Abstract:Pengabdian ini dilakukan oleh kelompok dosen dengan bidang keahlian arsitektur dan informatika dalam rangka mengembangkan suatu kawasan industri di Kabupaten Asahan. Penelitian ini dilatarbelakangi oleh kebutuhan akan dokumen…
kumen yang mengikat sebagai pedoman dalam pengembangan kawasan industri. Dalam pengembangan kawasan industri, terdapat banyak unsur dan kepentingan yang perlu dipertimbangkan, sehingga penting adanya kebijakan dan dokumen pengembangan yang dapat menjadi dasar dalam proses pengembangan tersebut. Melalui dokumen ini, diharapkan pengembangan kawasan industri dapat mengurangi dampak negatif terhadap lingkungan dan masyarakat sekitarnya. Metode pengabdian yang digunakan meliputi metode survey dan wawancara kepada masyarakat yang dilakukan oleh tim tenaga ahli arsitektur, pengolahan data yang dilakukan oleh tenaga ahli informatika, dokumentasi, pembuatan dokumen, dan sosialisasi. Hasil dari pengabdian ini adalah dokumen pengembangan yang diserahkan kepada dinas terkait dan juga akan dipublikasikan dalam bentuk jurnal. Dengan adanya pengabdian ini, diharapkan akan tercipta suatu dokumen pengembangan yang komprehensif dan berdasarkan pada kepentingan dan kebutuhan masyarakat setempat. Dokumen ini dapat menjadi acuan dalam pengembangan kawasan industri di Kabupaten Asahan, serta memberikan manfaat dalam mengurangi dampak negatif terhadap lingkungan dan masyarakat sekitarnya.
Abstract:The increased use of technology in education has encouraged the development of e-learning platforms that can provide effective and affordable learning experiences. However, the scalability and viability of e-learning platforms…
tforms is often a challenge in the face of an increasing number of users and workloads. In this dedication, we propose the use of mi-croservice architecture in e-learning platforms to optimize scalability and maintain platform viability. We design and implement a microservice-based e-learning platform consisting of independent microservices, such as user management, course management, content management, and grading systems. We implement standardized API mechanisms for interactions between these microservices. We also vertically increase CPU capacity on each microservice instance to address increased workloads. We also observed that the use of microservices architecture makes it easy to maintain, develop, and integrate new features into the platform. In this overall dedication, we show that the implementation of microservices on e-learning platforms is able to provide optimal scalability and maintain the continuity of the platform in the face of increasing user needs
Keywords: e-learning; microservice; skalabilitas; kinerja; monolitik
Abstract: Peningkatan penggunaan teknologi dalam pendidikan telah mendorong perkembangan platform e-learning yang dapat memberikan pengalaman pembelajaran yang efektif dan terjangkau. Namun, skalabilitas dan kelangsungan platform e-learning sering menjadi tantangan dalam menghadapi peningkatan jumlah pengguna dan beban kerja. SMK Swasta As-Syifa Kisaran menggunakan platform E-learning berbasis monolitik yang menyebabkan semakin banyak aktivitas platform digunakan semakin berat. Beberapa tahapan dilakukan dimulai dengan identifikasi masalah, perencanaan dan desain program, pelaksanaan, evaluasi dan analisis, serta penyusunan dan publikasi laporan. Arsitektur monolitik sebelumnya yang diterapkan perlu diperbaharui dengan arsitektur microservice bertujuan untuk mengoptimalkan skalabilitas dan menjaga kelangsungan platform E-Learning. Permasalahan pada penggunaan traffic yang tinggi dan berfokus pada satu server semakin lama semakin membebani server. Berdasarkan masalah tersebut maka layanan dipecah menjadi beberapa layanan webservice menggunakan arsitektur microservice yang terdiri dari layanan-microservice independen, seperti manajemen pengguna, kursus, konten, dan sistem penilaian. Peningkatan kapasitas CPU secara vertikal diperlukan sehingga microservice dapat mengatasi peningkatan beban kerja server. Hasil implementasi microservice yang diterapkan pada platform e-learning SMK As-Syifa mampu memberikan skalabilitas yang optimal untuk kelangsungan platform dalam menghadapi peningkatan kebutuhan pengguna
Kata kunci: e-learning; microservice; scalability; performance; monolitik
Abstract:Abstract: Interior Design is a branch of art that discusses the inner side of a building. Interior design also intersects with architecture which is the global study of building design. Architecture majors have started to…
o enter Vocational High Schools including at SMK Negeri 1 Mempura. Vocational School 1 Mempura has a Department of Building Modeling and Information Design which in its syllabus has building drawing learning. But in the discussion, there is no further knowledge about interior design. SMK Negeri 1 Mempura wants to develop students' knowledge about interior design or interior design properly. From this problem, Interior Design Educators at Lancang Kuning University who are community service partners from SMK Negeri 1 Mempura will add to their students' knowledge about interior design. So that through this program, Mempura 1 State Vocational School can develop interior design knowledge, which not only learns about room size but also about managing the atmosphere of space from designing ceilings, walls, floors, and furniture. The target to be achieved is for partners to understand the basics of Interior Design and its differences from Architecture and other Design Sciences. The outputs to be obtained are learning services for the community, service reports, drafts of teaching materials, and scientific articles in journals.
