Article Per Year (5 Year)
p-Index From 2021 - 2026
1.066
P-Index
This Author published in this journals
All Journal KOMMAS: Jurnal Pengabdian Kepada Masyarakat AMMA : Jurnal Pengabdian Masyarakat Research Center Journal of Informatics and Information Systems
Ade Putra Prima Suhendri
Unknown Affiliation
Humanities Chemistry Computer Science & IT Decision Sciences, Operations Research & Management Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Nursing

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
PELATIHAN PEMANFAATAN MICROSOFT WORD, EXCELL, DAN POWER POINT UNTUK MENGERJAKAN TUGAS PADA SMPN 176 JAKARTA Sopiyan Apandi; Nurhidayatuloh Nurhidayatuloh; Ahmad Ahmad,; Abdullah Muhajir; Ade Putra Prima Suhendri
KOMMAS: Jurnal Pengabdian Kepada Masyarakat Vol 2, No 3 (2021): KOMMAS: JURNAL PENGABDIAN KEPADA MASYARAKAT
Publisher : KOMMAS: Jurnal Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (2686.76 KB)

Abstract

Microsoft Office saat ini menjadi hard skill yang harus dimiliki sebagai pelajar di era saat ini dimana menjadi kemampuan yang wajib dimiliki seorang pelajar jenjang sekolah menengah pertama. Dunia pendidikan saat ini khususnya jenjang sekolah menengah pertama seluruhnya mulai beradaptasi dengan era teknologi dan rata-rata pengerjaan tugas menggunakan Microsoft Office terutama Microsoft word, excel, dan power point. Tujuan dari pelaksanaan pengabdian kepada masyarakat ini adalah untuk melaksanakan tri dharma perguruan tinggi yang terdiri dari 3 poin penting, yaitu Pendidikan dan pengajaran, penelitian dan pengembangan, dan pengabdian kepada masyarakat. Pengabdian kepada masyarakat ini sekaligus memberikan wawasan, pengalaman, dan hard skill kepada siswa SMPN 176 Jakarta dalam pemanfaatan Microsoft Word, Excel dan Powerpoint dalam mengerjakan tugas ataupun melakukan pekerjaan kelak nanti saat mereka memasuki jenjang yang lebih tinggi dan dunia kerja.
IMPLEMENTASI TEKNOLOGI AI BERBASIS GOOGLE GEMINI DAN VIDEOGEN DALAM MENINGKATKAN KETERAMPILAN DIGITAL GURU DI SMA ALIA ISLAMIC SCHOOL Amin Hidayat; Ade Putra Prima Suhendri; Nanang
AMMA : Jurnal Pengabdian Masyarakat Vol. 3 No. 11 : Desember (2024): AMMA : Jurnal Pengabdian Masyarakat
Publisher : CV. Multi Kreasi Media

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

Abstract

Kecerdasan buatan telah mengubah berbagai aspek kehidupan manusia, termasuk dalam bidang pendidikan. Kecerdasan Buatan (AI) merupakan salah satu cabang ilmu komputer yang mengutamakan pengembangan kecerdasan mesin, cara berpikir dan cara bekerja layaknya manusia. Penerapan AI dalam bidang pendidikan menawarkan potensi yang dapat meningkatkan efisiensi, efektivitas, dan kualitas pembelajaran. Selain itu, AI juga dapat membantu guru dalam mengembangkan kurikulum yang lebih adaptif. Dengan analisis data yang canggih, sistem AI dapat mengidentifikasi tren pembelajaran dan memberikan wawasan yang berharga kepada para pendidik untuk memperbaiki metode pengajaran yang selama ini telah dilakukan. Penting bagi lembaga pendidikan untuk lebih mengintegrasikan AI dalam proses pembelajaran dan memberikan pelatihan kepada para guru untuk mengoptimalkan sistem pendidikan di masa mendatang sebagai alat bantu dalam proses belajar mengajar. Kegiatan pengabdian kepada masyarakat ini dilaksanakan di SMA Alia Islamic School. Kegiatan pengabdian kepada masyarakat ini dilaksanakan dengan tujuan untuk memberikan pelatihan pembuatan media pembelajaran digital dengan implementasi teknologi kecerdasan buatan menggunakan tools/aplikasi Google Gemini dan Videogen kepada para guru sehingga diharapkan dapat memberikan pengetahuan baru dalam hal keterampilan guru dalam membuat media pembelajaran digital dengan memanfaatkan teknologi AI serta dapat menjadi salah satu solusi bagi para guru dalam menghadapi tantangan perkembangan teknologi kecerdasan buatan di bidang pendidikan. Kata Kunci : Kecerdasan Buatan, Kecerdasan Buatan, Google Gemini, Videogen, Keterampilan Digital Guru.
Adaptive Linear Regression with Dynamic Statistical Validation for Non-Stationary Time-Series Modeling Ade Putra Prima Suhendri; Lely Panca Andriyanto; Amin Hidayat; Yuda Samudra
Jurnal Publikasi Ilmu Komputer Terapan Vol 1 No 1 (2026): Juli 2026
Publisher : PT. ALRCA INOVASI DIGITAL

