cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Bahar
Contact Email
bahararahman@gmail.com
Phone
-
Journal Mail Official
puslit.stmikbjb@gmail.com
Editorial Address
-
Location
Kota banjarmasin,
Kalimantan selatan
INDONESIA
Progresif: Jurnal Ilmiah Komputer
Published by Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru
ISSN : 02163284     EISSN : 26850877     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering
Progresif: Jurnal Ilmiah Komputer adalah Jurnal Ilmiah bidang Komputer yang diterbitkan secara periodik dua nomor dalam satu tahun, yaitu pada bulan Februari dan Agustus. Redaksi Progresif: Jurnal Ilmiah Komputer menerima Artikel hasil penelitian atau atau artikel konseptual bidang Komputer.
Arjuna Subject : -
Articles 562 Documents
 53   54   55   56   57 
KLASIFIKASI TEKS DEPRESI PADA MEDIA SOSIAL MENGGUNAKAN CONVOLUTION NEURAL NETWORK (CNN) DENGAN FASTTEXT EMBEDDING Azki Hamdi; Mohammad Zoqi Sarwani; Anang Aris Widodo
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.3899

Abstract

Depression is a persistent mood disorder that significantly impacts an individual's functioning, and its prevalence is becoming increasingly concerning among adolescents (the "Strawberry Generation"). Expressions of this psychological distress have largely migrated to social media in the form of unstructured text posts laden with informal terms, abbreviations, and typos. These linguistic characteristics pose "Out-of-Vocabulary" (OOV) challenges for traditional classification models. This study proposes integrating FastText word embeddings—which utilize subword information—to enhance feature representation, combined with a Convolutional Neural Network (CNN) architecture as the primary classifier. Using the "Student Depression Text" secondary dataset from Kaggle (comprising 7,489 entries), class imbalance was addressed exclusively within the training data using the Random Oversampling technique. Experimental results demonstrate that the proposed model achieved an overall accuracy of 95%, with Precision, Recall, and F1-Score values ​​for the depression class of 90%, 80%, and 84%, respectively. The integration of CNN and pre-trained FastText proved to be a reliable and efficient solution for managing the complexities of digital language in the context of early mental health detection. Keywords: Depression; Social Media; Natural Language Processing; Convolutional Neural Network; FastText Embedding. Abstrak Depresi merupakan gangguan suasana hati persisten yang secara signifikan memengaruhi fungsi fungsional individu dan prevalensinya kian mengkhawatirkan pada kelompok remaja (Strawberry Generation). Ekspresi tekanan psikologis ini kini banyak bermigrasi ke media sosial dalam bentuk unggahan teks tidak terstruktur yang sarat akan istilah non-formal, singkatan, dan salah ketik (typo). Karakteristik bahasa tersebut memicu kendala Out-of-Vocabulary (OOV) pada model klasifikasi tradisional. Penelitian ini mengusulkan integrasi word embedding FastText berbasis informasi tingkat sub-kata (subword information) untuk memperkuat representasi fitur, yang dikombinasikan dengan arsitektur Convolutional Neural Network (CNN) sebagai pengklasifikasi utama. Menggunakan dataset sekunder "Student Depression Text" sebanyak 7.489 entri dari Kaggle, ketidakseimbangan kelas diatasi secara eksklusif pada data latih menggunakan teknik Random Oversampling. Hasil eksperimen menunjukkan bahwa model yang diusulkan meraih akurasi keseluruhan sebesar 95%, dengan nilai Precision, Recall, dan F1-Score untuk kelas depresi masing-masing sebesar 90%, 80%, dan 84%. Integrasi CNN dan pre-trained FastText terbukti efektif menjadi solusi jalan tengah yang andal dan efisien dalam menangani kompleksitas bahasa digital untuk deteksi dini kesehatan mental.
Implementasi Model Hybrid IndoBERT-LinearSVC untuk Deteksi Spam Judol Obfuscated pada Komentar YouTube Danang Budiman Hidayat; Ahmad Abdul Chamid; Ahmad Jazuli
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.3914

