Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi bit-Tech Jurnal Ilmiah Sistem Informasi
Zai, Tri Sapta Warman
Unknown Affiliation
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Neuroscience Transportation

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

Found 3 Documents
Search

 1 
Implementasi Sistem Pengelolaan Pesanan Menu Restoran Berbasis Stack dan Queue Simbolon, Agata Putri Handayani; Sagala, Khairul Fahmi; Tanjung, Muhammad Raffi Akbar; Zai, Tri Sapta Warman; Ramadhani, Fanny
bit-Tech Vol. 7 No. 2 (2024): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v7i2.1867

Abstract

Di industri restoran, memiliki sistem pengelolaan pesanan yang efisien sangat penting untuk meningkatkan kualitas layanan dan kepuasan pelanggan. Namun, sebagian besar restoran masih bergantung pada metode manual yang sering kali menyebabkan masalah, seperti antrian yang tidak teratur, kesalahan pencatatan, dan kesulitan dalam melacak riwayat pesanan, terutama pada volume pelanggan yang tinggi. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem pengelolaan pesanan yang berbasis struktur data stack dan queue. Sistem ini menggunakan metode FIFO pada queue untuk memastikan pesanan diproses secara berurutan sesuai urutan kedatangan, sementara stack berfungsi untuk menyimpan dan menampilkan riwayat pesanan yang sudah selesai diproses. Pengembangan sistem dilakukan dengan pendekatan waterfall yang meliputi analisis kebutuhan, desain sistem menggunakan diagram UML, implementasi dengan Python, dan pengujian sistem untuk memastikan semua fungsionalitas bekerja dengan baik. Hasil penelitian menunjukkan bahwa sistem ini dapat mengelola alur pemesanan dengan lebih terorganisir, mempercepat proses layanan, mengurangi kesalahan, dan meningkatkan kepuasan pelanggan. Selain itu, sistem ini memungkinkan staf restoran untuk dengan mudah mengakses riwayat pesanan yang sudah diproses. Secara keseluruhan, penelitian ini menyimpulkan bahwa penerapan struktur data stack dan queue menawarkan solusi yang efektif dan efisien dalam pengelolaan pesanan restoran. Penelitian lanjutan dapat fokus pada integrasi sistem dengan database eksternal untuk meningkatkan skalabilitas dan mendukung operasi restoran dengan lebih banyak pelanggan.
Pengembangan Model Prediksi Cuaca Hibrida Adaptif Berbasis Klasifikasi Pola dan Pembelajaran Mendalam untuk Mitigasi Bencana di Indonesia Drilanang, Mhd Ilyasyah; Indra, Zulfahmi; Walidin, Adamsyach Prana; Zai, Tri Sapta Warman
Jurnal Ilmiah Sistem Informasi Vol. 4 No. 3 (2025): November: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/6nagaj85

Abstract

This study aims to develop and evaluate an adaptive hybrid weather prediction model that combines pattern classification techniques with a deep learning approach to improve forecasting accuracy, especially for extreme weather events. Using a quantitative-based Research and Development (R&D) approach, this study utilizes ten years of daily rainfall time series data from the Juanda Meteorological Station. The method developed comprises three main phases: weather pattern classification using K-Means clustering to separate normal and extreme patterns; development of a specialist prediction model using SARIMA for seasonal patterns and LSTM for non-linear patterns; and integration of both models into a single adaptive framework. The results show that the adaptive hybrid model performs significantly better than the single model, with a Mean Absolute Percentage Error (MAPE) of 8.76% and a Root Mean Square Error (RMSE) of 9.13%. The main contribution of this study is the development of an intelligent, accurate prediction framework with strong potential for integration into the national early warning system, thereby supporting more effective disaster mitigation efforts in Indonesia. Further research is recommended to validate the model in various regions and add additional climate variables to improve prediction accuracy.
Perancangan dan Implementasi Sistem Logging Jaringan Berbasis Website dengan Fitur Multi-User Real-Time dan Deteksi Zai, Tri Sapta Warman; Kiswanto, Dedy; Putri, Fahra Pebiana; Valentino, Bob
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 6 (2025): Desember 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i6.9915

Abstract

Abstrak - Perkembangan teknologi informasi menimbulkan tantangan dalam deteksi anomali log secara real-time. Penelitian ini mengembangkan NetLog, sistem monitoring log dengan pendekatan hybrid yang menggabungkan deep learning dan deteksi berbasis aturan. Sistem menggunakan Autoencoder untuk mempelajari pola log normal dan rule-based detector sebagai fallback. Arsitektur terdiri dari backend FastAPI, frontend React/Next.js, dan modul anomaly detection. Hasil implementasi menunjukkan sistem berhasil mendeteksi 60% serangan simulasi dengan precision 100% dan recall 20%. Evaluasi komprehensif menunjukkan ROC AUC 82% dan PR AUC 86.7%, mengindikasikan kemampuan model yang baik dalam membedakan log normal dan log anomali. Dashboard real-time menampilkan log dengan latensi di bawah 2 detik. Kesimpulannya, pendekatan hybrid pada NetLog terbukti efektif memperluas cakupan deteksi anomali dibandingkan metode tunggal, meskipun masih diperlukan peningkatan sensitivitas deteksi.Kata kunci: Deteksi Anomali; Autoencoder; Deep Learning; Monitoring Log; Sistem Real-time; Abstract - The rapid advancement of information technology poses new challenges in real-time log anomaly detection. This study develops NetLog, a log monitoring system based on a hybrid approach that combines deep learning with rule-based detection. The system employs an Autoencoder to learn normal log patterns and a rule-based detector as a fallback mechanism. The architecture consists of a FastAPI backend, React/Next.js frontend, and an anomaly detection module. The implementation results show that the system successfully detected 60% of simulated attacks with 100% precision and 20% recall. A comprehensive evaluation demonstrates ROC AUC of 82% and PR AUC of 86.7%, indicating a strong ability of the model to distinguish between normal and anomalous logs. The real-time dashboard displays log data with latency below 2 seconds. In conclusion, the hybrid approach of NetLog effectively broadens anomaly detection coverage compared to single-method systems, although improvements in sensitivity are still required.Keywords: Anomaly Detection; Autoencoder; Deep Learning; Log Monitoring; Real-time System;
Co-Authors Dedy Kiswanto Drilanang, Mhd Ilyasyah Putri, Fahra Pebiana Ramadhani, Fanny Sagala, Khairul Fahmi Simbolon, Agata Putri Handayani Tanjung, Muhammad Raffi Akbar Valentino, Bob Walidin, Adamsyach Prana Zulfahmi Indra, Zulfahmi