cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Budi Hermawan
Contact Email
-
Phone
+62081703408296
Journal Mail Official
info@kdi.or.id
Editorial Address
Jl. Flamboyan 2 Blok B3 No. 26 Griya Sangiang Mas - Tangerang 15132
Location
Kab. tangerang,
Banten
INDONESIA
bit-Tech
Published by Komunitas Dosen Indonesia
ISSN : 2622271X     EISSN : 26222728     DOI : https://doi.org/10.32877/bt
Core Subject : Science,
Computer Science & IT
The bit-Tech journal was developed with the aim of accommodating the scientific work of Lecturers and Students, both the results of scientific papers and research in the form of literature study results. It is hoped that this journal will increase the knowledge and exchange of scientific information, especially scientific papers and research that will be useful as a reference for the progress of the State together.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 114 Documents
 1   2   3   4   5 
Search results for , issue "Vol. 8 No. 1 (2025): bit-Tech" : 114 Documents clear
Analysis and Evaluation Web-Based Sales System Using the ISO 9126 Quality Model Ryu Tantanu, Ryu Tantanu; Kuswanto, Verri
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.1654

Abstract

This study aimed to evaluate the quality of the TR Car Dealership web-based sales system by addressing specific challenges in its functionality, reliability, usability, efficiency, maintainability, and portability. The primary objective was to assess whether the system effectively supports user needs and provides a seamless experience for account registration, product browsing, purchase transactions, and administrative tasks. The ISO 9126 model was utilized as the assessment framework, focusing on six quality attributes that are critical to user satisfaction and system performance. Testing was conducted using black-box testing for functionality assessment and survey-based evaluations for usability and user satisfaction. Automated tools, such as JMeter, Google Lighthouse, and SonarQube, were employed to measure reliability, efficiency, and maintainability under various conditions. The results revealed high scores across several attributes: Functionality achieved an average of 90%, affirming the system’s operational capabilities; Usability scored 91.3%, highlighting ease of use; and Efficiency reached 87%, reflecting effective performance under normal load. However, the Reliability attribute scored 86%, indicating room for improvement, particularly in handling high traffic and unexpected inputs. These findings underscore the TR Car Dealership system’s strengths in user-friendliness and feature completeness while suggesting targeted enhancements for reliability and stability. By addressing these aspects, the system can further enhance user trust and deliver a more resilient and consistent performance. This research demonstrates the effectiveness of the ISO 9126 model in identifying actionable improvements for web-based sales systems.
Identifikasi Katarak Mata Pada Kucing Dengan Menggunakan Convolutional Neural Network Mikael; Susilo, Joko; Maulana, Muhammad Akbar
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.1881

Abstract

Katarak merupakan salah satu penyakit yang dapat menyerang hewan, termasuk kucing, ditandai dengan kekeruhan pada lensa mata yang dapat menyebabkan gangguan penglihatan hingga kebutaan apabila tidak ditangani. Penyakit ini sering kali tidak terdeteksi pada tahap awal, sehingga diperlukan metode diagnosis dini yang akurat. Penelitian ini bertujuan untuk mengembangkan model Convolutional Neural Network (CNN) sebagai metode pendeteksian katarak pada kucing melalui analisis gambar mata. Subjek penelitian terdiri dari dataset berjumlah 106 gambar mata kucing, yang meliputi 66 gambar mata normal dan 40 gambar mata katarak. Dataset ini dibagi menjadi data training (85 gambar) dan data validasi (21 gambar). Metode penelitian mencakup beberapa tahapan, yaitu studi literatur untuk mendalami teori terkait, preprocessing data untuk memastikan konsistensi dataset, implementasi model CNN, pelatihan model, dan evaluasi performa model menggunakan confusion matrix. Proses pelatihan model dilakukan selama 100 epoch dengan menggunakan optimizer Adam, yang dikenal mampu mempercepat konvergensi model. Arsitektur CNN yang dirancang terdiri dari tiga lapisan konvolusi, lapisan pooling, dan fully connected layer. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mencapai akurasi sebesar 71% dalam mengklasifikasikan gambar mata kucing menjadi kategori "Normal" atau "Katarak." Meskipun akurasi ini belum optimal, keterbatasan jumlah dataset menjadi faktor utama yang memengaruhi performa model. Temuan ini memberikan kontribusi awal dalam penerapan kecerdasan buatan untuk deteksi penyakit pada hewan, khususnya katarak pada kucing. Penelitian ini juga menegaskan pentingnya menambah jumlah dan keragaman dataset untuk meningkatkan performa model dan mengurangi risiko overfitting. Potensi pengembangan lebih lanjut dari model ini diharapkan dapat mendukung diagnosis yang lebih cepat dan akurat, sehingga meningkatkan kualitas hidup hewan peliharaan.
Deteksi Suasana Hati Karyawan Berbasis Deep Learning Menggunakan CNN Michelle; Birowo, Sigit; Maulana, Muhammad Akbar
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.1882