Abstract

Online gambling (judol) spam comments on Indonesian YouTube are disguised using obfuscated text techniques, substituting non-standard Unicode characters designed to bypass string-matching moderation systems. Vocabulary-based Natural Language Processing (NLP) models such as IndoBERT risk representation degradation as tokenizers map non-standard characters to unknown ([UNK]) tokens. This study implemented a hybrid model using a Dual-Track Preprocessing architecture combining IndoBERT [CLS] vectors from normalized text with TF-IDF character N-Gram LinearSVC features from raw Unicode text via sparse matrix concatenation. Experiments on 6,000 YouTube judol comments show the hybrid model achieving Accuracy=0.9978, Precision=0.9956, Recall=1.0000, F1-Score=0.9978 on the test set, identical to standalone IndoBERT and outperforming standalone LinearSVC (F1=0.9944). The hybrid model preserved IndoBERT peak performance while fully closing the 4-comment obfuscated-spam gap missed by LinearSVC, with no performance penalty from fusion. Keywords: Character N-Gram; Gambling Spam Detection; Hybrid Model; IndoBERT; LinearSVC Abstrak Komentar spam judi online (judol) di YouTube Indonesia disamarkan menggunakan teknik obfuscated text, yakni substitusi karakter Unicode non-standar yang dirancang untuk menghindari sistem moderasi berbasis pencocokan string. Model Natural Language Processing (NLP) berbasis kosakata seperti IndoBERT berisiko mengalami degradasi representasi karena tokenizer memetakan karakter non-standar ke token tidak dikenal ([UNK]). Penelitian ini mengimplementasikan model hybrid dengan arsitektur Dual-Track Preprocessing yang menggabungkan vektor [CLS] IndoBERT dari teks ternormalisasi dan fitur TF-IDF karakter N-Gram LinearSVC dari teks Unicode mentah melalui konkatenasi sparse matrix. Eksperimen pada 6.000 sampel komentar judol YouTube menunjukkan model hybrid mencapai Accuracy=0,9978, Precision=0,9956, Recall=1,0000, F1-Score=0,9978 pada test set, identik dengan IndoBERT standalone dan unggul atas LinearSVC standalone (F1=0,9944). Model hybrid mempertahankan kinerja puncak IndoBERT sekaligus menutup seluruh celah 4 komentar obfuscated yang terlewat oleh LinearSVC, tanpa penalti performa dari proses fusi.
Komparasi YOLOv8 Nano dan YOLO11 Nano untuk Klasifikasi Penyakit Daun Tomat pada Perangkat Edge Muhammad Nur; Iwan Jaya; Haytsam Adzka Mawla
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.3929

Abstract

Tomato leaf diseases pose a significant threat to horticultural productivity, while field identification methods remain highly dependent on expert observation. This study compared the performance of YOLOv8 Nano and YOLO11 Nano for tomato leaf disease classification on an edge device. A dataset of 7,200 tomato leaf images across six disease classes was used; both models were trained under identical configurations with 20 independent seed replications, exported to ONNX format, and evaluated on a Raspberry Pi 5. YOLOv8 Nano achieved a mean accuracy of 88.32% while YOLO11 Nano achieved 87.81%. The Wilcoxon Signed-Rank test confirmed that the accuracy difference was not statistically significant (W = 75.5; p = 0.2706). Nevertheless, YOLOv8 Nano demonstrated shorter mean inference time (8.430 ms vs 8.502 ms; p = 0.0064), smaller model size (5.531 MB vs 5.895 MB), and lower peak memory usage (72.31 MB vs 72.72 MB). Both models proved comparable in classification accuracy, but YOLOv8 Nano is recommended for edge deployment owing to its statistically verified efficiency advantages. Keywords: YOLOv8 Nano; YOLO11 Nano; tomato leaf disease classification; edge device; Wilcoxon Signed-Rank Abstrak Penyakit daun tomat menjadi ancaman serius bagi produktivitas hortikultura, sementara metode identifikasi visual di lapangan masih sangat bergantung pada keahlian pengamat. Penelitian ini membandingkan performa YOLOv8 Nano dan YOLO11 Nano untuk klasifikasi penyakit daun tomat pada perangkat edge. Dataset yang digunakan terdiri dari 7.200 citra daun tomat yang terbagi dalam enam kelas penyakit; kedua model dilatih menggunakan 20 variasi seed independen dengan konfigurasi identik, kemudian diekspor ke format ONNX dan diuji langsung pada Raspberry Pi 5. YOLOv8 Nano memperoleh akurasi rata-rata 88,32%, sedangkan YOLO11 Nano memperoleh 87,81%. Uji Wilcoxon Signed-Rank mengonfirmasi bahwa selisih akurasi tidak signifikan secara statistik (W = 75,5; p = 0,2706). Meski demikian, YOLOv8 Nano menunjukkan waktu inferensi yang lebih singkat (8,430 ms vs 8,502 ms; p = 0,0064), ukuran model lebih kecil (5,531 MB vs 5,895 MB), dan konsumsi memori lebih rendah (72,31 MB vs 72,72 MB). Kedua model terbukti setara dari sisi akurasi klasifikasi, namun YOLOv8 Nano lebih direkomendasikan untuk implementasi edge berkat keunggulan efisiensinya yang terukur.
Deteksi Diabetes Menggunakan Analisis Citra Kuku Berbasis Vision Transformer CNN-LSTM Annas Prasetio; Sri Handayani
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.3941

