Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Raffi Akbar Tanjung, Muhammad
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
ANALISIS PERBANDINGAN PERFORMA MYSQL PADA LINGKUNGAN VIRTUALISASI PADA LINUX DEBIAN DAN UBUNTU BERBASIS WEB SERVER NGINX Zulfahrizan, Atta; Raffi Akbar Tanjung, Muhammad; Zidane Al-Kautsar, Muhammad; Kiswanto, Dedy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 1 (2025): JATI Vol. 9 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i1.12545

Abstract

Performa basis data MySQL merupakan salah satu aspek krusial dalam pengelolaan aplikasi berbasis web, terutama ketika diimplementasikan pada lingkungan virtualisasi. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa MySQL yang dijalankan pada dua distribusi Linux, yaitu Debian dan Ubuntu dengan menggunakan web server Nginx. Pengujian dilakukan dalam lingkungan virtualisasi untuk mensimulasikan meliputi pengukuran throughput, latency, dan konsumsi sumber daya sistem seperti CPU dan Memori. Hasil analisis menunjukkan perbedaan signifikan dalam performa MySQL pada kedua sistem operasi tersebut, dimana Debian cenderung lebih stabil dalam menangani beban berat, sementara Ubuntu memberikan respons yang lebih cepat pada skenario beban ringan hingga sedang. Studi ini memberikan wawasan bagi pengembang dan administrator sistem dalam memilih platform yang optimal untuk penerapan MySQL di lingkungan virtualisasi berbagss Nginx. Hasil pengujian menunjukkan bahwa Linux Debian unggul dalam throughput sebesar 464,02 request per detik dibandingkan Ubuntu dengan 361,85 request per detik. Response time Debian tercatat lebih cepat (11 ms) dibandingkan Ubuntu (28 ms). Penggunaan sumber daya Debian lebih efisien, dengan pemakaian CPU 47,93% dan RAM 2,75%, dibandingkan Ubuntu yang memerlukan CPU 80,7% dan RAM 11,4%. Namun, Ubuntu memiliki kecepatan Disk I/O lebih tinggi sebesar 10.940 KB/s dibandingkan Debian yang hanya mencapai 3.317,48 KB/s.
PENERAPAN MACHINE LEARNING UNTUK REKOMENDASI FILM BERDASARKAN PREFERENSI PENGGUNA Insan Pratama Siagian, Raihan; Khoiriah, Najwatul; Audy Priscilia, Selfi; Raffi Akbar Tanjung, Muhammad; Perdana, Adidtya
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13884

Abstract

Dalam era digital, semakin banyaknya film yang tersedia di berbagai platform streaming menimbulkan tantangan bagi pengguna dalam memilih tontonan yang sesuai dengan preferensi mereka. Permasalahan utama yang dihadapi adalah bagaimana meningkatkan akurasi rekomendasi film agar lebih relevan dan personal bagi pengguna. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi film berbasis Machine Learning dengan metode Content-Based Filtering. Sistem ini dirancang untuk memberikan rekomendasi yang lebih sesuai dengan preferensi pengguna berdasarkan deskripsi film. Metode yang digunakan dalam penelitian ini melibatkan pemrosesan dataset dari The Movie Database (TMDb), di mana teknik Term Frequency-Inverse Document Frequency (TF-IDF) dan cosine similarity digunakan untuk mengukur kesamaan antar film. Implementasi dilakukan menggunakan bahasa pemrograman Python dengan pustaka pandas, numpy, dan scikit-learn, serta dikembangkan dalam antarmuka berbasis Streamlit untuk kemudahan penggunaan. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu memberikan rekomendasi yang relevan sesuai dengan preferensi pengguna. Namun, terdapat beberapa keterbatasan, seperti kurangnya variasi rekomendasi akibat ketergantungan pada data deskriptif film. Oleh karena itu, pengembangan lebih lanjut dapat mempertimbangkan pendekatan Hybrid Filtering atau integrasi dengan model Deep Learning untuk meningkatkan akurasi dan pengalaman pengguna.
Co-Authors Adidtya Perdana, Adidtya Audy Priscilia, Selfi Dedy Kiswanto Insan Pratama Siagian, Raihan Khoiriah, Najwatul Zidane Al-Kautsar, Muhammad Zulfahrizan, Atta