e-Jurnal JUSITI (Jurnal Sistem Informasi dan Teknologi Informasi)

Aplikasi Inventory Adaptif untuk Prediksi Stok dengan Pendekatan Trend Least Squares

2025-10-24T23:01:19+08:00

Usaha Mikro, Kecil, dan Menengah (UMKM) seperti Kedai Sarjana menghadapi permasalahan dalam pengelolaan stok bahan baku akibat belum adanya sistem pencatatan dan analisis stok yang terintegrasi. Kondisi ini menyebabkan kesulitan dalam memprediksi kebutuhan bahan baku, sehingga sering terjadi kelebihan atau kekurangan persediaan. Penelitian ini bertujuan mengembangkan aplikasi inventory berbasis web untuk pencatatan dan prediksi stok secara otomatis menggunakan metode Trend Least Squares. Data yang digunakan berupa penjualan minuman Januari–Mei 2024 dengan total 2.567 cup Milk Series dan 2.605 cup Ice Blend. Aplikasi dibangun menggunakan PHP dan JavaScript dengan MySQL sebagai basis data, serta diuji menggunakan Black Box Testing. Hasil pengujian menunjukkan semua fitur aplikasi berjalan sesuai fungsinya, termasuk pencatatan stok, laporan penjualan, dan prediksi kebutuhan bahan baku. Berdasarkan perhitungan metode Trend Least Squares terhadap produk Green Tea, diperoleh persamaan tren Y = 97,4 + 5,8X dengan hasil prediksi untuk bulan Juni 2024 sebesar 108 cup, mendekati rata-rata penjualan aktual sebesar 97,4 cup dengan tingkat kesalahan MAPE sebesar 6,1%, yang menunjukkan akurasi prediksi sangat baik. Implementasi aplikasi ini terbukti membantu manajemen Kedai Sarjana dalam merencanakan pembelian bahan baku secara lebih efisien, menurunkan risiko kekurangan stok, serta meningkatkan efektivitas operasional usaha.

Layanan Real Time Berbasis Websocket Dan Speechsynthesis Pada Website Gereja

2025-10-24T00:11:18+08:00

Gereja GPIB Siloam Pontianak selama ini menghadapi masalah dalam pelayanan digital, terutama kurangnya interaksi real-time antara jemaat dan admin gereja serta keterbatasan akses informasi bagi jemaat lanjut usia dan jemaat dengan hambatan visual. Tidak tersedianya fitur komunikasi dua arah secara langsung menyebabkan respons terhadap pertanyaan jemaat menjadi lambat. Selain itu, penyampaian renungan dan pengumuman hanya dalam bentuk teks membuat sebagian jemaat kesulitan menerima informasi dengan baik. Penelitian ini bertujuan mengatasi permasalahan tersebut dengan mengimplementasikan fitur chat real-time menggunakan WebSocket serta fitur text-to-speech menggunakan SpeechSynthesis API. Pengujian menunjukkan bahwa fitur chat mampu merespons pesan dengan waktu rata-rata 56 ms pada kondisi normal dan tetap stabil pada 112 ms saat trafik meningkat hingga 150 koneksi simultan. Fitur SpeechSynthesis berhasil mengonversi konten renungan menjadi audio dengan tingkat keberhasilan pemutaran 100% di browser modern. Kesimpulan penelitian ini adalah bahwa integrasi WebSocket dan SpeechSynthesis secara signifikan meningkatkan kualitas pelayanan digital gereja, mempercepat komunikasi, dan memperluas akses bagi jemaat berkebutuhan khusus. Penelitian ini berkontribusi pada model layanan digital gereja yang lebih inklusif, interaktif, dan responsif.

