Garuda - Garba Rujukan Digital

Perancangan E-Commerce Berbasis Content Management System di PT. ABC Muhammad Fikry Bayhaqi; Atman Lucky Fernandes; Ghea Paulina Suri; Willy Rizki Perdana
Jurnal Responsive Teknik Informatika Vol 9 No 01 (2025): JR : Jurnal Responsive Teknik Informatika
Publisher : LPPM Universitas Ibnu Sina Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36352/jr.v9i01.1451

Perkembangan teknologi informasi mendorong perusahaan untuk mengadopsi sistem berbasis web guna meningkatkan layanan dan efisiensi operasional. PT. Sentral Berkat Teknologi, yang bergerak di bidang penjualan dan perakitan PC gaming serta perangkat teknologi lainnya, menghadapi kendala dalam layanan e-commerce dan manajemen pelanggan karena keterbatasan fitur pada website yang berbasis CMS WordPress. Penelitian ini bertujuan untuk mengembangkan sistem e-commerce berbasis CMS WordPress dengan metode Agile menggunakan model Scrum guna meningkatkan layanan pelanggan, efisiensi pemesanan perakitan PC, serta optimalisasi penjualan daring. Penelitian ini dilakukan dengan tahapan pengolahan data yang mencakup editing, klasifikasi, verifikasi, dan analisis kebutuhan sistem. Pengembangan sistem mencakup implementasi fitur e-commerce, layanan pelanggan online, serta perakitan PC daring yang diintegrasikan dalam website. Evaluasi sistem dilakukan melalui pengujian fungsional, keamanan, serta uji kepuasan pengguna. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu meningkatkan efisiensi transaksi, mempermudah pelanggan dalam mengakses layanan, serta meningkatkan kepuasan pelanggan secara signifikan.

Api Response Time Prediction Using a Deep Learning Model on Web Application Load Testing Simulation Data Defnizal Defnizal; Atman Lucky Fernandes; Aprizal Y; David Saro; Ghea Paulina Suri; Nofri Yudi Arifin; Romiko Afriantoni; Willy Rizki Perdana
Jurnal Responsive Teknik Informatika Vol 10 No 01 (2026): JR : Jurnal Responsive Teknik Informatika
Publisher : LPPM Universitas Ibnu Sina Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36352/jr.v10i01.1539

Web application performance, particularly application programming interface (API) response time, is one of the primary determinants of user experience and system reliability, especially under high-load conditions. Conventional load testing is reactive, as it can only measure actual response time after a given load has been applied to the system, creating a need for a predictive approach capable of estimating API response time from load and server-resource conditions. This study applies a deep learning model in the form of a Multi-Layer Perceptron (MLP) with three hidden layers to predict API response time, and compares its performance against two baseline models, namely Linear Regression and Random Forest Regressor. Due to limited access to sensitive real-world production data, this study uses a simulated load-testing dataset of 500 samples generated programmatically, comprising ten load and server-resource features such as concurrent users, requests per second, payload size, database query count, cache hit ratio, and CPU and memory utilization, with non-linear patterns representing resource-contention effects under high load. The data was split into 70% training and 30% testing, then evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), and the coefficient of determination (R²). Experimental results show that the Deep Learning (MLP) model achieved the best predictive performance with an RMSE of 24.86 ms, MAPE of 19.33%, and R² of 0.9009, outperforming Linear Regression (RMSE 26.25 ms, R² 0.8895) and Random Forest (RMSE 27.90 ms, R² 0.8751), although Linear Regression's MAE was slightly lower (19.34 ms versus 19.53 ms). Feature-importance analysis indicates that the number of concurrent users, database query count, and CPU utilization are the most dominant factors influencing API response time. To ground the simulated scenario in a concrete example, a small real demonstration web application was also built and load-tested; its qualitative behavior (response time increasing with concurrency) is consistent with the assumptions underlying the simulated dataset. These findings indicate that the deep learning model is better able to capture non-linear patterns caused by resource contention compared to a linear model or a tree-based ensemble, suggesting potential use as a predictive component in auto-scaling strategies or web-application capacity planning, with the caveat that these results remain a preliminary study requiring further validation using real production data.

