Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI)
Laudri, Sabdha Putra
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
Implementasi REST API Menggunakan Bahasa Go untuk Optimalisasi Manajemen Menu dan Pemesanan Yudanto, Bagus Ario; Laudri, Sabdha Putra; Felina, Ismi; Abinovan, Moh Rizqi Amanusa; Fadhil, Muhamad; Putra, Raja Fathir Rakha; Ulfa, Dinia Fachriza; Salzi, Wildan Faerus; Nuzulah, Rahnita
Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI) Vol 6, No 02 (2025): Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI)
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/jrami.v6i02.13367

Abstract

Dalam era digital yang terus berkembang, industri restoran dituntut untuk mengadopsi teknologi canggih guna meningkatkan efisiensi operasional dan pengalaman pelanggan. Artikel ini menjelaskan implementasi REST API dengan menggunakan bahasa pemrograman Go (Golang) dalam pengembangan sistem manajemen menu dan pesanan di restoran. Bahasa Go dipilih karena kemampuannya dalam menangani performa tinggi dan pengolahan data secara paralel, sehingga cocok untuk membangun sistem API yang cepat dan andal. Penelitian ini mencakup tahapan analisis kebutuhan, perancangan sistem, dan pengembangan REST API. Implementasi REST API berbasis Go memungkinkan pengelolaan menu yang fleksibel, pemrosesan pesanan yang cepat, dan integrasi mudah dengan platform lain. Hal ini berdampak positif pada efisiensi operasional restoran dan kepuasan pelanggan. Dengan solusi ini, restoran dapat meningkatkan otomatisasi proses hingga 40% dibandingkan dengan metode manual tradisional, serta mengurangi waktu pemrosesan pesanan hingga 30%. Dengan demikian, restoran dapat meminimalkan keterlibatan manual, serta menyediakan layanan yang lebih responsif dan modern.
IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK DALAM APLIKASI ANDROID UNTUK KLASIFIKASI KEMATANGAN BUAH PISANG: IMPLEMENTATION OF CONVOLUTIONAL NEURAL NETWORK IN AN ANDROID APPLICATION FOR CLASSIFYING BANANA RIPENESS Laudri, Sabdha Putra
HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi Vol. 16 No. 2 (2025): Jurnal HOAQ - Teknologi Informasi
Publisher : STIKOM Uyelindo Kupang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52972/hoaq.vol16no2.p225-232

Abstract

Indonesia merupakan negara tropis dengan produksi buah yang melimpah, salah satunya adalah pisang. Berdasarkan data Badan Pusat Statistik (BPS) tahun 2023, pisang menjadi komoditas buah dengan jumlah produksi tertinggi, yaitu sebesar 9,3 juta ton. Maka dari itu, penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan model klasifikasi berbasis Convolutional Neural Network (CNN) dalam aplikasi Android untuk mengenali tingkat kematangan buah pisang, seperti mentah, setengah matang, matang, dan terlalu matang secara otomatis, cepat, dan objektif. Model Convolutional Neural Network (CNN) dilatih menggunakan 4112 citra yang dibagi menjadi data pelatihan (3288 citra), validasi (412 citra), dan pengujian (412 citra) dengan rasio 80:10:10. Untuk mendukung kemudahan penggunaan, aplikasi Android dirancang dengan antarmuka yang sederhana, interaktif, dan ramah pengguna. Selain itu, model dioptimalkan agar dapat berjalan secara efisien pada perangkat dengan keterbatasan sumber daya. Hasil akhir dari penelitian menunjukkan bahwa model Convolutional Neural Network (CNN) mampu mencapai akurasi sebesar 95,87% dalam mengklasifikasikan tingkat kematangan pisang.   Indonesia is a tropical country with abundant fruit production, one of which is bananas. Based on data from the Central Statistics Agency (BPS) in 2023, bananas are the fruit commodity with the highest production amount, which is 9.3 million tonnes. Therefore, this research aims to develop and implement a classification model based on Convolutional Neural Network (CNN) in an Android application to recognise the ripeness level of bananas, such as unripe, half-ripe, ripe, and overripe automatically, quickly, and objectively. The Convolutional Neural Network (CNN) model was trained using 4112 images divided into training data (3288 images), validation (412 images), and testing (412 images) with a ratio of 80:10:10. To support ease of use, the Android application was designed with a simple, interactive, and user-friendly interface. In addition, the model was optimised to run efficiently on resource-constrained devices. The final results of the study show that the Convolutional Neural Network (CNN) model is able to achieve an accuracy of 95.87% in classifying the ripeness level of bananas.
Co-Authors Abinovan, Moh Rizqi Amanusa Fadhil, Muhamad Felina, Ismi Putra, Raja Fathir Rakha Rahnita Nuzulah Salzi, Wildan Faerus Ulfa, Dinia Fachriza Yudanto, Bagus Ario