Implementasi Konsep Tiny Recursion Model Pada Kasus Klasifikasi

2025-11-16T09:02:06+08:00

Tren deep learning saat ini didominasi oleh model skala miliaran parameter, yang berhasil mencapai kinerja state-of-the-art namun secara inheren menimbulkan tantangan besar dalam biaya komputasi, konsumsi energi, dan efisiensi deployment di lingkungan dengan sumber daya terbatas. Oleh karena itu, penelitian ini bertujuan untuk menjembatani kesenjangan tersebut dengan mengeksplorasi arsitektur alternatif yang mengutamakan efisiensi parameter tinggi dan kemampuan penalaran yang superior. Penelitian ini mengimplementasikan dan mengevaluasi Tiny Recursion Model (TRM), sebuah arsitektur yang berfokus pada penalaran rekursif dengan jumlah parameter yang minimal, pada tugas klasifikasi data tabular. Metode yang digunakan adalah implementasi kustom TRM dalam Keras/TensorFlow, di mana jaringan saraf dua lapis tunggal dengan bobot bersama melakukan pemurnian prediksi secara iteratif (rekursi 10 langkah). Dataset yang digunakan meliputi tiga kasus klasifikasi standar: Iris, Breast Cancer, dan Diabetes. Hasil penelitian menunjukkan bahwa TRM yang sangat efisien, dengan hanya ribuan parameter, berhasil mencapai akurasi pengujian yang kompetitif (hingga 97% untuk Iris, 94% untuk Breast Cancer, dan 78% untuk Diabetes). Temuan ini memvalidasi efektivitas TRM sebagai solusi deep learning yang ringan dan terfokus pada penalaran untuk tugas klasifikasi

Optimalisasi Fitur Pencarian pada Website Toko Online Menggunakan Elasticsearch

2025-10-24T06:44:30+08:00

AS Denim, sebuah UMKM fesyen di Pontianak, menghadapi permasalahan utama dalam proses pencarian produk pada platform daring, yaitu sulitnya pelanggan menemukan produk yang relevan akibat keterbatasan fitur pencarian konvensional berbasis query standar. Masalah tersebut berdampak pada rendahnya konversi kunjungan menjadi transaksi. Penelitian ini menggunakan data produk AS Denim yang terdiri dari 127 item yang mencakup nama produk, kategori, deskripsi, dan variasi ukuran/warna. Penelitian ini bertujuan mengoptimalkan pencarian produk dengan menerapkan Elasticsearch, yang mendukung kemampuan full-text search, typo tolerance, dan fuzzy matching. Metode penelitian yang digunakan adalah Design Science Research Method (DSRM) dengan pendekatan Extreme Programming (XP). Hasil pengujian menunjukkan bahwa Elasticsearch meningkatkan kecepatan pencarian secara signifikan, dari 312 ms menggunakan query database MySQL menjadi 54 ms menggunakan Elasticsearch (peningkatan efisiensi sebesar 82,6%). Selain itu, tingkat keberhasilan pencarian produk dengan kesalahan ketik meningkat dari 0% menjadi 100%, sehingga pengguna tetap menemukan produk meskipun input tidak akurat. Kesimpulannya, implementasi Elasticsearch mampu meningkatkan performa dan keakuratan pencarian pada website toko online AS Denim. Penelitian ini memberikan kontribusi berupa penerapan mesin pencarian cerdas untuk meningkatkan pengalaman belanja digital bagi UMKM lokal.

Perancangan Aplikasi Edukasi Rambu Lalu Lintas untuk Usia Dini dengan Metode MDLC

2025-06-18T21:38:08+08:00

Keselamatan berlalu lintas penting dikenalkan sejak usia dini untuk membentuk pemahaman anak terhadap rambu dan aturan berkendara. Sayangnya, metode edukasi konvensional seperti sosialisasi langsung oleh instansi terkait masih memiliki keterbatasan waktu dan tidak menjamin retensi jangka panjang. Oleh karena itu, penelitian ini bertujuan merancang aplikasi edukasi rambu lalu lintas dan aturan berkendara untuk anak usia 6–9 tahun menggunakan metode Multimedia Development Life Cycle (MDLC). Aplikasi ini dikembangkan menggunakan Flutter, serta dilengkapi fitur pengenalan rambu, video animasi edukatif, materi berkendara, dan kuis interaktif. Proses pengembangan melalui enam tahap MDLC: konsep, desain, pengumpulan bahan, perakitan, pengujian, dan distribusi. Evaluasi dilakukan dengan pengujian black box dan kuesioner terhadap 10 orang tua murid, yang menghasilkan skor kepuasan 95,6% (kategori “Sangat Baik”). Selain itu, uji coba pada 10 siswa menunjukkan rata-rata peningkatan nilai sebesar 44 poin atau 88% setelah menggunakan aplikasi. Hasil ini menunjukkan bahwa aplikasi efektif sebagai media pembelajaran yang menarik dan mudah digunakan oleh anak-anak. Penelitian ini merekomendasikan uji jangka panjang dan pengembangan fitur tambahan untuk meningkatkan dampak edukatif aplikasi secara berkelanjutan.