Keywords: interior design; furniture; workshop
Abstrak: Desain Interior adalah salah satu cabang ilmu seni rupa yang membahas tentang perancangan ruang dalam pada suatu bangunan. Desain interior juga beririsan dengan ilmu arsitektur yang merupakan ilmu perancangan bangunan secara global. Jurusan arsitektur sudah mulai masuk ke Sekolah Menengah Kejuruan termasuk di SMK Negeri 1 Mempura. SMK Negeri 1 Mempura memiliki jurusan Desain Permodelan dan Informasi Bangunan yang dalam silabusnya memiliki pembelajaran gambar bangunan. Tetapi dalam pembahasannya,belum ada pengetahuan lebih lanjut mengenai perancangan ruang dalam.SMK Negeri 1 Mempura ingin mengembangkan pengetahuan yang dimiliki peserta didik pada perancangan ruang dalam atau desain interior dengan benar. Dari permasalahan ini, Tenaga Pendidik Desain Interior Universitas Lancang Kuning yang merupakan mitra pengabdian masyarakat dari SMK Negeri 1 Mempura akan menambah pengetahuan siswa/i nya tentang merancang ruang dalam. Sehingga melalui program ini, SMK Negeri 1 Mempura dapat mengembangakan pengetahuan desain ruang dalam, yang tidak hanya mempelajari tentang ukuran ruangan, tapi juga pada pengolahan suasana ruang dari perancangan langit-langit, dinding, lantai dan furnitur. Target yang ingin dicapai adalah mitra paham tentang dasar-dasar Desain Interior serta perbedaannya dengan Arsitektur dan Ilmu Desain lainnya. Luaran yang ingin diperoleh adalah jasa pembelajaran untuk masyarakat, laporan pengabdian, draf bahan ajar dan artikel ilmiah di jurnal.
Kata kunci: desain interior; furniture; workshop
Abstract:Abstract: Manual meeting documentation risks losing important information due to cognitive fatigue. Although automated summarization models have evolved, integrated end-to-end systems for Indonesian spoken language remain…
n highly limited. This study aims to design and evaluate an end-to-end automated meeting summarization architecture that directly integrates Automatic Speech Recognition (ASR) via OpenAI Whisper for transcription and the IndoT5 language model for abstractive summarization. IndoT5 was fine-tuned using a dataset of 486 Indonesian spoken language transcript pairs. Testing was conducted on a CPU infrastructure using MP4, MP3, and WAV formats. Results show the optimal fine-tuning configuration significantly improved accuracy, achieving ROUGE-1 (0.4167), ROUGE-2 (0.1973), and ROUGE-L (0.2701) scores. Computationally, the system achieved a Real-Time Factor below 1, processing data faster than the actual recording duration. Conclusively, integrating Whisper and IndoT5 shows potential in producing coherent meeting summaries with lightweight computational overhead, making it viable for local infrastructure implementation to ensure data privacy.
