Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Bappenas Working Papers Jurnal Siteba
Alhamidi
Unknown Affiliation
Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering Environmental Science

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
The Role of Village-owned Enterprises (BUMDes) in Optimizing Village Funds in South Lampung District Alhamidi; Varida Henemia Pakpahan; Hendro Muliarto
Bappenas Working Papers Vol 1 No 2 (2018): Edisi Oktober 2018
Publisher : Kementerian Perencanaan Pembangunan Nasional (Bappenas)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1361.33 KB) | DOI: 10.47266/bwp.v1i2.18

Abstract

The purpose of this study is to see how to determine the BUMDes (Village-owned Enterprises) development strategy through optimizing the use of village funds in South Lampung District, Lampung Province. The study is conducted with interviews and questionnaires to the community in the village who would develop BUMDes. The methods used are descriptive analysis and SWOT. Some findings indicate that village-owned companies are needed to control the economy in the village.
Pemanfaatan STB TV Bekas Menjadi Cloud Server Berbasis Web Menggunakan Odoo Untuk Mendukung Pengelolaan Data Pada Umkm Az Interior Prasetya, Prasetya Silvano; Aritonang, Mhd Adi Setiawan; Alhamidi
JURNAL SITEBA Vol. 4 No. 1 (2026): Jurnal Sistem Informasi ITEBA
Publisher : LPPM-ITEBA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62375/emk6p286

Abstract

Penelitian ini mengembangkan dan mengevaluasi solusi cloud server berbasis web yang hemat biaya dengan memanfaatkan Set-Top Box (STB) TV bekas sebagai perangkat server dan Odoo 13 sebagai platform manajemen dokumen. Studi kasus dilakukan pada UMKM AZ Interior. Metode penelitian mengikuti model Waterfall (analisis kebutuhan, perancangan, implementasi, pengujian) dan pengujian fungsional dilakukan dengan pendekatan Black Box. Implementasi teknis mencakup pemasangan Armbian (Ubuntu 18.04) pada STB ZTE B860H, konfigurasi PostgreSQL dan Odoo 13, penggunaan penyimpanan eksternal 128 GB, serta pengaturan akses jarak jauh melalui ZeroTier. Hasil pengujian menunjukkan fungsi utama—autentikasi, upload/download dokumen, manajemen hak akses, dan akses remote—berjalan sesuai spesifikasi, dengan STB beroperasi stabil pada konsumsi daya sekitar 8–12 W. Analisis biaya dan dampak lingkungan menunjukkan solusi ini ekonomis dan membantu mengurangi limbah elektronik untuk UMKM skala kecil. Rekomendasi meliputi penerapan backup otomatis, pengujian skalabilitas, dan penyempurnaan antarmuka pengguna.
Pengembangan Framework Deep Learning Berbasis ResNet50V2 untuk Klasifikasi Lumpy Skin Disease pada Sapi Menggunakan Citra Digital Farasalsabila, Fidya; Arnomo, Sasa Ani; Aranski, Alvendo Wahyu; Alhamidi; Jabnabillah, Faradiba; Burhan, Rifa’atul Mahmudah; Noviardi, Refli; Althaaf, Muhammad Nabiil
JURNAL SITEBA Vol. 4 No. 1 (2026): Jurnal Sistem Informasi ITEBA
Publisher : LPPM-ITEBA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62375/shaw4509

Abstract

Penyakit Kulit Lumpy pada sapi dikenal sebagai risiko utama bagi produksi ternak dan berdampak besar terhadap kesejahteraan mata pencaharian dan ketahanan pangan khususnya bagi negara Indonesia. Saat ini pendeteksian penyakit kulit di negara kita umumnya dinilai secara manual. Namun, evaluasi manual membutuhkan banyak waktu dan membutuhkan orang-orang profesional yang berpengalaman dan terlatih, sehingga biasanya membutuhkan biayanya cukup tinggi. Pada penelitian ini dibangun model deteksi penyakit kulit Lumpy pada sapi menggunakan salah satu model Deep learning yakni Convolutional Neural Network (CNN). Kelas yang akan digunakan untuk mendeteksi dan mengklasifikasikan hewan berpenyakit kulit lumpy menjadi sehat dan sakit. Pengumpulan data tersebut dikumpulkan dari situs internet kaggle. Dari total 1364 dataset citra, 80% digunakan untuk pelatihan, 10% untuk validasi dan 10% untuk pengujian. Hasil eksperimen menunjukkan bahwa arsitektur terbaik untuk klasifikasi penyakit kulit lumpy pada sapi adalah Proposed Lumy ResNet50v2 dengan akurasi 94.85%, presisi 94%, Recall 94%, dan F1 Score 95%. Kemudian diikuti oleh arsitektur NASNetMobile dengan nilai akurasi 92.65%, Xception dan ResNet50v2 dengan akurasi 91,18% dan VGG19 dengan akurasi sebesari 90,44%.
Co-Authors Althaaf, Muhammad Nabiil Alvendo Wahyu Aranski Arnomo, Sasa Ani Burhan, Rifa’atul Mahmudah Fidya Farasalsabila Hendro Muliarto Jabnabillah, Faradiba Mhd Adi Setiawan Aritonang Noviardi, Refli Prasetya, Prasetya Silvano Varida Henemia Pakpahan