cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Musli Yanto
Contact Email
musli_yanto@upiyptk.ac.id
Phone
+6281378273341
Journal Mail Official
musli_yanto@upiyptk.ac.id
Editorial Address
Jl. Raya Lubuk Begalung
Location
Kota padang,
Sumatera barat
INDONESIA
Jurnal Komtekinfo
Published by Universitas Putra Indonesia YPTK Padang
ISSN : 23560010     EISSN : 25028758     DOI : DOI: 10.35134/komtekinfo.v9i2.1
Core Subject : Science,
Computer Science & IT
Software Engineering, Multimedia, Artificial intelligence, Data Mining, Knowledge Database System, Computer network, Information Systems, Robotic, Cloud Computing, Computer Technology
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 244 Documents
 20   21   22   23   24 
Metode BERTopic dan LDA untuk Analisis Tren Penelitian Bidang Ilmu Komputer Nursyahrina; Defit, Sarjon; Sovia, Rini
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.580

Abstract

Ilmu Komputer merupakan disiplin ilmu yang berkembang pesat, dengan jumlah publikasi penelitian yang meningkat secara signifikan dalam lima tahun terakhir. Namun, analisis tren penelitian di bidang ini masih terbatas, sehingga penting untuk mengidentifikasi topik-topik penelitian dominan dan memahami dinamika perkembangannya. Penelitian ini bertujuan untuk menganalisis topik dan tren penelitian di bidang Ilmu Komputer dengan menggunakan dua metode topic modeling, yaitu Latent Dirichlet Allocation (LDA) dan BERTopic. Data yang digunakan terdiri dari metadata artikel penelitian yang diperoleh dari situs Emerald Insight, dengan total 4.892 data pada periode publikasi 2019-2023. Penelitian ini menerapkan LDA dan BERTopic untuk mengidentifikasi dan mengelompokkan topik-topik penelitian berdasarkan teks judul dan abstrak. Metode BERTopic yang berbasis embedding menghasilkan coherence score tertinggi sebesar 0,49 pada model dengan kombinasi TruncatedSVD-KMeans yang mengidentifikasi 13 topik, sementara LDA menghasilkan coherence score tertinggi sebesar 0,42 pada model yang menggunakan teknik ekstraksi fitur Bag-of-Words (BoW) dengan 11 topik. Hasil penelitian ini menunjukkan bahwa BERTopic lebih unggul dalam menghasilkan topik-topik yang lebih koheren dan relevan dibandingkan LDA, berkat kemampuannya dalam mempertahankan konteks semantik antar kata dalam dokumen. Analisis tren menggunakan model BERTopic mengungkapkan dinamika tren penelitian dalam Ilmu Komputer selama lima tahun terakhir, di mana penelitian terkait analitik bisnis dan pemasaran, dan teknologi blockchain menunjukkan pertumbuhan konsisten dengan rata-rata peningkatan sebesar 20% per tahun. Sebaliknya, topik-topik seperti VR dan teknik prediksi menunjukkan fluktuasi yang signifikan. Secara keseluruhan, fokus penelitian bergerak menuju analitik bisnis, blockchain, IoT, dan teknik prediksi seperti deep learning, sementara topik tradisional seperti manajemen proyek mengalami penurunan atau pertumbuhan yang lebih lambat. Penelitian ini memberikan kontribusi penting dalam memahami perkembangan tren penelitian di bidang Ilmu Komputer dan dapat menjadi acuan dalam perencanaan penelitian di masa depan.
Metode Rough Set Dan SVM Untuk Penilaian Kinerja Kepegawaian Dan Rekomendasi Jabatan Sani, Rafikasani; Defit, Sarjon; Nurcahyo, Gunadi Widi
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.581

