DOI: https://doi.org/10.14710/transmisi.26.3.105-113

IMPLEMENTASI DEVOPS PADA PENGEMBANGAN APLIKASI ANDROID PENDETEKSI KUALITAS BERAS BERBASIS MACHINE LEARNING

*Febriyanti Paramudita  -  Jurusan Teknik Elektro, Universitas Jenderal Soedirman, Indonesia
Mulki Indana Zulfa  -  Jurusan Teknik Elektro, Universitas Jenderal Soedirman,, Indonesia
Acep Taryana  -  Jurusan Teknik Elektro, Universitas Jenderal Soedirman, Indonesia
Dikirim: 18 Mar 2024; Diterbitkan: 4 Nov 2024.
Akses Terbuka Copyright (c) 2024 Transmisi: Jurnal Ilmiah Teknik Elektro under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Sari

Beras merupakan makanan pokok sebagian besar penduduk Indonesia. Permintaannya cenderung meningkat sekitar 1% setiap tahun hingga tahun 2050. Permintaan yang terus meningkat tersebut menuntut standar kualitas yang tinggi. Saat ini, Badan Urusan Logistik (BULOG) masih menggunakan metode konvensional dalam pemantauan kualitas beras yang rentan terhadap human error dan subjektivitas. Masalah yang muncul dari metode ini adalah ketidakakuratan dalam penilaian kualitas beras yang berdampak pada distribusi dan kepercayaan konsumen. Dalam penelitian ini, penulis memanfaatkan teknologi informasi, khususnya aplikasi Android dengan pendekatan DevOps, untuk meningkatkan efisiensi dan objektivitas dalam mendeteksi kualitas beras. Hasil penelitian menunjukkan bahwa implementasi DevOps membawa dampak positif terhadap kualitas dan stabilitas aplikasi, dengan 60 pipeline yang membentuk alur kerja yang fleksibel. Melalui pemantauan, hasil menunjukkan variasi waktu mulai aplikasi dari 338ms hingga 1.61s, respons perangkat fisik adalah 3.97s, tidak ada kasus slow rendering, kualitas kode mencapai 100%, dan ukuran payload berkisar antara 3.41KB dan 6.42KB, sesuai dengan kompleksitas jumlah data yang diperlukan oleh masing-masing fitur. Dengan demikian, aplikasi ini berpotensi memberikan solusi efektif untuk memonitor dan meningkatkan kualitas beras di pasar, mengurangi ketergantungan pada metode konvensional yang kurang efisien.

Fulltext View|Download
Kata Kunci: DevOps; aplikasi; android; machine learning; kualitas beras

Article Metrics:

