Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Progresif: Jurnal Ilmiah Komputer Academic Journal of Computer Science Research (AJCSR)
Wira Hadinata
Institut Teknologi dan Bisnis Bina Sarana Global
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Implementasi Metode Prototyping dalam Mengembangkan Sistem Informasi Berbasis Web Klinik Arifatullah Medika Wira Hadinata; Lilis Stianingsih; Dede Nurhayati
Academic Journal of Computer Science Research Vol 5, No 2 (2023): Academic Journal of Computer Science Research (AJCSR)
Publisher : Institut Teknologi dan Bisnis Bina Sarana Global

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38101/ajcsr.v5i2.2946

Abstract

Klinik merupakan sebuah fasilitas pelayanan kesehatan yang menyelenggarakan pelayanan kesehatan untuk perorangan serta menyediakan pelayanan medis dasar dan/atau spesialistik. Setiap klinik diharapkan dapat dengan cepat dalam menangani pasien yang datang karena ada kemungkinan pasien yang datang memang pasien dengan sakit yang harus segera ditangani. Pada Klinik Arifatullah Medika ditemukan adanya hambatan, diantaranya pendaftaran pasien masih dilakukan secara manual dengan pasien harus datang langsung ke klinik, tidak memiliki sistem antrian dalam perawatan, manajemen rekam medis yang masih manual dengan menulis tangan. Hal ini dapat menghabiskan banyak waktu dalam proses pencarian data. Jadi klinik ini memerlukan komputerisasi terkait dengan penanganan pasien. Tujuan dari aplikasi ini adalah untuk memudahkan kegiatan operasional sehari-hari di dalam klinik yang berjalan dengan cepat dan tepat, serta pengelolaan data medis akan lebih akurat (meminimalisir human error). Untuk metode pengembangan sistem menggunakan prototype. Aplikasi ini berbasis website menggunakan bahasa pemrograman PHP dalam framework Laravel 9 yang didukung basis data MySQL. Dengan pembuatan aplikasi ini proses kerja di dalam klinik menjadi lebih cepat, pendokumentasian rekam medis yang terstruktur, mengurangi penggunaan kertas, serta memudahkan aktivitas dalam pelayanan pasien.
ANALISIS PERBANDINGAN PERFORMA RESTFULL API ANTARA EXPRESS.JS DENGAN LARAVEL FRAMEWORK Wira Hadinata; Lilis Stianingsih
Jurnal Informatika dan Teknik Elektro Terapan Vol 12, No 1 (2024)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v12i1.3845

Abstract

Application Programming Interface (API) merupakan sebuah antarmuka yang mampu mengintegrasikan data dan menghubungkan suatu aplikasi yang berjalan di banyak platform sehingga dapat saling terhubung, salah satu implementasi API tersebut adalah RESTful API. Pemilihan teknologi dalam pembuatan RESTful API sangatlah penting karena dapat mempengaruhi kinerja server. Kerangka kerja Laravel dan Express.js adalah dua teknologi backend yang digunakan untuk membuat RESTful API. Untuk mengetahui performa masing-masing framework, perlu dilakukan pengujian dengan menggunakan metode performance test untuk mengetahui respon time serta penggunaan CPU dan memori. Hasil pengujian menunjukkan bahwa Express.js mempunyai waktu respon rata-rata 48,68 ms lebih cepat dibandingkan framework Laravel yang memperoleh waktu respon rata-rata 635,17 ms, sedangkan untuk penggunaan CPU framework Express.js 17% dan framework Laravel 20%. Untuk penggunaan memori framework Express.js 63% lebih sedikit dari framework Laravel 72%. Jadi Express.js cocok untuk sistem yang diakses oleh banyak pengguna dan ditempatkan pada server dengan spesifikasi tinggi. Sedangkan framework Laravel cocok diterapkan pada sistem dengan akses pengguna yang lebih sedikit dan dapat ditempatkan pada server dengan spesifikasi lebih tinggi.
Perbandingan Algoritma K-Nearest Neighbor dan Naive Bayes untuk Klasifikasi FoMO Pengguna Media Sosial Muhammad Haromaen; Marthin Piskana; M. Bucci Ryando; Wira Hadinata
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2 (2025): Agustus
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2784

Abstract

The intensive use of social media among students poses a risk of triggering Fear of Missing Out (FoMO), which negatively affects mental health and learning focus. This study aims to develop a classification model to detect FoMO tendencies among students at SMAN 11 Kabupaten Tangerang. A quantitative approach was used, employing the K-Nearest Neighbor (KNN) and Naïve Bayes algorithms. The analyzed variables include gender, duration of social media use, access frequency, desire to stay updated, and its impact on productivity. Data were collected from 244 respondents and processed through pre-processing, modeling, and evaluation stages. Validation results show that KNN achieved the highest accuracy at 94.69%, while Naïve Bayes reached 93.06%. These findings indicate that KNN is more effective in detecting FoMO tendencies based on numerical data and has the potential to support early intervention efforts in educational settings.Keywords: Fear of Missing Out; K-Nearest Neighbor; Social Media; Classification; Naive Bayes AbstrakPenggunaan media sosial secara intensif di kalangan pelajar berisiko memunculkan gejala Fear ofaMissing Out (FoMO), yang berdampak negatif pada kesehatan mental dan fokus belajar. Penelitian ini bertujuan untuk mengembangkan model klasifikasi kecenderungan FoMO pada pelajar SMAN 11 Kabupaten Tangerang. Metode yang digunakan adalah pendekatan kuantitatif dengan algoritma K-NearestiNeighbor (KNN) dan NaïveiBayes. Variabel yang dianalisis meliputi jenis kelamin, durasi penggunaan media sosial, frekuensi akses, keinginan untuk tetap update, dan pengaruh terhadap produktivitas. Data dikumpulkan dari 244 responden dan diproses melalui pre-processing, modeling, dan evaluasi. Hasil validasi menunjukkan bahwa KNN menghasilkan akurasi tertinggi sebesar 94,69%, sementara Naïve Bayes mencapai 93,06%. Temuan ini menunjukkan bahwa KNN lebih efektif untuk mendeteksi kecenderungan FoMO berbasis data numerik dan berpotensi mendukung pengembangan intervensi dini dalam konteks pendidikan.Kata kunci: Fear of Missing Out; K-Nearest Neighbor; Media Sosial; Klasifikasi; Naive Bayes
Co-Authors Dede Nurhayati Lilis Stianingsih M. Bucci Ryando Marthin Piskana Muhammad Haromaen