Publication Search

Tea plantations are an important sector in Indonesia's agricultural industry that contributes significantly to the country's economy. The success of tea cultivation is highly dependent on the quality of the seedlings, making data collection and management of tea seedlings a crucial element. However, the manual data collection process still used at PTPN4 faces various challenges such as recording errors, data loss, and information delays, which will have an impact on operational efficiency and decision making. This study analyzes the application of a web-based information system for data collection of tea seedlings in PTPN4 plantations, with a focus on the provision or stocking of seedlings. The results show that a web-based system using the waterfall method can improve the efficiency, accuracy, and transparency of data management, while facilitating integration between units in the organization. Abstrak. Perkebunan teh merupakan sektor penting dalam industri pertanian di indonesia yang memberikan kontribusi signifikan terhadap ekonomi dalam negara. Keberhasilan budidaya tanaman teh sangat bergantung pada kualitas bibit, sehingga pendataan dan pengelolaan bibit teh menjadi elemen krusial. Namun, proses pendataan manual yang masih digunakan di PTPN4 menghadapi berbagai tantangan seperti kesalahan pencatatan, kehilangan data, dan keterlambatan informasi, yang nantinya akan berdampak pada efisiensi operasional dan pengambilan keputusan. Penelitian ini menganalisis penerapan sistem informasi berbasis web untuk pendataan bibit teh di perkebunan PTPN4, dengan fokus pada penyediaan atau stok terhadap bibit. Hasil penelitian menunjukkan bahwa sistem berbasis web dengan menggunakan metode waterfall dapat meningkatkan efisiensi, akurasi, serta transparansi pengelolaan data, sekaligus memfasilitasi integrasi antar unit dalam organisasi.

Indonesia di kawasan Cincin Api Pasifik, yang dikenal memiliki aktivitas seismik yang sangat tinggi dengan ribuan gempa bumi yang terjadi setiap tahunnya. Penelitian ini bertujuan untuk menganalisis kinerja Recurrent Neural Network (RNN) dan Long Short-Term Memory (LSTM) dalam memprediksi magnitudo gempa bumi menggunakan data historis yang diambil dari Kaggle. Data tersebut mencakup rentang waktu dari November 2008 hingga September 2022, yang telah melalui proses normalisasi serta perpecahan menjadi data pelatihan dan pengujian. Model evaluasi kinerja dilakukan dengan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Pada uji coba pertama, LSTM menunjukkan performa terbaik dengan nilai MAE 0.6226 dan RMSE 0.7731 pada data pengujian, lebih baik dibandingkan RNN yang mencatatkan MAE 0.6271 dan RMSE 0.7831. Sebaliknya, pada uji coba kedua, RNN unggul dengan nilai MAE 0.5583 dan RMSE 0.7008, sementara LSTM memiliki MAE 0.5822 dan RMSE 0.7132. Hasil ini menunjukkan bahwa LSTM lebih cocok untuk menangani pola data temporal yang kompleks, sedangkan RNN lebih andal pada dataset dengan pola yang lebih sederhana. Penelitian ini diharapkan dapat menjadi pijakan dalam pengembangan sistem prediktif untuk mitigasi risiko bencana gempa bumi di Indonesia.

Kajian literatur sistematis ini bertujuan untuk mengeksplorasi praktik pengelolaan dan operasional dalam perusahaan transportasi. Penelitian ini menelaah berbagai metodologi yang digunakan dalam studi-studi sebelumnya, mengevaluasi efektivitasnya, dan mengidentifikasi tren dan tantangan umum. Dengan menganalisis secara sistematis 30 jurnal yang relevan, penelitian ini bertujuan untuk memberikan gambaran menyeluruh tentang kondisi terkini pengelolaan dan operasional di sektor transportasi. Temuan penelitian menyoroti strategi-strategi penting yang telah berhasil, serta area yang memerlukan peningkatan lebih lanjut. Implikasi dari penelitian ini sangat penting untuk pemahaman akademis dan aplikasi praktis dalam meningkatkan kinerja perusahaan transportasi.