUALITAS AIR
Get PDFAbstrak. Penurunan kualitas sumber air menjadi permasalahan penting yang memerlukan metode deteksi yang cepat, murah, dan mudah diimplementasikan. Pemantauan kualitas air secara konvensional umumnya dilakukan melalui analisis laboratorium yang membutuhkan biaya tinggi serta waktu yang relatif lama. Penelitian ini mengimplementasikan machine learning untuk mengklasifikasikan kualitas air berdasarkan analisis fitur warna digital dalam ruang warna RGB dan HSV. Dataset yang digunakan terdiri dari 647 citra air yang diklasifikasikan ke dalam dua kelas, yaitu air jernih dan air kotor. Fitur warna diekstraksi berupa nilai rata-rata R, G, B, H, S, dan V, kemudian dilakukan pelabelan otomatis berdasarkan threshold pada ruang warna HSV. Beberapa algoritma machine learning, yaitu Random Forest, Support Vector Machine, K-Nearest Neighbor, dan Decision Tree, digunakan dan dibandingkan kinerjanya. Hasil penelitian menunjukkan bahwa Decision Tree menghasilkan akurasi tertinggi sebesar 100%, diikuti oleh Random Forest sebesar 99,23%, Support Vector Machine sebesar 98,46%, dan K-Nearest Neighbor sebesar 96,92%. Analisis feature importance menunjukkan bahwa komponen Value dan Saturation pada ruang warna HSV merupakan fitur paling dominan dalam proses klasifikasi. Hasil ini menunjukkan bahwa kombinasi machine learning dan fitur warna digital efektif digunakan untuk klasifikasi kualitas air secara otomatis.
Abstract. The declining quality of water resources requires fast, cost-effective, and easily deployable detection methods. Conventional water quality monitoring relies on laboratory analysis, which is expensive and time-consuming. This study implements machine learning to classify water quality based on digital color feature analysis in RGB and HSV color spaces. The dataset consists of 647 water images classified into clear and turbid water categories. Color features were extracted as mean values of R, G, B, H, S, and V, followed by automatic labeling using HSV-based threshold rules. Several machine learning algorithms, including Random Forest, Support Vector Machine, K-Nearest Neighbor, and Decision Tree, were evaluated and compared. The results indicate that the Decision Tree achieved the highest accuracy of 100%, followed by Random Forest at 99.23%, Support Vector Machine at 98.46%, and K-Nearest Neighbor at 96.92%. Feature importance analysis reveals that Value and Saturation components in the HSV color space are the most influential features for classification. These findings demonstrate that machine learning combined with digital color features provides an effective approach for automated water quality classification
RANCANGAN PROTOTIPE SISTEM PRESENSI MAHASISWA STT CIPASUNG MENGGUNAKAN SENSOR RFID BERBASIS ARDUINO UNO
Get PDFKehadiran merupakan indikator penting dalam penilaian akademik mahasiswa. Sistem presensi manual yang masih digunakan di STT Cipasung menimbulkan berbagai masalah seperti fenomena titip absen, risiko kesalahan pencatatan dan rendahnya efisiensi pengelolaan arsip. Penelitian ini bertujuan untuk merancang prototipe sistem presensi mahasiswa menggunakan sensor RFID berbasis Arduino Uno yang terintegrasi dengan penyimpanan cloud untuk meningkatkan akurasi data dan mencegah kecurangan. Metode yang digunakan adalah Research and Development (R&D) dengan tahapan utama yaitu penyusunan perangkat keras, pengembangan program, dan integrasi sistem. Hasil pengujian teknis menunjukkan seluruh fungsi berjalan dengan baik. Uji kelayakan pengguna menggunakan System Usability Scale (SUS) terhadap 14 responden menghasilkan skor sebesar 76,7 yang termasuk ke dalam Grade C dan diklasifikasikan sebagai “Good”. Dari sudut pandang acceptability, rancangan prototipe sistem presensi RFID ini juga berada pada kategori acceptable yang berarti sistem telah diterima oleh pengguna
AUDIT OF TRADING PLATFORM INFORMATION SYSTEM FROM THE PERSPECTIVE OF INFORMATION SECURITY GOVERNANCE IN COMMODITY FUTURES TRADE