Abstract

Data Mining adalah teknik krusial untuk mengolah dataset besar dan kompleks guna menemukan pola tersembunyi yang mendukung keputusan strategis. Penelitian ini menerapkan teknik Data Mining dengan fokus pada metode Rough Set dan Support Vector Machine (SVM) untuk meningkatkan penilaian kinerja pegawai dan memberikan rekomendasi promosi jabatan yang lebih efektif dan objektif. Metode Rough Set digunakan untuk melakukan seleksi atribut dari data evaluasi kinerja pegawai, mencakup tujuh atribut utama seperti pengalaman kerja, pendidikan, usia, jenis jabatan, golongan ruang, hasil kerja, dan perilaku kerja. Data yang digunakan berasal dari laporan evaluasi kinerja 8.457 pegawai di Badan Kepegawaian dan Pengembangan Sumber Daya Manusia (BKPSDM) Kota Padang. Setelah atribut-atribut penting terpilih, data tersebut digunakan sebagai input dalam model SVM yang diimplementasikan menggunakan software Weka. Model ini berhasil mencapai tingkat akurasi sebesar 99,6216%, yang diperoleh dengan membagi jumlah data yang diklasifikasikan dengan benar oleh sistem dengan jumlah total data pegawai yang digunakan. Berdasarkan hasil confusion matrix, kelas "sangat baik" menunjukkan precision 1,000, recall 0,952, dan F-Measure 0,975; kelas "baik" dengan precision 0,996, recall 1,000, dan F-Measure 0,998; serta kelas "sangat kurang" menunjukkan precision 0,990, recall 0,987, dan F-Measure 0,988. Sebanyak 317 instance terklasifikasi benar sebagai "sangat baik," 7.722 instance sebagai "baik," dan 386 instance sebagai "sangat kurang," namun tidak ada instance yang terklasifikasi benar sebagai "perlu perbaikan." Penelitian ini juga melakukan perhitungan manual menggunakan sampel 26 data, di mana perhitungan menggunakan 3 data untuk testing. Hasil perhitungan manual menunjukkan bahwa data 1 dan data 2 termasuk dalam kategori "butuh perbaikan," sementara data 3 termasuk dalam kategori "sangat kurang." Berdasarkan aturan pemetaan, di mana hasil klasifikasi dengan nilai sign negatif mendekati -114 dikategorikan sebagai "sangat kurang," ketiga data testing tersebut konsisten dalam kategori "sangat kurang." Perbandingan hasil perhitungan manual dengan aplikasi menunjukkan akurasi 33,33%, di mana 1 dari 3 data testing sesuai antara manual dan aplikasi. Meskipun ada tantangan dalam mengidentifikasi beberapa kelas, sistem penilaian ini dapat membantu manajemen dalam membuat keputusan promosi yang lebih baik. Penelitian ini menggambarkan potensi besar teknik Data Mining dalam memperbaiki proses penilaian kinerja dan rekomendasi jabatan dalam organisasi.
Implementasi Algoritma C4.5 Untuk Prediksi Penerima Beasiswa Program Indonesia Pintar Tesa Vausia Sandiva; Defit, Sarjon; Nurcahyo, Gunadi Widi
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.582

Abstract

Pendidikan merupakan fondasi utama dalam pengembangan sumber daya manusia dan berperan penting dalam meningkatkan kualitas hidup. Namun, hambatan finansial sering kali menjadi penghalang bagi banyak keluarga kurang mampu untuk melanjutkan pendidikan ke jenjang yang lebih tinggi. Program Indonesia Pintar (PIP) adalah inisiatif pemerintah Indonesia yang dirancang untuk memberikan bantuan keuangan kepada siswa yang memenuhi kriteria tertentu, sehingga mereka dapat melanjutkan pendidikan tanpa kendala ekonomi. Penelitian ini bertujuan untuk mengembangkan model prediksi penerima beasiswa PIP dengan menggunakan Algoritma C4.5, yang telah terbukti efektif dalam menangani masalah klasifikasi. Penelitian ini menggunakan 50 data siswa, yang diperoleh dari Sistem Dapodik Sekolah Dasar. Data ini dianalisis untuk menemukan pola-pola yang relevan dalam menentukan kelayakan penerima beasiswa, yang kemudian digunakan untuk membangun model prediksi. Pola utama yang ditemukan menunjukkan bahwa status siswa sebagai penerima Kartu Indonesia Pintar (KIP) sangat menentukan prediksi model C4.5 siswa penerima KIP cenderung diprediksi menerima beasiswa PIP. Hasil penelitian menunjukkan bahwa model klasifikasi yang dihasilkan memiliki tingkat akurasi yang sangat tinggi, yaitu sebesar 96.00%. Selain itu, precision dan recall untuk kategori penerima beasiswa masing-masing mencapai 95.65%, sementara precision dan recall untuk kategori bukan penerima beasiswa tercatat sebesar 96.30%. Temuan ini menunjukkan bahwa model prediksi berbasis Algoritma C4.5 dapat berfungsi sebagai metode yang dapat diandalkan untuk mendukung pengambilan keputusan di sektor pendidikan, serta memiliki potensi untuk diterapkan dalam berbagai konteks yang memerlukan prediksi berbasis data yang akurat. Dengan demikian, penelitian ini tidak hanya memberikan kontribusi signifikan terhadap pengembangan ilmu pengetahuan, tetapi juga memiliki dampak nyata dalam upaya pemerataan pendidikan di Indonesia.
Penerapan Algoritma Apriori dalam Menentukan Pola Penjualan Barang Jufri, Fikri Ramadhan; Defit, Sarjon; Nurcahyo, Gunadi Widi
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.583