Article Info
Bagian: Artikel - Teknologi Informasi dan Komputer
Bahasa : ID
Recent articles
ENHANCING BANK CUSTOMER PROTECTION AGAINST PHISHING ATTACKS THROUGH XGBOOST-BASED FEATURE ANALYSIS IMPLEMENTASI DEVOPS PADA PENGEMBANGAN APLIKASI ANDROID PENDETEKSI KUALITAS BERAS BERBASIS MACHINE LEARNING ANALISIS PENGUKURAN HARMONISA TEGANGAN DAN ARUS LISTRIK DI GEDUNG ADMINISTRASI UNIVERSITAS JAYABAYA PERANCANGAN DAN PEMBUATAN PROTOTYPE WATER SPRAY PEMBERSIH PANEL SURYA BERBASIS INTERNET OF THINGS ANALISIS PENGUKURAN KAPASITOR BANK DENGAN TUNED REACTOR PADA GEDUNG ATRIA RESIDENCES GADING SERPONG RANCANG BANGUN TEKNOLOGI TEPAT GUNA MONITORING PENGGUNAAN MULTI DISPENSER AIR OTOMATIS BERBASIS INTERNET OF THINGS DENGAN MODE OPERASI GANDA TERAPAN RANCANG BANGUN ALAT PERAGA TRAINER FUZZY LOGIC CONTROLLER PADA KECEPATAN MOTOR DC BERBASIS ARDUINO DAN LABVIEW More recent articles
Most cited articles
PENENTUAN LOKASI PEMASANGAN LIGHTNING MASTS PADA MENARA TRANSMISI UNTUK MENGURANGI KEGAGALAN PERLINDUNGAN AKIBAT SAMBARAN PETIR RANCANG BANGUN MOTOR INDUKSI SEBAGAI GENERATOR (MISG) PADA PEMBANGKIT LISTRIK TENAGA MIKROHIDRO Tinjauan Perkembangan Kendaraan Listrik Dunia Hingga Sekarang SISTEM PROTEKSI PENANGKAL PETIR PADA GEDUNG WIDYA PURAYA PERANCANGAN MAXIMUM POWER POINT TRACKING PANEL SURYA MENGGUNAKAN BUCK BOOST CONVERTER DENGAN METODE INCREMENTAL CONDUCTANCE More cited articles
  1. T. S. Rathna Priya, A. R. L. Eliazer Nelson, K. Ravichandran, and U. Antony, “Nutritional and functional properties of coloured rice varieties of South India: a review,” J. Ethn. Food, vol. 6, no. 1, p. 11, Oct. 2019, doi: 10.1186/s42779-019-0017-3
  2. W. M. Handani, N. Kusnadi, and D. Rachmina, “Prospek Swasembada Beras di Provinsi Kalimantan Timur,” J. Indones. Agribus, vol. 9, no. 1, pp. 67–78, Jun. 2021, doi: 10.29244/jai.2021.9.1.67-78
  3. J. H. David and T. Kartinaty, “KARAKTERISTIK MUTU BERAS DI BERBAGAI PENGGILINGAN PADA SENTRA PADI DI KALIMANTAN BARAT,” JTAS, vol. 3, no. 1, p. 276, Jun. 2019, doi: 10.35914/tabaro.v3i1.197
  4. Resa Setia Adiandri, S.TP, MP, Eka Rahayu, S.TP, M.Si, and Erwan Gustian Apriansyah, S.Sos, Warta BSIP Pascapanen: Sertifikasi Mutu Beras Sebagai Pencegah Manipulasi Mutu, Edisi Triwulan 2. 2023
  5. D. Lestari, N. Fadillah, and A. Ihsan, “Sistem Deteksi kualitas Beras Berdasarkan Warna menggunakan Fuzzy C-Means Clustering Guna Membantu Tingkat Pengetahuan Masyarakat,” InfoTekJar, vol. 3, no. 2, pp. 32–38, Feb. 2019, doi: 10.30743/infotekjar.v3i2.920
  6. Intan Puspitasari, Harry J. Sumampouw, and Aneke Y. Punuindoong, “Pengaruh Kualitas Produk dan Kesesuaian Harga Terhadap Peningkatan Penjualan Beras Premium Pada Perum Bulog Divisi Regional Sulawesi Utara dan Gorontalo (Studi Kasus Pada Konsumen Wilayah Kota Manado),” vol. 6, no. 2, p. 60, 2018, doi: https://doi.org/10.35797/jab.v6.i002.%25p
  7. M. Mustofah and P. Utami, “Perangkat Penentu Kualitas Beras Ditinjau dari Kadar Air dan Berat Butir Menir Berbasis Arduino Uno,” ELINVO, vol. 4, no. 1, pp. 39–48, Nov. 2019, doi: 10.21831/elinvo.v4i1.21516
  8. M. C. Custodio, R. P. Cuevas, J. Ynion, A. G. Laborte, M. L. Velasco, and M. Demont, “Rice quality: How is it defined by consumers, industry, food scientists, and geneticists?,” Trends in Food Science & Technology, vol. 92, pp. 122–137, Oct. 2019, doi: 10.1016/j.tifs.2019.07.039
  9. Przemyslaw Gilski and Jacek Stefanski, “Android OS: A Review,” TEM Journal, vol. 4, no. 1, pp. 116–120, 2015
  10. R. C. Dharmik, S. Chavhan, S. Gotarkar, and A. Pasoriya, “Rice quality analysis using image processing and machine learning,” 3C TIC, vol. 11, no. 2, pp. 158–164, Dec. 2022, doi: 10.17993/3ctic.2022.112.158-164
  11. M. S. Ardi, “Rancang Bangun Pendeteksi Kualitas Beras Menggunakan Metode K-Nearest Neighbor Berbasis Android,” vol. 7, no. 2, 2021
  12. S. Alsaqqa, S. Sawalha, and H. Abdel-Nabi, “Agile Software Development: Methodologies and Trends,” Int. J. Interact. Mob. Technol., vol. 14, no. 11, p. 246, Jul. 2020, doi: 10.3991/ijim.v14i11.13269
  13. A. Mishra and Z. Otaiwi, “DevOps and software quality: A systematic mapping,” Computer Science Review, vol. 38, p. 100308, Nov. 2020, doi: 10.1016/j.cosrev.2020.100308
  14. R. Eramo, G. L. Scoccia, M. Nolletti, A. Celi, and M. Autili, “An Empirical Study on the Role of Devops in the Development of Mobile Applications,” SSRN, preprint, 2024. doi: 10.2139/ssrn.4719199
  15. N. Azad and S. Hyrynsalmi, “DevOps critical success factors — A systematic literature review,” Information and Software Technology, vol. 157, p. 107150, May 2023, doi: 10.1016/j.infsof.2023.107150
  16. M. O. Khan, “Fast Delivery, Continuously Build, Testing and Deployment with DevOps Pipeline Techniques on Cloud,” IJST, vol. 13, no. 5, pp. 552–575, Feb. 2020, doi: 10.17485/ijst/2020/v13i05/148983
  17. Dr. Khurram Shahzad and Prof. David Williams, “CONTINUOUS INTEGRATION AND CONTINUOUS DELIVERY (CI/CD): AUTOMATING THE SOFTWARE DEVELOPMENT PIPELINE,” IJCST, vol. 7, no. 4, Dec. 2023
  18. N. T. Phương Giang and T. T. Minh Khoa, “AUTOMATED CONTINUOUS INTEGRATION USING CIRCLECI AND FIREBASE FOR ANDROID APPLICATION DEVELOPMENT,” jst-iuh, vol. 47, no. 05, Apr. 2021, doi: 10.46242/jst-iuh.v47i05.762
  19. S. Kaiser, Md. S. Haq, A. S. Tosun, and T. Korkmaz, “Container Technologies for ARM Architecture: A Comprehensive Survey of the State-of-the-Art,” IEEE Access, vol. 10, pp. 84853–84881, 2022, doi: 10.1109/ACCESS.2022.3197151
  20. J. Harty, H. Zhang, L. Wei, L. Pascarella, M. Aniche, and W. Shang, “Logging Practices with Mobile Analytics: An Empirical Study on Firebase,” in 2021 IEEE/ACM 8th International Conference on Mobile Software Engineering and Systems (MobileSoft), Madrid, Spain: IEEE, May 2021, pp. 56–60. doi: 10.1109/MobileSoft52590.2021.00013
  21. Dario Piazza, “STARTUP PERFORMANCE ANALYSIS AND OPTIMIZATION OF AN ANDROID BANKING APPLICATION,” Politecnico di Torino, Torino, North Italy, 2021

Last update:

No citation recorded.

Last update: 2024-11-20 07:54:06

No citation recorded.