Abstract

Diabetes mellitus is a chronic metabolic disease that requires early detection to prevent complications. However, commonly used diagnostic methods are still invasive and require laboratory testing. This study aims to develop a diabetes detection model based on nail image analysis using the Hybrid Vision Transformer–Convolutional Neural Network–Long Short-Term Memory (Vision Transformer–CNN–LSTM) method as a non-invasive approach. The study included dataset collection, image preprocessing, including resizing, normalization, segmentation, dataset partitioning, model training, and evaluation using a confusion matrix. The Vision Transformer was used to capture a global image representation, the Convolutional Neural Network extracted local features, and the Long Short-Term Memory enhanced the feature representation before the classification process. Test results showed that the model achieved 93.33% accuracy, 91.89% precision, 94.44% recall, 93.13% F1-score, and an Area Under the Curve of 0.972. These results demonstrate that the proposed model is capable of accurately detecting diabetes and has the potential to be a fast, easy, and non-invasive alternative for initial screening based on nail images.Keywords: Diabetes mellitus; nail image; Vision Transformer; Convolutional Neural Network–Long Short-Term Memory; Early detection. AbstrakDiabetes mellitus menjadi penyakit metabolik kronis yang memerlukan deteksi dini untuk mencegah terjadinya komplikasi, namun metode diagnosis yang umum digunakan masih bersifat invasif dan memerlukan pemeriksaan laboratorium. Penelitian ini bertujuan mengembangkan model deteksi diabetes berbasis analisis citra kuku menggunakan metode Hybrid Vision Transformer–Convolutional Neural Network–Long Short-Term Memory (Vision Transformer–CNN–LSTM) sebagai pendekatan noninvasif. Penelitian dilakukan melalui tahapan pengumpulan dataset, preprocessing citra berupa resize, normalisasi, segmentasi, pembagian dataset, pelatihan model, dan evaluasi menggunakan confusion matrix. Vision Transformer dimanfaatkan untuk menangkap representasi global citra, Convolutional Neural Network mengekstraksi fitur lokal, sedangkan Long Short-Term Memory memperkuat representasi fitur sebelum proses klasifikasi. Hasil pengujian menunjukkan bahwa model menghasilkan accuracy 93,33%, precision 91,89%, recall 94,44%, F1-score 93,13%, dan Area Under Curve sebesar 0,972. Hasil tersebut menunjukkan bahwa model yang diusulkan mampu mendeteksi diabetes secara akurat serta berpotensi menjadi alternatif skrining awal berbasis citra kuku yang cepat, mudah, dan noninvasif.Kata kunci: Diabetes mellitus; citra kuku; Vision Transformer; Convolutional Neural Network–Long Short-Term Memory; Deteksi dini
Analisis Peramalan Penjualan Gorden Menggunakan Metode Single Moving Average dengan Perbandingan Periode pada Usaha Ritel Fadhila Gorden Fadhila Mutia Rahmi; Ahmad Jazuli; Esti Wijayanti
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.3943

