p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal TAMPIASIH
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Pengembangan Sistem Informasi Penjualan dan Persediaan Sembako dengan Notifikasi Stok Minimum Otomatis dan Analisis Penjualan Menggunakan Metode Prototype Muh. Yusril Hidayat; Muhammad Riyadlul Jinan
JURNAL TAMPIASIH Vol. 4 No. 2 (2026): Juli
Publisher : LPPM, Institut Teknologi dan Kesehatan Aspirasi

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Toko sembako menjual kebutuhan pokok dengan volume tinggi dan margin tipis, sehingga satu rak beras atau minyak goreng yang kosong langsung berarti penjualan yang hilang. Banyak toko sembako masih mencatat penjualan di buku nota dan memutuskan waktu pemesanan ulang berdasarkan pengamatan sekilas, akibatnya pemilik tidak mendapat peringatan dini sebelum stok habis dan tidak mengetahui produk mana yang paling menopang omzet. Penelitian ini mengembangkan sistem informasi penjualan dan persediaan sembako berbasis web yang menghubungkan transaksi kasir dengan stok secara real-time, menghitung stok minimum setiap produk sebagai reorder point (ROP) beserta safety stock dari riwayat penjualannya sendiri, serta memunculkan notifikasi otomatis di dasbor dan melalui surel ketika stok mencapai atau berada di bawah titik tersebut. Sistem juga dilengkapi modul analisis penjualan yang menyajikan tren omzet harian dengan rata-rata bergerak tujuh hari, produk terlaris, kontribusi omzet per kategori, dan omzet mingguan. Pengembangan mengikuti metode Prototype melalui dua iterasi prototipe bersama pemilik toko, kasir, dan bagian gudang, dengan Laravel, MySQL, dan Chart.js sebagai teknologi pembangun. Pengujian black box dengan teknik equivalence partitioning dan boundary value analysis terhadap 98 skenario pada sebelas modul menemukan dua cacat pada putaran pertama; setelah diperbaiki, seluruh skenario dinyatakan valid. Sistem ini memberi pemilik toko sinyal pemesanan ulang yang tepat waktu serta gambaran kinerja penjualan yang berbasis data
ANALISIS PERBANDINGAN ALGORITMA KNN DAN NAIVE BAYES UNTUK IDENTIFIKASI SERANGAN BERDASARKAN DATA LOG JARINGAN Muh. Yusril Hidayat; Olva Routania
JURNAL TAMPIASIH Vol. 4 No. 2 (2026): Juli
Publisher : LPPM, Institut Teknologi dan Kesehatan Aspirasi

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Peningkatan aktivitas jaringan komputer menyebabkan semakin besarnya volume data log yang perlu dianalisis untuk membedakan aktivitas normal dan serangan siber. Pemanfaatan machine learning dapat membantu proses identifikasi serangan secara lebih cepat dan terukur. Penelitian ini bertujuan menerapkan dan membandingkan algoritma K-Nearest Neighbor (KNN) dan Naive Bayes dalam mengidentifikasi serangan berdasarkan data log jaringan serta mengevaluasi kinerja kedua algoritma menggunakan accuracy, precision, recall, F1-score, AUC, dan waktu komputasi. Metode penelitian menggunakan dataset log jaringan sintetis sebanyak 2.000 record yang terdiri atas 12 atribut prediktor dan satu atribut target dengan dua kelas, yaitu normal dan attack. Data dibagi menjadi 80% data latih dan 20% data uji, kemudian dilakukan transformasi fitur kategorikal, standardisasi menggunakan StandardScaler, serta pemberian noise pada data uji. Algoritma KNN diuji dengan nilai K=1 sampai 20 dan diperoleh K optimal sebesar 5, sedangkan algoritma pembanding menggunakan Gaussian Naive Bayes. Hasil penelitian menunjukkan bahwa KNN memperoleh accuracy 90,25%, precision 89,69%, recall 92,59%, dan F1-score 91,12%, sedangkan Naive Bayes memperoleh accuracy 90,00%, precision 89,64%, recall 92,13%, dan F1-score 90,87%. Nilai AUC KNN sebesar 0,9074 dan Naive Bayes sebesar 0,9060. Naive Bayes memiliki waktu komputasi lebih singkat, sementara hasil 5-fold cross-validation menunjukkan accuracy 92,31% untuk Naive Bayes dan 92,13% untuk KNN. Dengan demikian, kedua algoritma mampu mengidentifikasi serangan dengan performa yang relatif berdekatan, dengan karakteristik keunggulan yang berbeda pada performa klasifikasi dan efisiensi komputasi.