Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Rekayasa dan Teknologi Tematik
Kurniawati
Universitas Ivet
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Mechanical Engineering Social Sciences Transportation

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

Found 3 Documents
Search

 1 
Program Mengajar ASTRA (Advanced Skills Training for Rising Achievers)  di SMK Sultan Trenggono Handini Arga Damar Rani Handini; Dewi Purnamasari; Kurniawati; ⁠Lingga Kurnia Ramadhani; Ahmad Imtiyaz Najih
TEMATIK Vol. 6 No. 2 (2026): Juli
Publisher : Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/tematik.v6i2.15281

Abstract

Program Mengajar ASTRA (Advanced Skills Training for Rising Achievers) merupakan kegiatan pengabdian kepada masyarakat yang dilaksanakan di SMK Sultan Trenggono Semarang untuk memperkuat kesiapan digital siswa melalui pengenalan dasar framework Laravel 12. Kegiatan ini dilatarbelakangi oleh kebutuhan peningkatan keterampilan komputasi, pemahaman alur kerja pengembangan aplikasi web, dan motivasi belajar teknologi pada siswa SMK. Metode kegiatan meliputi observasi kebutuhan, penyusunan materi, sosialisasi, demonstrasi, praktik terbimbing di laboratorium komputer, diskusi, dan refleksi. Hasil kegiatan menunjukkan peserta terlibat aktif dalam memahami konsep dasar web, struktur proyek, rute, controller, tampilan, serta manfaat framework dalam pembuatan aplikasi. Program ini memberi nilai tambah berupa pengalaman belajar praktis, kolaboratif, dan relevan dengan kebutuhan dunia kerja digital. Kegiatan lanjutan diperlukan untuk pendampingan proyek sederhana dan evaluasi kompetensi secara lebih terukur.
Penerapan Algoritma Decision Tree Untuk Mengklasifikasi Tingkat Ketergantungan Terhadap ChatGPT Berdasarkan Demografi Pengguna Wijayanti Kusuma Sari; Handini Arga Damar Rani Handini; Kurniawati; Dewi Purnamasari
Jurnal Pengembangan Rekayasa dan Teknologi Vol. 10 No. 1 (2026): Mei (2026)
Publisher : Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/jprt.v10i1.14732

Abstract

Penggunaan ChatGPT yang semakin tinggi, khususnya dalam bidang pendidikan, menimbulkan potensi ketergantungan pengguna terhadap teknologi Artificial Intelligence (AI). Penelitian ini bertujuan mengklasifikasikan tingkat ketergantungan pengguna terhadap ChatGPT berdasarkan faktor demografi dan pola penggunaan menggunakan algoritma Decision Tree. Penelitian menggunakan pendekatan kuantitatif dengan 200 data sekunder yang telah melalui tahap preprocessing. Proses pemodelan dilakukan menggunakan algoritma Decision Tree dan dievaluasi menggunakan operator Performance Classification. Hasil penelitian menunjukkan bahwa atribut ChatGPT sessions menjadi faktor paling dominan dalam menentukan tingkat ketergantungan pengguna, diikuti oleh ChatGPT weekly usages, active weeks, dan employment. Model yang dihasilkan memperoleh nilai accuracy sebesar 97%, yang menunjukkan bahwa algoritma Decision Tree memiliki performa yang sangat baik dalam mengklasifikasikan tingkat ketergantungan pengguna terhadap ChatGPT. Hasil penelitian juga menunjukkan bahwa pola penggunaan lebih berpengaruh dibandingkan faktor demografi dalam menentukan tingkat ketergantungan pengguna terhadap teknologi AI.
Pengembangan Model CNN-LSTM Berbasis MobileNetV2 untuk Pengenalan Kosakata Bahasa Isyarat Indonesia (BISINDO) Tingkat Kata pada Sistem AIGLASS Ahmad Riki Andreas; Dewi Purnamasari; Kurniawati; Ahmad Bais
Jurnal Pengembangan Rekayasa dan Teknologi Vol. 10 No. 1 (2026): Mei (2026)
Publisher : Universitas Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26623/jprt.v10i1.15528

Abstract

Komunikasi antara penyandang tunarungu dan masyarakat umum masih menghadapi hambatan akibat rendahnya pemahaman terhadap Bahasa Isyarat Indonesia (BISINDO). Penelitian ini bertujuan mengembangkan model pengenalan kosakata BISINDO tingkat kata menggunakan arsitektur CNN-LSTM berbasis MobileNetV2 sebagai fondasi kecerdasan buatan pada sistem AIGLASS. Penelitian menggunakan metode CRISP-DM yang meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Dataset yang digunakan adalah Word-Level Bahasa Isyarat Indonesia (WL-BISINDO) yang terdiri atas 1.600 video dengan 32 kosakata. Hasil penelitian menunjukkan model memperoleh training accuracy sebesar 99,22%, validation accuracy terbaik sebesar 96,48%, serta accuracy, precision, recall, dan F1-score pada data pengujian masing-masing sebesar 94,69%, 95,25%, 94,69%, dan 94,66%. Hasil tersebut menunjukkan bahwa model mampu mengenali kosakata BISINDO tingkat kata secara efektif dan berpotensi menjadi fondasi sistem AIGLASS untuk mendukung penerjemahan bahasa isyarat menjadi audio secara real-time.
Co-Authors Ahmad Bais Ahmad Imtiyaz Najih Ahmad Riki Andreas Dewi Purnamasari Handini Arga Damar Rani Handini Lingga Kurnia Ramadhani Wijayanti Kusuma Sari