Abstract

The Fadhila Gorden retail business is facing critical instability in inventory management due to unpredictable sales fluctuations. This triggers the risk of financial losses from both overstocking and stockouts. This research aims to resolve this issue by predicting future sales using the Single Moving Average (SMA) forecasting method and implementing it into a web-based interface system. The research process was conducted by comparing the performance of three observation time-span scenarios—namely 3-, 5-, and 7-month periods—using 18 months of historical data. The performance accuracy level was measured using the Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) parameters. The research results indicate that the 5-period scenario produced the lowest error rate, with an MAE value of 26.75 and a MAPE of 37.64%. In conclusion, the 5-period computational model proved to be the most precise and was successfully developed into a standalone interactive application. This system effectively provides a quantitative reference for the business owner to optimize the efficiency of raw material stock purchasing plans. Keywords: Sales forecasting; Single Moving Average (SMA); Inventory management; Web-based system. Abstrak Usaha Ritel Fadhila Gorden menghadapi urgensi ketidakstabilan manajemen persediaan akibat fluktuasi penjualan yang tidak menentu. Hal ini memicu risiko kerugian dari kelebihan maupun kekosongan stok barang. Penelitian ini bertujuan untuk menyelesaikan permasalahan tersebut dengan memprediksi penjualan masa depan menggunakan metode peramalan Single Moving Average (SMA) dan mengimplementasikannya ke dalam sebuah sistem antarmuka berbasis web. Proses penelitian dilakukan dengan membandingkan kinerja tiga skenario rentang waktu pengamatan yakni 3, 5, dan 7 periode bulanan—menggunakan 18 data historis masa lalu. Pengujian tingkat akurasi kinerja diukur menggunakan parameter Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa skenario 5 periode menghasilkan tingkat kesalahan paling rendah, dengan nilai MAE sebesar 26,75 dan MAPE sebesar 37,64%. Kesimpulannya, model komputasi 5 periode terbukti paling presisi dan berhasil dikembangkan menjadi aplikasi interaktif mandiri. Sistem ini secara efektif memberikan acuan kuantitatif kepada pemilik usaha untuk mengoptimalkan efisiensi perencanaan belanja stok bahan baku.
Analisis Kinerja Algoritma Naïve Bayes Dalam Prediksi Tingkat Persediaan Susu Formula Pada Sektor Ritel Muhammad Erwan Fuqoha Suryanata; Budi Rahmani
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.3946

Abstract

Formula milk inventory management at Toko Serba Ada has traditionally relied on a manual system that is often inefficient and error-prone. One of the main challenges is the mismatch between inventory levels and market demand, leading to overstocking and the risk of financial losses from product expiration. This study aims to analyze the performance of the Naïve Bayes algorithm in predicting formula milk inventory levels in the retail sector. The variables used in this study include initial stock, demand trends, product price, and sales volume. The prediction model was developed as a web-based application using PHP. Model performance was evaluated using a confusion matrix with accuracy, precision, and recall as evaluation metrics. The experimental results showed that the model achieved 71.43% accuracy, 73.76% precision, and 74.08% recall. These findings indicate that the Naïve Bayes algorithm demonstrates satisfactory decision-making capability for formula milk inventory management in the retail sector.Keywords: Naïve Bayes; Inventory Prediction; Formula Milk; Retail Sector; Inventory Management. AbstrakSelama ini, pengelolaan stok susu formula di Toko Serba Ada masih mengandalkan sistem manual yang sering kali kurang efisien dan rentan terhadap kesalahan manusia. Masalah utama yang sering muncul adalah ketidaksesuaian antara jumlah stok dan permintaan pasar sehingga menyebabkan penumpukan produk maupun risiko kerugian akibat kedaluwarsa. Penelitian ini bertujuan untuk menganalisis kinerja algoritma Naïve Bayes dalam memprediksi tingkat persediaan susu formula pada sektor ritel. Variabel yang digunakan meliputi stok awal, tren permintaan, harga, dan tingkat penjualan. Model dikembangkan dalam aplikasi berbasis web menggunakan bahasa pemrograman PHP. Evaluasi dilakukan menggunakan confusion matrix dengan parameter akurasi (accuracy), presisi (precision), dan recall. Hasil pengujian menunjukkan bahwa model menghasilkan tingkat akurasi sebesar 71,43%, presisi sebesar 73,76%, dan recall sebesar 74,08%. Hasil tersebut menunjukkan bahwa algoritma Naïve Bayes memiliki kemampuan yang cukup baik dalam mendukung proses pengambilan keputusan terkait pengelolaan persediaan susu formula di sektor ritel.Kata kunci: Naive Bayes; Prediksi Stok; Manajemen Persediaan; Toko Serba Ada; Klasifikasi.
Perancangan Failure-Aware Self-Healing Workflow pada Sistem Event-Driven untuk Pemulihan Proses Layanan Digital Secara Otomatis Dimaz Ardawan; Denny Kurniadi; Khairi Budayawan; Randi Proska Sandra
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.3977