Keywords: abstractive summarization; ASR; end-to-end pipeline; IndoT5; real-time factor
Abstrak: Dokumentasi rapat manual rentan menghilangkan informasi penting akibat keterbatasan kognitif. Meskipun model peringkas otomatis telah berkembang, implementasi sistem terintegrasi (end-to-end) khusus percakapan lisan berbahasa Indonesia masih sangat terbatas. Penelitian ini bertujuan merancang dan mengevaluasi arsitektur peringkas rapat otomatis end-to-end yang mengintegrasikan langsung Automatic Speech Recognition (ASR) melalui OpenAI Whisper untuk transkripsi dan model bahasa IndoT5 untuk peringkasan abstraktif. Adaptasi domain dilakukan melalui fine-tuning IndoT5 menggunakan 486 pasang dataset transkrip lisan berbahasa Indonesia. Pengujian pada infrastruktur CPU menggunakan format MP4, MP3, dan WAV. Hasil pengujian menunjukkan konfigurasi fine-tuning optimal berhasil meningkatkan akurasi, dengan skor ROUGE-1 (0,4167), ROUGE-2 (0,1973), dan ROUGE-L (0,2701). Sistem mendemonstrasikan efisiensi komputasi dengan nilai Real-Time Factor di bawah 1, mengindikasikan waktu pemrosesan lebih cepat dari durasi rekaman asli. Kesimpulannya, integrasi Whisper dan IndoT5 menunjukkan potensi dalam menghasilkan ringkasan yang koheren dengan beban komputasi ringan, sehingga layak diimplementasikan pada infrastruktur lokal organisasi untuk menjaga privasi data.
Kata kunci: ASR; end-to-end pipeline; IndoT5; peringkasan abstraktif; real-time factor
Abstract:Abstract: Anomalous sound detection is essential for industrial predictive maintenance, as machine failures often originate from subtle acoustic changes during operation. However, high background noise and limitations of…
conventional Convolutional Neural Networks (CNN) reduce detection reliability. This study proposes a 1D-CNN-based anomaly detection framework with multi-view feature fusion and temporal segmentation to enhance detection performance. The approach combines MFCC, Log-Mel Spectrogram, and Chroma STFT features, while temporal segmentation divides audio signals into 5-second segments to better capture transient anomalies. Experiments on the MIMII dataset under varying Signal-to-Noise Ratio (SNR) conditions show that MFCC and Log-Mel fusion achieves the best performance, with 97.90% accuracy and ROC-AUC of 0.9789. The model maintains accuracy above 90% at −6 dB, demonstrating strong robustness in noisy industrial environments.
Keywords: industrial anomaly detection; 1D-CNN; multi-view feature fusion; temporal segmentation; MIMII dataset.
Abstrak: Deteksi anomali suara merupakan komponen penting dalam sistem pemeliharaan prediktif industri, karena kegagalan mesin sering diawali oleh perubahan akustik yang bersifat halus selama proses operasi. Namun, tingkat kebisingan yang tinggi serta keterbatasan arsitektur Convolutional Neural Network (CNN) konvensional dapat menurunkan keandalan deteksi. Penelitian ini bertujuan mengusulkan kerangka deteksi anomali berbasis 1D-CNN yang mengintegrasikan strategi fusi fitur multi-view dan segmentasi temporal untuk meningkatkan kinerja deteksi. Pendekatan yang digunakan menggabungkan fitur MFCC, Log-Mel Spectrogram dan Chroma STFT, sementara teknik temporal splitting membagi sinyal audio menjadi segmen berdurasi 5 detik untuk menangkap anomali yang bersifat sementara. Eksperimen menggunakan dataset MIMII pada berbagai kondisi Signal-to-Noise Ratio (SNR) menunjukkan bahwa kombinasi MFCC dan Log-Mel Spectrogram menghasilkan kinerja terbaik dengan akurasi 97,90% dan ROC-AUC sebesar 0,9789. Model juga mempertahankan akurasi di atas 90% pada kondisi kebisingan ekstrem (−6 dB) yang menunjukkan ketahanan yang baik dalam lingkungan industri yang bising.
Kata kunci: deteksi anomali industri; 1D-CNN; fusi fitur multi-view; segmentasi temporal; dataset MIMII
Abstract:Abstract: Malaria remains a major global health problem, particularly in tropical countries such as Indonesia. Accurate early diagnosis is essential for reducing malaria-related morbidity and mortality. Conventional microscopic…
oscopic examination is time-consuming, highly dependent on expert personnel, and prone to human error. This study compares the performance of two Convolutional Neural Network (CNN) architectures, ResNet-50 and DenseNet-121, for malaria image classification. The Cell Images for Malaria dataset provided by the National Institutes of Health (NIH) through Kaggle was used, consisting of 27,558 microscopic blood cell images categorized into Parasitized and Uninfected classes. The dataset was divided into 80% training data and 20% testing data. Image preprocessing included resizing to 224 × 224 pixels, normalization, labeling, and data augmentation using RandomFlip, RandomRotation, RandomZoom, and RandomContrast. Experimental results showed that the ResNet-50 model trained for 100 epochs achieved the highest performance, with an accuracy of 95.54% and precision, recall, and F1-score of 0.96. The confusion matrix indicated 5,272 correctly classified images out of 5,510 testing samples. These findings demonstrate that ResNet-50 outperformed DenseNet-121 and has strong potential for supporting accurate, reliable, and efficient computer-aided malaria diagnosis based on microscopic blood smear images.