Abstract

Data mining yaitu proses pengumpulan informasi yang bermanfaat dari suatu data yang diolah sehingga dapat menghasilkan informasi yang berguna bagi perusahaan. Algoritma Apriori merupakan algoritma dalam data mining yang digunakan untuk menemukan asosiasi atau hubungan antara item dalam kumpulan data transaksi. Algoritma ini memfokuskan pada penemuan aturan asosiasi, yang menyatakan bahwa jika sebuah kelompok item tertentu muncul dalam transaksi, maka item lainnya juga cenderung muncul dalam transaksi yang sama. Algoritma Apriori bekerja dengan cara mengidentifikasi item-item yang sering muncul bersama (itemset) dalam transaksi dan kemudian membangun aturan asosiasi berdasarkan itemset ini. Market basket analysis atau analisis keranjang belanja merupakan sebuah analisis terhadap perilaku pelanggan dalam melakukan kegiatan transaksi jual beli. Analisis keranjang belanja menghasilkan temuan asosiasi atau keterhubungan satu barang dengan barang lainnya, dimana barang-barang tersebut berada dalam satu keranjang pelanggan. Tujuan penelitian ini untuk menentukan pola penjualan pada Aciak mart, dengan menerapkan algoritma apriori dapat mengetahui barang-barang mana saja yang dibeli persamaan oleh pelanggan Aciak mart dengan nilai minimum support sebesar 6% dan nilai minimum confidence sebesar 15% yang menjadi acuan. Hasil aturan asosiasi yang didapat adalah Jika membeli AQUA 600ML maka juga membeli SAMPOERNA MILD 16 dengan nilai support sebesar 10,00 % dan nilai confidence sebesar 15,15 %, Jika membeli SAMPOERNA MILD 16 maka juga membeli SURYA 16 dengan nilai support sebesar 10,00 % dan nilai confidence sebesar 35,71 %, Jika membeli SAMPOERNA MILD 16 maka juga membeli FOODRTD GOLDA DOLCE LATTE 200 ML dengan nilai support sebesar 8,00 % dan nilai confidence sebesar 28,57 %. Berdasarkan hasil pembahasan dapat disimpulkan algoritma apriori dapat menentukan barang mana saja yang dibeli secara bersamaan oleh pelanggan dengan nilai confidence tertinggi sebesar 35,71 % untuk pembelian SAMPOERNA MILD 16 dan SURYA 16. Kata kunci: Data mining, algoritma apriori, market basket analysis, nilai minimum support, nilai minimum confidence
Penerapan Algoritma TOPSIS pada Sistem Pendukung Keputusan dalam Penentuan Pemilihan Jurusan Irsyad, As'Ary Sahlul; Defit, Sarjon; Ramadhanu, Agung
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.585

