Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business Journal of Community Research & Engagement (JCRE)
Asrori, Achmad Harpin
Unknown Affiliation
Religion Humanities Computer Science & IT Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Social Sciences

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

Found 2 Documents
Search

 1 
Peningkatan Kompetensi Digital Kehumasan Melalui Pelatihan Desain Grafis Berbasis AI Asrori, Achmad Harpin; Wahab, Nanang Kurnia; Aziz, Syarfi; Sariyati, Sariyati; Syahrul, Syahrul
Journal of Community Research & Engagement Vol. 2 No. 2 (2026): January 2026
Publisher : LPPM STIE Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60023/fpesdm40

Abstract

Transformasi digital menuntut perguruan tinggi untuk memperkuat komunikasi visual yang profesional dan konsisten, khususnya pada fungsi kehumasan. Kegiatan pengabdian kepada masyarakat ini bertujuan meningkatkan kompetensi desain grafis dosen dan tenaga kependidikan Universitas Muhammadiyah Riau (UMRI) melalui pelatihan Canva berbasis kecerdasan artifisial (AI). Metode yang digunakan adalah Participatory Action Research (PAR) yang diintegrasikan dengan Experiential Learning, meliputi tahapan analisis kebutuhan, perencanaan partisipatif, pelaksanaan workshop, serta evaluasi kuantitatif dan kualitatif. Pelatihan dilaksanakan selama satu hari dengan melibatkan 20 peserta dari berbagai unit kerja. Hasil evaluasi menunjukkan peningkatan signifikan kompetensi peserta, dengan rata-rata skor meningkat dari 47,5 pada pre-test menjadi 88,75 pada post-test (peningkatan 86,8%; p < 0,05). Selain peningkatan keterampilan teknis, peserta juga menunjukkan pemahaman yang lebih baik terhadap prinsip desain dan konsistensi branding institusi. Kegiatan ini berdampak pada peningkatan efisiensi kerja dan berkurangnya ketergantungan pada unit humas pusat. Meskipun demikian, masih diperlukan pendampingan berkelanjutan untuk mengatasi keterbatasan literasi digital dan kualitas output berbasis AI.
Analisis Komparatif Model Decision Tree dan Random Forest untuk Pemeliharaan Prediktif Mesin Computer Numerical Control (CNC) Milling Asrori, Achmad Harpin; Wahab, Nanang Kurnia
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 1 (2026): Februari - April
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i1.6676

Abstract

Pemeliharaan prediktif merupakan pendekatan penting dalam meningkatkan keandalan dan efisiensi mesin produksi, khususnya mesin Computer Numerical Control (CNC), yang memiliki peran krusial dalam industri manufaktur modern. Perkembangan machine learning memungkinkan pemanfaatan data operasional mesin untuk memprediksi potensi kegagalan secara lebih akurat dibandingkan metode pemeliharaan konvensional. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap dua model pembelajaran mesin berbasis pohon, yaitu Decision Tree Classifier dan Random Forest, dalam mengklasifikasikan kondisi kegagalan mesin CNC. Penelitian ini menggunakan pendekatan klasifikasi berbasis data dengan memanfaatkan sejumlah parameter operasional mesin, seperti temperatur udara, temperatur proses, kecepatan putar, torsi, dan keausan pahat. Dataset dibagi menjadi data pelatihan sebesar 70% dan data pengujian sebesar 30%. Evaluasi kinerja model dilakukan menggunakan beberapa metrik, antara lain accuracy, precision, recall, F1-score, confusion matrix, serta Receiver Operating Characteristic (ROC) dan Area Under the Curve (AUC). Selain itu, diterapkan teknik cross-validation dan hyperparameter tuning untuk meningkatkan keandalan dan kemampuan generalisasi model. Hasil penelitian menunjukkan bahwa model Random Forest memiliki kinerja yang lebih unggul dibandingkan dengan model Decision Tree, dengan tingkat akurasi sebesar 0,892, sedangkan Decision Tree memperoleh akurasi sebesar 0,804. Nilai AUC yang tinggi juga mengindikasikan kemampuan Random Forest yang lebih baik dalam membedakan kondisi mesin normal dan gagal. Berdasarkan hasil tersebut, Random Forest dinilai sebagai model yang lebih efektif dan andal untuk diterapkan pada skema pemeliharaan prediktif mesin CNC. Temuan penelitian ini diharapkan dapat memberikan kontribusi dalam pemilihan model machine learning yang tepat untuk aplikasi predictive maintenance di lingkungan industri manufaktur.
Co-Authors Sariyati, Sariyati Syahrul Syahrul Syarfi Aziz Wahab, Nanang Kurnia