Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Buletin Sistem Informasi dan Teknologi Islam
Willy Prihartono
Komputerisasi Akuntansi, STMIK IKMI Cirebon, Cirebon, Indonesia
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementasi Dan Analisis Performa Rest Api Dan Graphql Pada Aplikasi Berita Digital Di Indonesia Ahmad Muzakki Aley; Ade Irma Purnama Sari; Denni Pratama; Nining Rahaningsih; Willy Prihartono
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3218

Abstract

Kebutuhan aplikasi berita digital terhadap mekanisme pengambilan data yang cepat dan efisien semakin meningkat. Arsitektur REST API yang umum digunakan masih menghadapi kendala over-fetching dan under-fetching, terutama pada data bersarang. Penelitian ini bertujuan mengimplementasikan dan membandingkan performa REST API dan GraphQL dalam pengambilan data bersarang pada aplikasi berita digital. Metode yang digunakan adalah eksperimen komparatif menggunakan Indonesian News Dataset yang telah direstrukturisasi. Implementasi dilakukan menggunakan Node.js dengan Express.js untuk REST API dan Apollo Server untuk GraphQL. Pengujian performa menggunakan Postman (baseline) dan Apache JMeter (load test) dengan parameter latency, payload size, jumlah HTTP request, dan throughput. Hasil penelitian menunjukkan GraphQL secara signifikan lebih unggul. Rata-rata latency GraphQL 29 ms, jauh lebih cepat dibanding REST API 2084 ms. Ukuran payload GraphQL rata-rata 253 byte, lebih efisien 83% dari REST API (1483 byte). Throughput GraphQL mencapai 1.455,39 request/detik, melampaui REST API yang hanya 21,77 request/detik. GraphQL hanya memerlukan satu HTTP request untuk data bersarang, sedangkan REST API memerlukan beberapa request terpisah. Disimpulkan bahwa GraphQL merupakan pendekatan yang lebih efisien dan direkomendasikan untuk aplikasi berita digital dengan struktur data kompleks.
Analisis Augmentasi Data untuk Klasifikasi Tuberkulosis Berbasis DenseNet121 Tiara Amanda Putri; Rudi Kurniawan; Bani Nurhakim; Nining Rahaningsih; Willy Prihartono
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 1 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i1.3217

Abstract

Tuberkulosis (TB) merupakan penyakit menular dengan beban kesehatan yang tinggi, sehingga deteksi dini menggunakan citra rontgen dada (Chest X-Ray/CXR) menjadi penting untuk mempercepat diagnosis dan mendukung pengendalian penyakit. Namun, keterbatasan jumlah data berlabel serta ketidakseimbangan kelas pada dataset publik menyebabkan model Deep Learning rentan mengalami overfitting dan kesalahan klasifikasi, terutama pada kelas minoritas. Penelitian ini bertujuan menganalisis efektivitas berbagai teknik augmentasi data dalam meningkatkan kinerja model DenseNet121 untuk klasifikasi TB pada citra X-ray paru. Penelitian menggunakan dataset Tuberculosis Chest X-Ray Kaggle yang terdiri dari 3.500 Citra Normal dan 700 citra TB. Tahapan penelitian meliputi preprocessing (normalisasi, resizing, konversi grayscale ke pseudo-RGB, dan segmentasi ROI paru), pembagian data dengan stratified sampling (70% pelatihan, 15% validasi, 15% pengujian), serta pelatihan model pada empat skenario: tanpa augmentasi, augmentasi geometrik, augmentasi intensitas, dan augmentasi lanjutan (MixUp, CutMix, Random Erasing). Evaluasi dilakukan menggunakan akurasi, presisi, recall, F1-score, AUROC, AUPRC, confusion matrix, Grad-CAM, Bootstrap Confidence Interval, dan uji McNemar. Hasil menunjukkan bahwa augmentasi lanjutan memberikan kinerja numerik terbaik dengan akurasi 98,57% dan F1-score 0,9569, namun perbedaan performa tidak signifikan pada α = 0,05. Temuan ini menunjukkan bahwa meskipun meningkatkan performa secara empiris, augmentasi lanjutan memerlukan validasi eksternal skala besar untuk memastikan generalisasi yang lebih kuat.
Co-Authors Ade Irma Purnama Sari Ahmad Muzakki Aley Bani Nurhakim Denni Pratama Nining Rahaningsih Rudi Kurniawan Tiara Amanda Putri