Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Community Development Journal: Jurnal Pengabdian Masyarakat Jurnal Sistem Informasi dan Teknologi Jaringan
Bosker Sinaga
Universitas Mahkota Tricom Unggul
Humanities Computer Science & IT Economics, Econometrics & Finance Education Health Professions Public Health

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PENINGKATAN KETRAMPILAN WEB DEVELOPMENT MAHASISWA/I UNIVERSITAS MAHKOTA TRICOM UNGGUL Preddy Marpaung; AM H Pardede; Bosker Sinaga; Asen Susanto; Lamganda S Sinaga; Dedi Halawa; Dompak Pasaribu
Community Development Journal : Jurnal Pengabdian Masyarakat Vol. 7 No. 1 (2026): Vol. 7 No. 1 Tahun 2026
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/cdj.v7i1.55868

Abstract

Perkembangan teknologi informasi dan komunikasi telah berjalan sangat cepat, sehingga hampir semua sektor kehidupan, termasuk dunia pendidikan mengalami transformasi digital. Dalam konteks pendidikan tinggi, kemampuan menguasai teknologi web menjadi salah satu kompetensi penting yang dibutuhkan mahasiswa. Universitas Mahkota Tricom Unggul terus berpacu untuk meningkatkan ketrampilan ataupun kopetensi mahasiswa/I yang selaras dengan kebutuhan industri, salah satunya adalah keterampilan web development. Pelatihan ini  merupakan langkah strategis untuk meningkatkan literasi digital serta kesiapan Mahasiswa dalam menghadapi era industri digital apalagi setelah menjadi alumni. Pelatihan ini dilakukan selama 3 minggu atau 16 kali pertemuan yang diikuti 20 peserta pelatihan. kegiatan ini mampu membekali peserta dengan pemahaman terhadap bahasa dasar pemrograman web. Peserta tidak hanya mampu mengenali struktur dan sintaks dasarnya, tetapi juga dapat mengimplementasikannya melalui pembuatan program sederhana. Salah satu bentuk implementasinya adalah proyek pembuatan website portofolio setiap peserta  sebagai studi kasus. Tingkat keberhasilan pelatihan ini dilihat dari hasil projek mahasiswa sebagai studi kasus yaitu 90% tingkat  keberhasilannya.
Crop Yield Prediction Using Artificial Neural Network with Principal Component Analysis Dimensionality Reduction Bosker Sinaga; Ade May Luky Harefa; Adrianta Pandia; Agil Alfarezi
Jurnal Sistem Informasi dan Teknologi Jaringan Vol 7 No 1 (2026): Maret
Publisher : CV. ADMITECH SOLUTIONS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63703/sisfotekjar.v7i1.144

Abstract

Accurate crop yield prediction is essential to support agricultural planning, food supply stability, and decision-making in modern precision agriculture. Agricultural production is influenced by many complex and nonlinear factors such as rainfall, temperature, humidity, soil conditions, and fertilizer usage. Traditional statistical methods often face limitations in handling high-dimensional and nonlinear agricultural datasets. Therefore, this study proposes a crop yield prediction model using Artificial Neural Network (ANN) combined with Principal Component Analysis (PCA) for dimensionality reduction. PCA is applied in the preprocessing stage to reduce redundant and correlated input variables while preserving the most important data variance. The reduced dataset is then used to train the ANN model to predict crop yield values. The model is implemented using Python with libraries including NumPy, Pandas, Scikit-learn, and TensorFlow/Keras. The dataset used in this research consists of 1000 agricultural records covering three crop commodities, namely maize, barley, and rice. Model performance is evaluated using visualization techniques including histogram error, histogram predicted, PCA explained variance, predicted vs actual plot, residual plot, and training history graph. Experimental results show that the PCA-ANN model produces accurate and stable prediction results with low prediction error and strong agreement between predicted and actual values. The integration of PCA and ANN improves prediction performance, reduces computational complexity, and minimizes overfitting risk. This research demonstrates that the PCA-ANN approach is effective for crop yield prediction and can support data-driven agricultural decision-making.
Co-Authors Ade May Luky Harefa Adrianta Pandia Agil Alfarezi AM H Pardede Asen Susanto Dedi Halawa Dona Pasaribu Lamganda S Sinaga Preddy Marpaung