Abstract

Sistem Pendukung Keputusan (SPK) adalah suatu jenis sistem informasi yang dirancang khusus untuk mendukung manajemen dalam proses pengambilan keputusan yang terkait dengan masalah yang bersifat semi-terstruktur, dengan tetap mempertahankan peran pengambil keputusan dalam melakukan pengambilan keputusan. Salah satu metode dalam SPK adalah metode TOPSIS. Kemajuan teknologi telah meningkatkan kemampuan guru dan siswa untuk menggunakannya secara efektif, memungkinkan mereka untuk memahami pentingnya, manfaat, dan batasan-batasan legalitas. Upaya peningkatan mutu pendidikan di Indonesia senantiasa mendapat perhatian dari berbagai pihak. Perlu adanya penanganan khusus untuk meningkatkan pendidikan tersebut. Salah satu cara untuk meningkatkan pendidikan Indonesia adalah pemilihan jurusan yang tepat Penelitian ini bertujuan untuk alat bantu pendukung Keputusan pemilihan jurusan ini diharapkan dapat memberikan perhitungan yang tepat bagi siswa, sehingga Metode pendukung keputusan pemilihan jurusan ini diharapkan dapat menawarkan solusi yang tepat bagi siswa. Metode yang digunakan dalam penelitian ini adalah Algoritma TOPSIS yang dapat membantu siswa Sekolah Menengah Atas untuk pengambilan Keputusan dalam pemilihan jurusan. Dataset yang diolah dalam penelitian ini bersumber dari SMAN 1 Tanjung Tiram. Hasil penelitian ini dapat mengidentifikasi dan memberikan rekomendasi penentuan pemilihan jurusan kepada siswa yang akan menjadi bakal calon mahasiswa baru. Hasil perhitungan dengan Metode TOPSIS dengan data set terdiri dari 70 siswa dan 10 kriteria yang diuji, rekomendasi pemilihan jurusan yaitu dengan bobot tertinggi 0,619 dan paling terendah yaitu 0,221. Hasil data pengujian dengan membandingkan data awal dan data hasil sistem di peroleh tingkat keakuratan 71,42% . Dengan angka tersebut maka dapat dikatakan bahwa sistem ini cukup layak untuk digunakan di dalam lembaga, karena bagaimana pun juga sistem ini hanya sebagai pendukung keputusan suatu permasalahan dan pilihan tetap akan berada pada siswa tersebut.
Implementasi K-Nearest Neighbor Berbasis Particle Swarm Optimization untuk Analisis Sentimen Generasi Sandwich Yanti, Salma Nofri; Yuhandri; Sumijan
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.586

Abstract

Fenomena Generasi Sandwich merujuk pada individu yang harus merawat orang tua yang menua sekaligus mengasuh anak-anak mereka, menciptakan beban ganda yang berdampak signifikan pada kehidupan sosial, emosional, dan ekonomi mereka. Dalam masyarakat modern, perubahan demografis seperti peningkatan harapan hidup dan menurunnya angka kelahiran, serta tantangan ekonomi seperti biaya perawatan kesehatan yang meningkat, semakin memperkuat relevansi fenomena ini. Oleh karena itu, memahami persepsi publik terhadap Generasi Sandwich menjadi semakin penting, terutama melalui analisis sentimen di media sosial yang mencerminkan opini masyarakat yang lebih luas. Penelitian ini mengusulkan pendekatan baru dengan mengimplementasikan algoritma K-Nearest Neighbor (KNN) yang dioptimalkan menggunakan Particle Swarm Optimization (PSO) untuk analisis sentimen terkait Generasi Sandwich. KNN dipilih karena kemampuannya dalam mengklasifikasikan data berdasarkan kedekatan antar titik data, sementara PSO digunakan untuk mengoptimalkan pemilihan parameter KNN guna meningkatkan akurasi model. Data yang digunakan dalam penelitian ini mencakup 565 tweet yang mengandung kata kunci "Generasi Sandwich" yang dikategorikan menjadi tiga sentimen: 124 positif, 345 negatif, dan 96 netral. Data tersebut melalui proses prapemrosesan seperti pembersihan, tokenisasi, dan stemming sebelum diimplementasikan dalam model KNN. Hasil penelitian menunjukkan bahwa pada pengujian dengan 113 dokumen, model KNN yang dioptimalkan dengan PSO mencapai akurasi sebesar 70,8%, dengan precision sebesar 14,41%, recall sebesar 88,89%, dan F1-score sebesar 24,81%. Dari total 113 dokumen data uji, terdapat 80 prediksi benar dan 33 prediksi salah, dengan jumlah prediksi positif sebanyak 16, prediksi negatif sebanyak 95, dan prediksi netral sebanyak 2. Analisis lebih lanjut mengungkapkan bahwa sebagian besar percakapan tentang Generasi Sandwich di media sosial cenderung bersifat negatif, mencerminkan tekanan psikologis dan keuangan yang dirasakan oleh anggota generasi ini. Penelitian ini juga menghasilkan sebuah aplikasi web yang memungkinkan pengguna untuk melakukan analisis sentimen secara real-time, yang memudahkan pengambilan keputusan bagi pembuat kebijakan, peneliti, dan organisasi sosial. Aplikasi ini dirancang dengan antarmuka yang ramah pengguna dan visualisasi data yang intuitif, sehingga dapat memberikan wawasan yang lebih mendalam mengenai sentimen publik. Implementasi KNN berbasis PSO terbukti efektif dalam meningkatkan akurasi analisis sentimen pada fenomena Generasi Sandwich, dan aplikasi web yang dihasilkan berpotensi digunakan secara luas untuk penelitian lanjutan, pengembangan strategi sosial, dan advokasi kebijakan publik yang lebih baik.
Implementasi SVM dan KNN pada Sistem Penunjang Keputusan Kenaikan Pangkat Guru Budiantoro, Hendro; Sumijan; Hendrik, Billy
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.588

