Article Per Year (5 Year)
p-Index From 2021 - 2026
4.347
P-Index
This Author published in this journals
All Journal JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI JuSiTik : Jurnal Sistem dan Teknologi Informasi Komunikasi Jurnal Sistem Informasi, Manajemen, dan Akuntansi (SIMAK) METIK JURNAL bit-Tech Jurnal Pengabdian kepada Masyarakat Nusantara Jurnal Esensi Infokom: Jurnal Esensi Sistem Informasi dan Sistem Komputer Green Intelligent Systems and Applications Jurnal Teknologi Sistem Informasi International Journal of Multidisciplinary Sciences and Arts MDP Student Conference "JAMASTIKA" Jurnal Mahasiswa Teknik Informatika jurnal informasi teknologi dan sistem KOMPUTASI Jurnal Informasi Teknologi dan Sistem (INTEKSIS) Global Science: Journal of Information Technology and Computer Science
Willay, Thommy
Universitas Widya Dharma Pontianak
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Social Sciences Other

Published : 35 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 35 Documents
Search

 1   2   3   4 
A Hybrid Federated-Edge Learning Framework with Dynamic Model Pruning for Real-Time Anomaly Detection in Smart Manufacturing Networks Genrawan Hoendarto; Thommy Willay; Pavan Kumar
Global Science: Journal of Information Technology and Computer Science Vol. 1 No. 3 (2025): September: Global Science: Journal of Information Technology and Computer Scien
Publisher : International Forum of Researchers and Lecturers

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70062/globalscience.v1i3.173

Abstract

The rapid advancement of intelligent systems has accelerated the adoption of data-driven solutions across diverse industries, creating an increasing need for models that are both efficient and privacy-preserving. While traditional centralized machine learning approaches offer strong predictive capabilities, they often struggle with challenges related to data privacy, network latency, and computational inefficiency-especially in distributed environments with heterogeneous devices. To address these limitations, recent research has explored hybrid learning frameworks that integrate federated learning, edge computing, and dynamic model optimization techniques. These hybrid approaches enable models to process and learn from data closer to the source while maintaining stringent privacy requirements by keeping raw data localized. Additionally, the incorporation of pruning strategies, adaptive model compression, or multimodal data fusion contributes to improved speed, scalability, and accuracy in real-time inference tasks. Such frameworks have demonstrated notable promise in settings characterized by high data volume, operational complexity, and the necessity for fast anomaly detection or decision-making. However, despite these advancements, several challenges remain, including synchronization delays across edge nodes, variability in hardware capabilities, and the need for more efficient aggregation algorithms. Future developments may involve leveraging next-generation pruning techniques, energy-aware edge scheduling, decentralized orchestration protocols, or the integration of digital twin technologies to further enhance performance. Overall, hybrid distributed learning frameworks represent an important evolution toward more intelligent, secure, and autonomous computational ecosystems capable of supporting the next wave of smart applications.
Sosialisasi Literasi Digital dan Pelatihan AI dan Business Intelligence bagi Siswa SMA Santu Petrus Hendro, Hendro; Susana, Susana; Willay, Thommy; Darmianto, Amok; Krisyesika, Krisyesika; Destriana, Odila Ivani
Jurnal Pengabdian kepada Masyarakat Nusantara Vol. 7 No. 2 (2026): Edisi Mei - Agustus
Publisher : Lembaga Dongan Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jpkmn.v7i2.8750

