Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Bakti Masyarakat Indonesia Edu Komputika Journal
Wasino
Universitas Tarumanagara
Agriculture, Biological Sciences & Forestry Education Electrical & Electronics Engineering Social Sciences Other

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

Found 2 Documents
Search

 1 
PEMBUATAN APLIKASI PENJUALAN UNTUK TOKO TIO BAGS: Kelvin Wijaya; Teny Handhayani; Irvan Lewenusa; Agus Budi Dharmawan; Desi Arisandi; Wasino; Jeanny Pragantha
Jurnal Bakti Masyarakat Indonesia Vol. 8 No. 3 (2025): Jurnal Bakti Masyarakat Indonesia
Publisher : Lembaga Penelitian dan Pengabdian kepada Masyarakat, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jbmi.v8i3.35670

Abstract

Usaha mikro, kecil, dan menengah (UMKM) memainkan peran penting dalam mendorong pertumbuhan ekonomi nasional. Pemerintah Indonesia memperkuat sektor ini melalui program UMKM Go Digital dan UMKM Go Global, yang mendorong para wirausahawan untuk mengadopsi teknologi digital, khususnya platform e-commerce, untuk pemasaran, transaksi, dan manajemen bisnis. Namun, keterbatasan sumber daya manusia dan tingginya biaya pengembangan aplikasi telah menghambat adopsi digital oleh UKM. Untuk mengatasi tantangan ini, Program Pengabdian Masyarakat (PPM) ini bertujuan untuk mendukung UKM dengan mengembangkan aplikasi penjualan berbasis web untuk toko Tio Bags di Jakarta. Proyek ini menerapkan metode waterfall, yang meliputi fase analisis, desain, implementasi, pengujian, deployment, dan pemeliharaan, dengan menggunakan Visual Studio Code, XAMPP, dan MySQL sebagai alat utama. Sistem ini dirancang untuk tiga jenis pengguna yaitu administrator, pemilik toko, dan pelanggan dengan fungsi untuk mengelola pesanan, penjualan, dan data produk. Hasil implementasi menunjukkan bahwa aplikasi yang dikembangkan secara efektif mengotomatisasi proses pencatatan transaksi dan manajemen data. Inisiatif PKM ini berhasil mencapai tujuannya dengan menyediakan solusi teknologi informasi praktis yang meningkatkan efisiensi operasional dan memberikan kontribusi akademis untuk mendukung transformasi digital UKM di Indonesia.
A Comparison of Machine Learning and Deep Learning Methods for Temperatures Predictions on Java Island Teny Handhayani; Janson Hendryli; Jeanny Pragantha; Wasino; Darius Andana Haris; Andrew Castello Purba
Edu Komputika Journal Vol. 12 No. 1 (2025): Edu Komputika Journal
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/edukom.v12i1.23812

Abstract

Climate change is a global long-term change in temperatures and weather. Climate change is a worldwide issue that requires proper handling to reduce the negative impact on humans and the environment. Analyzing historical data is beneficial for studying climate change. Machine learning and deep learning methods are useful tools for data analysis. The goal of this paper is to find the best model for forecasting temperatures, a case study in Java Island. Java Island is the most densely island and the central economy and business in Indonesia. Climate change research in Java Island is important for sustainability. It runs several algorithms i.e., Gradient Boosting, AdaBoost, XGBoost, CatBoost, Light GBM, Random Forest, Support Vector Regression, Extreme Learning Machine, Long Short-Term Memory, Gated Recurrent Unit, Bidirectional Long Short-Term Memory, and Bidirectional Gated Recurrent Unit. The experiment uses a historical daily time series of temperatures from 1 January 1990 to 31 December 2024. In general, the experimental results show that Gradient Boosting produces the highest average coefficient of determination R2 scores of 0.34 and the lowest Mean Absolute Error scores of 0.69. Long Short-Term Memory and Gated Recurrent Units are the deep learning models that also work well for forecasting. According to the experimental results, in some cases, machine learning models outperform deep learning models and vice versa.
Co-Authors Agus Budi Dharmawan Andrew Castello Purba Darius Andana Haris Desi Arisandi Irvan Lewenusa Janson Hendryli Jeanny Pragantha Kelvin Wijaya Teny Handhayani