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

Abstract

This study proposes an Adaptive Linear Regression (ALR) framework for dynamic trend detection in non-stationary time-series data through adaptive window optimization and statistical validation. Unlike conventional linear regression models that rely on fixed lookback windows, the proposed framework dynamically determines the optimal window size based on a coefficient of determination (R²) threshold, allowing the model to adapt to changing data characteristics while filtering noisy observations. The validated regression model is further enhanced by constructing dynamic statistical boundaries using the Z-score distribution of regression residuals, enabling adaptive identification of significant deviations from local trends without requiring manually tuned parameters. The proposed framework was evaluated using high-frequency cryptocurrency time-series data collected from 2020 to 2025, including BTC/USDT, ETH/USDT, and SOL/USDT, as representative non-stationary datasets with high volatility. Experimental results demonstrate that the proposed approach achieves more robust trend detection and superior predictive consistency than conventional fixed-window regression and widely used baseline methods. In addition, the adaptive framework exhibits improved risk-adjusted performance and lower maximum drawdown when applied to an algorithmic trading scenario, indicating its practical applicability for dynamic decision-support systems operating on volatile time-series data. Overall, the proposed ALR framework provides a statistically grounded, interpretable, and adaptive approach for modeling non-stationary time-series and offers a promising alternative for intelligent data-driven applications.
Development of a Web-Based Reporting System for PJLP Tasks at Dinas Pertamanan dan Hutan Kota Using the Waterfall Method Rusdiyanto Rusdiyanto; Ade Putra Prima Suhendri
Jurnal Publikasi Ilmu Komputer Terapan Vol 1 No 1 (2026): Juli 2026
Publisher : PT. ALRCA INOVASI DIGITAL

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

Abstract

This study has successfully developed a task reporting system for PJLP Dinas Pertamanan dan Hutan Kota, a service company specializing in park cleaning and maintenance in DKI Jakarta. Previously, the company faced difficulties in recording and tracking task reports because the system used was prone to errors and inefficient. This study focuses on developing a more effective and efficient system for managing task reports. The Waterfall method was employed, allowing for a quick and flexible response to changing needs. The system was designed as a web-based platform to enable access to asset information from various locations and at any time, in line with current demands for mobility and flexibility. The system’s performance was tested using the Department of Parks and Urban Forests as a case study, and the results demonstrated a significant improvement in task reporting, as well as increased employee work efficiency. With the implementation of this system, the City Parks and Forests Department has successfully improved efficiency in terms of time savings and achieved more structured and flexible data accuracy. This research provides tangible benefits to the City Parks and Forests Department and contributes to the development of data technology, particularly in report data management using the Waterfall approach.
DEVELOPMENT OF AN INCLUSIVE E-COMMERCE PLATFORM FOR MSMES WITH SPEECH IMPAIRED: A CASE STUDY AT THE INTEN SUWENO INTEGRATED CENTER MOH ARDIANSYAH ARDIANSYAH; Ade Putra Prima Suhendri
Jurnal Publikasi Ilmu Komputer Terapan Vol 1 No 1 (2026): Juli 2026
Publisher : PT. ALRCA INOVASI DIGITAL