Api Response Time Prediction Using a Deep Learning Model on Web Application Load Testing Simulation Data Defnizal Defnizal; Atman Lucky Fernandes; Aprizal Y; David Saro; Ghea Paulina Suri; Nofri Yudi Arifin; Romiko Afriantoni; Willy Rizki Perdana
Jurnal Responsive Teknik Informatika Vol 10 No 01 (2026): JR : Jurnal Responsive Teknik Informatika
Publisher : LPPM Universitas Ibnu Sina Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36352/jr.v10i01.1539

Web application performance, particularly application programming interface (API) response time, is one of the primary determinants of user experience and system reliability, especially under high-load conditions. Conventional load testing is reactive, as it can only measure actual response time after a given load has been applied to the system, creating a need for a predictive approach capable of estimating API response time from load and server-resource conditions. This study applies a deep learning model in the form of a Multi-Layer Perceptron (MLP) with three hidden layers to predict API response time, and compares its performance against two baseline models, namely Linear Regression and Random Forest Regressor. Due to limited access to sensitive real-world production data, this study uses a simulated load-testing dataset of 500 samples generated programmatically, comprising ten load and server-resource features such as concurrent users, requests per second, payload size, database query count, cache hit ratio, and CPU and memory utilization, with non-linear patterns representing resource-contention effects under high load. The data was split into 70% training and 30% testing, then evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), and the coefficient of determination (R²). Experimental results show that the Deep Learning (MLP) model achieved the best predictive performance with an RMSE of 24.86 ms, MAPE of 19.33%, and R² of 0.9009, outperforming Linear Regression (RMSE 26.25 ms, R² 0.8895) and Random Forest (RMSE 27.90 ms, R² 0.8751), although Linear Regression's MAE was slightly lower (19.34 ms versus 19.53 ms). Feature-importance analysis indicates that the number of concurrent users, database query count, and CPU utilization are the most dominant factors influencing API response time. To ground the simulated scenario in a concrete example, a small real demonstration web application was also built and load-tested; its qualitative behavior (response time increasing with concurrency) is consistent with the assumptions underlying the simulated dataset. These findings indicate that the deep learning model is better able to capture non-linear patterns caused by resource contention compared to a linear model or a tree-based ensemble, suggesting potential use as a predictive component in auto-scaling strategies or web-application capacity planning, with the caveat that these results remain a preliminary study requiring further validation using real production data.

Perancangan dan Implementasi Sistem Informasi Rekapitulasi Penjualan dan Data Tamu Berbasis Web Andina Zatria Putri; Mahdi Aulia Suheri; Atman Lucky Fernandes; Willy Rizki Perdana; Hidayatul Ikhsan
Jurnal Responsive Teknik Informatika Vol 8 No 02 (2024): JR : Jurnal Responsive Teknik Informatika
Publisher : LPPM Universitas Ibnu Sina Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36352/jr.v8i02.1433

Sistem informasi memiliki peran yang sangat penting dalam meningkatkan efisiensi dan efektivitas operasional perusahaan, terutama dalam pengelolaan data dan transaksi. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem informasi rekapitulasi transaksi penjualan dan data tamu di PT Mytrip Indonesia. Metode yang digunakan dalam pengembangan sistem adalah System Development Life Cycle (SDLC) dengan pendekatan waterfall model, yang melibatkan tahapan analisis kebutuhan, desain sistem, implementasi, pengujian, dan pemeliharaan. Pemodelan sistem menggunakan Unified Modeling Language (UML) untuk menggambarkan proses bisnis dan alur data. Sistem ini dikembangkan menggunakan PHP sebagai bahasa pemrograman dan MySQL sebagai basis data. Hasil dari implementasi sistem ini menunjukkan peningkatan efisiensi dalam pencatatan dan rekapitulasi data, mempermudah akses informasi, serta mendukung pengambilan keputusan berbasis data. Pengujian blackbox membuktikan bahwa sistem berfungsi dengan baik sesuai dengan kebutuhan perusahaan. Penelitian ini memberikan kontribusi signifikan dalam mendukung pengelolaan transaksi secara efektif dan efisien, namun pengembangan lebih lanjut diperlukan untuk memperkaya fitur dan meningkatkan kualitas aplikasi.

Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Naive Bayes: Studi Kasus Universitas Ibnu Sina Batam Willy Rizki Perdana; Romiko Afriantoni; Sherly Agustini; David Saro; Aprizal Y
Jurnal Responsive Teknik Informatika Vol 8 No 02 (2024): JR : Jurnal Responsive Teknik Informatika
Publisher : LPPM Universitas Ibnu Sina Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36352/jr.v8i02.1438

Tingkat kelulusan mahasiswa merupakan indikator penting kualitas pendidikan tinggi. Penelitian ini bertujuan mengembangkan model prediksi kelulusan mahasiswa menggunakan algoritma Naive Bayes dengan memanfaatkan data akademik, sosial-demografis, dan ekonomi mahasiswa di Universitas Ibnu Sina Batam. Dataset mencakup 1.247 rekaman data mahasiswa Program Studi Teknik Informatika dan Sistem Informasi angkatan 2017–2021. Metode validasi menggunakan stratified 10-fold cross-validation. Hasil menunjukkan akurasi 89,74%, presisi 88,31%, recall 91,05%, dan F1-Score 89,66%. Perbandingan dengan Decision Tree dan SVM menunjukkan Naive Bayes unggul dalam efisiensi komputasi. IPK semester 1–4 dan tingkat kehadiran terbukti sebagai prediktor paling signifikan.

Perancangan dan Implementasi Sistem Informasi Rekapitulasi Penjualan dan Data Tamu Berbasis Web Andina Zatria Putri; Mahdi Aulia Suheri; Atman Lucky Fernandes; Willy Rizki Perdana; Hidayatul Ikhsan
Jurnal Responsive Teknik Informatika Vol 8 No 02 (2024): JR : Jurnal Responsive Teknik Informatika
Publisher : LPPM Universitas Ibnu Sina Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36352/jr.v8i02.1433

Sistem informasi memiliki peran yang sangat penting dalam meningkatkan efisiensi dan efektivitas operasional perusahaan, terutama dalam pengelolaan data dan transaksi. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem informasi rekapitulasi transaksi penjualan dan data tamu di PT Mytrip Indonesia. Metode yang digunakan dalam pengembangan sistem adalah System Development Life Cycle (SDLC) dengan pendekatan waterfall model, yang melibatkan tahapan analisis kebutuhan, desain sistem, implementasi, pengujian, dan pemeliharaan. Pemodelan sistem menggunakan Unified Modeling Language (UML) untuk menggambarkan proses bisnis dan alur data. Sistem ini dikembangkan menggunakan PHP sebagai bahasa pemrograman dan MySQL sebagai basis data. Hasil dari implementasi sistem ini menunjukkan peningkatan efisiensi dalam pencatatan dan rekapitulasi data, mempermudah akses informasi, serta mendukung pengambilan keputusan berbasis data. Pengujian blackbox membuktikan bahwa sistem berfungsi dengan baik sesuai dengan kebutuhan perusahaan. Penelitian ini memberikan kontribusi signifikan dalam mendukung pengelolaan transaksi secara efektif dan efisien, namun pengembangan lebih lanjut diperlukan untuk memperkaya fitur dan meningkatkan kualitas aplikasi.

Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Naive Bayes: Studi Kasus Universitas Ibnu Sina Batam Willy Rizki Perdana; Romiko Afriantoni; Sherly Agustini; David Saro; Aprizal Y
Jurnal Responsive Teknik Informatika Vol 8 No 02 (2024): JR : Jurnal Responsive Teknik Informatika
Publisher : LPPM Universitas Ibnu Sina Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36352/jr.v8i02.1438

Tingkat kelulusan mahasiswa merupakan indikator penting kualitas pendidikan tinggi. Penelitian ini bertujuan mengembangkan model prediksi kelulusan mahasiswa menggunakan algoritma Naive Bayes dengan memanfaatkan data akademik, sosial-demografis, dan ekonomi mahasiswa di Universitas Ibnu Sina Batam. Dataset mencakup 1.247 rekaman data mahasiswa Program Studi Teknik Informatika dan Sistem Informasi angkatan 2017–2021. Metode validasi menggunakan stratified 10-fold cross-validation. Hasil menunjukkan akurasi 89,74%, presisi 88,31%, recall 91,05%, dan F1-Score 89,66%. Perbandingan dengan Decision Tree dan SVM menunjukkan Naive Bayes unggul dalam efisiensi komputasi. IPK semester 1–4 dan tingkat kehadiran terbukti sebagai prediktor paling signifikan.

Title

Found 17 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 17 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 17 Documents
Search