cover
Contact Name
muhdar
Contact Email
jilkominfo.aikom@gmail.com
Phone
-
Journal Mail Official
jilkominfo.aikom@gmail.com
Editorial Address
-
Location
Kota ternate,
Maluku utara
INDONESIA
Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika
ISSN : 26214962     EISSN : 26214970     DOI : -
Core Subject : Science,
Jurnal Ilmiah ILKOMINFO - Jurnal Ilmiah Ilmu Komputer dan Informatika merupakan wadah untuk para guru, akademisi dan praktisi dalam menyebarluaskan artikel ilmiah pada bidang ilmu komputer dan informatika agar bermanfaat bagi masyarakat. Artikel ilmiah ini diterbitkan 2 kali dalam setahun pada bulan Januari dan Juli.
Arjuna Subject : -
Articles 132 Documents
Perancangan Sistem Penerimaan Material Barang Masuk Berbasis Power Apps Pada Situs Crop Science Manufaktur Erick Harlest Budi R
Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika Vol 9, No 1 (2026): Januari
Publisher : Akademi Ilmu Komputer Ternate

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47324/ilkominfo.v9i1.441

Abstract

Abstrak: Penelitian ini membahas perancangan sistem penerimaan material barang masuk pada situs Crop Science manufaktur dengan memanfaatkan teknologi Power Apps sebagai platform pengembangan aplikasi yang menyediakan komponen visual dan low code untuk integrasi otomatis. Tujuan utama penelitian adalah membangun sistem informasi yang mampu meningkatkan akurasi pencatatan, mempercepat proses verifikasi, serta mempermudah integrasi data dengan unit operasional terkait. Metode yang digunakan meliputi analisis kebutuhan, perancangan model sistem, dan implementasi prototipe berbasis aplikasi. Hasil perancangan menunjukkan bahwa sistem mampu mengurangi kesalahan pencatatan dan mempercepat alur persetujuan material masuk. Kesimpulannya, penerapan sistem informasi berbasis Power App dapat mendukung efisiensi operasional manufaktur dan menjadi solusi praktis untuk pengelolaan material di lokasi produksi.Kata kunci: Perancangan Sistem, Sistem Informasi, manufaktur, Power AppAbstract: This study discusses the design of a material receiving system for incoming goods at the Crop Science manufacturing site by utilizing Power Apps technology as an application development platform that provides visual components and low-code capabilities for automatic integration. The main objective of the research is to build an information system that can improve recording accuracy, accelerate the verification process, and facilitate data integration with related operational units. The methods used include needs analysis, system model design, and application-based prototype implementation. The design results show that the system can reduce recording errors and speed up the approval flow of incoming materials. In conclusion, the implementation of a Power Apps–based information system can support manufacturing operational efficiency and serve as a practical solution for material management at the production site.Keywords: System Design, Information System, Manufacturing, Power App
Implementasi Bayesian Optimization untuk Meningkatkan Akurasi Prediksi Penjualan Menggunakan Algoritma XGBoost (Studi Kasus: CV XYZ) Nendi Setiawan; Hadi Zakaria
Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika Vol 9, No 1 (2026): Januari
Publisher : Akademi Ilmu Komputer Ternate

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47324/ilkominfo.v9i1.410

Abstract

Abstrak: CV. XYZ merupakan perusahaan percetakan daring yang menghadapi tantangan dalam memprediksi penjualan akibat fluktuasi permintaan dan keterbatasan metode analisis yang digunakan. Prediksi penjualan yang tidak akurat dapat menyebabkan ketidakseimbangan produksi dan menurunkan efisiensi operasional. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi penjualan dengan mengimplementasikan model Extreme Gradient Boosting (XGBoost) yang dioptimalkan menggunakan Bayesian Optimization. XGBoost dipilih karena kemampuannya dalam menangani data kompleks dan nonlinier, sedangkan Bayesian Optimization digunakan untuk menyempurnakan pemilihan hiperparameter secara efisien. Kebaruan penelitian ini terletak pada integrasi Bayesian Optimization sebagai strategi tuning hiperparameter XGBoost untuk prediksi penjualan pada sektor percetakan digital. Data historis penjualan dianalisis menggunakan bahasa pemrograman Python dengan SQLite sebagai basis penyimpanan data. Hasil eksperimen menunjukkan bahwa kombinasi kedua metode tersebut mampu meningkatkan performa prediksi secara signifikan, dengan nilai RMSE sebesar 8.366,6, MAE sebesar 8.000, dan skor R² sebesar 0,9748. Pendekatan ini memberikan solusi praktis bagi CV. XYZ dalam meningkatkan perencanaan produksi serta pengambilan keputusan berbasis data di sektor percetakan digital.Kata kunci: prediksi penjualan, XGBoost, Bayesian Optimization, Machine LearningAbstract: CV. XYZ is an online printing company that faces challenges in predicting sales due to demand fluctuations and limitations in the analytical methods employed. Inaccurate sales predictions can lead to production imbalances and reduced operational efficiency. This study aims to improve sales prediction accuracy by implementing an Extreme Gradient Boosting (XGBoost) model optimized using Bayesian Optimization. XGBoost is selected for its capability to handle complex and non-linear data, while Bayesian Optimization is employed to efficiently optimize hyperparameter selection. The novelty of this study lies in the integration of Bayesian Optimization as a hyperparameter tuning strategy for the XGBoost model in sales prediction within the digital printing sector. Historical sales data are analyzed using Python, with SQLite utilized as the data storage system. Experimental results demonstrate that the proposed approach significantly improves prediction performance, achieving an RMSE of 8,366.6, an MAE of 8,000, and an R² score of 0.9748. This approach provides a practical solution for CV. XYZ in enhancing production planning and data-driven decision-making in the digital printing industry.Keywords: sales forecasting, XGBoost, Bayesian Optimization, Machine Learning