Jurnal Ilmu Komputer dan Agri-Informatika
Not a member yet
160 research outputs found
Sort by
Manajemen dan Pencatatan Ternak Berbasis Internet Of Things Pada Program Penggemukan Kambing
Get PDFIndonesia memiliki potensi besar di bidang agraria, khususnya peternakan. Potensi tersebut terlihat pada komoditas kambing yang permintaan pasarnya selalu tumbuh eksponensial. Fakta lapangan di Indonesia ditemukan beberapa kelemahan dalam sistem pengelolaan pendataan ternak kambing atau recording. Pencatatan ternak di Indonesia masih menerapkan metode konvensional dengan kepemilikan individu menggunakan kertas, tidak menggunakan RFID, tidak adanya kontrol dan monitoring kondisi kandang (suhu, kelembaban, gas amoniak) yang akan mempengaruhi pertumbuhan ternak jika kondisi kandang tidak stabil, dan belum menerapkan jadwal dan laporan pemberian pakan. Tujuan dari penelitian ini adalah menciptakan suatu gagasan pencatatan recording elektronik berbasis IoT dengan mobile system guna mempermudah proses pencatatan ternak. Metode yang digunakan adalah metode IoT yang meliputi tahapan: analisis, desain, implementasi, dan pengujian. Aplikasi Smart Goat ini memiliki beberapa fitur yaitu manajemen data ternak, komposisi serta pemberian pakan, pemantauan suhu dan intensitas cahaya, kelembaban, gas amonia, pemantauan bobot badan dan pengontrol suhu. Adapun keunggulan Smart Goat ini adalah aplikasinya dapat diakses dari mana saja dan kapan saja melalui internet, sistem ini juga dilengkapi dengan sensor RFID, timbangan digital, serta pengontrol dan pemantau kadang terintegrasi dengan server. Hal ini membuat data yang terupdate dalam sistem akan lengkap, cepat, tepat, dan akurat.Indonesia has great potential in the agrarian sector, especially livestock. This potential can be seen in the goat commodity whose market demand always grows exponentially. Facts on the ground in Indonesia found several weaknesses in the management system for goat livestock data collection or recording. Livestock registration in Indonesia still applies conventional methods with individual ownership using paper, not using RFID, there is no control and monitoring of cage conditions which will affect livestock growth if the conditions of the cage are unstable, and have not implemented schedules and reports. feeding. The purpose of this research is to create an IoT-based electronic recording idea with a mobile system to simplify the livestock recording process. The method used is the IoT method which includes the stages: analysis, design, implementation and testing. The Smart Goat application has several features, namely livestock data management, composition and feeding, monitoring of temperature and light intensity, humidity, ammonia gas, monitoring of body weight and temperature control. The advantages of Smart Goat are that the application can be accessed from anywhere and at any time via the internet, this system is also equipped with an RFID sensor, digital scales, and controllers and monitors, sometimes integrated with servers. This makes the updated data in the system complete, fast, precise, and accurate.Keywords: Goat Fattening, Internet of Things, and Recordin
Comparison of Classification Algorithms for Detecting Nitrogen Requirements of Rice Plants Based on Multi-spectral Drone Image
No full textOptimalisasi penggunaan pupuk Nitrogen (N) sangat penting untuk meningkatkan produktivitas tanaman padi. Untuk mengetahui jumlah pupuk yang diperlukan oleh tanaman padi, petani umumnya menggunakan Bagan Warna Daun (BWD) dengan cara mencocokkan warna daun padi dengan warna pada BWD secara manual. Namun, hal ini sangat memakan waktu. Salah satu strategi untuk meningkatkan efisiensi penentuan kebutuhan pupuk N adalah dengan menggunakan Multi-spectral Drone. Drone digunakan untuk mengambil citra multispectral, kemudian citra ini digunakan untuk menentukan kebutuhan pupuk N. Penelitian ini membandingkan beberapa algoritma klasifikasi untuk memodelkan kebutuhan pupuk N dari data citra multispectral, dengan menggunakan ground truth dari penskalaan BWD. Algoritma klasifikasi yang dibandingkan yaitu Decision Tree (DT), Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF), dan K-Nearest Neighbour (KNN). Kinerja kelima algoritma klasifikasi diukur berdasarkan accuracy, recall, precision dan F1 score. Dalam penelitian ini, ditemukan bahwa model klasifikasi yang memiliki kinerja terbaik adalah algoritma Decision Tree (DT) baik dalam perlakuan tanpa normalisasi dan balancing dan dengan normalisasi dan balancing dengan nilai accuracy, recall, precision, dan F1-score di atas 90%.Optimizing the use of Nitrogen (N) fertilizer is very important for