Claim Missing Document
Check
Articles

Found 25 Documents
Search

Sistem Kendali Otomatis Ruang Kelas Berbasis ESP32 Pada Universitas Widya Dharma Pontianak Felix Liando; Genrawan Hoendarto; jimmy tjen
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.v12i1.10539

Abstract

Seiring dengan perkembangan teknologi, Building Automation telah menjadi aspek penting dalam pengelolaan bangunan. Dengan otomatisasi yang canggih, kebutuhan akan pengelolaan manual semakin berkurang. Dalam konteks ini, teknologi Internet of Things (IoT) memainkan peran krusial dengan menyediakan solusi yang inovatif untuk mewujudkan konsep Building Automation. Pada Universitas Widya Dharma Pontianak (UWDP), salah satu masalah yang sering dihadapi adalah ketergantungan pada pengontrolan manual perangkat seperti air conditioner (AC) dan lampu. Seringkali setelah selesainya kegiatan perkuliahan, perangkat seperti AC dan lampu tidak dimatikan oleh pengguna ruangan. Oleh karena itu, IoT dapat menjadi salah satu solusi untuk mengatasi masalah ini. Dengan diterapkannya sistem kendali otomatis ini, diharapkan proses pengontrolan secara manual terhadap perangkat lampu dan AC dapat diminimalisir. Sistem ini memungkinkan pengalihan kendali perangkat menuju pengontrolan yang lebih efisien dan praktis melalui aplikasi mobile berbasis Android yang telah dirancang secara khusus. Setelah diterapkannya sistem ini, pengguna dapat mengontrol perangkat lampu dan AC sesuai dengan preferensi pengguna secara real-time dimanapun dan kapanpun, sehingga dapat meningkatkan kenyamanan dan kemudahan pengelolaan perangkat di ruang kelas tanpa perlu hadir secara langsung di dalam ruang kelas.
Sistem Kendali Otomatis Ruang Kelas Berbasis ESP32 Pada Universitas Widya Dharma Pontianak Felix Liando; Genrawan Hoendarto; jimmy tjen
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.v12i1.10539

Abstract

Seiring dengan perkembangan teknologi, Building Automation telah menjadi aspek penting dalam pengelolaan bangunan. Dengan otomatisasi yang canggih, kebutuhan akan pengelolaan manual semakin berkurang. Dalam konteks ini, teknologi Internet of Things (IoT) memainkan peran krusial dengan menyediakan solusi yang inovatif untuk mewujudkan konsep Building Automation. Pada Universitas Widya Dharma Pontianak (UWDP), salah satu masalah yang sering dihadapi adalah ketergantungan pada pengontrolan manual perangkat seperti air conditioner (AC) dan lampu. Seringkali setelah selesainya kegiatan perkuliahan, perangkat seperti AC dan lampu tidak dimatikan oleh pengguna ruangan. Oleh karena itu, IoT dapat menjadi salah satu solusi untuk mengatasi masalah ini. Dengan diterapkannya sistem kendali otomatis ini, diharapkan proses pengontrolan secara manual terhadap perangkat lampu dan AC dapat diminimalisir. Sistem ini memungkinkan pengalihan kendali perangkat menuju pengontrolan yang lebih efisien dan praktis melalui aplikasi mobile berbasis Android yang telah dirancang secara khusus. Setelah diterapkannya sistem ini, pengguna dapat mengontrol perangkat lampu dan AC sesuai dengan preferensi pengguna secara real-time dimanapun dan kapanpun, sehingga dapat meningkatkan kenyamanan dan kemudahan pengelolaan perangkat di ruang kelas tanpa perlu hadir secara langsung di dalam ruang kelas.
Optimizing Raw Material Inventory for Culinary MSMEs under Data Scarcity: A DR-ARMA Forecasting Approach Venicia Lauren; Thommy Willay; Jimmy Tjen
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.
PREDIKSI KONSUMSI ENERGI LISTRIK BERBASIS METODE POHON KEPUTUSAN (STUDI KASUS: UNIVERSITAS WIDYA DHARMA PONTIANAK) Paskalia Kartini; Jimmy Tjen
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 4 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i4.6751

Abstract

Seiiring dengan berkurangnya ketersediaan bahan bakar fossil sebagai penghasil utama dari energi listrik, umat manusia modern dituntut untuk dapat mengoptimalkan penggunaan energi listrik secara optimal. Salah satu cara untuk mengoptimalkan penggunaan energi listrik adalah dengan memanfaatkan model berbasis data. Penelitian ini bertujuan untuk membangun algoritma prediksi konsumsi energi listrik dengan menggunakan metode pohon keputusan. Terdapat 6 variasi pohon keputusan yang digunakan dalam penelitian ini: Gradient Boosting-Least Square (GBLS) Gradient Boosting-Bagging (GBB), Random Forest (RF)-10, RF-50, RF-100 dan pohon regresi. Model pohon keputusan yang telah dibangun kemudian divalidasi akurasi model prediktifnya dengan menggunakan data konsumsi energi listrik dari gedung Padre Pio Universitas Widya Dharma Pontianak. Berdasarkan pada hasil percobaan yang dilakukan, metode GBLS merupakan metode yang paling akurat dalam memprediksikan konsumsi energi listrik, dengan akurasi sebesar 90,34%. Lebih lanjut, prediksi konsumsi energi listrik bulanan berbasis algoritma GBLS memiliki kesalahan maksimum sebesar 3 %, dengan kesalahan prediksi tahunan sebesar 0,04%. Hal ini menunjukan potensi dari metode GBLS dalam memprediksikan konsumsi energi listrik dari suatu gedung secara presisi.
Beauty Product Recommendation from Customer Reviews Based on Multinomial Naïve Bayes Algorithm Claretty Therence; Jimmy Tjen
Informatics and Digital Expert (INDEX) Vol. 7 No. 1 (2025): INDEX, Mei 2025
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v7i1.2208

Abstract

The cosmetic industry’s increasing dependence on online platforms makes understanding customer sentiment essential for brand success. The study addresses the challenge of understanding customer sentiment regarding concealer brands on the Shopee platform, a critical aspect for brand managers and consumers alike. The problem stems from the vast amount of reviews that can be overwhelming for stakeholders looking to extract actionable insights. To solve this, we applied a Naïve Bayes classification approach with a Bag of Words (BoW) model to analyze a dataset containing 3,920 customer reviews. This dataset was divided into 1,120 training samples and 280 testing samples of each of 10 brands, following an 80:20 ratio. The analysis yields recurring positive and negative sentiment themes, achieving test accuracy of 87.95% and a training accuracy of 94.31%. Findings reveal key consumer preferences and lead to specific product recommendations, such as Mad For Makeup and Luxcrime for high coverage, Guele for lightweight formulas. Additionally, tailored marketing strategies like enhancing packaging and engaging with consumers through social media are suggested. This research provides actionable insights for brand managers, contributing to sentiment analysis literature in the cosmetics sector.