Abstract

Kenaikan pangkat guru merupakan salah satu elemen kunci dalam pengembangan karir dan peningkatan kualitas pendidikan. Proses kenaikan pangkat ini tidak hanya sebagai bentuk penghargaan atas prestasi dan kompetensi guru, tetapi juga sebagai alat motivasi yang dapat mendorong peningkatan kinerja para pendidik. Namun, proses kenaikan pangkat sering kali menghadapi berbagai kendala, salah satunya adalah penggunaan metode manual dalam pengolahan data dan evaluasi kinerja guru. Proses manual ini memerlukan waktu yang lama, rumit, tidak akurat serta keputusan yang tidak tepat.. Penelitian ini bertujuan untuk mengembangkan sebuah Sistem Pendukung Keputusan (SPK) yang memanfaatkan metode pembelajaran mesin untuk membantu proses penentuan kelayakan kenaikan pangkat guru secara otomatis. Dua metode pembelajaran mesin yang diimplementasikan dalam penelitian ini adalah Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN). Sistem ini dirancang untuk mengolah data kinerja, kompetensi, dan kualifikasi guru dari data historis yang tersedia, dengan tujuan menghasilkan keputusan yang lebih objektif, akurat, dan dapat diandalkan dalam proses kenaikan pangkat. Studi kasus penelitian ini dilakukan di sekolah dengan menggunakan data historis kinerja dan pencapaian guru selama beberapa periode. Data yang terkumpul kemudian dianalisis dan diolah menggunakan menghasilkan dua guru diklasifikasikan tidak naik dan satu naik, dengan guru 14 diklasifikasikan tidak naik. algoritma SVM dan KNN. Metode SVM digunakan karena kemampuannya dalam menangani data dengan dimensi yang tinggi dan memberikan margin pemisahan terbaik antara kelas-kelas data, sementara KNN dipilih karena kemampuannya dalam melakukan klasifikasi berdasarkan kemiripan data, sehingga dapat memberikan hasil prediksi yang lebih adaptif terhadap perubahan data. Hasil pengujian menunjukkan bahwa pada data pengujian 1, hasil jarak euclidean menunjukkan nilai 123125, 93914, dan 115639. dari klasifikasi ini, dua guru dinyatakan tidak naik dan satu naik, dengan guru sampel guru 12 diklasifikasikan tidak naik. pada data pengujian 2, jarak terdekat adalah 188190, 156090, dan 178140, menghasilkan dua guru diklasifikasikan naik dan satu tidak naik, dengan guru 13 diklasifikasikan naik. sementara itu, pada data pengujian 3, nilai euclidean terdekat adalah 70145, 58492, dan 78222.
Perancangan Sistem Informasi Manajemen Ekstrakulikuler di SMAN 4 Kota Bengkulu Niska Ramadani; Amdhi Yul, Fadlul; Fernanda, Rangga; Wijanarko, Andang
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.591

Abstract

Extracurricular activities allow students to develop their potential in academic and non-academic fields. Good management and extracurricular activities can be an effective means to develop students' potential as a whole. This study aims to design a system to manage implementation data and evaluate extracurricular activities at SMAN 4 Bengkulu City. The research method used is Research and Development (R&D) by conducting needs analysis, designing new systems, developing prototypes, and trials, and data collection techniques through observation, interviews, and field studies. The performance of the R&D method is a method that can be used to develop a new product or improve existing products. The performance of the R&D method can also produce or develop and enhance products produced in a system to manage extracurricular activities at SMAN 4 Bengkulu City. The results of this study indicate that the management information system developed with the R&D method at SMAN 4 Bengkulu City based on the website has been able to provide convenience in processing extracurricular data. The results of the system's performance can also improve the quality of extracurricular activity management to be more optimal, as well as from data analysis and reporting to support decision-making at SMAN 4 Bengkulu City.
Perancangan Sistem Informasi Monitoring Praktek Kerja Lapangan dengan Menggunakan Metode Waterfall Ideal, M. Agung Vafky; Rasyid, M; Yuda, Fitra
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.595