increasing the productivity of rice plants. To determine the amount of N fertilizer required by rice plants, farmers generally use the Leaf Color Chart (LCC) by manually matching the color of the rice leaves with the paint on the LCC. However, this method is very time-consuming. One of the strategies to increase the efficiency of determining the need for N fertilizer is to use a Multi-spectral Drone. Drones are used to obtain multispectral images, and then these images are used to determine the required N fertilizer. This study compares several classification algorithms to model N fertilizer requirements from multispectral image data, using the ground truth of the BWD scaling. The classification algorithms being compared are Decision Tree (DT), Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF), and K-Nearest Neighbor (KNN). The performance of the five classification algorithms are measured in terms of the accuracy, recall, precision and F1 score. In this research, it was found that the classification model with the best performance is the Decision Tree (DT) algorithm, both in the treatment without normalization and balancing, and with normalization and balancing, achieving accuracy, recall, precision, and F1-score values above 90%
Prototipe Mobile GIS Kandungan Hara Lahan Spesifik Lokasi
Get PDFUntuk memenuhi kebutuhan pangan yang semakin tinggi maka produktivitas usaha pertanian perlu ditingkatkan. Salah satu yang penting dilakukan untuk mendorong peningkatan produksi adalah menyediakan informasi karakteristik hara lahan kepada petani secara akurat, tepat dan mudah. Jika petani memahami kondisi area yang ditanami maka mereka dapat menentukan teknik budidaya yang sesuai. Dengan semakin banyaknya petani yang menggunakan smartphone, maka penting adanya sistem informasi geografis yang berjalan di perangkat mobile (mobile GIS) yang dapat memberikan informasi kandungan hara lahan spesifik lokasi. Penelitian ini akan mengembangkan prototipe mobile GIS untuk perangkat berbasis Android. Diharapkan dengan aplikasi ini petani dapat menentukan lokasi yang menjadi perhatian melalui menu pencarian lokasi atau menggunakan GPS di perangkat. Setelah lokasi ditentukan, sistem akan memperlihatkan peta dan tabel kandungan hara di wilayah tersebut. Aplikasi ini menghasilkan fitur utama berupa peta yang menampilkan kandungan nitrogen, phospor dan kalium serta kondisi keasaman tanah (pH) di lokasi tertentu di Jawa Barat. Sistem yang dikembangkan dilengkapi dengan petunjuk penggunaan fitur dan glosarium untuk membantu pengguna dalam menggunakan aplikasi dan memahami istilah penting yang terdapat di dalam aplikasi. Prototipe yang dihasilkan merupakan produk awal yang bersifat umum dan merupakan bagian dari usaha untuk mencari bentuk interaksi antarmuka yang tepat dan arsitektur sistem yang adaptif.In order to meet the increasing demand for food, the productivity of agricultural businesses needs to be optimized. One method of doing this is to provide farmers with accurate and precise information regarding soil nutrient characteristics which is easy to comprehend. Since farmers understand the condition of the area planted, they can determine appropriate cultivation techniques. With increasing usage of smartphones among farmers, it is important to have a geographic information system that runs on mobile devices (mobile GIS) which can provide site-specific information on the land’s nutrient content. This research will develop a mobile GIS prototype for Android-based devices. The aim of this application is to facilitate farmers in determining the location of concern through the location search menu or using the GPS on the device, before showing a map and table of nutrient content in that area. The main feature of the application is a map that displays the content of nitrogen, phosphorus, potassium and soil acidity (pH) conditions at certain locations in West Java. The developed system is equipped with guidelines for navigating the application. The resulting prototype is a general initial product and is part of the effort to find the right form of interface interaction and adaptive system architectur
Analisis Perbandingan Performa Model Klasifikasi Kesehatan Daun Tomat menggunakan arsitektur VGG, MobileNet, dan Inception V3
