SENTRIN- PERANCANGAN APLIKASI BERBASIS WEBSITE UNTUK EDUKASI DAN PENGELOLAAN PERTANIAN BIOFARMAKA MENGGUNAKAN METODE FAST (FRAMEWORK FOR THE APPLICATION SYSTEM THINKING)

Aditya, Bayu Rima
Hamdani, Dadan

Jurnal Teknologi Informasi dan Ilmu Komputer
Vol 12 No 3: Juni 2025

Permasalahan dalam sektor pertanian biofarmaka di Indonesia saat ini mencakup beberapa aspek penting yang menghambat perkembangan dan produktivitasnya. Salah satu masalah utama adalah kurangnya infrastruktur dan akses terhadap teknologi pertanian modern. Banyak petani masih menggunakan metode tradisional karena keterbatasan teknologi. Untuk mengatasi hal ini, dikembangkanlah FocketFarm, sebuah platform edukasi berbasis web untuk pertanian greenhouse. Tujuannya adalah memberikan pengetahuan dan keterampilan praktis dalam pertanian greenhouse kepada pengguna. Pengguna FocketFarm dapat memperoleh informasi tentang teknik bertani, perawatan tanaman, pengelolaan sumber daya, dan praktik-praktik pertanian yang berkelanjutan. Untuk mengembangkan website FocketFarm, yaitu dengan menggunakan metode Framework for the Application of System Thinking (FAST) tujuan nya adalah untuk menyusun desain sistem secara lebih efisien dan sesuai dengan tujuan yang ditetapkan. Webste FocketFarm dapat memperoleh informasi tentang teknik bertani di dalam greenhouse, perawatan tanaman, pengelolaan sumber daya, dan praktik-praktik pertanian yang berkelanjutan. Dengan antarmuka yang mudah digunakan, FocketFarm memungkinkan akses yang intuitif bagi pengguna dari latar belakang yang beragam. Dengan demikian, FocketFarm berfungsi sebagai alat efektif dalam meningkatkan pemahaman dan keterampilan dalam pertanian greenhouse melalui platform web yang mudah diakses   Abstract  Chess has been estimated to have around 1043 possible positions. This number surpasses the computing ability of any computer available, therefore, building a chess engine that considers every possible position is deemed impractical. Currently, the use of neural network in chess engine development is on the rise and has been delivering promising results since the introduction of Google DeepMind’s AlphaZero in 2017. This research aims to bring a new potential approach to the field of neural network based chess engine development by introducing Deeplefish chess engine that uses a Long Short Term Memory (LSTM) model as move generator. Trained on more than 57.000 games broken down into more than 1.200.000 positions, the model is trained to predict the next move played by white for a given sequence of moves. The model achieved a loss of 3.01 and an Average Centipawn Loss (ACPL) of 219 on the validation set. Deeplefish achieved 2 wins, 72 losses, and 10 draws on the testing, showing a lack of board and contextual awareness. This unsatisfactory results are likely due to the subjectivity of the data to the player’s way of thinking, resulting in lack of significant move pattern to be learned by the model.