Abstract

Digital service systems built on event-driven architecture relied on infrastructure-level self-healing, leaving workflow-layer failures handled reactively and processes abandoned mid-execution even when infrastructure remained available. This study designed a failure-aware self-healing workflow that detected, classified, and recovered digital service failures automatically based on event context, treating classification as mandatory before recovery. A prototype was built following the Prototyping Model, integrating n8n as workflow orchestrator and Apache Kafka as event broker inside Docker, with recovery governed by a JavaScript finite state machine, tested on five failure scenarios and two baseline conditions, each run for 30 iterations. The system classified all failures correctly across 150 iterations, reaching 100% recovery accuracy and a 100% success rate where fallback was available. Self-healing lowered Recovery Time by 29.90% against a no-recovery baseline, though a static-recovery baseline reached a lower time with 0% success, showing recovery speed and correctness can move in opposite directions. Keywords: Failure-Aware; Self-Healing; Event-Driven Architecture; Workflow Orchestration; Mean Time to Recovery (MTTR) Abstrak Sistem layanan digital berbasis arsitektur event-driven umumnya mengandalkan self-healing pada tingkat infrastruktur, sementara kegagalan pada lapisan orkestrasi workflow ditangani secara reaktif melalui pemantauan manual sehingga proses bisnis dapat terhenti di tengah eksekusi meskipun infrastrukturnya masih berjalan normal. Penelitian ini merancang failure-aware self-healing workflow yang mendeteksi, mengklasifikasikan, dan memulihkan kegagalan layanan digital secara otomatis berdasarkan konteks event, dengan klasifikasi sebagai tahap wajib sebelum pemulihan dijalankan. Prototipe dibangun mengikuti Prototyping Model, mengintegrasikan n8n sebagai orkestrator workflow dan Apache Kafka sebagai event broker di dalam Docker, dengan keputusan pemulihan dikendalikan finite state machine berbasis JavaScript, diuji pada lima skenario kegagalan dan dua baseline, masing-masing 30 iterasi. Sistem mengklasifikasikan seluruh kegagalan secara tepat pada 150 iterasi, mencapai recovery accuracy 100% dan success rate 100% pada skenario dengan jalur fallback. Self-healing menurunkan MTTR sebesar 29,90% dibandingkan baseline tanpa pemulihan, meskipun baseline pemulihan statis mencatat waktu lebih rendah namun dengan success rate 0%, menunjukkan kecepatan dan ketepatan pemulihan dapat bergerak berlawanan arah.
Perancangan Aplikasi Sistem Informasi Inventory Barang di PT. Harta Jaya Is’ad, Muhammad Nur; Jazuli, Ahmad; Akbar, Aditya
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.3979