Abstract

Monitoring Praktek Kerja Lapangan (PKL) di SMKN 1 Tanah Putih saat ini masih dilakukan secara manual, yang menyulitkan guru pembimbing dalam memantau lokasi PKL siswa. Jarak lokasi Dunia Usaha (DU) siswa yang jauh dan pencatatan kegiatan harian siswa yang masih manual membuat data rentan hilang dan rusak. Berdasarkan permasalahan ini, penulis merancang Sistem Informasi Monitoring PKL (SIMPKL) yang bertujuan memudahkan guru pembimbing dalam melakukan monitoring serta menyediakan tempat penyimpanan data kegiatan harian PKL siswa. Dalam pembuatan sistem ini, penulis menggunakan metode waterfall yang meliputi tahapan: communication, planning, modelling, construction, dan deployment . Berdasarkan hasil penelitian, penulis berhasil mengembangkan SIMPKL dengan validitas yang diuji oleh ahli komputer, menghasilkan nilai 0,87. Uji praktikalitas yang dilakukan oleh pembimbing menunjukkan produk ini sangat praktis dengan nilai 83,26. Uji efektivitas yang dilakukan pada siswa menunjukkan bahwa produk ini sangat efektif dengan nilai 0,89. Dengan demikian, SIMPKL berhasil memudahkan guru pembimbing dalam melakukan monitoring dan menyediakan penyimpanan data yang aman untuk kegiatan harian PKL siswa.
Pengembangan Aplikasi Pemesanan Makanan Berbasis Web Mobile Menggunakan Metode Prototyping pada KAF Fried Chicken Muhammad Taufik Ridho; Hidayat, Ahmad Tri
Jurnal KomtekInfo Vol. 11 No. 4 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i4.597

Abstract

The development of information and communication technology has brought significant changes in various aspects of life, including in terms of ordering food. The design of a food ordering application at the KAF Chicken outlet is very necessary to reduce the constraints of conventional systems. The problem commonly faced by various culinary businesses is the absence of an automated system to record and manage orders, customer data, and financial reports, which often results in inaccuracy and slows down the process. This study aims to design a mobile web-based food ordering application that can facilitate culinary business management in ordering, payment, and transaction data management. The application uses the spiral method that allows gradual development and uses the Express Js Framework and Mongodb as data management. Application features include menu management, online ordering, and transaction recording. Based on the test results, this system can help control transaction data and manage reports accurately and quickly. The design of this application can also be expected to contribute positively to improving the operational efficiency of the culinary business, especially in managing orders and transaction data.

Page 22 of 25 | Total Record : 244

 20   21   22   23   24 

Filter by Year

2018 2025


Reset
Filter By Issues
All Issue Vol. 12 No. 3 (2025): Komtekinfo Vol. 12 No. 2 (2025): Komtekinfo Vol. 12 No. 1 (2025): Komtekinfo Vol. 11 No. 4 (2024): Komtekinfo Vol. 11 No. 3 (2024): Komtekinfo Vol. 11 No. 2 (2024): Komtekinfo Vol. 11 No. 1 (2024): Komtekinfo Vol. 10 No. 4 (2023): Komtekinfo Vol. 10 No. 3 (2023): Komtekinfo Vol. 10 No. 2 (2023): Komtekinfo Vol. 10 No. 1 (2023): Komtekinfo Vol. 9 No. 4 (2022): Komtekinfo Vol. 9 No. 3 (2022): Komtekinfo Vol. 9 No. 2 (2022): Komtekinfo Vol. 9 No. 1 (2022): Komtekinfo Vol. 8 No. 4 (2021): Komtekinfo Vol. 8 No. 3 (2021): Komtekinfo Vol. 8 No. 2 (2021): Komtekinfo Vol. 8 No. 1 (2021): Komtekinfo Vol. 7 No. 4 (2020): Komtekinfo Vol. 7 No. 3 (2020): Komtekinfo Vol. 7 No. 2 (2020): Komtekinfo Vol. 7 No. 1 (2020): Komtekinfo Vol. 6 No. 2 (2019): Komtekinfo Vol. 6 No. 1 (2019): Komtekinfo Vol. 5 No. 3 (2018): Komtekinfo Vol. 5 No. 2 (2018): Komtekinfo Vol. 5 No. 1 (2018): Komtekinfo More Issue