Get PDFSalah satu masalah dalam bidang pertanian tanaman tomat adalah adanya penyebaran penyakit pada tanaman tomat ketika ada tanaman tomat yang terkena penyakit dan terlambat diketahui serta tidak ditangani segera. Banyak penelitian tentang pengenalan klasifikasi pada penyakit tanaman tomat dengan metode convolutional neural network (CNN). Namun, peneliti terus melakukan pembelajaran mendalam pada berbagai tugas klasifikasi objek berbasis gambar. Dalam makalah ini, beberapa model akan dilakukan uji coba untuk mengklasifikasi kesehatan daun tanaman tomat guna dapat mengidentifikasi tanaman tomat yang terkena penyakit. Metode yang diusulkan menggunakan pendekatan CNN dengan arsitektur VGG, MobileNet, dan Inception V3. Data citra yang digunakan berasal dari plant disease classification merged (public dataset) memiliki banyak kategori gambar yang digunakan dalam karya eksperimental. Dari hasil eksperimen menunjukkan bahwa masing- masing model telah mencapai kinerja akurasi 98%, 93% dan 88% untuk InceptionV3, VGG, dan Mobile Net. Hasil diperoleh bahwa model dengan urutan terbaik dalam memproses data didapatkan oleh Inception V3, lalu VGG dan Mobile Net. walaupun demikian, mobileNet tetap memiliki efektifitas dan efisiensi saat menjalankan model yang jauh lebih baik daripada Inception V3 dan VGG.One of the problems in the field of tomato farming is the spread of disease in tomato plants when there are tomato plants that are affected by the disease and are detected too late and are not treated immediately. Many studies regarding the introduction of classification in tomato plant diseases using the convolutional neural network (CNN) method. However, researchers continue to conduct deep learning on various image-based object classification tasks. In this paper, several models will be tested to classify tomato plant leaf health in order to identify diseased tomato plants. The proposed method uses the CNN approach with VGG, MobileNet, and Inception V3 architectures. The image data used comes from the plant disease classification merged (public dataset) which has many image categories used in experimental work. The experimental results show that each model has achieved accuracy performance of 98%, 93% and 88% for InceptionV3, VGG, and Mobile Net. The result is that the model with the best order in processing data is obtained by Inception V3, then VGG and Mobile Net. even so, mobileNet still has effectiveness and efficiency when running models that are far better than Inception V3 and VGG
The Multivariate Forecasting of Chicken and Beef Prices Involving Weather, Economic, and Health Factors Using the Gated Recurrent Unit Method
No full textFood security, especially in the livestock sector in the form of broiler chicken and beef cattle, is a strategic issue for Indonesia to always be able to balance supply and demand for these food commodities. Food price forecasting is needed to mitigate rising food prices for these commodities. Previous research on food price forecasting was only univariate forecasting and comparison of error results between forecasting algorithms. This study aims to perform multivariate forecasting of broiler and beef cattle prices in DKI Jakarta by involving weather, economic, and health factors using the Gated Recurrent Unit (GRU) algorithm where the accuracy test is based on the MAPE value. The GRU algorithm for multivariate forecasting of broiler and beef cattle prices yielded an average MAPE for training and testing of 0.471% and 1.150% indicating that all models in the very good accuracy category for multivariate forecasting of broiler and beef cattle were represented. In addition, the model also produces deviations between MAPE values in the training data and test data which are not too different so that the model developed with each price of broiler chicken and beef cattle is categorized in the best fitting category
Implementation of CNN Deep Learning Algorithm Approach for Keratitis Patient Image Identification
Get PDFInsiden keratitis secara global berkisar antara 0.4 sampai 5.2 per 10,000 orang setiap tahunnya. Penanggulangan gangguan penglihatan akibat keratitis secara dini dan akurat dapat mencegah kebutaan akibat kekeruhan kornea. Keratitis dapat diidentifikasi oleh dokter spesialis mata dengan bantuan slitlamp sebagai instrumen dasar pemeriksaan spesialistik organ mata di fasilitas layanan sekunder. Pada fasilitas layanan primer tidak tersedia dokter spesialis mata dan juga slitlamp. Hal ini meyebabkan terjadinya keterlambatan diagnosis dan penanganan terhadap pasien-pasien keratitis di puskesmas atau daerah-daerah dengan fasilitas serta akses ke dokter spesialis mata yang terbatas. Penelitian ini bertujuan untuk mengembangkan model identifikasi keratitis menggunakan metode convolutional neural network (CNN) dan data latih berupa citra yang dihasilkan oleh gawai pintar dan dikombinasikan dengan citra slitlamp. Akurasi pelatihan dari model yang dikembangkan adalah 92% dengan layer dropout ditetapkan dengan nilai 0.3. Rata-rata akurasi validasinya