Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Studi Kasus Inovasi Ekonomi Jurnal Sistem Komputer dan Informatika (JSON)
Putu Devi Novayanti
ITB STIKOM Bali
Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Social Sciences

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

Found 2 Documents
Search

 1 
OPTIMALISASI PERTANIAN MELALUI PENERAPAN INTERNET OF THINGS (IOT) PENYIRAMAN OTOMATIS DI DESA KEDISAN KINTAMANI Riza Wulandari; Nyoman Ayu Nila Dewi; Putu Devi Novayanti; Luh Suriati; Ni Made Puspasutari Ujianti
Studi Kasus Inovasi Ekonomi Vol. 9 No. 01 (2025)
Publisher : Program Studi Manajemen, Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/skie.v9i01.37404

Abstract

Penerapan Internet of Things (IoT) dalam sektor pertanian telah menunjukkan potensi yang besar untuk meningkatkan efisiensi dan produktivitas. Kegiatan pengabdian masyarakat ini dilaksanakan di Desa Kedisan khususnya pada lahan milik salah satu petani Kelompok Tani Telaga Kedisan, di mana petani mengalami kendala dalam proses penyiraman tanaman yang masih dilakukan secara manual menggunakan selang. Penyiraman puluhan are lahan secara manual tidak hanya memakan waktu dan tenaga, tetapi juga kurang efisien dalam penggunaan air, terutama saat kondisi kelembaban tanah dan cuaca yang berubah-ubah. Oleh karena itu, kegiatan ini bertujuan untuk mengimplementasikan sistem penyiraman otomatis berbasis IoT pada lahan pertanian seluas 7 are yang ditanami bawang merah. Dalam pelaksanaan proyek ini, dilakukan pemasangan alat yang terdiri dari sensor kelembapan tanah, pipa air, sprinkle, pompa air dan sistem penyiraman IoT yang dapat dikendalikan melalui aplikasi mobile Kintamani Garden untuk mengatur intensitas penyiraman secara otomatis. Selain itu, dilakukan juga pelatihan sistem penyiraman otomatis berbasi Iot kepada anggota kelompok tani untuk meningkatkan pengetahuan petani mengenai penerapan teknologi pada pertanian. Hasil dari kegiatan ini menunjukkan adanya peningkatan efisiensi penggunaan air serta penurunan beban kerja petani dalam proses penyiraman. Hal ini membuktikan bahwa teknologi IoT dapat menjadi solusi yang efektif untuk mengatasi tantangan dalam pertanian modern.
LQ45 Index Stock Market Prediction: A Deep Learning Approach using LSTM with Bayesian Optimization Putu Devi Novayanti; Padma Nyoman Crisnapati; Dian Pramana
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.8925

Abstract

This study investigates the application of Long Short-Term Memory (LSTM) models with Bayesian Optimization for predicting stock price movements in the LQ45 Index, a collection of the 45 most liquid stocks on the Indonesia Stock Exchange. The primary objective is to enhance prediction accuracy by addressing the challenges of volatile stock markets and inefficient hyperparameter tuning. Historical data, including daily closing prices from January 2020 to October 2024, was processed using Min-Max Scaling and transformed into time-series input features with a 60-time-step window. Bayesian Optimization was employed to fine-tune key hyperparameters such as LSTM units, dropout rate, and learning rate, optimizing the model's performance. The results revealed that the LSTM model accurately captured trends for stocks with stable price patterns, such as ACES, ASII, and MTEL, achieving low Mean Absolute Percentage Error (MAPE) and Root Mean Square Percentage Error (RMSPE). However, stocks with high volatility, like AMMN and ITMG, exhibited higher prediction errors, indicating limitations in modeling complex patterns. The study highlights that while LSTM with Bayesian Optimization is highly effective for stable stocks, additional preprocessing and advanced modeling techniques are required for volatile stocks. This research demonstrates the potential of machine learning in supporting stock market decision-making, contributing to the development of more robust and efficient financial prediction tools for investors navigating dynamic markets.
Co-Authors Dian Pramana Luh Suriati Ni Made Puspasutari Ujianti Nyoman Ayu Nila Dewi Padma Nyoman Crisnapati Wulandari, Riza