Claim Missing Document
Check
Articles

Found 2 Documents
Search

Penggunaan Aplikasi Figma Dalam Implementasi UI/UX Pada Siswa/i SMKN 6 Tangerang Selatan Kelas 11 Ahmad; Nuryan, Ahsan; Yudistira, Akbar; Maulana Ersa, Calvin; Purwadi, Eko; Cahyo Wicaksono, Ilham; Junialdo, Mohammad; Davvy Alfitrah, Muhammad; Ihsan Fadhilah, Rayhan
APPA : Jurnal Pengabdian Kepada Masyarakat Vol 2 No 3 (2024): APPA : Jurnal Pengabdian kepada Masyarakat
Publisher : Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Aplikasi Figma merupakan alat desain yang digunakan untuk membuat antarmuka aplikasi, baik untuk mobile maupun desktop. Dengan dukungan untuk berbagai sistem operasi, Figma menjadi pilihan utama bagi para profesional di bidang desain UI/UX. Di era digital saat ini, pemahaman tentang desain antarmuka yang efektif dan pengalaman pengguna yang baik sangat penting. Oleh karena itu, tujuan dari pengabdian ini adalah untuk memperkenalkan aplikasi Figma kepada siswa/i SMKN 6 Tangerang Selatan, khususnya kelas 11, agar mereka dapat memanfaatkan teknologi dalam menciptakan konten yang interaktif. Metode yang digunakan dalam kegiatan ini adalah workshop dan praktik langsung, yang diharapkan dapat meningkatkan pemahaman siswa/i tentang Figma dan desain UI/UX.
Application of Random Forest for Rice Plant Disease Classification Rosyani, Perani; Lutfi, Anang Muhamad; Purwadi, Eko; Kamaluddin; Hanaan, Yusuf Ali; Ikasari, Ines Heidiani
International Journal of Integrative Sciences Vol. 4 No. 1 (2025): January 2025
Publisher : PT FORMOSA CENDEKIA GLOBAL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55927/ijis.v4i1.13477

Abstract

Indonesia's agricultural sector faces significant challenges in maintaining rice production due to land conversion, pest attacks, and poor irrigation. Early detection of rice leaf diseases is critical to mitigating these challenges. This study applies the Random Forest (RF) algorithm to classify three rice leaf diseases: Bacterial Leaf Blight, Brown Spot, and Leaf Smut. The proposed method achieved an accuracy of 75%, demonstrating its effectiveness in disease detection. This research provides a foundation for integrating machine learning to improve crop management and agricultural productivity