Claim Missing Document
Check
Articles

Found 3 Documents
Search

Rancang Bangun Website Lembaga Pendidikan, Sosial dan Keagamaan Madams Dara Babel Aini, Farida Nur; Sahal, Ahmad; Rahmat, Beni; nur aini, farida
Jurnal Informatika Komputer, Bisnis dan Manajemen Vol 22 No 1 (2024): Januari 2024
Publisher : LPPM STMIK El Rahma Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61805/fahma.v22i1.111

Abstract

Rancangan sistem informasi ini difokuskan pada pengembangan aplikasi berbasis web untuk "MADAM’S DARA FOUNDATION (MDF)" menggunakan framework CodeIgniter. Pendekatan ini menitikberatkan pada penggunaan basis data awan untuk pencatatan dan penyimpanan gambar atau data dalam format PDF. Permasalahan utama terletak pada pembangunan situs web yang mudah digunakan dan komunikatif, mengintegrasikan bagian depan (front-end) dan belakang (back-end) untuk memudahkan manajemen yayasan dalam memantau situs.Penelitian ini bertujuan untuk mengembangkan aplikasi situs web "MADAM’S DARA FOUNDATION (MDF)" dengan menerapkan metodologi Extreme Programming (XP) untuk meningkatkan semangat pelayanan bagi pengguna. Hasilnya dipublikasikan dalam Jurnal Nasional dengan fokus kontribusi pada perancangan aplikasi daring dan aplikasi yang dapat digunakan di MDF. Penelitian lebih menitikberatkan pada aspek pemrograman web menggunakan framework CodeIgniter daripada pembuatan konten.Meskipun penelitian ini berhasil membentuk dasar struktural aplikasi, penelitian lanjutan diperlukan untuk menentukan konten yang menarik bagi pengguna sebagai pengembangan masa depan. Metodologi penelitian berpusat pada peningkatan aplikasi web "MADAM’S DARA FOUNDATION (MDF)" dengan menggunakan metodologi CodeIgniter dan XP, dengan tujuan utama mengembangkan situs web yang ramah pengguna dan mudah dikelola secara teknis. Penelitian mendatang akan menjelajahi konten yang menarik untuk meningkatkan daya tarik dan interaksi pengguna di platform ini, membuka peluang untuk penelitian dan pengembangan lebih lanjut.
MERANCANG PENGELOLAAN SAMPAH TERPADU DI DESA BEJI KECAMATAN KEDUNGBANTENG KABUPATEN BANYUMAS Nur Aini, Farida; Purboyo, Taufik; Devitasari, Astrid
WIKUACITYA: Jurnal Pengabdian Kepada Masyarakat Vol. 4 No. 1 (2025): WIKUACITYA: Jurnal Pengabdian Kepada Masyarakat
Publisher : Universitas Wijayakusuma Purwokerto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56681/wikuacitya.v4i1.320

Abstract

Sampah adalah sisa kegiatan sehari-hari manusia dan atau proses alam yang berbentuk padat. Kegiatan penanganan sampah bertujuan untuk mengurangi timbunan sampah yang berasal dari kegiatan sehari-hari manusia. Permasalahan sampah merupakan permasalahan yang dihadapi hampir di seluruh wilayah Indonesia termasuk di wilayah Desa Beji Kecamatan Kedungbanteng Kabupaten Banyumas. Sampah di pedesaan memerlukan penanganan serius baik oleh pemerintah Desa maupun oleh masyarakat sendiri. Salah satu cara pengelolaan sampah adalah dengan menbentuk organisasi pengelola sampah terpadu berbasis masyarakat. Oleh karena itu, program pengabdian kepada masyarakat ini bertujuan untuk mendampingi Pemerintah Desa Beji Kecamatan Kedungbanteng Kabupaten Banyumas beserta masyarakatnya dalam membentuk organisasi pengelola sampah terpadu. Metode yang digunakan dalam pengabdian ini adalah penyuluhan dan pendampingan yang disampaikan secara langsung  oleh Tim Pendamping. Hasil program pengabdian menunjukkan bahwa Masyarakat menyambut dengan antusias materi yang disampaikan dan masyarakat beserta pemerintah Desa Beji mampu membentuk organisasi pengelola sampah terpadu.  
Multi-Step Vector Output Prediction of Time Series Using EMA LSTM Diqi, Mohammad; Sahal, Ahmad; Nur Aini, Farida
JOIN (Jurnal Online Informatika) Vol 8 No 1 (2023)
Publisher : Department of Informatics, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/join.v8i1.1037

Abstract

This research paper proposes a novel method, Exponential Moving Average Long Short-Term Memory (EMA LSTM), for multi-step vector output prediction of time series data using deep learning. The method combines the LSTM with the exponential moving average (EMA) technique to reduce noise in the data and improve the accuracy of prediction. The research compares the performance of EMA LSTM to other commonly used deep learning models, including LSTM, GRU, RNN, and CNN, and evaluates the results using statistical tests. The dataset used in this study contains daily stock market prices for several years, with inputs of 60, 90, and 120 previous days, and predictions for the next 20 and 30 days. The results show that the EMA LSTM method outperforms other models in terms of accuracy, with lower RMSE and MAPE values. This study has important implications for real-world applications, such as stock market forecasting and climate prediction, and highlights the importance of careful preprocessing of the data to improve the performance of deep learning models.