adalah 83% sehingga dapat dikatakan pelatihan model yang dikembangkan tidak mengalami overfitting. Adapun hasil pengujian dengan data baru mencapai akurasi sebesar 90%. Selanjutnya parameter model terbaik disematkan ke dalam aplikasi yang berjalan di sistem operasi berbasis Android, namun fungsionalitas serta kinerja UX/UI dari aplikasi perlu ditingkatkan untuk memfasilitasi model agar dapat digunakan secara sempurna.The incidence of keratitis globally ranges from 0.4 to 5.2 per 10,000 people annually. Keratitis can only be identified by an ophthalmologist using a slitlamp as a fundamental instrument for specific eye examination in secondary care facilities. In primary care facilities, eye specialists and slitlamps are not available. This causes delay in the diagnosis and treatment of keratitis patients in public health centers or areas with limited facilities and access to doctors/ophthalmologists. This research aims to develop a keratitis identification model using the convolutional neural network (CNN) method and training data consisting of images produced by smartphones and combined with slitlamp images. The training accuracy of the developed model is 92% with a dropout layer set at 0.3, and the average validation accuracy is 83%, indicating that the model training did not experience overfitting. The testing results with new data achieved an accuracy of 90%. Next, the parameters of the best model will be integrated into an application running on the Android operating system. However, the application’s functionality and UX/UI performance need to be improved to facilitate seamless use of the model
Development of Ontology-Based Indonesian Medicinal Plant Knowledge Management System
Get PDFPengetahuan tumbuhan obat oleh masyarakat atau etnis lokal untuk penyakit atau gejala tertentu telah berperan penting dalam penemuan beberapa obat berharga yang telah digunakan secara turun-temurun selama bertahun-tahun. Selain itu, banyak sumber pengetahuan tumbuhan obat Indonesia yang heterogen dan terpisah-pisah sehingga sangat penting untuk mengintegrasikannya. Oleh karena itu, sangat penting untuk mengembangkan sistem manajemen pengetahuan (KMS) yang dapat menyimpan, mengelola, berbagi, dan merepresentasikan pengetahuan tumbuhan obat Indonesia sehingga dapat dibagikan, digunakan kembali, dan dimanfaatkan dalam kesehatan Indonesia. Penelitian ini menggunakan ontologi sebagai pola dalam membangun grafik pengetahuan dengan menggunakan basis data graf Neo4j dan kueri Chyper untuk melakukan penalaran pengetahuan berbasis graf. Penalaran pengetahuan berbasis graf digunakan untuk memperoleh pengetahuan terkait. Ontologi dibangun berdasarkan konsep kunci dalam pengobatan tradisional kemudian dipadukan dengan ontologi penyakit (DO) untuk mengatasi kesenjangan antara istilah pemanfaatan tumbuhan tradisional dan istilah medis serta memperkaya pengetahuan kedokteran Indonesia. Sumber data yang digunakan untuk membangun ontologi antara lain adalah Laporan Nasional Eksplorasi Pengetahuan Lokal Etnomedisin dan Tumbuhan Obat di Indonesia Berbasis Komunitas, integreted Digitized Biocollections (iDigBio), Global Biodiversity Information Facility (GBIF), Disease Ontology (DO), Basis Data Tanaman Obat Indonesia (HerbalDB), Dr. Duke’s Phytochemical and Ethnobotanical Databases (Dr. Duke’s), Indian Medicinal Plants, Phytochemystry and Teurapeutics (IMPPAT), Collection of Open Natural Products (COCONUT), KNApSAcK, BioGRID, DisGeNET, dan Side Effect Resource (SIDER). Sistem dikembangkan dengan arsitektur REST API yang terdiri dari front-end (klien) dan back-end (server). Klien memiliki dua sistem utama, yaitu pencarian pengetahuan dan manajemen pengetahuan.The knowledge of medical plants held by local communities and ethnic groups has significantly contributed to the discovery of valuable medicines that have been used through generations. Additionally, in Indonesia, there are diverse sources of medicinal plant knowledge that are currently fragmented. It is crucial to integrate and manage this knowledge effectively. Therefore, it is very important to develop a knowledge management system (KMS) that can store, manage, share and represent Indonesian medicinal plant knowledge so that it can be accessible, reusable, and applicable in the field of Indonesian healthcare. This research uses ontology as a framework for constructing knowledge graphs. The Neo4j graph database, along with Cypher queries, is employed to perform graph-based knowledge reasoning. Graph-based knowledge reasoning is used to obtain related knowledge. The ontology is built based on key concepts in traditional medicine and is integrated with Disease