Abstract

Emosi adalah bagian penting dari kehidupan manusia yang membantu kita memahami diri sendiri dan mengekspresikan perasaan. Emosi mencerminkan respons atau reaksi alami pada berbagai situasi yang dihadapi. Penelitian ini bertujuan untuk mengembangkan Model Convolutional Neural Network (CNN) yang mampu mengenali emosi manusia berdasarkan ekspresi wajah, khususnya pada kategori “Senang”, “Sedih”, “Marah” dan “Netral” dengan fokus pada karyawan setelah bekerja, untuk melihat apakah karyawan menikmati pekerjaannya atau tidak. Dengan menggunakan dataset berisi 2.059 gambar dari platform Kaggle, proses penelitian mencakup tahapan pengumpulan data, pre-processing data, pelatihan data hingga klasifikasi. Model ini dilatih selama 200 epoch dan menghasilkan akurasi sebesar 89,11% dengan performa yang cukup baik untuk kategori emosi “Senang” dan “Marah”. Namun, model masih mengalami kesultan dalam mengenali emosi “Sedih” dan “Netral”, kemungkinan karena kurangnya data pelatihan dan fitur yang belum optimal. Selama pelatihan, akurasi pada training menunjukkan peningkatan yang konsisten, sedangkan validasi sempat fluktuatif sebelum stabil. Analisis hasil pengujian menunjukkan bahwa model mampu memprediksi emosi dengan probabilitas tinggi, meskipun terdapat kendala dalam generalisasi ke kondisi yang lebih kompleks. Grafik dan evaluasi metriks,seperti precision, recall dan f1-score, menunjukkan adanya ruang untuk perbaikan, terutama dalam pengenalan emosi dengan nilai recall yang rendah. Penelitian ini memiliki potensi signifikan dalam pengenalan emosi melalui ekspresi wajah, yang digunakan untuk memahami emosi yang dialami oleh karyawan. Penelitian ini juga diperlukan pengembangan lebih lanjut guna meningkatkan kemampuan model dalam menangani komplesitas data.
Identifikasi Pemilahan Sampah Berbasis Algoritma Transfer Learning CNN Menggunakan MobileNetV2 dan EfficientNetB0 Thio, Sean Edbert; Susilo, Joko
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.1900

Abstract

Masalah pengelolaan sampah menjadi tantangan lingkungan yang tidak ada habisnya di kalangan masyarakat. Pemilahan jenis sampah yang benar dapat mendukung upaya daur ulang dan pengelolaan limbah serta mengatasi masalah sampah tersebut. Karena itu, penelitian ini bertujuan untuk mengembangkan sistem yang memanfaatkan teknologi transfer learning CNN (Convolutional Neural Network) untuk membantu pengidentifikasian jenis sampah. Sistem ini diharapkan dapat membantu masyarakat dalam memilah, mengelola dan mendaur ulang sampah. Ada dua arsitektur model yang digunakan dalam penelitian ini, yaitu MobileNetV2 dan EfficientNetB0. Dengan kedua model pre-trained tersebut, penelitian ini juga bertujuan untuk membandingkan performa masing-masing model dalam mengidentifikasi sampah. Dataset yang digunakan untuk melatih kedua model ini diambil dari platform Kaggle dan data yang diambil secara mandiri, dengan total data berjumlah 2527 gambar. Proses penelitian mencakup pencarian data, pembersihan data (pre-processing), augmentasi, pelathan model, serta evaluasi menggunakan confusion matrix. Hasil penelitian menunjukkan MobileNetV2 mencapai akurasi 87,31%, sementara EfficientNetB0 memperoleh akurasi 82,21%. Analisis lebih lanjut menunjukkan bahwa MobileNetV2 unggul dari segi akurasi, presisi, recall, serta efisiensi waktu pelatihan disbanding EfficientNetB0. Meskipun hasil pelatihan menunjukkan performa yang cukup baik, nilai loss pada kedua model masih relatif tinggi. Hal ini kemungkinan disebabkan oleh kurangnya jumlah data yang digunakan untuk melatih model. Penelitian ini diharapkan dapat menjadi langkah awal dalam penerapan teknologi transfer learning untuk mendukung pengelolaan sampah secara efektif, sekaligus menjadi acuan untuk pengembangan sistem dengan dataset yang lebih besar di masa depan.
Pengembangan Chatbot Pada Platform Telegram Sebagai Media Informasi Seputar Handphone Umam, Arfiyan khusnul; Wijayanti, Esti; Chamid, Ahmad Abdul
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.2150

