Abstract:Abstract: The advancement of smart agriculture has become a promising solution to increase food productivity and land use efficiency in urban environments. This research aims to develop an Artificial Intelligence (AI)-based…
sed vertical hydroponic farming system integrated with LED grow light technology and catfish aquaponics. The proposed system combines vertical hydroponics and aquaponics to optimize plant growth and water utilization. Internet of Things technology enables real-time environmental monitoring through an Arduino Uno microcontroller integrated with LDR, soil moisture, pH, and NPK sensors. The obtained sensor data is processed using the Mamdani Fuzzy Logic algorithm, which performs fuzzification, rule inference, aggregation, and defuzzification to generate adaptive control decisions for irrigation, nutrient circulation, and LED grow light intensity. This research uses the Research and Development (R&D) method through prototype development and performance evaluation for 30 days using spinach (Amaranthus spp.) and mustard greens (Brassica juncea) as test plants. Experimental results showed that the developed system successfully maintained stable environmental conditions, with soil moisture ranging between 69–72%, a pH value between 6.4 and 6.6, and optimal nutrient availability. Plant growth increased significantly. The integration of IoT, AI and aquaponics improves cultivation efficiency, enabling environmental control as a smart and sustainable solution for urban agriculture.
Keywords: artificial intelligence; aquaponic; hydroponic; LED grow light; vertical farming
Abstract: Kemajuan pertanian cerdas telah menjadi solusi yang menjanjikan untuk meningkatkan produktivitas pangan dan efisiensi penggunaan lahan di lingkungan perkotaan. Penelitian ini bertujuan untuk mengembangkan sistem pertanian hidroponik vertikal berbasis Kecerdasan Buatan (AI) yang terintegrasi dengan teknologi lampu tumbuh LED dan aquaponik ikan lele. Sistem yang diusulkan menggabungkan hidroponik vertikal dan aquaponik untuk mengoptimalkan pertumbuhan tanaman dan pemanfaatan air. Teknologi Internet of Things memungkinkan pemantauan lingkungan secara real-time melalui mikrokontroler arduino uno yang terintegrasi dengan sensor LDR, kelembaban tanah, pH, dan NPK. Data sensor yang diperoleh diproses menggunakan algoritma Logika Fuzzy Mamdani, yang melakukan fuzzifikasi, inferensi aturan, agregasi, dan defuzzifikasi untuk menghasilkan keputusan kontrol adaptif untuk irigasi, sirkulasi nutrisi, dan intensitas lampu tumbuh LED. Penelitian ini menggunakan metode Pengembangan (R&D) melalui pengembangan prototipe dan evaluasi kinerja selama 30 hari menggunakan bayam (Amaranthus spp.) dan sawi hijau (Brassica juncea) sebagai tanaman uji. Hasil eksperimen menunjukkan bahwa sistem yang dikembangkan berhasil mempertahankan kondisi lingkungan yang stabil, dengan kelembaban tanah berkisar antara 69–72%, nilai pH antara 6,4 dan 6,6, dan ketersediaan nutrisi yang optimal. Pertumbuhan tanaman meningkat secara signifikan. Integrasi IoT, AI dan aquaponik meningkatkan efisiensi budidaya, untuk pengendalian lingkungan sebagai solusi cerdas dan berkelanjutan untuk pertanian perkotaan.
Keywords: aquaponik; kecerdasan buatan; hidroponik; lampu tumbuh LED; pertanian vertikal
Abstract:Abstract: Choosing the right elementary school is a crucial milestone for a child's future. However, the large number of school options in Asahan Regency with diverse criteria such as accreditation, facilities, fees, curriculum,…
riculum, and accessibility often makes it difficult for parents. Decision-making tends to be based on subjective word-of-mouth recommendations, which risks triggering bias. This research aims to develop an adaptive and objective web-based elementary school selection Decision Support System (DSS) framework to minimize such bias. The system is designed using a hybrid model that combines the Simple Multi-Attribute Rating Technique (SMART) method as a dynamic criteria weighting engine based on parents' preferences, and the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) method to rank ten alternative schools. System testing was conducted through black-box testing functionality and empirical accuracy testing using Spearman Rank Correlation involving 40 respondents. The black-box testing results confirmed that all main system operations ran perfectly with a 100% success rate. Validity testing demonstrated very high accuracy, with a Spearman correlation coefficient of 0.89, demonstrating significant alignment between the system's recommendations and actual choices on the ground. Thus, the SMART-TOPSIS framework has proven reliable as a data-driven approach to helping parents choose the best elementary school.