Ontology (DO) to overcome the gap between traditional plant terminology and medical terminology. This integration enriches the body of medical knowledge in Indonesia. The data sources used to build the ontology include the National Report on Community-Based Exploration of Local Knowledge of Ethnomedicine and Medicinal Plants in Indonesia, Integreted Digitized Biocollections (iDigBio), Global Biodiversity Information Facility (GBIF), Disease Ontology (DO), Indonesian Medicinal Plant Database (HerbalDB), Dr. Duke’s Phytochemical and Ethnobotanical Databases (Dr. Duke’s), Indian Medicinal Plants, Phytochemystry and Therapeutics (IMPPAT), Collection of Open Natural Products (COCONUT), KNApSAcK, BioGRID, DisGeNET, and Side Effect Resource (SIDER). The system is developed with a REST API architecture consisting of a front-end (client) and back-end (server). The client has two primary systems, namely a knowledge search system and a knowledge management system
Artificial Intelligence for Pest and Disease Monitoring in Eucalyptus Plants: Systematic Literature Review
Get PDFEucalyptus merupakan salah satu jenis tanaman kehutanan yang banyak dibudidayakan di berbagai negara karena memiliki nilai ekonomi dan lingkungan yang tinggi. Namun, tanaman eucalyptus juga rentan terhadap serangan hama dan penyakit yang dapat menurunkan produktivitas dan kualitasnya. Pemantauan atau monitoring yang akurat dan tepat waktu diperlukan untuk mengendalikan hama dan penyakit tanaman eucalyptus. Monitoring hama dan penyakit tanaman eucalyptus secara konvensional dilakukan dengan cara observasi langsung oleh manusia, namun metode ini memiliki beberapa kelemahan. Oleh karena itu, perlu adanya upaya untuk meningkatkan efektivitas dan efisiensi monitoring hama dan penyakit tanaman eucalyptus dengan memanfaatkan teknologi kecerdasan buatan atau Artificial Intelligence (AI). AI dapat digunakan untuk melakukan deteksi dan klasifikasi hama dan penyakit tanaman eucalyptus secara otomatis dengan menggunakan algoritma pembelajaran mesin atau pembelajaran mendalam dan pengolahan citra. Tujuan dari penelitian ini adalah untuk menyajikan tinjauan komprehensif tentang penggunaan AI dalam mendeteksi hama dan penyakit tanaman eucalyptus dengan menggunakan metode Systematic Literature Review (SLR). Penelitian ini mengidentifikasi, mengevaluasi, dan menganalisis literatur yang relevan dengan topik penelitian dari berbagai sumber digital. Penelitian ini juga memberikan gambaran menyeluruh tentang perkembangan terkini, metode-metode yang digunakan, hasil-hasil yang dicapai, serta tantangan dan peluang yang ada dalam bidang penelitian AI untuk deteksi hama dan penyakit tanaman eucalyptus.Eucalyptus plants, renowned for their economic and environmental significance, are cultivated globally. Despite their value, these plants are vulnerable to pest and disease attacks, impacting productivity and quality. Accurate and timely monitoring is required to control pests and diseases in eucalyptus plants. The conventional method of human-based direct observation for monitoring pests and diseases in eucalyptus plants is fraught with weaknesses. Therefore, efforts are needed to enhance the effectiveness and efficiency of monitoring pests and diseases in eucalyptus plants through artificial intelligence or AI technology. AI is used to automatically detect and classify pests and diseases in eucalyptus plants using machine learning or deep learning algorithms and image processing. This study aims to provide a comprehensive review of the use of AI for detecting pests and diseases in eucalyptus plants using the Systematic Literature Review (SLR) method. Through this approach, this study identifies, evaluates, and analyzes relevant literature on the research topic from various digital sources. This study also provides an overview of the latest developments, methods used, and results achieved, as well as challenges and opportunities in the field of AI research for detecting pests and diseases in eucalyptus plants
Digital Image Detection of Monkeypox Disease using Convolutional Neural Network Algorithm with MobilenetV2 Architecture
