Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Manajemen Informatika dan Sistem Informasi Jurnal Kecerdasan Buatan dan Teknologi Informasi
Muhammad Masjun Efendi
Universitas Teknologi Mataram
Computer Science & IT

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

Found 2 Documents
Search

 1 
PENERAPAN SISTEM BUSINESS INTELLIGENCE (BI) SEBAGAI PENDUKUNG PENGAMBILAN KEPUTUSAN REKRUITMEN DAN SELEKSI CALON MAHASISWA BARU DI MASA PANDEMI COVID-19 (STUDI KASUS : UNIVERSITAS TEKNOLOGI MATARAM) Salman Salman; Moh. Subli; Muhammad Masjun Efendi
Jurnal Manajemen Informatika dan Sistem Informasi Vol. 5 No. 2 (2022): MISI Juni 2022
Publisher : LPPM STMIK Lombok

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

Abstract

Saat ini Universitas Teknologi Mataram (UTM) memiliki banyak data mentah atau data operasional yang dapat dijadikan sebagai sumber informasi strategis salah satu contoh seperti data Penerimaan Mahasiswa Baru (PMB). Namun dengan adanya data operasional penerimaan mahasiswa baru, UTM belum bisa menggunakan data operasional tersebut sebagai sumber informasi strategis. Sehingga dari data operasional penerimaan mahasiswa baru yang ada, UTM tidak dapat mengetahui dan kurang memberikan kontribusi informasi yang memadai mengenai berapa jumlah mahasiswa yang daftar, berapa jumlah mahasiswa yang ikut seleksi, berapa jumlah mahasiswa yang lulus seleksi. Oleh sebab itu Universitas Teknologi Mataram membutuhkan sebuah sistem business intelligence untuk mengelola data operasional yang dapat dijadikan sebagai sumber pengambilan keputusan. Penelitian ini bertujuan untuk membangun sistem Business Intelligence sebagai pendukung pengambilan keputusan terhadap rekruitmen dan seleksi calon mahasiswa baru pada Universitas Teknologi Mataram. Teknik pengembangan sistem business intelligence dalam penelitian ini adalah menggunakan metode rancangan Carlo Vercellis[1], sedangkan untuk teknik pengambangan data warehouse menggunakan metode rancangan Kimball. Sistem yang akan dihasilkan peneliti berdasarkan model prototype data warehouse dan business intelligence yang dibangun pada Universitas Teknologi Mataram berupa, grafik yang ditampilkan pada halaman web portal atau dashboard sesuai kebutuhan.
PEARLVISION AI: AN AUTOMATED PEARL QUALITY GRADING SYSTEM BASED ON MORPHOLOGICAL FEATURES AND ENSEMBLE LEARNING Muh. Nasirudin Karim; Muhammad Masjun Efendi; Bahtiar Imran
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 4 No. 3 (2025): September 2025
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v4i3.472

Abstract

Conventional pearl quality assessment remains heavily reliant on manual visual inspection, which is subjective and inconsistent. This study develops PearlVision AI, an automated system for grading Lombok pearls using morphological feature extraction and ensemble learning. The dataset comprises 361 South Sea pearl images (Pinctada maxima) labeled into three commercial grades: A (n=120), AA (n=120), and AAA (n=120). The proposed pipeline integrates hybrid segmentation (Hough Circle Transform + Convex Hull) for robust object isolation, extraction of four geometric descriptors (circularity, eccentricity, area, perimeter), and comparative evaluation of four classification algorithms: Random Forest, Gradient Boosting, K-Nearest Neighbor, and SVM (RBF). Results demonstrate that Random Forest achieved optimal performance with a test accuracy of 97.22% and a 5-fold cross-validation score of 91.68%, consistently maintaining precision, recall, and F1-score >0.95 across all grade classes. Feature importance analysis revealed that size-related features (area and perimeter) contributed more significantly to class discrimination than shape-based metrics (circularity), reflecting the natural correlation between pearl diameter and commercial value in this dataset. With an inference time of <0.5 seconds per image, PearlVision AI offers an objective, efficient, and reproducible solution for reducing manual grading bias and enhancing quality control consistency in the pearl industry
Co-Authors Imran, Bahtiar Moh. Subli Muh. Nasirudin Karim Salman Salman