Keywords: decision support system; elementary school; SMART; TOPSIS
Abstrak: Memilih sekolah dasar yang tepat merupakan tonggak awal krusial bagi masa depan anak. Namun, banyaknya pilihan sekolah di Kabupaten Asahan dengan keberagaman kriteria seperti akreditasi, fasilitas, biaya, kurikulum, dan aksesibilitas sering kali menyulitkan orang tua. Pengambilan keputusan pun cenderung didasarkan pada rekomendasi subjektif dari mulut ke mulut, yang berisiko memicu bias. Penelitian ini bertujuan mengembangkan kerangka kerja Sistem Pendukung Keputusan (SPK) pemilihan sekolah dasar berbasis web yang adaptif dan objektif guna meminimalkan bias tersebut. Sistem dirancang menggunakan model hibrida yang mengombinasikan metode *Simple Multi-Attribute Rating Technique* (SMART) sebagai mesin pembobotan kriteria dinamis sesuai preferensi orang tua, serta metode *Technique for Order of Preference by Similarity to Ideal Solution* (TOPSIS) untuk memeringkat sepuluh sekolah alternatif. Pengujian sistem dilakukan melalui uji fungsionalitas *black-box testing* dan uji akurasi empiris menggunakan Korelasi Peringkat Spearman dengan melibatkan 40 responden. Hasil *black-box testing* mengonfirmasi seluruh operasi utama sistem berjalan sempurna dengan tingkat keberhasilan 100%. Uji validitas menunjukkan akurasi sangat tinggi dengan koefisien korelasi Spearman sebesar 0,89, membuktikan keselarasan signifikan antara rekomendasi sistem dan pilihan nyata di lapangan. Dengan demikian, kerangka SMART-TOPSIS ini terbukti andal sebagai pendekatan berbasis data untuk membantu orang tua memilih sekolah dasar terbaik.
Kata kunci: sekolah dasar; sistem pendukung keputusan; SMART; TOPSIS
Abstract:Abstract: Existing IoT anomaly detection studies have achieved high classification performance, but most focus on accuracy and F1-score without explicitly controlling the false positive rate (FPR). In addition, many approaches…
oaches rely on a single detection perspective, limiting their operational reliability. To address this gap, this study proposes a hybrid anomaly detection framework integrating Long Short-Term Memory (LSTM), Shannon entropy, and autoencoder reconstruction error. Shannon entropy is incorporated as an additional feature, while LSTM and the autoencoder capture temporal and reconstruction characteristics. The resulting hybrid representation is processed by a constraint-based threshold selection mechanism that enforces FPR . Experiments on the TON-IoT and Edge-IIoTset datasets achieved average F1-scores of 0.9250 and 0.9934, while maintaining average FPR values of 0.0091 and 0.0714, respectively. Analysis of entropy distributions showed consistent differences between normal and anomalous traffic across both datasets, indicating that Shannon entropy provides discriminative information for anomaly detection. These results demonstrate strong detection performance with controlled false alarms, while ablation studies confirm the significant contribution of Shannon entropy to overall model performance.
Keywords: false positive rate; hybrid deep learning; Internet of Things; network anomaly detection; Shannon entropy
Abstrak: Penelitian deteksi anomali Internet of Things (IoT) telah menunjukkan performa klasifikasi yang tinggi, namun sebagian besar masih berfokus pada accuracy dan F1-score tanpa mengendalikan false positive rate (FPR) secara eksplisit. Selain itu, banyak pendekatan hanya memanfaatkan satu perspektif deteksi sehingga reliabilitas operasionalnya masih terbatas. Untuk mengatasi kesenjangan tersebut, penelitian ini mengusulkan kerangka deteksi anomali hybrid yang mengintegrasikan Long Short-Term Memory (LSTM), Shannon entropy, dan autoencoder reconstruction error. Shannon entropy digunakan sebagai fitur tambahan, sedangkan LSTM dan autoencoder menangkap karakteristik temporal dan deviasi rekonstruksi. Representasi hybrid yang dihasilkan kemudian diproses melalui mekanisme constraint-based threshold selection dengan batas FPR . Hasil pengujian pada dataset TON-IoT dan Edge-IIoTset menghasilkan F1-score rata-rata sebesar 0,9250 dan 0,9934, dengan FPR rata-rata sebesar 0,0091 dan 0,0714. Perbedaan nilai entropy yang konsisten antara trafik normal dan anomali pada kedua dataset menunjukkan bahwa Shannon entropy menyediakan informasi diskriminatif untuk deteksi anomali. Hasil tersebut menunjukkan performa deteksi yang kuat dengan false alarm yang terkendali, sementara studi ablasi mengonfirmasi kontribusi signifikan Shannon entropy terhadap performa model.
Kata kunci: deteksi anomali jaringan; false positive rate; hybrid deep learning; Internet of Things; Shannon entropy
Abstract:Abstract: The advancement of digital technology has made it easier to create, process, and distribute files—using 317 files from the dataset https://www.kaggle.com/datasets/axon data/selfie-and-official-id-photo-dataset-18k…
t-18k images?select=metadata_image.csv has also introduced new challenges, such as the increasing practice of digital file manipulation that is difficult to detect visually. Therefore, an intelligent digital forensics system that can automatically and accurately detect file authenticity is required. This study aims to develop an intelligent digital forensics system for detecting file manipulation by leveraging metadata analysis and the Random Forest classification method. The methods used include extracting metadata from digital files—such as time information, device details, and processing history—followed by analysis to identify patterns of inconsistency that indicate manipulation. This data is then used as features in the classification process using the Random Forest algorithm to distinguish between original and manipulated files. The results of this study are expected to show that the use of metadata analysis combined with the Random Forest algorithm can improve accuracy in detecting digital file manipulation compared to conventional methods. The resulting system is expected to provide an effective, efficient, and integrated solution to support digital forensic investigations, Based on the test results, the system demonstrated good performance with an accuracy rate of 94%.