Get PDFPada bulan Juli tahun 2022, penyakit cacar monyet ditetapkan sebagai darurat kesehatan global. Hal ini dikarenakan penyakit cacar monyet sudah terjadi di lebih dari 70 negara. Kasus cacar monyet di Indonesia ditemukan pertama kali pada bulan Agustus 2022 di Kota Jakarta. Kesamaan gejala yang dimiliki oleh penyakit cacar monyet, cacar air, dan campak menjadi tantangan untuk para tenaga kerja kesehatan dalam membedakan penyakit tersebut. Penelitian ini mengembangkan sebuah model algoritma deteksi otomatis untuk mendeteksi citra digital penyakit cacar monyet. Algoritma tersebut adalah convolutional neural network dengan arsitektur MobileNetV2 serta penerapan transfer learning. Pelatihan model dilakukan dengan jumlah 5 epoch dan mengimplementasikan dua jenis optimizer, yaitu Adam dan RMSprop. Penerapan Adam optimizer dengan learning rate 10-4 menghasilkan akurasi pada data uji sebesar 94%, akurasi pada data latih sebesar 92%, dengan nilai loss function 27%. Hasil yang berbeda dihasilkan oleh penerapan RMSprop optimizer dengan learning rate 45×10-3 menghasilkan akurasi pada data uji sebesar 97%, akurasi pada data latih mencapai 97% namun nilai loss function cukup tinggi yaitu mencapai 52%. Hasil ini menunjukkan bahwa Adam optimizer lebih efektif dalam menyempurnakan parameter model untuk mengoptimalkan deteksi gambar cacar monyet selama pelatihan.In July 2022, monkeypox was declared a global health emergency due to its occurrence in over 70 countries. The first case of monkeypox in Indonesia emerged in Jakarta in August 2022. The challenge faced by healthcare workers in distinguishing between monkeypox, chickenpox, and measles— ailments sharing similar symptoms—prompted the initiation of a research study. This study aimed to develop an automated algorithm for detecting digital images of monkeypoxes. The algorithm used was a convolutional neural network with MobileNetV2 architecture, implementing transfer learning. The model was trained for a total of 5 epochs and utilized two types of optimizers: Adam and RMSprop. Applying the Adam optimizer with a learning rate of resulted in a test accuracy of 94%, training accuracy of 92%, and a loss function value of 27%. Conversely, the implementation of the RMSprop optimizer, with a learning rate of , resulted in a test accuracy of 97%, and a training accuracy of 97%, albeit with a slightly higher loss function value of 52%. The results indicate that the Adam optimizer may be more effective in fine-tuning the model parameters to optimize the detection of monkeypox images during trainin
Evaluation of Web API Performance Efficiency Using Object Relational Mapping in Point Of Sale Applications Using ISO 25010
No full textAplikasi Point of Sale merupakan aplikasi yang menangani suatu kegiatan transaksi penjualan dan pembelian suatu produk. Pada penelitian ini aplikasi Point of Sale berbasis android tersebut dikembangkan dengan menggunakan pendekatan Object Relational Mapping untuk mengatasi (Impedance Mismacth) dan meningkatkan produktifitas, performa dan maintainability sistem. Sehingga penerapan pendekatan Object Relational Mapping tersebut perlu dilakukan evaluasi untuk mengukur kualitas suatu sistem. ISO/IEC 25010 merupakan salah satu standar pengukuran sistem internasional yang memiliki 6 karakteristik pengukuran salah satu nya adalah pengukuran Performance Efficiency (Efisiensi Kinerja) suatu sistem. Performance Efficiency (Efisiensi Kinerja) memilik 3 sub karakteristik yaitu Time Behavior (Perilaku Waktu), Resource Utilization (Pemanfaatan Sumber Daya), dan Capacity (Kapasitas). Web API Point Of Sale yang menerapkan pendekatan Object Relational Mapping (ORM) telah memenuhi standar Performance Efficiency (Efisiensi Kinerja) yang lebih baik di bandingkan dengan Web API yang tidak menggunakan pendekatan Object Relational Mapping dengan rata-rata selisih response time 14.8 milisecond ketika di uji per 1 user. Dan memiliki rata-rata response time yang lebih cepat dan throughput yang lebih tinggi ketika di uji dengan banyak user secara bersamaan.
The Point of Sale application is an application that handles a sales transaction activity and a product purchase. In this study, the Android-based Point of Sale application was developed using the Object Relational Mapping approach to overcome (impedance mismatch) and increase productivity, performance and system maintenance. So that the application of the Object Relational Mapping approach needs to be evaluated to measure the quality of a system. ISO/IEC 25010 is one of the international system measurement standards which has 6 measurement characteristics, one of which is the measurement of the Performance Efficiency of a system. Performance Efficiency has 3 sub-characteristics namely Time Behaviour, Resource Utilization, and Capacity. Web API Point Of Sale that implements the Object Relational Mapping (ORM) approach has met better Performance Efficiency standards compared to Web API that does not use the Object Relational Mapping approach with an average response time difference of 14.8 milliseconds when tested per 1 user. And has a faster average response time and higher throughput when tested with many users simultaneously.