Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Sistem Informasi dan Teknologi Jaringan Jurnal Pengabdian Kepada Masyarakat Teknologi Informasi dan Komunikasi
Ade May Luky Harefa
Institut Bisnis Dan Komputer Indonesia
Computer Science & IT Education

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

Found 2 Documents
Search

 1 
Edukasi dan Pendampingan Mahasiswa dalam Pemanfaatan Cloud Computing untuk Kolaborasi Akademik Petti Indrayati Sijabat; Ade May Luky Harefa
Jurnal Pengabdian Kepada Masyarakat Teknologi Informasi dan Komunikasi Vol 2 No 1 (2025): Januari
Publisher : CV. ADMITECH SOLUTIONS

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Cloud computing merupakan salah satu teknologi yang semakin banyak digunakan dalam dunia akademik untuk menyimpan, mengelola, dan berbagi data secara efisien. Program ini bertujuan untuk meningkatkan pemahaman mahasiswa mengenai konsep cloud computing, keamanan data, serta penerapan layanan cloud dalam kegiatan akademik. Metode pelaksanaan kegiatan ini meliputi seminar, workshop, serta simulasi dan studi kasus terkait penggunaan Google Drive, OneDrive, dan Dropbox. Evaluasi dilakukan melalui pre-test dan post-test untuk mengukur peningkatan pemahaman mahasiswa, serta observasi dan umpan balik dari peserta mengenai kemudahan dan tantangan yang mereka hadapi. Hasil evaluasi menunjukkan adanya peningkatan pemahaman mahasiswa setelah mengikuti kegiatan ini, dengan skor post-test yang lebih tinggi dibandingkan pre-test. Selain itu, mahasiswa juga menunjukkan keterampilan yang lebih baik dalam pengelolaan dokumen berbasis cloud dan keamanan data. Dengan hasil yang positif, program ini dapat menjadi model edukasi bagi mahasiswa dalam mengadopsi teknologi cloud computing guna mendukung kegiatan akademik mereka. Diharapkan kegiatan serupa dapat terus dilakukan untuk meningkatkan literasi digital mahasiswa di era teknologi informasi.
Crop Yield Prediction Using Artificial Neural Network with Principal Component Analysis Dimensionality Reduction Bosker Sinaga; Ade May Luky Harefa; Adrianta Pandia; Agil Alfarezi
Jurnal Sistem Informasi dan Teknologi Jaringan Vol 7 No 1 (2026): Maret
Publisher : CV. ADMITECH SOLUTIONS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63703/sisfotekjar.v7i1.144

Abstract

Accurate crop yield prediction is essential to support agricultural planning, food supply stability, and decision-making in modern precision agriculture. Agricultural production is influenced by many complex and nonlinear factors such as rainfall, temperature, humidity, soil conditions, and fertilizer usage. Traditional statistical methods often face limitations in handling high-dimensional and nonlinear agricultural datasets. Therefore, this study proposes a crop yield prediction model using Artificial Neural Network (ANN) combined with Principal Component Analysis (PCA) for dimensionality reduction. PCA is applied in the preprocessing stage to reduce redundant and correlated input variables while preserving the most important data variance. The reduced dataset is then used to train the ANN model to predict crop yield values. The model is implemented using Python with libraries including NumPy, Pandas, Scikit-learn, and TensorFlow/Keras. The dataset used in this research consists of 1000 agricultural records covering three crop commodities, namely maize, barley, and rice. Model performance is evaluated using visualization techniques including histogram error, histogram predicted, PCA explained variance, predicted vs actual plot, residual plot, and training history graph. Experimental results show that the PCA-ANN model produces accurate and stable prediction results with low prediction error and strong agreement between predicted and actual values. The integration of PCA and ANN improves prediction performance, reduces computational complexity, and minimizes overfitting risk. This research demonstrates that the PCA-ANN approach is effective for crop yield prediction and can support data-driven agricultural decision-making.
Co-Authors Adrianta Pandia Agil Alfarezi Bosker Sinaga Petti Indrayati Sijabat