Abstract

Di tengah kompleksitas pasar teknologi yang terus berkembang, generasi muda sering menghadapi tantangan dalam menemukan informasi yang relevan, terutama terkait perangkat seluler. Untuk mengatasi masalah ini, penelitian ini bertujuan mengembangkan Chatbot Tanya Phone, sebuah solusi interaktif yang dirancang untuk memberikan informasi spesifikasi, harga, dan ulasan produk kepada pengguna Telegram. Proses pengembangan chatbot ini mencakup analisis menyeluruh terhadap kebutuhan pengguna, perancangan alur percakapan yang intuitif, serta pengembangan berbasis API Telegram untuk memastikan integrasi yang efisien dan responsif.Implementasi sistem diharapkan dapat memberikan respons yang cepat dan akurat, membantu pengguna dalam memahami informasi penting terkait perkembangan teknologi di pasar handphone saat ini. Metode pengujian yang digunakan dalam penelitian ini adalah black box testing, yang bertujuan untuk memastikan bahwa semua fitur chatbot berfungsi sesuai dengan ekspektasi dan memenuhi kebutuhan pengguna. Selain itu, proses pengujian juga mengidentifikasi beberapa aspek yang memerlukan penyempurnaan guna meningkatkan kinerja chatbot secara keseluruhan. Hasil penelitian menunjukkan bahwa Chatbot Tanya Phone tidak hanya mampu memberikan umpan balik secara real-time, tetapi juga meningkatkan pemahaman pengguna terkait teknologi, memudahkan pencarian informasi, serta memberikan kontribusi positif bagi generasi muda dalam menghadapi perkembangan teknologi yang semakin dinamis di era digital saat ini, serta membantu mereka dalam membuat keputusan yang lebih baik dan memperkuat keterampilan literasi digital mereka untuk beradaptasi dengan perubahan teknologi yang cepat.
Analisis Prediksi Penjualan Suku Cadang Motor dengan Metode Monte Carlo Rais, Edo Rinaldi; Sovia, Rini; Sumijan
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.2231

Abstract

Peramalan penjualan merupakan salah satu aspek penting dalam strategi manajemen bisnis, terutama dalam industri otomotif yang memiliki pola permintaan yang fluktuatif. Manajemen stok yang tidak optimal dapat menyebabkan overstock atau stockout, yang berdampak pada efisiensi operasional dan kepuasan pelanggan. Penelitian ini bertujuan untuk menerapkan metode Monte Carlo dalam memprediksi penjualan suku cadang motor di Bengkel Ilham Motor, guna meningkatkan akurasi prediksi dan membantu optimalisasi pengelolaan persediaan barang. Metode penelitian ini menggunakan data historis penjualan tahun 2024, yang dianalisis melalui beberapa tahapan: penentuan distribusi probabilitas, pembangkitan angka acak, simulasi Monte Carlo, dan validasi hasil prediksi. Implementasi metode ini dikembangkan dalam sistem berbasis web, menggunakan PHP sebagai bahasa pemrograman dan MySQL sebagai basis data. Hasil penelitian menunjukkan bahwa metode Monte Carlo mampu memberikan tingkat akurasi prediksi yang tinggi, dengan rincian sebagai berikut: oli (95,33%), kampas rem (99,59%), lampu depan (97,27%), saringan udara (97,53%), busi (95,78%), dan sil karet (97,32%). Prediksi yang dihasilkan memungkinkan bengkel untuk menentukan jumlah stok yang lebih optimal, sehingga dapat menghindari kelebihan maupun kekurangan persediaan. Selain itu, sistem berbasis web yang dikembangkan terbukti dapat mempercepat analisis data dan membantu dalam pengambilan keputusan bisnis yang lebih akurat. Kesimpulan dari penelitian ini adalah bahwa metode Monte Carlo dapat diandalkan sebagai pendekatan prediktif dalam perencanaan stok suku cadang motor. Untuk pengembangan lebih lanjut, disarankan agar model ini dikombinasikan dengan teknik machine learning atau mempertimbangkan faktor eksternal seperti tren pasar dan harga bahan baku guna meningkatkan akurasi prediksi.
Prediksi Safety Stock Produk Filter Oli Sepeda Motor Berbasis Demand Response (DR) - ARMA Tendean, Sandi; Tjen, Jimmy; Iskandar, Riyadi Jimmy
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.2282