Keywords: computer-aided diagnosis; convolutional neural network (CNN); densenet-121; early detection; image classification; malaria; microscopic blood smear images; resnet-50;
Abstrak : Malaria masih menjadi masalah kesehatan global yang serius, terutama di negara tropis seperti Indonesia. Diagnosis dini yang akurat sangat penting untuk menurunkan angka morbiditas dan mortalitas. Metode konvensional berupa pemeriksaan mikroskopis memiliki keterbatasan karena memerlukan waktu yang relatif lama, bergantung pada tenaga ahli, dan berpotensi menimbulkan kesalahan manusia. Penelitian ini bertujuan membandingkan kinerja arsitektur Convolutional Neural Network (CNN) yaitu ResNet-50 dan DenseNet-121 dalam klasifikasi citra malaria. Dataset yang digunakan berasal dari Cell Images for Malaria yang disediakan oleh National Institutes of Health (NIH) melalui platform Kaggle, terdiri dari 27.558 citra dengan pembagian 80% data latih, 20% data validasi. Tahap praproses meliputi cleaning, resizing citra menjadi 224×224 piksel, normalisasi, labeling, serta data augmentasi menggunakan RandomFlip, RandomRotation, RandomZoom, dan RandomContrast. Hasil pengujian menunjukkan bahwa model ResNet-50 pada epoch 100 memperoleh akurasi sebesar 95,54% dengan nilai precision, recall, dan F1-score masing-masing sebesar 0,96. Confusion matrix menunjukkan jumlah prediksi benar sebanyak 5.272 dari total 5.510 data uji. Hasil ini menunjukkan bahwa arsitektur CNN mampu mengklasifikasikan citra malaria dengan tingkat akurasi yang tinggi dan memiliki kemampuan generalisasi yang baik terhadap data baru. Penelitian ini memberikan kontribusi dalam evaluasi performa arsitektur CNN untuk mendukung pengembangan sistem diagnosis malaria berbasis citra mikroskopis yang lebih cepat dan akurat.
Kata kunci: convolutional neural network (CNN); citra mikroskopis hapusan darah; densenet-121; diagnosis berbantuan komputer; deteksi dini; klasifikasi citra; malaria; resnet-50
Abstract:Deteksi emosi secara fine-grained pada teks media sosial merupakan salah satu tantangan dalam bidang pemrosesan bahasa alami (Natural Language Processing/NLP), terutama karena sifat data yang tidak terstruktur dan multi-label.…
label. Penelitian ini bertujuan untuk mengevaluasi performa tiga model berbasis arsitektur Transformer, yaitu EmoBERT, RoBERTa, dan EmoRoBERTa, dalam tugas klasifikasi emosi pada teks dari dataset SenWave. Dataset ini terdiri dari 10.001 tweet berbahasa Inggris yang telah dilabeli ke dalam sepuluh kategori emosi, namun penelitian ini berfokus pada empat label utama: anxious, annoyed, empathetic, dan sad. Proses penelitian meliputi prapemrosesan data, tokenisasi, pembagian data latih dan uji, pelatihan model, serta evaluasi menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil evaluasi menunjukkan bahwa model EmoBERT dan EmoRoBERTa memiliki performa terbaik dengan nilai f1-score sebesar 0,81, sedangkan RoBERTa memperoleh nilai f1-score sebesar 0,73. Temuan ini menunjukkan bahwa penyesuaian arsitektur Transformer khusus untuk emosi dapat meningkatkan akurasi klasifikasi emosi pada teks media sosial.