Abstract

Conventional inventory management at PT. Harta Jaya triggers various operational challenges, including stock data discrepancies, a high risk of physical record loss, and delays in compiling managerial reports. This research aims to develop an Inventory Information System Application to address these obstacles while enhancing operational efficiency. The software engineering methodology adopts the Waterfall approach through a structured lifecycle: requirements analysis, architectural design, program coding, functional testing, and system maintenance. This study successfully developed an integrated inventory platform that automates the recording of item movements (incoming / outgoing) and real-time stock updates. Testing and evaluation confirm that the system operates optimally, facilitates inventory tracking, and accelerates accurate data recapitulation. Overall, the implementation of this information system has proven effective in minimizing human error and optimizing inventory management at PT. Harta Jaya. Keywords: Inventory Information System; Inventory Management; Waterfall Method; Real-Time; PT. Harta Jaya. Abstrak Tata kelola persediaan barang secara konvensional pada PT. Harta Jaya memicu sejumlah permasalahan operasional, meliputi adanya perbedaan data stok, tingginya risiko rekam fisik hilang, serta hambatan waktu dalam perumusan laporan manajerial. Riset ini dimaksudkan untuk mengonstruksi Aplikasi Sistem Informasi Inventori Barang sebagai solusi atas hambatan tersebut sekaligus pengeskalasi efisiensi kerja. Metodologi rekayasa perangkat lunak yang diterapkan mengadopsi pendekatan Waterfall melalui siklus terstruktur: analisis kebutuhan, perancangan arsitektur, pengkodean program, pengujian fungsi, hingga pemeliharaan sistem. Penelitian ini berhasil mewujudkan platform inventaris terintegrasi yang mampu mengotomatisasi pencatatan mutasi barang (masuk / keluar) serta pembaruan stok secara real-time. Evaluasi pengujian mengonfirmasi bahwa sistem beroperasi secara optimal, mempermudah pelacakan inventaris, dan mengakselerasi rekapitulasi data yang presisi. Secara keseluruhan, pengimplementasian sistem informasi ini terbukti efektif menekan angka human error serta mengoptimalkan tata kelola persediaan pada PT. Harta Jaya.
Implementasi Sistem Inventory Coffee Shop dengan Integrasi Resep dan Metode FEFO Rizki Aditya Ananda; Tutik Khotimah; Indra Lina Putra
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.4025

Abstract

Coffee shop raw material inventory requires accurate recording because ingredients have different units, storage locations, and expiration dates. This study aims to implement a coffee shop inventory system that integrates menu recipes with automatic stock deduction using the First Expired First Out (FEFO) method. The method follows applied software development stages, including requirements analysis, design, implementation, and black-box testing. The system was developed as a web/PWA application with a Node.js/Express backend and a MySQL database. The implementation includes login, dashboard, supplier, stock, batch, stock-in, stock-out, menu, recipe, report, and role-based access control modules. Black-box testing on core functional scenarios showed that the system outputs matched the expected results. The novelty of this system lies in integrating menu recipes with earliest-expiry batch selection, allowing menu transactions to be directly converted into FEFO-based raw material consumption. Keywords: Inventory system; Coffee shop; Recipe; FEFO; Raw materials.   Abstrak Pengelolaan persediaan bahan baku coffee shop membutuhkan pencatatan yang akurat karena bahan memiliki satuan, lokasi, dan tanggal kedaluwarsa yang berbeda. Penelitian ini bertujuan mengimplementasikan sistem inventory coffee shop yang mengintegrasikan resep menu dengan pengurangan stok otomatis menggunakan metode First Expired First Out (FEFO). Metode yang digunakan adalah pengembangan perangkat lunak terapan melalui analisis kebutuhan, perancangan, implementasi, dan pengujian black-box. Sistem dibangun berbasis web/PWA dengan backend Node.js/Express dan basis data MySQL. Hasil implementasi mencakup modul login, dashboard, supplier, stok, batch, stok masuk, stok keluar, menu, resep, laporan, dan role-based access control. Pengujian black-box pada skenario fungsi inti menunjukkan keluaran sistem sesuai dengan hasil yang diharapkan. Kebaruan sistem terletak pada integrasi resep menu dengan pemilihan batch kedaluwarsa terdekat, sehingga transaksi menu langsung diterjemahkan menjadi pemakaian bahan baku berbasis FEFO.
RANCANG BANGUN APLIKASI WEB PREVENTIF COMPUTER VISION SYNDROME BERBASIS MONITORING POSTUR LEHER REAL-TIME DENGAN METODE PERSONALIZED BASELINE M Rizal Saputra; Khairi Budayawan; Syafrijon Syafrijon; Delvi Asmara
Progresif: Jurnal Ilmiah Komputer Vol. 22 No. 3 (2026): Juli
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i3.4055

