Claim Missing Document
Check
Articles

OPTIMALISASI SUMBER DAYA MANUSIA MELALUI STRATEGI ARBITRASE PADA PT. BRI (PERSERO) TBK LAMPUNG erlangga erlangga; Tina Miniawati Barusman
Jurnal Manajemen dan Bisnis Vol 15, No 2 (2025): April
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/jmb.v15i2.4441

Abstract

Unequal distribution and utilization of human resources (HR) can reduce banking efficiency and service quality. This study aims to analyze the current HR distribution in PT. BRI (Persero) Tbk Lampung, identify workload imbalances, and formulate arbitration strategies to improve productivity, efficiency, and organizational performance. A qualitative approach was applied using literature review, internal document analysis, and in-depth interviews. Findings reveal excess staff in urban units, staff shortages in rural units, a 35% competency mismatch, and disproportionate workloads. Implementing arbitration strategies through rotation, temporary assignments, and multi skilled workforce utilization proved to increase average productivity by 12%, improve workload distribution, and enhance customer satisfaction. In conclusion, arbitration strategy effectively optimizes HR and should be institutionalized by integrating workload analysis and competency mapping.
Face Recognition dengan YOLO 8 dan Convolutional Neural Network (CNN) Asep Trisna Setiawan; Ary Setijadi Prihatmanto; Erlangga Erlangga; Fenty Ariani; Adi Permana
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4658

Abstract

Pengenalan wajah merupakan teknologi penting dalam biometric authentication untuk sistem keamanan dan identifikasi otomatis, namun metode tradisional masih terkendala oleh variasi pose dan pencahayaan. Penelitian ini bertujuan untuk mengembangkan dan mengintegrasikan arsitektur YOLOv8 sebagai face detector dan Convolutional Neural Network (CNN) sebagai face recognizer ke dalam satu pipeline end-to-end yang efisien. Metodologi yang digunakan melibatkan penggunaan YOLOv8 untuk deteksi dan lokalisasi wajah secara real-time, diikuti proses cropping serta alignment, dan diakhiri dengan klasifikasi identitas menggunakan model CNN berbasis transfer learning. Dataset yang digunakan mencakup 38 individu dengan total 380 citra yang dilatih menggunakan GPU NVIDIA GTX 1070. Hasil penelitian menunjukkan bahwa YOLOv8 mencapai performa sangat baik dengan nilai mean Average Precision (mAP@0.5) sebesar 0,972 dan waktu inferensi hanya 12,5 ms per frame. Sementara itu, model CNN berhasil mencapai akurasi pengujian sebesar 93,8% dengan F1-Score 0,93. Meskipun sistem mengalami penurunan performa pada kondisi pencahayaan rendah (low light) dan oklusi, integrasi kedua model ini terbukti tangguh dan layak diimplementasikan untuk aplikasi praktis seperti kontrol akses dan sistem kehadiran otomatis secara real-time. Pengembangan lanjutan disarankan untuk meningkatkan ketahanan model terhadap pose ekstrem dan hambatan visual yang berat.
Optimasi Parameter Neural Network untuk Meningkatkan Efisiensi Pembelajaran Model Ari Kurniawan Saputra; Robby Yuli Endra; Erlangga Erlangga
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4618

Abstract

Penelitian ini dilakukan untuk mengatasi permasalahan rendahnya stabilitas dan efisiensi pembelajaran pada Neural Network yang disebabkan oleh pemilihan parameter awal secara acak, seperti bobot, bias, dan learning rate. Penelitian ini bertujuan mengoptimasi parameter-parameter tersebut agar proses pelatihan menjadi lebih stabil, cepat, dan konsisten. Metode yang digunakan adalah optimasi Particle Swarm Optimization (PSO) yang diterapkan melalui tujuh tahapan, mulai dari pra-proses data, perancangan arsitektur model, perhitungan fungsi loss, inisialisasi bobot, optimasi learning rate serta bobot awal, sampai pelatihan model dan evaluasi performa. Dataset terdiri dari 10 sampel dengan lima fitur input dan satu target harga jual. Hasil penelitian menunjukkan bahwa PSO berhasil menghasilkan learning rate optimal sebesar 0.174 dan bobot awal yang lebih stabil dibandingkan model baseline. Evaluasi menggunakan confusion matrix menunjukkan peningkatan performa dibandingkan baseline yang hanya memperoleh accuration 60%, precision 0.60, recall 1.00, dan F1-score 0.75. Secara keseluruhan, optimasi PSO terbukti meningkatkan stabilitas pembelajaran, mempercepat konvergensi, dan menghasilkan model Neural Network yang lebih efisien serta lebih akurat.
Retrieval-Augmented Generation Architecture for Indonesian Academic Regulation Question Answering: A Microservices-Based Implementation Hendarman Lubis; Istiqoomatun Nisaa; Annas Rifai; Erlangga Erlangga
Journal of Intelligent Software Systems Vol 5, No 1 (2026): July 2026
Publisher : LPPM UTDI (d.h STMIK AKAKOM) Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiss.v5i1.2814

Abstract

Indonesian higher-education institutions operate under a dense and frequently updated body of academic regulations—national standards, institutional statutes, and study-program handbooks—that students and staff must consult accurately. General-purpose large language models answer such questions fluently but without provenance, and they hallucinate rules that do not exist. This paper proposes a retrieval-augmented generation (RAG) architecture for Indonesian academic-regulation question answering, deployed as a set of loosely coupled microservices: an API gateway, a RAG orchestrator, an embedding and retrieval subsystem backed by a FAISS vector index, a generation subsystem, and an offline ingestion pipeline. The retrieval layer combines lexical BM25 and vector similarity through reciprocal rank fusion, so that regulation passages are grounded and citable. We evaluate the retrieval core—the component that determines whether generated answers can be grounded—on an original corpus of 20 synthetic Indonesian academic-regulation passages and 30 labeled questions. Vector retrieval attains Recall@1 of 0.867, MRR@10 of 0.902, and nDCG@5 of 0.915, outperforming BM25 (0.800, 0.865, 0.898) on early precision, while BM25 is an order of magnitude faster and reaches perfect Recall@5. Retrieval latency for all configurations remains below one millisecond on a single node. The microservices decomposition lets the index be rebuilt when regulations change without redeploying the generation service. Results indicate that a hybrid retrieval core is a sound and inexpensive foundation for grounded, citable regulation question answering, and that the architecture is deployable on modest institutional infrastructure.