Abstract

Manajemen rantai pasokan merupakan hal krusial yang dibutuhkan dalam menjaga persediaan suatu produk supaya tetap tersedia selama masa tunggu. Hal ini bertujuan untuk menjaga keberlanjutan suatu bisnis sehingga penjualan produk tersebut tidak terganggu dengan permasalahan kurangnya persediaan. Namun, metode prediksi konvensional seperti ARMA-klasik dan ARMA-GARCH seringkali kurang akurat pada data riil yang bersifat sparse yang didominasi nilai nol dan fluktuatif. Penelitian ini bertujuan untuk menggagas sebuah metode Auto Regressive Moving Average (ARMA) baru yang menggabungkan konsep demand response dengan analisis galat yang bernama Demand Response-ARMA (DR-ARMA). Metode ini dikembangkan melalui tiga tahap, yaitu penurunan matematis berbasis RMSE dan analisis tren, adaptasi model untuk data sparse, dan validasi menggunakan data primer penjualan sparepart filter oli dari CV di Kalimantan Barat selama 60 hari. DR-ARMA mengoptimasi prediksi ARMA berdasarkan pada tren penjualan serta mengontrol ketidakpastian prediksi dengan memanfaatkan analisis galat, supaya kesalahan prediksi dapat berkurang selama perhitungan safety stock. Simulasi numerik dilakukan pada data penjualan filter oli dari sebuah perusahaan yang ada di Kalimantan Barat. Hasil simulasi menunjukkan bahwa metode DR-ARMA dapat memprediksi penjualan filter oli dengan akurasi 80%, lebih tinggi dibandingkan metode prediksi lainnya seperti ARMA-Generalized Auto Regressive Conditional Heteroskedasticity (GARCH) (74%) dan ARMA-klasik (57%). Metode DR-ARMA juga dapat digunakan untuk memprediksikan safety stock untuk 60 hari kedepan dengan tingkat kesalahan prediksi sekitar 17%. Hal ini menunjukkan bahwa metode DR-ARMA cocok digunakan untuk memprediksikan safety stock dari data yang bersifat sparse. Metode DR-ARMA dapat membantu pengguna dalam mengatur jumlah persediaan barang yang dibutuhkan tanpa perlu melakukan pengisian gudang secara berlebihan.
Demand Prediction and Apparel Production Management Using AI-Based Decision Tree Ariyanto, Iqbal Haqiqi; Chamid, Ahmad Abdul; Fiati, Rina
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.2325

Abstract

The apparel industry faces significant challenges in demand forecasting due to market volatility, rapid changes in fashion trends, and diverse consumer behavior, especially within e-commerce environments. Traditional forecasting methods such as linear regression and time series models often fall short in addressing the complex dynamics of the modern fashion market. This study presents a novel integration of demand forecasting and size recommendation into a unified AI-based system utilizing the Decision Tree algorithm. The system is designed to predict product demand while also providing personalized clothing size recommendations based on user attributes such as body measurements, style preferences, and seasonal trends. The system was developed using a structured data processing and predictive modeling approach, incorporating user profiles and trend sentiment derived from social media. The evaluation results show that the system achieved an accuracy rate of 87.5% in demand forecasting and 84% user satisfaction for size recommendations. It demonstrated better adaptability and performance compared to traditional methods such as ARIMA. A functional prototype was implemented, allowing users to interactively input data and receive real-time predictions. This study confirms the potential of Decision Tree-based AI models to enhance the shopping experience, reduce product return rates, and optimize inventory management. Future improvements may involve integrating real-time data and advanced technologies such as 3D body scanning to further increase prediction accuracy and personalization in digital fashion retail.
Optimasi Ongkir dan Rute Pengiriman Menggunakan Haversine Formula dan Algoritma Kruskal Adhim, Maulana Fauzil; Minardi, Joko; Saputro, Heru
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.2336

