Claim Missing Document
Check
Articles

Found 34 Documents
Search

Penerapan API WhatsApp pada Sistem Pengolahan Data Tabungan Sekolah Menggunakan Model Extreme Programming Rahmawati, Ami; Nurajizah, Siti; Yulianti, Ita
JUSTIKA : Jurnal Sistem Informasi Akuntansi Vol 2 No 2 (2022): JUSTIKA : Jurnal Sistem Informasi Akuntansi
Publisher : Program Studi Sistem Informasi Akuntansi Kampus Kota Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/justika.v2i2.1649

Abstract

Peranan teknologi menempati posisi yang sangat penting terhadap munculnya inovasi yang positif bagi kemajuan suatu institusi terutama lembaga pendidikan. DTA Almuta'alim merupakan suatu lembaga pendidikan yang memiliki program tabungan sekolah, dimana program ini berkaitan dengan pendidikan dan ekonomi yang dilakukan sebagai upaya untuk melatih dan mendidik para siswa agar mampu mengontrol diri dalam menggunakan uang secara bijak. Dalam prosesnya, pengolahan data tabungan pada DTA ini masih dilakukan secara konvensional sehingga semakin banyaknya data yang tersimpan menyebabkan sulitnya pencarian data dan tingkat resiko kesalahan pencatatan/perhitungan menjadi lebih tinggi. Oleh karena itu, untuk mengatasi permasalahan tersebut, maka diperlukan pemanfaatan teknologi dengan membangun sebuah sistem yang dapat menunjang kegiatan program ini. Pada penelitian ini, sistem yang akan dibangun dibuat berbasis web dengan menggunakan bahasa pemrograman PHP MySQLi dan diterapkan melalui pendekatan model Extreme Programming yang terdiri dari 4 tahapan meliputi planning, design, coding dan testing. Selain itu, implementasi API WhatsApss pada sistem juga dilakukan dalam memunculkan fitur notifikasi otomatis untuk informasi transparasi saldo tabungan bagi orangtua/wali. Dengan dibuatnya sistem ini, diharapkan dapat memberikan kontribusi terhadap keberlangsungan program tabungan sekolah melalui kemudahan pengolahan data sehingga proses pengelolaannya menjadi lebih baik.
Sistem Informasi Akuntansi Penjualan Tunai Pada Toko Grosir Mukti Garut Sukabumi Saumi Ramdhani, Lis; Farlina, Yusti; Nurajizah, Siti; Ramdiani Azzahra, Dinda; Fitrika, Sonia; Yulianti, Ita
JUSTIKA : Jurnal Sistem Informasi Akuntansi Vol 4 No 2 (2024): Desember 2024
Publisher : Program Studi Sistem Informasi Akuntansi Kampus Kota Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/justika.v4i2.7501

Abstract

Toko Grosir Mukti Garut adalah perusahaan yang bergerak dalam bidang penjualan sembako, dimana sistem pada toko tersebut masih dilakukan secara manual, mulai dari pencatatan customer, penyimpanan data yang berhubungan dengan proses penjualan hingga pembuatan laporan. Hal ini seringkali menimbulkan terjadinya kesalahan dalam pencatatan, keterlambatan dalam pencarian data ketika diperlukan dan kesulitan dalam pelaporan keuangan. Tujuan dari penelitian ini yaitu untuk membangun sistem informasi akuntansi untuk mendukung pengelolaan transaksi penjualan tunai pada toko grosir tersebut. Adapun metode pengumpulan data dilakukan meliputi observasi, wawancara, dan studi kepustakaan. Untuk mendukung pengembangan sistem pada penelitian ini digunakan metode pemodelan desain yaitu UML (Unified Modeling language) yang diimplementasikan menjadi aplikasi berbasis web dengan Database MySQL. Dengan dibangunnya sistem ini diharapkan dapat menjadi solusi yang terbaik khususnya dalam mempermudah pengelolaan data transaksi penjualan secara tunai.
Implementasi Metode Forward Chaining, Certainty Factor dan Dempster Shafer pada Sistem Pakar Diagnosis Penyakit Gigi dan Mulut Nurajizah, Siti; Yulianti, Ita; Saputra, Elin Panca; Dewi, Rani Kurnia
Jurnal Komtika (Komputasi dan Informatika) Vol 5 No 2 (2021)
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/komtika.v5i2.5995

Abstract

Dental and oral disease is one of the diseases that has been felt by most of the people. Insufficient information and the limited level of public awareness of the prevention of dental and oral diseases make the impact quite dangerous if not handled properly. An appropriate information system is needed in overcoming and providing solutions for handling a disease as early as possible. Expert systems can be used as a means of information on the treatment of dental and oral diseases. The manufacture of the expert system in this study initially used the forward chaining method, which is a method that searches based on information that is made into a set of rules so as to get a conclusion. However, after re-analysis, two other methods, namely certainty factor and dempster shafer, were also applied in this study with the aim of overcoming the shortcomings of the forward chaining method, one of which is uncertainty in producing a conclusion or diagnosis of disease. Determining the type of dental and oral disease can be known by looking at the symptoms experienced by the patient. The use of an expert system for diagnosing dental and oral diseases can be used as an initial solution in helping someone to treat the disease. The existence of this expert system can be used as consideration in making decisions to determine the type of dental and oral disease quickly, precisely and accurately.
Pendekatan Hibrida Statistik dan Machine Learning untuk Peramalan Jumlah Kunjungan Turis Leidiyana, Henny; Nurajizah, Siti
Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 2 (2025)
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/komtika.v9i2.14909

Abstract

Tourist arrival forecasting is a crucial aspect of planning and decision-making in the tourism sector. Accurate predictions are essential to anticipate surges or declines in visitor numbers, design effective marketing strategies, and manage resources efficiently. This study proposes a hybrid forecasting approach that integrates traditional statistical methods with machine learning algorithms to improve the accuracy of tourist arrival forecasts. Five forecasting models are implemented: ARIMA as a representative of traditional statistical models; Random Forest and Extreme Gradient Boosting (XGBoost) as machine learning models; a simple hybrid model, which combines ARIMA and XGBoost predictions through simple averaging; a weighted hybrid model, which merges the two models using performance-based weights; and a stacking hybrid model, which utilizes a meta-model to optimize prediction combinations. Given that the dataset exhibits significant pattern changes, or structural breaks, particularly during the COVID-19 pandemic, this study employs a rolling window backtesting approach for model evaluation. This method allows the models to be tested progressively across normal, crisis, and recovery periods, providing a realistic assessment of their performance under dynamic conditions. Model performance is evaluated using three key metrics: RMSE, MAE, dan MAPE. The results demonstrate that the stacking hybrid model consistently achieves the lowest RMSE across all test periods, highlighting its ability to capture complex trends and extreme fluctuations caused by COVID-19 Keywords: Rolling Window Backtesting, Weighted Hybrid, Weighted Hybrid.