Article Per Year (5 Year)
p-Index From 2021 - 2026
3.053
P-Index
This Author published in this journals
All Journal Jurnal Buana Informatika Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Edukasi dan Penelitian Informatika (JEPIN) JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi bit-Tech INFORMASI (Jurnal Informatika dan Sistem Informasi) Informatics and Digital Expert (INDEX) Journal of Applied Computer Science and Technology (JACOST) Indonesian Journal of Digital Business MDP Student Conference jurnal informasi teknologi dan sistem Jurnal Informasi Teknologi dan Sistem (INTEKSIS)
Jimmy Tjen
Universitas Widya Dharma Pontianak
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Library & Information Science Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Sistem Kendali Otomatis Ruang Kelas Berbasis ESP32 Pada Universitas Widya Dharma Pontianak Liando, Felix; Hoendarto, Genrawan; tjen, jimmy
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 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.
Sistem Pakar Pendeteksi Penyakit Pernapasan Menggunakan Gradient Boosting dan Metode CNN Eva Gultom; Tony Darmanto; Jimmy Tjen
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3601

Abstract

AbstractRespiratory diseases are among the most common illnesses in the community and are often underestimated. Low public awareness of respiratory diseases has led to a spike in mortality rates due to chronic respiratory diseases and slow treatment. One of the obstacles currently faced is that the manual diagnosis system takes a long time and requires limited specialist expertise. This study provides an expert system that can be used to detect respiratory tract diseases with two different types of input data. The Gradient Boosting algorithm is applied to improve diagnostic accuracy based on clinical data, while the CNN method is used to identify diseases using automatic features by extracting chest X-ray images. This study uses a dataset from Kaggle, which produces a data accuracy rate of 99.7% using Gradient Boosting and 95.93% using the CNN method. The accuracy results from each method show that this system can provide accurate respiratory disease detection results. Keywords: CNN; Gradient Boosting; Respiratory Disease; Expert System AbstrakPenyakit pernapasan merupakan salah satu penyakit yang sering ditemui di kalangan masyarakat dan sering diremehkan. Rendahnya tingkat kesadaran masyarakat terhadap penyakit pernapasan menyebabkan melonjaknya tingkat kematian, dikarenakan penyakit pernapasan kronis dan penanganan yang lambat. Kendala yang dihadapi saat ini salah satunya yaitu sistem diagnosis manual yang digunakan memerlukan waktu yang lama serta keahlian spesialis yang terbatas. Penelitian ini menyediakan sistem pakar yang dapat digunakan untuk mendeteksi penyakit saluran pernapasan dengan dua jenis data input yang berbeda. Algoritma Gradient Boosting diterapkan untuk meningkatkan akurasi diagnostik berdasarkan data klinis, sedangkan metode Convolutional Neural Networks (CNN) digunakan untuk mengidentifikasi penyakit menggunakan fitur otomatis dengan mengekstrak citra rontgen dada. Penelitian ini menggunakan dataset dari Kaggle, yang menghasilkan tingkat akurasi data sebesar 99,7% menggunakan Gradient Boosting dan 95,93% menggunakan metode CNN. Tingkat akurasi dari masing-masing metode menunjukkan bahwa sistem ini dapat memberikan hasil deteksi penyakit pernapasan yang akurat. 
Co-Authors Alvin Lesmana Danuwinata, Edward Revaldo Darmanto, Tony Eva Gultom Genrawan Hoendarto Ilucky Salim Indri Sari Dewi Jasmine Putri Halim Lauren, Venicia Liando, Felix Paskalia Kartini Riyadi Jimmy Iskandar Sabila, Qolbi Sin Saputra, Andre Tendean, Sandi Therence, Claretty Valentina, Cecilia Valentino Pratama Vedano Gustine Verita, Nengsy Willay, Thommy Willim, Andre Prasetya