Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Technology Informatics and Engineering Jurnal Ilmiah Sistem Informasi
Migunani Migunani
Universitas Sains dan Teknologi Komputer, Semarang, Indonesia
Computer Science & IT

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

Found 2 Documents
Search

 1 
Rancang Bangun Sistem Informasi Perkuliahan Universitas STEKOM Berbasis React untuk Mengoptimalkan Pengalaman Pengguna Azka Nahya Amanta; Migunani Migunani; Maya Utami Dewi
Jurnal Ilmiah Sistem Informasi Vol 5 No 1 (2026): January: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/8gbfzh39

Abstract

Transformasi digital yang pesat dalam pendidikan tinggi menuntut pengalaman pengguna yang optimal pada sistem e-learning. Sistem Informasi Akademik (SIAKAD) Universitas STEKOM yang berlaku saat ini menghadapi masalah UX mendasar, terutama karena fitur pembelajaran bercampur dengan fungsi administratif yang kompleks. Hal ini menciptakan Extraneous Cognitive Load (ECL) tinggi dan alur pengguna (user flow) yang panjang saat mengakses kelas, yang pada akhirnya menurunkan kemudahan penggunaan dan motivasi mahasiswa. Penelitian ini bertujuan untuk mengoptimalkan pengalaman pengguna sistem informasi perkuliahan Universitas STEKOM melalui perancangan dan pengembangan prototipe berbasis arsitektur Single Page Application (SPA) menggunakan framework React. Metodologi yang digunakan adalah Research and Development (R&D) dengan pendekatan kuantitatif. Arsitektur sistem memanfaatkan desain berbasis komponen React untuk memisahkan secara jelas modul pembelajaran dari tugas administratif. Optimasi performa dilakukan melalui implementasi lazy loading, code splitting, dan DOM virtual untuk memastikan responsivitas sistem yang optimal. Efektivitas sistem yang dikembangkan akan dievaluasi secara kuantitatif menggunakan User Experience Questionnaire (UEQ) (mengukur enam dimensi, termasuk efficiency dan attractiveness) dan System Usability Scale (SUS). Target keberhasilan adalah pencapaian skor SUS minimal 75 (di atas rata-rata industri) dan minimal pengurangan 40% pada Time-on-Task untuk aktivitas pembelajaran inti. Penelitian ini berkontribusi sebagai model rujukan praktis untuk adopsi modern web technologies (SPA React) di institusi pendidikan tinggi lainnya dan meningkatkan efektivitas pembelajaran dengan meminimalkan beban kognitif yang tidak perlu (ECL).
Synergistic Integration of Neural Architecture Search, Ensemble Learning, and Meta-Learning with Explainable AI Migunani Migunani; Joseph Teguh Santoso; Budi Raharjo
Journal of Technology Informatics and Engineering Vol. 5 No. 1 (2026): APRIL | JTIE : Journal of Technology Informatics and Engineering
Publisher : University of Science and Computer Technology

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/jtie.v5i1.207

Abstract

The automation of deep learning model design through Neural Architecture Search (NAS) has emerged as a transformative paradigm, yet the integration of NAS with ensemble learning and meta-learning remains underexplored. This study presents a comprehensive framework that synergistically combines (1) NAS for automated neural network architecture discovery, (2) homogeneous ensemble learning through NAS-generated architectures, (3) heterogeneous ensemble learning integrating diverse base learners, and (4) meta-learning with stacked generalization for adaptive model fusion, all complemented by Explainable AI (XAI) via SHAP for model interpretability. The proposed framework is evaluated on four benchmark datasets: Iris, Wine, Breast Cancer, and Digits. Experimental results demonstrate that the heterogeneous ensemble achieves competitive or superior performance across all datasets, with cross-validation accuracy reaching 98.87% (wine), 97.72% (breast cancer), 98.05% (digits), and 95.33% (iris). SHAP-based explainability analysis reveals consistent feature importance patterns across NAS architectures, providing valuable interpretability insights. The framework establishes a robust pipeline for automated, accurate, and interpretable machine learning, addressing the growing demand for transparent AI systems in critical applications.
Co-Authors Azka Nahya Amanta Budi Raharjo Joseph Teguh Santoso Maya Utami Dewi