Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) Jumat Informatika: Jurnal Pengabdian Masyarakat
Daniel Daniel
Universitas Multi Data Palembang
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pelatihan Pemrograman Dasar Python Dengan Memanfaatkan ChatGPT pada SMK Methodist 2 Palembang: Pelatihan pemrograman dasar menggunakan bahasa Python kepada para siswa kelas 10 SMK Methodist 2 Palembang Steven Tribethran; Daniel Daniel; Rio Ferdynand; Andreas Saputra; Hansen Hansen; Muhammad Rizky Pribadi
Jumat Informatika: Jurnal Pengabdian Masyarakat Vol. 4 No. 2 (2023): Agustus
Publisher : LPPM Universitas KH. A. Wahab Hasbullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32764/abdimasif.v4i2.3709

Abstract

Teknologi menjadi hal yang semakin penting dalam kehidupan kita saat ini. Terutama dalam era digital, dimana hampir semua aspek kehidupan berhubungan dengan teknologi. Hal ini juga sangat mempengaruhi bidang pendidikan yang menyangkut kebutuhan pelaksanaan akademik para siswa di segala jenjang pendidikan. Oleh karena itu, salah satu keterampilan yang dirasakan penting untuk dipelajari adalah pemrograman. Namun, belajar pemrograman bagi orang awam seringkali menimbulkan kendala dan kesulitan saat ingin memulainya. Pengabdian ini bertujuan untuk mengatasi masalah tersebut dengan memanfaatkan ChatGPT, sebuah model bahasa Artificial Intelligence yang dikembangkan oleh OpenAI dalam pelatihan pemrograman dasar menggunakan bahasa pemrograman Python dengan memanfaatkan platform cloud Jupyter Notebook dari Google Colab yang memungkinkan siapapun untuk menjalankan kode pemrograman Python langsung dari perangkat yang memiliki browser dan akses internet dimanapun itu. Metode praktik langsung atau drill method digunakan dalam pengabdian ini, dimana para peserta akan mengikuti instruksi dari pemateri dan juga dapat bereksperimen sendiri untuk menambah pengetahuan para peserta. Pelatihan dilakukan pada bulan April 2023 dengan para peserta merupakan para siswa kelas 10 jurusan Teknik Komputer Jaringan dari Sekolah Menengah Kejuruan Methodist 2 Palembang. Kegiatan ini memberikan pengetahuan langsung kepada para siswa mengenai dasar pemrograman menggunakan bahasa Python untuk menunjang minat para siswa untuk mendalami bidang yang berkaitan dengan pelatihan tersebut. Hasil pengabdian menunjukkan sebagian besar peserta (lebih dari 60%) dari total 23 peserta yang terlibat dalam pelatihan dapat mengikuti pelatihan dengan baik dan paham mengenai konsep pemrograman dasar yang disampaikan.
Implementasi Arsitektur YOLOv11 untuk Deteksi Penyakit Daun Tebu Daniel Daniel; Dedy Hermanto
Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) Vol 10 No 3 (2026): JULY 2026
Publisher : Lembaga Otonom Lembaga Informasi dan Riset Indonesia (KITA INFO dan RISET) - Lembaga KITA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35870/jtik.v10i3.6138

Abstract

Sugarcane (Saccharum officinarum L.) plays an important role in the national sugar industry, but its productivity has declined due to leaf diseases such as mosaic, red rot, rust, and yellow leaf. Manual identification is often inefficient, especially for farmers in remote areas. This study proposes a YOLOv11 architecture for the detection and classification of sugarcane leaf diseases based on digital images, with performance analysis compared to previous deep learning models and the effect of image augmentation on accuracy. The dataset from the Sugarcane Leaf Disease Dataset on Kaggle includes 2,521 images with five classes (healthy, mosaic, red rot, rust, yellow). The data was processed through preprocessing, division (80% training, 10% validation, 10% testing), and augmentation (rotation, translation, flip). The results show an average precision of 97.2%, recall of 98.2%, mAP@0.5 of 98.8%, and mAP@0.5:0.95 of 95.5%, proving the effectiveness of YOLOv11 in accurate and fast detection.
Co-Authors Andreas Saputra Dedy Hermanto Hansen Hansen Muhammad Rizky Pribadi Rio Ferdynand Steven Tribethran