Abstract

Optimasi ongkos kirim (ongkir) dan rute pengiriman menjadi tantangan utama bagi usaha mikro, kecil, dan menengah (UMKM), terutama dalam meningkatkan efisiensi logistik. Toko Keripik Aldafa menghadapi permasalahan dalam menentukan ongkir secara akurat serta memilih rute pengiriman yang optimal karena masih menggunakan metode manual. Ketidakakuratan dalam estimasi biaya dan rute yang kurang efisien menyebabkan peningkatan waktu tempuh serta tingginya biaya operasional. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem berbasis web yang dapat membantu mengoptimalkan ongkir dan rute pengiriman dengan memanfaatkan Haversine Formula untuk perhitungan jarak geografis serta Algoritma Kruskal untuk menentukan jalur pengiriman terpendek. Metode yang digunakan dalam penelitian ini meliputi penerapan Haversine Formula untuk menghitung jarak berdasarkan koordinat lintang dan bujur, serta Algoritma Kruskal dalam membangun Minimum Spanning Tree (MST) guna menemukan jalur distribusi yang paling optimal. Pengujian dilakukan dengan membandingkan hasil perhitungan manual dan sistem berbasis web. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu meningkatkan akurasi estimasi ongkir dan mengoptimalkan rute pengiriman. Dibandingkan dengan metode manual, sistem ini berhasil mengurangi biaya logistik rata-rata sebesar 18,5% serta menghemat waktu tempuh hingga 22,3%. Selain itu, perbedaan hasil perhitungan manual (8.15 km) dan sistem (8.12 km) menunjukkan tingkat akurasi yang tinggi dengan selisih yang kecil. Dengan implementasi sistem ini, UMKM seperti Toko Keripik Aldafa dapat mengurangi ketidakefisienan dalam proses logistik dan meningkatkan daya saing di era digital. Penelitian ini juga membuka peluang pengembangan lebih lanjut, seperti penggunaan data real-time dan integrasi dengan sistem pemetaan lainnya untuk meningkatkan akurasi dan efisiensi distribusi barang.
The Concept of Justice in AI-Driven Legal Decision Making Princes, Elfindah; Rasji, Rasji; Michael
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.2338

Abstract

The integration of Artificial Intelligence (AI) into legal decision-making processes has introduced significant advancements in efficiency and predictive capability. However, its implications for justice—particularly fairness, impartiality, transparency, and due process—remain critically debated. This study employs a Systematic Literature Review (SLR) methodology to examine how AI-driven legal decision-making aligns with classical and contemporary philosophical concepts of justice. Drawing on 48 peer-reviewed articles, policy documents, and case studies published between 2015 and 2024, the research identifies four core thematic issues: the persistence of algorithmic bias, the lack of transparency in AI systems, inconsistencies in global regulatory frameworks, and the misalignment of AI logic with moral reasoning. While AI offers promising tools for streamlining judicial processes, its application often risks reinforcing existing inequities and undermining legal principles such as corrective justice and procedural fairness. The study concludes with targeted recommendations for the development of transparent, accountable, and ethically governed AI systems that support—rather than supplant—human judicial discretion. This research contributes to the growing discourse on legal AI by highlighting the necessity of embedding justice-oriented values at the core of technological innovation in the legal sector. This research has several limitations: not based on empirical findings and no validations from experts both in AI and in legal theories. Future research should address these limitations.

Page 1 of 12 | Total Record : 114

 1   2   3   4   5 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol. 8 No. 1 (2025): bit-Tech Vol. 7 No. 3 (2025): bit-Tech Vol. 7 No. 2 (2024): bit-Tech Vol. 7 No. 1 (2024): bit-Tech Vol. 6 No. 3 (2024): bit-Tech Vol. 6 No. 2 (2023): bit-Tech Vol. 6 No. 1 (2023): bit-Tech Vol. 5 No. 3 (2023): bit-Tech Vol. 5 No. 2 (2022): bit-Tech Vol. 5 No. 1 (2022): bit-Tech Vol. 4 No. 3 (2022): bit-Tech Vol. 4 No. 2 (2021): bit-Tech Vol. 4 No. 1 (2021): bit-Tech Vol. 3 No. 3 (2021): Remote Delivery Vol. 3 No. 2 (2020): Datamining Vol. 3 No. 1 (2020): Distance Learning Vol. 2 No. 3 (2020): Pandemik ICT Vol. 1 No. 3 (2019): Learning Synchronous and Asynchronous in the Industry 4.0 Vol. 2 No. 2 (2019): Support System Vol. 2 No. 1 (2019): Data Mining and Green Technology Vol. 1 No. 2 (2018): Data and Information Quality Vol. 1 No. 1 (2018): First Impression on Computing More Issue