Get PDFInformation system-based trading platforms play an important role in supporting real-time, high-value, and high-risk commodity futures trades. With their complex designs, huge transaction volumes, and reliance on digital technology, information system security is crucial to operational reliability and stakeholder confidence. Weak security measures can result in financial losses, service disruptions, and reputational damage. This study employs an information system audit approach to assess the efficacy of information system security controls on a commodity futures trading platform. A descriptive qualitative approach with a case study at Company X was used. Data were gathered by analyzing security audit reports, internal policies, and operational processes, conducting interviews with system management and supervisory people, and observing platform activities. Data analysis involved comparing real system circumstances to information system audit best practices and digital transaction security standards. The findings indicate that security procedures have been widely implemented but are only partially compliant. Key holes were detected in risk planning that is not frequently updated, insufficient documentation of operational controls, flaws in human resource competency management, and a lack of comprehensive continuous monitoring and improvement processes. These findings emphasize that effective information system security necessitates not just the establishment of controls, but also consistent implementation, thorough documentation, and alignment of technology controls with business operations
IMPLEMENTASI ALGORITMA VALIDASI DATA DAN GEOLOCATION PADA SISTEM INFORMASI AKADEMIK BERBASIS ANDROID MENGGUNAKAN KODULAR
Get PDFPengelolaan data mahasiswa yang akurat merupakan elemen krusial dalam sistem informasi akademik. Permasalahan yang sering terjadi dalam pendataan konvensional atau aplikasi sederhana adalah redundansi data, khususnya duplikasi Nomor Induk Mahasiswa (NIM), serta kurangnya integrasi visual terkait domisili mahasiswa. Penelitian ini bertujuan untuk membangun sebuah sistem informasi akademik berbasis Android yang mampu menangani validasi integritas data dan pemetaan lokasi. Aplikasi dikembangkan menggunakan platform Kodular dengan pendekatan pemrograman visual (visual block programming). Fitur utama yang diimplementasikan meliputi operasi CRUD (Create, Read, Update, Delete), algoritma validasi data untuk mencegah input NIM ganda, serta integrasi Geolocation menggunakan Google Maps API. Hasil pengujian menunjukkan bahwa sistem berhasil menolak input data baru apabila NIM sudah terdaftar di dalam basis data, sehingga menjamin keunikan data (data integrity). Penelitian ini membuktikan bahwa penggunaan Kodular efektif dalam membangun aplikasi manajemen data akademik yang handal, interaktif, dan bebas dari duplikasi dat
IMPLEMENTASI DATA MINING UNTUK PREDIKSI DAN KLASIFIKASI TINGKAT STRES MENGGUNAKAN ALGORITMA RANDOM FOREST
Get PDFStres merupakan permasalahan kesehatan mental yang dapat menurunkan produktivitas serta kualitas hidup individu, sehingga diperlukan upaya identifikasi dini yang akurat dan efisien. Penelitian ini bertujuan mengimplementasikan teknik data mining untuk prediksi dan klasifikasi tingkat stres menggunakan algoritma Random Forest. Data penelitian diperoleh dari hasil survei Perceived Stress Scale (PSS-10) yang dipadukan dengan indikator gaya hidup, seperti pola tidur dan aktivitas fisik, yang dikumpulkan dari 512 responden melalui Google Form. Sistem klasifikasi dikembangkan berbasis Streamlit untuk mendukung proses preprocessing data, pelatihan model, pengujian internal dan eksternal, serta visualisasi hasil prediksi. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa algoritma Random Forest mencapai akurasi sebesar 99,03% pada pengujian internal dan 99,80% pada pengujian eksternal, dengan nilai precision, recall, dan f1-score yang mendekati 1,00 pada seluruh kategori tingkat stres. Hasil ini menunjukkan bahwa model memiliki kinerja yang sangat baik dan konsisten, sehingga berpotensi diterapkan sebagai alat bantu skrining awal tingkat stres di lingkungan pendidikan, perusahaan, dan layanan kesehatan
PROTOTIPE SISTEM PENJEMUR PAKAIAN OTOMATIS BERBASIS IOT DENGAN PEMANTAUAN VISUAL ESP32-CAM DAN KENDALI APLIKASI MOBILE
