Claim Missing Document
Check
Articles

Found 2 Documents
Search

Pengembangan Sistem Informasi Manajemen Akademik Perguruan Tinggi Al Fariz, Muhammad Zidane; Taufik, Wildan Az Zikri; Bunga, Azaria; Andrian, Jumigih; Wijoyo, Agung
Jurnal Riset Informatika dan Inovasi Vol 3 No 7 (2025): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Penelitian ini bertujuan untuk menganalisis penerapan sistem informasi manajemen akademik dalam meningkatkan efisiensi dan efektivitas tata kelola perguruan tinggi. Sebelumnya, proses akademik dilakukan secara manual, seperti pencatatan nilai, pengisian KRS, dan penjadwalan, yang menyebabkan keterlambatan dan ketidaksinkronan data. Metode penelitian yang digunakan adalah deskriptif kualitatif dengan pendekatan studi kasus di lingkungan perguruan tinggi. Hasil penelitian menunjukkan bahwa penerapan sistem informasi manajemen akademik mampu meningkatkan kecepatan akses data, mengurangi kesalahan administratif, serta memperkuat transparansi dan akuntabilitas akademik. Temuan ini menegaskan pentingnya digitalisasi manajemen akademik sebagai fondasi peningkatan mutu pelayanan pendidikan tinggi.
Klasifikasi Batu Permata Berdasarkan Gambar dengan CNN Ramadhan, Nabil Gilang; Reza, Ahmad; Taufik, Wildan Az Zikri; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

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

Abstract

Identifikasi batu permata masih banyak dilakukan secara manual oleh ahli gemologi dengan kelemahan subjektivitas dan potensi kesalahan. Penelitian ini mengimplementasikan Convolutional Neural Network (CNN) untuk membangun sistem klasifikasi otomatis berbasis citra digital batu permata. Dataset yang digunakan terdiri dari tiga kelas, yaitu Alexandrite, Almandine, dan Amazonite, dengan jumlah data yang relatif terbatas. Tahapan penelitian meliputi preprocessing citra (resize menjadi 100×100 piksel, normalisasi), augmentasi data (rotasi, flipping, zooming, shifting), serta pembangunan model CNN sequential dengan tiga lapisan konvolusi, batch normalization, max pooling, dropout, dan lapisan fully connected. Model dilatih menggunakan optimizer Adam dengan fungsi loss categorical crossentropy. Hasil penelitian menunjukkan bahwa model mencapai akurasi training akhir sebesar 100,00% dengan loss training 0,0217, namun akurasi validasi hanya 33,33% dengan loss validasi 4,3854, mengindikasikan terjadinya overfitting. Analisis confusion matrix menunjukkan bahwa model memiliki performa terbaik pada kelas Alexandrite, sedangkan kelas Almandine dan Amazonite sering mengalami misklasifikasi. Faktor utama overfitting adalah jumlah dataset yang terbatas dan kompleksitas arsitektur CNN yang tinggi. Disimpulkan bahwa CNN berhasil mempelajari pola visual data training dengan sangat baik, namun memerlukan peningkatan kuantitas dan variasi data untuk kemampuan generalisasi yang optimal. Saran untuk penelitian selanjutnya adalah penambahan dataset, penerapan transfer learning, dan penyesuaian kompleksitas model.