cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Rousyati
Contact Email
rousyati.rou@bsi.ac.id
Phone
+62283341050
Journal Mail Official
jurnal.conten@bsi.ac.id
Editorial Address
Jl. Sipelem No.22, Kraton, Kec. Tegal Barat, Kota Tegal, Jawa Tengah 52112
Location
Kota adm. jakarta barat,
Dki jakarta
INDONESIA
Conten : Computer and Network Technology
Published by Universitas Bina Sarana Informatika
ISSN : -     EISSN : 27975274     DOI : https://doi.org/10.31294/conten
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering
CONTEN : Computer and Network Technology merupakan jurnal dengan cakupan keilmuan meliputi: Embedded System, Network and Infrastructure, Computing and Computer Technology, Sistem Informasi, Web Programming, Android Programming. Yang diterbitkan oleh LPPM Universitas Bina Sarana Informatika. Periode Penerbitan dua kali dalam setahun (Juni dan Desember). Jurnal ini di publikasikan secara nasional dengan menggunakan Open Journal System.
Arjuna Subject : Ilmu Komputer (semua kategori) - Jaringan Komputer dan Komunikasi
Articles 82 Documents
 5   6   7   8   9 
SISTEM INFORMASI MANAJEMEN INVENTORI BERBASIS BARCODE MENGGUNAKAN METODE AGILE PADA PT SUSAN PANGAN SEHAT JAKARTA Rizalul Fahmi; Sriyadi Sriyadi; Noor Hasan; Eko Saputro; Nining Suryani; Dentik Karyaningsih
CONTEN : Computer and Network Technology Vol. 6 No. 1 (2026): Juni 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/conten.v6i1.13352

Abstract

Abstrak PT. Susan Pangan Sehat mengalami kendala dalam pengelolaan persediaan barang non-transaksi akibat sistem pencatatan manual dan akses terbatas ke sistem utama. Hal ini menyebabkan ketidakakuratan data stok dan beban kerja administrasi yang tinggi. Penelitian ini bertujuan mengimplementasikan Sistem Informasi Inventory berbasis web dengan teknologi barcode untuk meningkatkan efisiensi dan akurasi penyesuaian stok. Pengembangan sistem menggunakan metode Agile dengan tahapan iteratif. Pemodelan sistem dirancang menggunakan Unified Modeling Language (UML) dan Entity Relationship Diagram (ERD), sementara implementasi teknis dibangun dengan teknologi PHP, MySQL, JavaScript, dan Bootstrap. Hasil implementasi menunjukkan bahwa sistem yang dikembangkan berhasil mempercepat proses input data melalui pemindaian barcode, menjamin akurasi data persediaan, serta mengurangi ketergantungan pada pencatatan manual. Sistem ini juga menyediakan laporan real-time yang dapat diakses sesuai kebutuhan pengguna. Dengan demikian, sistem informasi  ini memberikan solusi efektif untuk mengoptimalkan pengelolaan persediaan barang di perusahaan.   Kata Kunci : Agile, Barcode, Efisiensi, Akurasi Stok, Sistem Informasi Inventory, Web   Abstracts PT. Susan Pangan Sehat faced challenges in managing its non-transactional goods  due to a manual recording system and limited access to the main system. This led to inaccurate stock data and a high administrative workload. This study aims to implement a web-based Inventory Information System with barcode technology to improve the efficiency and accuracy of stock adjustments. The system was developed using the Agile method through iterative stages. System modeling was designed using Unified Modeling Language (UML) and Entity Relationship Diagram (ERD), while the technical implementation was built with PHP, MySQL, JavaScript, and Bootstrap technologies. The implementation results show that the developed system successfully accelerated data input through barcode scanning, ensured  data accuracy, and reduced reliance on manual recording. The system also provides real-time reports accessible according to user needs. Therefore, this  information system provides an effective solution for optimizing  management at the company.   Keywords: Agile, Barcode, Efficiency, Stock Accuracy, Inventory Information System, Web
IMPLEMENTASI MACHINE LEARNING METODE FEEDFORWARD NEURAL NETWORK UNTUK REKOMENDASI TANAMAN HIDROPONIK PADA APLIKASI HYDROSMART Kahar, Novhirtamely; Budiarti, Rike Limia; Sepriansyah, Iman
CONTEN : Computer and Network Technology Vol. 6 No. 1 (2026): Juni 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/conten.v6i1.13869

Abstract

Abstrak Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi tanaman hidroponik berbasis Machine Learning menggunakan metode Feedforward Neural Network (FNN) yang diintegrasikan ke dalam aplikasi HydroSmart. Pemilihan jenis tanaman hidroponik yang tepat memerlukan pertimbangan parameter lingkungan yang kompleks meliputi suhu, kelembapan, pH air, luas lahan, dan intensitas cahaya. Data penelitian bersumber dari platform Kaggle yang divalidasi dengan data resmi Dinas Tanaman Pangan, Hortikultura, dan Peternakan (DTPHP) Provinsi Jambi. Metodologi penelitian mencakup tahapan preprocessing data, perancangan arsitektur jaringan, serta pelatihan model menggunakan pustaka TensorFlow. Hasil eksperimen menunjukkan bahwa model FNN mampu mencapai tingkat akurasi sebesar 91,04% pada data latih dan 90,91% pada data uji. Keunggulan metode ini terletak pada kemampuannya mengekstraksi pola non-linear dari variabel lingkungan secara otomatis tanpa intervensi bobot manual. Model akhir dikonversi ke format TensorFlow Lite (.tflite) untuk memastikan performa optimal pada perangkat mobile. Implementasi ini memberikan solusi cerdas bagi petani hidroponik dalam meningkatkan efisiensi budidaya di berbagai kondisi lingkungan.   Kata Kunci: Feedforward Neural Network, Hidroponik, HydroSmart, Machine Learning, TensorFlow   Abstract This research aims to develop a hydroponic plant recommendation system using Machine Learning based on the Feedforward Neural Network (FNN) method for the HydroSmart application. Choosing the right type of hydroponic plant requires consideration of complex environmental parameters including temperature, humidity, water pH, land area, and light intensity. Research data was obtained from the Kaggle platform and validated with official data from the Jambi Province Food Crops, Horticulture, and Livestock Service (DTPHP). The research methodology includes data preprocessing stages, network architecture design, and model training using the TensorFlow library. Experimental results show that the FNN model is able to achieve an accuracy level of 91.04% on training data and 90.91% on test data. The advantage of this method lies in its ability to automatically extract non-linear patterns from environmental variables without manual weight intervention. The final model was converted to TensorFlow Lite (.tflite) format to ensure optimal performance on mobile devices. This implementation provides a smart solution for hydroponic farmers to increase cultivation efficiency in various environmental conditions.   Keywords: Feedforward Neural Network, Hydroponics, HydroSmart, Machine Learning, TensorFlow

Page 9 of 9 | Total Record : 82

 5   6   7   8   9 

Filter by Year

2021 2026


Reset
Filter By Issues
All Issue Vol. 6 No. 1 (2026): Juni 2026 Vol. 5 No. 2 (2025): Desember 2025 Vol. 5 No. 1 (2025): Juni 2025 Vol. 4 No. 2 (2024): Desember 2024 Vol. 4 No. 1 (2024): Juni 2024 Vol. 3 No. 2 (2023): Desember 2023 Vol. 3 No. 1 (2023): Juni 2023 Vol. 2 No. 2 (2022): Desember 2022 Vol. 2 No. 1 (2022): Juni 2022 Vol. 1 No. 2 (2021): Desember 2021 Vol. 1 No. 1 (2021): Juni 2021 More Issue