Article Per Year (5 Year)
p-Index From 2021 - 2026
3.041
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Jurnal CoreIT JURNAL REKAYASA TEKNOLOGI INFORMASI Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Penelitian Tarbawi: Pendidikan Islam dan Isu-Isu Sosial Jurnal Teknologi Dan Sistem Informasi Bisnis Jurnal Sistem Informasi dan Sistem Komputer Syntax: Journal of Software Engineering, Computer Science and Information Technology Instal : Jurnal Komputer Melek IT: Information Technology Journal Ilmu Komputer untuk Masyarakat Data Sciences Indonesia (DSI) Internet of Things and Artificial Intelligence Journal Journal of Artificial Intelligence and Digital Business Jurnal Ilmiah Sistem Informasi Indonesian Journal of Education and Development Research JRIIN :Jurnal Riset Informatika dan Inovasi Cosmic Jurnal Teknik Journal of Educational Science and E-Learning JUTEKOM - Jurnal Teknologi dan Ilmu Komputer
Harahap, Lailan Sofinah
Unknown Affiliation
Religion Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Physics Social Sciences Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 23 Documents
Search

 1   2   3 
Facial Emotion Recognition Based on Convolutional Neural Network Using FER2013 Dataset Syabil, Muhammad Al Faris; Harahap, Lailan Sofinah; Nasution, Muhammad Rafiq
Jurnal Teknologi informasi dan Ilmu Komputer Vol. 2 No. 1 (2026): Januari 2026
Publisher : Nolsatu Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65258/jutekom.v2.i1.44

Abstract

Facial emotion recognition is an important research area in computer vision and artificial intelligence, with applications in human–computer interaction, affective computing, and intelligent systems. This study aims to evaluate the performance of a Convolutional Neural Network (CNN) for facial emotion recognition using the FER2013 dataset. The FER2013 dataset consists of grayscale facial images with a resolution of 48×48 pixels and includes seven emotion classes: angry, disgust, fear, happy, neutral, sad, and surprise. Due to its low image resolution and imbalanced class distribution, FER2013 presents significant challenges for emotion classification tasks. An experimental research approach was employed by implementing a baseline CNN architecture composed of convolutional, pooling, and fully connected layers. Image normalization and batch-based data generation were applied during preprocessing. The model was trained using the Adam optimizer with categorical cross-entropy loss, and an early stopping mechanism was utilized to prevent overfitting. Model performance was evaluated using accuracy, precision, recall, F1-score, and confusion matrix analysis. The experimental results show that the proposed CNN model achieved an overall test accuracy of 55.50%. Emotions with distinctive facial features, such as happy and surprise, obtained higher F1-scores, while minority and visually subtle classes, particularly disgust and fear, exhibited lower performance. These findings indicate that a simple CNN architecture can provide reasonable performance on challenging facial emotion datasets while highlighting the impact of class imbalance and limited image resolution. The proposed model can serve as a baseline for further improvements in facial emotion recognition systems.
Prediksi Tingkat Kelulusan Mahasiswa Menggunakan Artificial Neural Network Saragih, Fauhan Alfarizi; Harahap, Lailan Sofinah; Arrafi, M. Rifqi
Jurnal Riset Informatika dan Inovasi Vol 3 No 10 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kelulusan mahasiswa tepat waktu merupakan salah satu indikator penting dalam menilai keberhasilan proses pembelajaran di perguruan tinggi. Tingginya angka keterlambatan kelulusan dapat berdampak pada efektivitas manajemen akademik serta mutu institusi pendidikan. Penelitian ini bertujuan untuk menerapkan metode Artificial Neural Network (ANN) dalam memprediksi tingkat kelulusan mahasiswa berdasarkan data akademik. Pendekatan yang digunakan adalah kuantitatif dengan metode klasifikasi. Data yang digunakan merupakan data sekunder akademik mahasiswa yang meliputi Indeks Prestasi Kumulatif (IPK), jumlah Satuan Kredit Semester (SKS), dan lama masa studi. Dataset dibagi menjadi data latih dan data uji dengan proporsi 80% dan 20%. Proses pelatihan model dilakukan menggunakan algoritma backpropagation. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, precision, recall, dan confusion matrix. Hasil penelitian menunjukkan bahwa model ANN mampu memprediksi tingkat kelulusan mahasiswa dengan nilai akurasi sebesar 82%, serta nilai precision dan recall yang relatif seimbang.
Analisis Performa CNN Berbasis MobileNetV2 pada Dataset Citra Dokumen Laporan Praktikum Aryanda, Hafiz; Harahap, Lailan Sofinah; Aptanta, Dimas Aqila
Journal of Educational Science and E-Learning Vol. 2 No. 2 (2025): Desember
Publisher : CV Rena Cipta Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62354/jese.v2i2.44

Abstract

Penelitian ini bertujuan untuk menganalisis performa CNN berbasis MobileNetV2 dalam klasifikasi citra dokumen laporan praktikum. Pendekatan yang digunakan adalah transfer learning dengan bobot pra-latih dari ImageNet, serta fine-tuning pada lapisan atas untuk menyesuaikan model terhadap karakteristik dokumen akademik. Dataset terdiri dari ribuan citra dokumen yang telah melalui tahap pra-pemrosesan berupa resizing, normalisasi, dan augmentasi. Hasil eksperimen menunjukkan bahwa pada baseline, akurasi validasi mencapai 64,88% namun akurasi evaluasi manual hanya 10,54%, menandakan adanya masalah domain gap dan kesulitan separasi antar kelas. Fine-tuning meningkatkan akurasi validasi training menjadi 70,43%, tetapi akurasi evaluasi biner justru menurun menjadi 47,50%, sehingga performa model tetap rendah. Temuan ini menegaskan bahwa CNN kurang tepat untuk tugas validasi kepatuhan dokumen yang membutuhkan analisis semantik dan aturan tata letak yang kompleks serta dinamis. Sebagai solusi, integrasi OCR dengan rule-based validation direkomendasikan karena mampu memberikan akurasi lebih tinggi, interpretasi jelas, serta umpan balik detail sesuai pedoman penulisan akademik modern.
Co-Authors Abdillah, Rizky Alamsyah, Muhammad Fadlan Alya, Dea Ananda, Surizky Aptanta, Dimas Aqila Armansyah Arrafi, M. Rifqi Aryanda, Hafiz Aznawi, Nasrul Mahruf Dharmawan, Kaka Davi Fadillah, hasti Fahlome, Dodyk Firjatullah, Maulana Furqon, Mhd Gimnastiar, Alfin Hsb, Adinda Tarisyah Irsyad, Raihan Maulana Januar, Bagus Kembaren, Muhammad Fajar Hidayah Maria Ulfa Muhammad Faruqi Muhammad Ikhsan Nasution, Muhammad Rafiq Nasution, Najwa Fadiyah Pangestu, Aji Dewo Panjaitan, Rosita Prayoga, M Irsan Putri, Laila Ali Ramadhan, M. Wahyu Rifaldy, Faqih Salsabila, Awalia Saragih, Fauhan Alfarizi Silalahi, Yayi Naulia Sriani Suci Wulandari Syabil, Muhammad Al Faris Widiya, Widiya