Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Techno.Com: Jurnal Teknologi Informasi
Anantyo, Andika
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Implementasi Metode Holt-Winters dan Deseasonalized Untuk Prediksi Penumpang Bandara Soekarno-Hatta Arief, Ulfah Mediaty; Sukamta, Sri; Anantyo, Andika; Wafa', Almas Diqya; Maulana, Alfan; Febianingrum, Anggun Fia; Praditya, Ambrosius Lingga; Putra, Ade
Techno.Com Vol. 23 No. 1 (2024): Februari 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i1.9715

Abstract

Bandar udara menjadi elemen infrastruktur yang memiliki peran signifikan dalam perjalanan udara. Manajemen bandara yang kurang baik dapat menyebabkan berbagai permasalahan, salah satunya adalah fluktuasi penumpang pada tiap tahun yang menimbulkan kerugian jika tidak sesuai dengan perencanaan dan operasional bandara. Dengan permasalahan yang ada, penelitian ini dilakukan dengan tujuan untuk melakukan prediksi jumlah penumpang pada Bandara Soekarno-Hatta untuk mengetahui perencanaan dan manajemen bandara yang lebih baik pada beberapa periode waktu kedepan. Metode Holt-Winters dan Deseasonalized digunakan untuk melakukan prediksi jumlah penumpang. Berdasarkan pengujian yang telah dilakukan menggunakan data jumlah penumpang Bandara Soekarno-Hatta tahun 2015-2022 yang berasal dari BPS, didapatkan hasil prediksi menggunakan Metode Holt-Winters lebih akurat dengan nilai RMSE sebesar 224.215,83 yang lebih kecil dibandingkan Metode Deseasonalized dengan nilai RMSE sebesar 416.078,74. Hasil tersebut menunjukkan bahwa metode Holt-Winters lebih cocok digunakan untuk memprediksi jumlah penumpang Bandara Soekarno-Hatta dengan kesalahan prediksi yang lebih rendah dan dapat berjalan dengan baik dengan data yang memiliki fluktuasi tinggi.
Android-based smart digital marketplace application on agricultural commodities using a new variant recommendation system Subiyanto, Subiyanto; Prajanti, Sucihatiningsih Dian Wisika; Salim, Nur Azis; Prabowo, Setya Budi Arif; Sutrisno, Deyndrawan; Anantyo, Andika; Anggriani, Dewi
International Journal of Electrical and Computer Engineering (IJECE) Vol 15, No 2: April 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijece.v15i2.pp1968-1977

Abstract

In the marketing of agricultural products, addressing the challenges associated with extensive distribution chains is essential, as these directly affect sellers. Additionally, the vast array of available product options often overwhelms customers, complicating their efforts to identify and purchase items that align with their preferences. This work aims to develop a smart e-commerce application for agribusiness, specifically designed for agricultural products on the Android platform. The application integrates a recommendation system that utilizes geolocation-aware neural graph collaborative filtering (GA-NGCF), which facilitates product marketing for farmers and streamlines the product search and selection process for users based on personalized preferences. The development process encompassed various stages, from planning to rigorous testing. The application’s recommendation system, which implements GA-NGCF, operates based on three primary elements: the creation of a geolocation graph of user-item data, the integration of information between neighboring nodes, and the prediction of user preferences. The resulting smart agribusiness e-commerce application, enhanced by GA-NGCF, demonstrated marked improvements in recommendation accuracy and overall application performance during testing. Empirical results indicated substantial enhancements in recommendation metrics, with GA-NGCF achieving a recall of 0.34, a precision of 0.36, and normalized discounted cumulative gain of 0.37, thereby outperforming existing models.
Co-Authors Ade Putra Anggriani, Dewi Febianingrum, Anggun Fia Maulana, Alfan Prabowo, Setya Budi Arif Praditya, Ambrosius Lingga Salim, Nur Azis Sri Sukamta Sucihatiningsih Dian Wisika Prajanti Sutrisno, Deyndrawan Ulfah Mediaty Arief Wafa', Almas Diqya