Abstract

Prolonged use of digital devices triggers the risk of Computer Vision Syndrome (CVS) and neck posture abnormalities such as Forward Head Posture. Conventional detection systems with static thresholds often trigger false alarms due to differences in individuals' natural postures. This study aims to develop a real-time neck posture monitoring web application to prevent CVS adaptively. The system was developed using the Prototyping method based on a Progressive Web App (PWA). Visual processing is executed entirely on the client-side using MediaPipe Pose Landmarker and WebRTC, while dynamic threshold calibration utilizes the Personalized Baseline method. Monitoring data and gamification history are managed locally through Local Storage. The test results indicate that the system is capable of extracting neck coordinates, monitoring posture inclination, and providing ergonomic notifications accurately without data transmission to a server. The Personalized Baseline method proved effective in reducing the false alarm rate, making this system an adaptive, lightweight CVS preventive solution capable of ensuring user privacy. Keywords: Computer Vision Syndrome; Forward Head Posture; Local Storage; MediaPipe; Personalized Baseline.   Abstrak Penggunaan perangkat digital yang berkepanjangan memicu risiko Computer Vision Syndrome (CVS) dan kelainan postur leher seperti Forward Head Posture. Sistem deteksi konvensional dengan ambang batas statis sering memicu peringatan palsu akibat perbedaan postur alami individu. Penelitian ini bertujuan mengembangkan aplikasi web pemantau postur leher real-time untuk mencegah CVS secara adaptif. Sistem dikembangkan menggunakan metode Prototyping berbasis Progressive Web App (PWA). Pemrosesan visual dieksekusi sepenuhnya di sisi klien menggunakan MediaPipe Pose Landmarker dan WebRTC, sedangkan kalibrasi ambang batas dinamis menggunakan metode Personalized Baseline. Data pemantauan dan riwayat gamifikasi dikelola secara lokal melalui Local Storage. Hasil pengujian menunjukkan sistem mampu mengekstrak koordinat leher, memantau kemiringan postur, dan memberikan notifikasi ergonomi secara akurat tanpa transmisi data ke peladen. Metode Personalized Baseline terbukti efektif menekan tingkat peringatan palsu, menjadikan sistem ini sebagai solusi preventif CVS yang adaptif, ringan, dan mampu menjamin privasi pengguna.

Page 56 of 57 | Total Record : 562

 53   54   55   56   57 

Filter by Year

2006 2026


Reset
Filter By Issues
All Issue Vol 22, No 3 (2026): Juli Vol. 22 No. 3 (2026): Juli Vol 22, No 2 (2026): April Vol 22, No 1 (2026): Januari Vol 21, No 2 (2025): Agustus Vol 21, No 1 (2025): Februari Vol 20, No 2: Agustus 2024 Vol 20, No 1: Februari 2024 Vol 19, No 2: Agustus 2023 Vol 19, No 1: Februari 2023 Vol 18, No 2: Agustus 2022 Vol 18, No 1: Februari 2022 Vol 17, No 2: Agustus 2021 Vol 17, No 1: Februari 2021 Vol 16, No 2: Agustus 2020 Vol 16, No 1: Februari 2020 Vol 15, No 2: Agustus 2019 Vol 15, No 1: Februari 2019 Vol 14, No 2: Agustus 2018 Vol 14, No 1: Februari 2018 Vol 13, No 2: Agustus 2017 Vol 13, No 1: Pebruari 2017 Vol 12, No 2: Agustus 2016 Vol 12, No 1: Pebruari 2016 Vol 11, No 2: Agustus 2015 Vol 11, No 1: Pebruari 2015 Vol 10, No 2: Agustus 2014 Vol 10, No 1: Pebruari 2014 Vol 9, No 2: Agustus 2013 Vol 9, No 1: Pebruari 2013 Vol 7, No 2: Agustus 2011 Vol 6, No 2: Agustus 2010 Vol 6, No 1: Pebruari 2010 Vol 4, No 1: Pebruari 2008 Vol 2, No 2: Agustus 2006 More Issue