Abstract

Kegiatan pengabdian kepada masyarakat ini dilatarbelakangi oleh rendahnya pemahaman siswa Sekolah Menengah Atas (SMA) terhadap konsep literasi digital, kecerdasan buatan (Artificial Intelligence/AI), dan kecerdasan bisnis (Business Intelligence/BI), di mana sebagian besar siswa masih berperan sebagai pengguna teknologi tanpa memahami prinsip kerja dan pemanfaatannya. Untuk mengatasi permasalahan tersebut, dilakukan kegiatan sosialisasi literasi digital serta pelatihan AI dan Business Intelligence yang mengombinasikan metode ceramah, diskusi, dan praktik langsung. Kegiatan dilaksanakan pada 175 siswa SMA Santu Petrus Kota Pontianak dalam dua sesi paralel, yaitu penyampaian materi literasi digital di aula serta praktik analisis data sederhana berbasis AI dan BI di laboratorium komputer menggunakan perangkat lunak MATLAB. Hasil kegiatan menunjukkan bahwa siswa mampu memahami konsep dasar literasi digital, AI, dan BI serta mengikuti proses analisis data sederhana dengan baik. Tingkat partisipasi aktif dalam diskusi, praktik, dan kuis interaktif menunjukkan adanya peningkatan pemahaman dan motivasi siswa terhadap pemanfaatan teknologi. Kegiatan ini memberikan dampak positif dalam memperkenalkan pemanfaatan teknologi berbasis data serta mendorong kesiapan siswa dalam menghadapi tantangan di era digital.
Rancang Bangun Sistem Monitoring Suhu, Tekanan, Dan Kelembapan Berbasis IoT Konstan Dasit, Frederick; Willay, Thommy; Hendro, Hendro
INTEKSIS Vol 12 No 1: Mei 2025
Publisher : LPPM Universitas Widya Dharma Pontianak

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.66003/inteksis.v12i1.10541

Abstract

Penelitian ini merupakan pengembangan prototype sistem monitoring suhu, tekanan, dan kelembapan secara real-time menggunakan Arduino dan sensor-sensor terkait. Metode penelitian yang digunakan adalah metode penelitian pengembangan. Hasil penelitian menunjukkan bahwa prototype sistem monitoring dapat berfungsi dengan baik dan menampilkan data sensor secara real-time. Aplikasi Weatherstation yang dikembangkan juga dapat memantau data sensor secara real-time dan menampilkan hasil monitoring dalam bentuk gauge dan superchart. Sistem ini dapat digunakan untuk memantau kondisi lingkungan dan membantu pengambilan keputusan yang tepat. Selain itu, sistem ini juga dapat digunakan dalam berbagai bidang seperti pertanian, meteorologi, dan lain-lain. Dengan demikian, penelitian ini dapat memberikan kontribusi pada pengembangan teknologi monitoring lingkungan yang lebih akurat dan efektif. Sistem ini juga memiliki potensi untuk meningkatkan efisiensi dan produktivitas dalam berbagai industri, serta membantu meningkatkan kesadaran dan kemampuan dalam memantau dan mengelola lingkungan secara efektif dan berkelanjutan. Selain itu, sistem ini juga dapat diintegrasikan dengan teknologi Internet of Things (IoT) untuk memungkinkan monitoring dan kontrol jarak jauh, serta analisis data yang lebih lanjut. Dengan integrasi IoT, sistem ini dapat menjadi lebih cerdas dan efektif dalam memantau dan mengelola lingkungan.
Penerapan Speech Recognition Pada Aplikasi Cek Pengucapan Bahasa Inggris Berbasis Android Evanti, Julia; Willay, Thommy; Hendro, Hendro
INTEKSIS Vol 12 No 1: Mei 2025
Publisher : LPPM Universitas Widya Dharma Pontianak