Abstract:Abstract: One of the main challenges in digital image processing is limited resolution, which makes it difficult to preserve visual details when images are enlarged. Conventional methods such as Bilinear Interpolation are…
e commonly used for image upscaling; however, these approaches often produce blurred images, lose fine textures, and fail to reconstruct complex visual structures. This study aims to enhance digital image resolution by employing a deep learni based approach using a Low-Light Convolutional Neural Network (LLCNN) built upon a Deep Neural Network (DNN) architecture. The dataset used in this study is the DIV2K dataset, which consists of 1,000 high-resolution images. These images were downsampled using scaling factors of ×2, ×3, and ×4 to generate paired Low Resolution–High Resolution (LR–HR) data for training and evaluation. The proposed LLCNN is designed to extract important features such as edges, textures, and local patterns through multiple convolutional layers, followed by non-linear mapping to reconstruct high-resolution images more accurately. Quantitative performance evaluation was conducted using the Peak Signal-to-Noise Ratio (PSNR) and the Structural Similarity Index (SSIM). Model performance was evaluated quantitatively using the Peak Signal-to-Noise Ratio (PSNR) metric. Experimental results showed that the proposed method improved image quality compared to the bilinear method. These results indicate that the deep learning based approach effectively improves image sharpness and structural fidelity, thereby demonstrating its potential for digital image resolution enhancement.
Keywords: deep neural network; image resolution; low-light convolutional neural network; machine learning
Abstrak: Permasalahan utama dalam pengolahan citra digital adalah keterbatasan resolusi yang menyebabkan detail visual sulit dipertahankan ketika citra diperbesar. Metode konvensional seperti Bilinear Interpolation masih banyak digunakan, namun sering menghasilkan citra buram, kehilangan tekstur halus, serta tidak mampu merekonstruksi struktur visual yang kompleks. Penelitian ini bertujuan untuk meningkatkan kualitas resolusi citra digital dengan memanfaatkan pendekatan deep learning berbasis Low-Light Convolutional Neural Network (LLCNN) yang dibangun di atas arsitektur Deep Neural Network (DNN). Data yang digunakan dalam penelitian ini berasal dari dataset DIV2K, yang terdiri dari 1000 citra beresolusi tinggi. Citra tersebut diturunkan menjadi resolusi rendah menggunakan faktor downsampling ×2, ×3, dan ×4 untuk membentuk pasangan data Low Resolution–High Resolution (LR–HR) sebagai data pelatihan dan pengujian. LLCNN dirancang untuk mengekstraksi fitur-fitur penting seperti tepi, tekstur, dan pola lokal melalui beberapa lapisan konvolusi, kemudian melakukan pemetaan non-linear guna merekonstruksi citra resolusi tinggi secara lebih presisi. Evaluasi performa model dilakukan secara kuantitatif menggunakan metrik Peak Signal-to-Noise Ratio (PSNR). Hasil eksperimen menunjukkan bahwa metode yang diusulkan mampu meningkatkan kualitas citra dibandingkan metode bilinear. Hasil ini membuktikan bahwa pendekatan berbasis deep learning efektif dalam meningkatkan ketajaman dan kesesuaian struktur citra digital.
Kata kunci: deep neural network; low-light convolutional neural network; machine learning; resolusi citra
Abstract:Abstract: The rapid growth of the digital music industry requires accurate music genre classification systems to enhance user experience in streaming services. This study compares a domain-specific Long Short-Term Memory…
(LSTM) network with three Large Language Models (LLMs)—HuBERT, WavLM, and WAV2Vec 2.0—for Music Genre Classification (MGC). The LSTM model was trained using Mel-spectrograms transformed from the GTZAN dataset, while the LLMs were fine-tuned using a smaller set of raw audio samples due to computational constraints. All models were tested on datasets with identical genre labels to ensure a fair evaluation. Results show that the LSTM model achieved the highest accuracy of 97.10%, outperforming HuBERT (86.00%), WavLM (83.00%), and WAV2Vec 2.0 (80.00%). The LSTM demonstrated superior generalization and stability without overfitting, while the LLMs struggled to differentiate between genres with similar acoustic characteristics. These findings indicate that general-purpose pre-trained models, although powerful, are less effective in music-specific tasks due to domain mismatch. Therefore, incorporating music-specific features and architectures remains essential for achieving higher accuracy and reliability in automatic genre classification systems.
Keywords: audio large language models; comparative deep learning; music genre classification.
