Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JURNAL MAHAJANA INFORMASI
Fajar Rahardika Bahari Putra
Unknown Affiliation
Library & Information Science

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

Found 2 Documents
Search
Journal : JURNAL MAHAJANA INFORMASI

 1 
RANCANG BANGUN SISTEM BOOKING SERVICE DEALER TOYOTA BERBASIS ANDROID (STUDI KASUS: DEALER TOYOTA KOTA SORONG) Pangri, Muzakkir; Fitryani Tella; Fajar Rahardika Bahari Putra; Muhammad Jundullah; Nur Miswar; Mariana Anggraini Suwardi Ningsih
Jurnal Mahajana Informasi Vol 10 No 1 (2025): JURNAL MAHAJANA INFORMASI
Publisher : Universitas Sari Mutiara Indonesia Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51544/jurnalmi.v10i1.6263

Abstract

Permasalahan dalam pelayanan booking service di dealer Toyota Kota Sorong masih dilakukan secara manual, seperti melalui telepon dan pencatatan antrian secara konvensional, yang menyebabkan ketidakefisienan serta ketidaktepatan waktu pelayanan. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem informasi booking service berbasis Android yang mampu meningkatkan efisiensi dan efektivitas pelayanan kepada konsumen. Metode yang digunakan adalah metode deskriptif dengan pendekatan pengembangan sistem menggunakan metode Agile yang mencakup tahap perancangan, desain, pengkodean, pengujian, dan pemeliharaan sistem. Pengumpulan data dilakukan melalui wawancara, observasi, dan penyebaran kuesioner kepada pihak dealer. Hasil dari penelitian ini adalah aplikasi mobile Android yang menyediakan fitur utama seperti booking service, nomor antrian otomatis, informasi transaksi, notifikasi layanan, serta histori dan testimoni service. Pengujian sistem dilakukan dengan metode black box dan usability testing. Hasil pengujian menunjukkan sistem berjalan sesuai fungsinya dan mendapatkan tingkat kepuasan pengguna sebesar 85,06%, yang menunjukkan aplikasi telah sesuai dengan kebutuhan pengguna. Kesimpulan dari penelitian ini adalah bahwa sistem yang dirancang dapat mempercepat proses pelayanan booking service secara online dan meningkatkan kualitas layanan di dealer Toyota Kota Sorong.
PERBANDINGAN ALGORITMA NAÏVE BAYES DAN LONG SHORT-TERM MEMORY DALAM KLASIFIKASI KUALITAS SUSU Fajar Rahardika Bahari Putra; Murni; Muhammad Surahmanto; Rezki; Dimas Adi Suseno
Jurnal Mahajana Informasi Vol 10 No 2 (2025): JURNAL MAHAJANA INFORMASI
Publisher : Universitas Sari Mutiara Indonesia Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51544/jurnalmi.v10i2.6857

Abstract

Latar belakang: Kualitas susu merupakan aspek penting dalam industri pangan karena secara langsung berkaitan dengan keamanan konsumsi dan kesehatan masyarakat. Pengujian kualitas susu konvensional memiliki keterbatasan dalam efisiensi dan objektivitas, sehingga memerlukan pendekatan berbasis data untuk mendukung proses klasifikasi kualitas susu. Tujuan: Penelitian ini difokuskan pada perbandingan hasil klasifikasi antara algoritma Naïve Bayes dan Long Short-Term Memory (LSTM) pada data kualitas susu. Dataset dalam penelitian ini berupa data sekunder yang diambil melalui platform Kaggle, terdiri dari 844 data dengan tiga kelas kualitas, yaitu Low, Medium, dan High. Semua data digunakan sebagai populasi penelitian, dengan pembagian data pelatihan dan data uji, di mana 212 dataset digunakan sebagai data uji. Metode penelitian yang diterapkan adalah pendekatan eksperimental dengan simulation-based experiment, menggunakan dataset yang sama pada kedua algoritma. Penilaian performa model dilakukan dengan memanfaatkan metrik accuracy, Confusion matrix, Hasil: Berdasarkan hasil pengujian, algoritma Naïve Bayes mencapai tingkat accuracy sebesar 85%, lebih tinggi dibandingkan Long Short-Term Memory (LSTM) yang memperoleh 75%. Analisis per kelas menunjukkan bahwa Naïve Bayes lebih efektif dalam mengidentifikasi kelas Low dan Medium, sementara LSTM cenderung menghasilkan nilai recall yang lebih baik pada kelas Medium, namun menunjukkan penurunan kemampuan klasifikasi pada kelas Low dan High. Kesimpulan: Berdasarkan hasil tersebut, penelitian ini kemudian menegaskan bahwa pemilihan algoritma klasifikasi perlu disesuaikan dengan karakteristik dataset untuk mendapatkan hasil yang optimal.precision, recall, dan F1-score.
Co-Authors Dimas Adi Suseno Fitryani Tella Mariana Anggraini Suwardi Ningsih Muhammad Jundullah Murni Muzakkir Pangri Nur Miswar Rezki Surahmanto