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.66003/inteksis.v12i1.10542

Abstract

Dalam era perkembangan teknologi informasi yang pesat telah memudahkan manusia dalam memenuhi berbagai kebutuhannya, salah satunya melalui penggunaan perangkat mobile seperti smartphone. Dalam smartphone, terdapat berbagai aplikasi yang dirancang untuk membantu menyelesaikan tugas tertentu. Salah satu kebutuhan yang mendesak di era globalisasi adalah kemampuan bahasa Inggris, yang menjadi salah satu dari enam bahasa resmi PBB. Namun, Berdasarkan data dari EF English Proficiency Index pada tahun 2023 menunjukkan kemampuan Bahasa Inggris masyarakat Indonesia masih rendah, yaitu peringkat ke-79 dari 113 negara. yang menunjukkan rendahnya tingkat penguasaan bahasa Inggris. Penelitian ini bertujuan untuk merancang dan membangun aplikasi berbasis Android yang dapat membantu pengguna dalam belajar dan mengevaluasi pengucapan bahasa Inggris. Aplikasi ini menggunakan fitur pengenalan suara (speech recognition) yang mampu mengubah kata yang diucapkan menjadi teks, sehingga pengguna dapat memeriksa kesesuaian pengucapan mereka. Selain itu, aplikasi ini diharapkan dapat mempermudah pembelajaran bahasa Inggris, meningkatkan keakuratan pengucapan, dan memberikan pengalaman belajar yang interaktif dan efektif. Dengan pengembangan aplikasi ini, diharapkan pengguna, terutama pelajar, dapat lebih mudah memahami dan meningkatkan kemampuan pengucapan bahasa Inggris, sehingga mendukung peningkatan kompetensi bahasa Inggris di Indonesia.
Optimizing Raw Material Inventory for Culinary MSMEs under Data Scarcity: A DR-ARMA Forecasting Approach Lauren, Venicia; Willay, Thommy; Tjen, Jimmy
bit-Tech Vol. 8 No. 3 (2026): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i3.3689

Abstract

Culinary MSMEs struggle with inventory management because raw materials perish quickly and daily demand fluctuates unpredictably. Most forecasting tools require extensive historical data, often unavailable in kitchens with sparse, intermittent sales records. To address this gap, this study develops and validates a Demand Response Auto-Regressive Moving Average (DR-ARMA) model that performs reliably under severe data constraints. DR-ARMA extends classical ARMA through three stages: baseline ARIMA modeling, moving-average trend detection, and adaptive calibration that incorporates forecast errors directly into safety stock computation via an RMSE-buffered adjustment. This mechanism treats safety stock as endogenous to the forecasting workflow rather than a post hoc decision, representing the core methodological innovation. The model simultaneously enhances forecast accuracy and safety stock reliability. We validated DR-ARMA using a three-month daily sales dataset from an Indonesian culinary business, comprising 90 observations, with over 30% of days with zero sales. Results demonstrate that DR-ARMA achieves a Mean Absolute Percentage Error of 24.64%, substantially outperforming Simple Moving Average (42.70%) and marginally improving upon the Naïve benchmark (24.99%). In this zero-inflated context, even modest gains in forecast stability directly reduce spoilage and stockouts. The integrated safety stock buffer provides an empirical service level of 80%, with tighter inventory bounds that prioritize waste reduction. Finally, we embedded the model into a desktop system, converting predictions into daily procurement lists. This study confirms DR-ARMA as a practical, theoretically grounded solution for inventory optimization in data-scarce culinary settings.
Co-Authors Antonius Antonius Brandon, Brandon Cangputri, Lyeslin Caturyadi, Fabianus Charlen, Charlen Christina Iil Damayanti Darmanto, Tony Darmianto, Amok Destriana, Odila Ivani DIANA NOVIANTY Evanti, Julia Fernando, Darmadi Andrew Genrawan Hoendarto Giovanna, Aurelyn Gultom, Manorang Haryanto Hendro Hendro, Hendro Iskandar, Riyadi J. Jimmy Iskandar, Riyadi Jimmy Tjen Kiong, Ritchie Konstan Dasit, Frederick Krisyesika Lauren, Venicia Ng, Junira Merrylin Paskalia Kartini Pavan Kumar Riri Supriani Riyadi J. Iskandar Sigan, Agustinus Stephanie, Dea Sudjalmo, Sugito Susana Susana Tarigan, Jekkri Parlindungan Thannia, Yvonne Tony Darmanto Vania, Klara Veronica, Stefanny Gracya Wirawan, Cipto