Abstrak: Pertumbuhan industri musik digital yang pesat menuntut sistem klasifikasi genre musik yang akurat untuk meningkatkan pengalaman pengguna dalam layanan streaming. Penelitian ini dilatarbelakangi oleh perkembangan pesat model pembelajaran mendalam, khususnya jaringan LSTM dan model bahasa berskala besar LLM seperti HuBERT, WavLM, dan WAV2Vec 2.0, yang telah menunjukkan kemampuan representasi audio yang kuat. Tujuan penelitian ini ini membandingkan jaringan Long Short-Term Memory (LSTM) khusus domain dengan tiga model Large Language Models (LLM)—HuBERT, WavLM, dan WAV2Vec 2.0—untuk tugas Klasifikasi Genre Musik (MGC). Metode penelitian melibatkan pelatihan LSTM menggunakan data Mel-spectrogram hasil transformasi dari dataset GTZAN, sementara LLM disesuaikan (fine-tuning) menggunakan data audio mentah dalam jumlah lebih kecil karena keterbatasan komputasi. Seluruh model diuji pada dataset dengan label genre yang sama untuk memastikan evaluasi yang adil. Hasil penelitian menunjukkan bahwa model LSTM mencapai akurasi tertinggi sebesar 97,10%, sedangkan model HuBERT, WavLM, dan WAV2Vec 2.0 masing-masing memperoleh 86,00%, 83,00%, dan 80,00%. Model LSTM menunjukkan kemampuan generalisasi yang lebih baik tanpa overfitting, sedangkan model LLM cenderung kesulitan membedakan genre dengan karakteristik akustik yang mirip. Kesimpulan penelitian ini adalah ketidaksesuaian domain secara signifikan membatasi performa model umum saat diterapkan pada tugas berbasis musik. Oleh karena itu, penggunaan fitur dan arsitektur khusus musik sangat penting dalam membangun sistem klasifikasi genre yang lebih akurat.
Kata kunci: klasifikasi genre musik; model bahasa besar; perbandingan pembelajaran mendalam.
Abstract:Abstract: The widespread use of information and communication technology (ICT) has enhanced effectiveness and quality in management, research, and education at educational institutions. In this digital age, secondary schools…
ools are required to improve operational efficiency and educational strategies through the use of information technology. Therefore, the implementation of an enterprise architecture (EA) framework is crucial to ensure a strategic alignment between educational goals and technology. However, before implementing the framework, schools must evaluate various factors that influence the suitability and effectiveness of EA, including current technology needs, staff competencies, existing infrastructure conditions, and other factors. This study gathers and analyzes data from related studies, and the results indicate the importance of understanding EA principles to optimize academic and administrative processes. By considering variables in the selection of the EA framework, evaluating school readiness, and identifying existing challenges, this research aims to assist secondary schools in effectively implementing EA. The expected outcome of this research provides theoretical support for the adoption of EA, thus facilitating more efficient strategic and operational planning in secondary schools.
Keywords: enterprise architecture; framework; information and communication technology; secondary school.
Abstrak: Penggunaan teknologi informasi dan komunikasi (TIK) secara luas telah meningkatkan efektivitas dan kualitas dalam manajemen, penelitian, dan pendidikan di institusi pendidikan. Di era digital ini, sekolah menengah dituntut untuk meningkatkan efisiensi operasional dan strategi pendidikan melalui pemanfaatan teknologi informasi. Oleh karena itu, penerapan framework arsitektur enterprise (EA) menjadi penting untuk memastikan aliansi strategis antara tujuan pendidikan dan teknologi. Namun, sebelum penerapan framework dilakukan, sekolah harus mengevaluasi berbagai faktor yang mempengaruhi kesesuaian dan efektivitas EA, termasuk kebutuhan teknologi terkini, kompetensi staf, kondisi infrastruktur yang ada, dan faktor lainnya. Penelitian ini mengumpulkan dan menganalisis data dari studi terkait, hasilnya menunjukkan bahwa pentingnya pemahaman tentang prinsip-prinsip EA untuk mengoptimalkan proses akademik dan administratif. Dengan mempertimbangkan variabel-variabel dalam pemilihan framework EA, evaluasi kesiapan sekolah, dan identifikasi tantangan yang ada, penelitian ini bertujuan untuk membantu sekolah menengah dalam mengimplementasikan EA secara efektif. Diharapkan hasil dari penelitian ini memberikan kontribusi teoretis yang mendukung pengadopsian EA, sehingga memfasilitasi perencanaan strategis dan operasional yang lebih efisien di sekolah menengah.
Kata kunci:arsitektur enterprise; framework; sekolah menengah; teknologi informasi dan komunikasi.