Get PDFKetidakpastian cuaca sering menjadi kendala dalam proses pengeringan pakaian secara konvensional, terutama bagi masyarakat dengan mobilitas tinggi. Penelitian ini bertujuan membangun prototipe sistem penjemur pakaian otomatis berbasis Internet of Things (IoT) yang dilengkapi fitur pemantauan visual real-time. Sistem ini dikembangkan menggunakan metode Waterfall, mengintegrasikan mikrokontroler Wemos D1 R1 dengan sensor hujan, cahaya (LDR), dan suhu (DHT22) untuk mendeteksi kondisi lingkungan, serta motor DC sebagai penggerak otomatis jemuran. Keunggulan utama sistem ini adalah integrasi modul ESP32-CAM yang memungkinkan pengguna memverifikasi kondisi aktual jemuran secara visual melalui aplikasi. Seluruh pemantauan dan kendali sistem, baik mode otomatis maupun manual, dilakukan melalui aplikasi Android yang dibangun dengan Android Studio dan terhubung ke Firebase. Hasil pengujian menunjukkan sistem mampu merespons perubahan cuaca secara akurat untuk melindungi pakaian dari hujan, serta memberikan fleksibilitas monitoring jarak jauh yang meningkatkan efisiensi aktivitas rumah tangga
LSTM-BASED MACHINE LEARNING FOR REMAINING USEFUL LIFE PREDICTION OF BEARING MOTORS USING MULTI-SENSOR MONITORING
Get PDFThis study presents an advanced Long Short-Term Memory (LSTM) machine learning framework for predicting the Remaining Useful Life (RUL) of bearing motors through multi-sensor monitoring. Critical parameters, including vibration (RMS), acoustic emission, temperature, stator current, and rotational speed (RPM), were simulated over a 1000-day operational period for three motors with varying conditions. Failure thresholds were defined to represent severe operational conditions. The LSTM model achieved RMSE values of 28.15, 30.29, and 29.21 days and R² values of 0.989, 0.9876, and 0.9877 for training, validation, and test datasets, respectively. These results demonstrate high predictive accuracy and reliability. Integrating multi-sensor data improves the model’s robustness and supports proactive maintenance planning. The study provides a foundation for future integration of LSTM-based predictive models with IoT-enabled real-time monitoring systems in industrial applications
KLASIFIKASI PENYAKIT TANAMAN PADI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR MOBILNETV2
Get PDFDiseases affecting rice plants are one of the major factors contributing to decreased agricultural productivity and potential losses for farmers. Conventional disease identification generally relies on expert knowledge and is often impractical to perform accurately and efficiently in the field. This study aims to develop an image-based classification system for rice leaf diseases using a Deep Learning approach with a Convolutional Neural Network architecture, specifically MobileNetV2. The dataset consists of five rice leaf condition classes, namely bacterial disease, brown spot, blast, tungro, and healthy leaves, obtained from the Roboflow platform. The research methodology includes data collection, image pre-processing, model training using a transfer learning approach, and performance evaluation. Experimental results demonstrate that the proposed MobileNetV2 model achieves an accuracy of 93.46% and shows strong performance across most disease categories. Although misclassification still occurs among classes with similar visual characteristics, the results indicate that the developed model has significant potential as an efficient and automated decision-support system for rice plant disease identification
PERANCANGAN UI/UX SISTEM ABSENSI MAHASISWA MAGANG BERBASIS WEB DENGAN METODE DESIGN THINKING PADA PT. BANK SUMUT
Get PDFKegiatan absensi mahasiswa magang di PT. Bank Sumut masih dilakukan secara manual, sehingga memunculkan banyak kendala seperti keterlambatan pencatatan, ketidakakuratan data, dan sulitnya pemantauan kehadiran. Di sini, penelitian ini bertujuan merancang antarmuka pengguna (UI) dan pengalaman pengguna (UX) untuk sistem absensi berbasis web dengan pendekatan Design Thinking. Metode ini diterapkan melalui lima tahapan, yaitu empathize, define, ideate, prototype, dan test, guna menghasilkan solusi dengan fokus pada kebutuhan pengguna. Hasil perancangan berupa prototipe sistem absensi yang intuitif, responsif, dan efisien, dengan fitur utama seperti perekaman kehadiran, manajemen data mahasiswa, serta dashboard monitoring. Evaluasi terhadap prototipe memperlihatkan bahwasannya sistem ini mampu meningkatkan efisiensi pencatatan absensi serta memberi pengalaman pengguna lebih baik dibandingkan metode sebelumnya. Penelitian ini diharapkan bisa menjadi acuan dalam mengembangkan sistem absensi berbasis web pada lingkungan PT. Bank Sumut agar lebih optimal