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

Abstract

Penelitian ini dilatarbelakangi oleh keterbatasan aksesibilitas platform e-commerce bagi pelaku Usaha Mikro, Kecil, dan Menengah (UMKM) penyandang rungu wicara. Hambatan utama yang dihadapi meliputi keterbatasan komunikasi verbal, kurangnya fitur berbasis visual, serta tidak tersedianya dukungan bahasa isyarat dalam platform digital konvensional. Kondisi ini menyebabkan rendahnya efektivitas dalam pemasaran produk secara online. Penelitian ini bertujuan untuk mengembangkan platform e-commerce inklusif berbasis web yang mampu mengakomodasi kebutuhan UMKM rungu wicara di Sentra Terpadu Inten Suweno. Metode pengembangan sistem yang digunakan adalah Waterfall, yang meliputi tahapan analisis kebutuhan, perancangan sistem, implementasi, pengujian, dan pemeliharaan. Sistem dikembangkan menggunakan Laravel sebagai backend, Next.js dan TypeScript sebagai frontend, serta MySQL sebagai basis data. Fitur utama yang dikembangkan meliputi komunikasi berbasis visual, integrasi video bahasa isyarat untuk deskripsi produk, notifikasi visual, serta antarmuka yang sederhana dan mudah digunakan. Pengujian sistem dilakukan menggunakan metode blackbox testing serta evaluasi pengguna secara langsung. Hasil penelitian menunjukkan bahwa platform yang dikembangkan mampu meningkatkan pemahaman pengguna dalam menyampaikan informasi produk, mempermudah komunikasi dengan pembeli, serta meningkatkan efektivitas pemasaran digital. Dengan demikian, platform ini diharapkan dapat mendukung peningkatan aksesibilitas dan pemberdayaan ekonomi bagi penyandang rungu wicara.
A Comparative Analysis of Machine Learning Approaches for Diabetes Prediction: Stability of Hold-Out Testing versus Cross-Validation Ade Putra Prima Suhendri; Meidy Fajar Wahyu; Amin Hidayat; Lely Panca Andriyanto
Jurnal Publikasi Ilmu Komputer Terapan Vol 1 No 1 (2026): Juli 2026
Publisher : PT. ALRCA INOVASI DIGITAL

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

Abstract

Automated medical diagnostic systems often face operational challenges when dealing with clinical datasets that contain noise, biological zero-value anomalies, and class imbalance issues. This study offers an empirical benchmark of six supervised machine learning algorithms—Random Forest (RF), Decision Tree (DT), Gradient Boosting (GB), K-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Gaussian Naïve Bayes (GNB)—evaluated directly on the un-imputed Pima Indians Diabetes dataset. We systematically compare the performance differences between a single 80:20 hold-out test split and a 10-fold stratified cross-validation, assessing accuracy, stability, and discrimination across various thresholds. Results show that while the hold-out test favors Random Forest (92.86%) and Decision Tree (92.21%) in accuracy, stratified cross-validation reveals that ensemble models like Gradient Boosting (88.94% CV accuracy) and Random Forest (88.55% CV accuracy) provide better operational stability. Additionally, threshold-independent metrics indicate that Gradient Boosting and Random Forest share top ROC-AUC scores (0.98), with Gradient Boosting leading in Precision-Recall AUC (0.97). Lower stability is observed in linear and probabilistic models such as SVM (81.17% accuracy, 0.84 ROC-AUC) and Gaussian Naïve Bayes on raw features. These results emphasize that relying solely on single hold-out evaluations may overestimate how well classifiers generalize, with ensemble methods emerging as the most robust approach for unconstrained clinical risk assessment.
Co-Authors Abdullah Muhajir Ahmad Ahmad, Amin Hidayat Amin Hidayat Lely Panca Andriyanto Meidy Fajar Wahyu MOH ARDIANSYAH ARDIANSYAH Nanang Nurhidayatuloh Nurhidayatuloh Rusdiyanto Rusdiyanto Sopiyan Apandi Yuda Samudra