Keywords: Digital Forensics;File Manipulation;Metadata Analysis;Random Forest;Classification;Machine Learning
Abstrak:Perkembangan teknologi digital telah meningkatkan kemudahan dalam pembuatan, pengolahan,dan distribusi file sebanyak 317 file, sumber datasets https:// www.kaggle.com/datasets/axondata/selfie-and-official-id-photo-dataset-18k-images?select =metadata_image.csv, namun juga menimbulkan tantangan baru berupa meningkatnya praktik manipulasi file digital yang sulit dideteksi secara kasat mata. Oleh karena itu, diperlukan suatu sistem forensik digital yang cerdas dan mampu mendeteksi keaslian file secara otomatis dan akurat. Penelitian ini bertujuan untuk mengembangkan sistem forensik digital cerdas untuk deteksi manipulasi file dengan memanfaatkan analisis metadata dan metode klasifikasi Random Forest. Metode yang digunakan meliputi proses ekstraksi metadata dari file digital, seperti informasi waktu, perangkat, dan riwayat pengolahan, kemudian dilakukan analisis untuk menemukan pola ketidaksesuaian yang mengindikasikan adanya manipulasi. Selanjutnya, data tersebut digunakan sebagai fitur dalam proses klasifikasi menggunakan algoritma Random Forest untuk membedakan antara file asli dan file yang telah dimanipulasi. Hasil dari penelitian ini diharapkan menunjukkan bahwa penggunaan analisis metadata yang dikombinasikan dengan algoritma Random Forest mampu meningkatkan akurasi dalam mendeteksi manipulasi file digital dibandingkan metode konvensional. Sistem yang dihasilkan dapat memberikan solusi yang efektif, efisien, dan terintegrasi dalam mendukung proses investigasi forensik digital, Berdasarkan hasil pengujian, sistem menunjukkan performa yang baik dengan tingkat akurasi sebesar 94%.
Kata Kunci: Forensik Digital, Manipulasi File, Metadata, Random Forest, Klasifikasi, Machine Learning.
Abstract:Abstract: Inventory management of consumable medical devices and drugs plays a crucial role in maintaining the continuity of healthcare operations. However, Jelita Dental Care still faces challenges in recording and controlling…
rolling stock due to manual procedures, which can lead to data inaccuracy, procurement delays, and the risk of stockouts. To address these issues, this study aims to develop a web-based Electronic Supply Chain Management (E-SCM) system that integrates stock monitoring and procurement processes. The Reorder Point (ROP) method is applied to determine the optimal reorder point based on average demand, lead time, and safety stock. This system was built using the PHP programming language and MySQL database. The results show that the JelitaMed system is able to improve the effectiveness and accuracy of inventory management, simplify the structured procurement submission process between the admin, owner, and supplier, and support decision-making in maintaining the availability of consumable medical devices and drugs. Thus, the implementation of E-SCM combined with the ROP method is a practical solution to improve inventory control in small-scale health clinics.
Keywords: e-scm; inventory; information system; medical supplies; reorder point.
Abstrak: Pengelolaan persediaan alat dan obat medis habis pakai memiliki peran penting dalam menjaga keberlangsungan operasional layanan kesehatan. Namun, Jelita Dental Care masih menghadapi kendala dalam pencatatan dan pengendalian stok akibat prosedur manual, yang dapat menyebabkan ketidaktepatan data, keterlambatan pengadaan, serta risiko kekurangan persediaan. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan mengembangkan sistem Electronic Supply Chain Management (E-SCM) berbasis web yang mengintegrasikan pemantauan stok dan proses pengadaan. Metode Reorder Point (ROP) diterapkan untuk menentukan waktu pemesanan ulang yang optimal berdasarkan permintaan rata-rata, lead time, dan safety stock. Sistem ini dibangun menggunakan bahasa pemrograman PHP dan database MySQL. Hasil penelitian menunjukkan bahwa sistem JelitaMed mampu meningkatkan efektivitas dan akurasi pengelolaan persediaan, mempermudah proses pengajuan pengadaan secara terstruktur antara admin, owner, dan supplier, serta mendukung pengambilan keputusan dalam menjaga ketersediaan alat dan obat medis habis pakai. Dengan demikian, penerapan E-SCM yang dikombinasikan dengan metode ROP menjadi solusi praktis untuk meningkatkan pengendalian persediaan pada klinik kesehatan skala kecil.
Kata kunci: alat medis; e-scm; persediaan; reorder point; sistem informasi
Abstract:Abstract: This research is motivated by the problem of building material inventory management at Jaqfar Building Store, which is still done manually and based on subjective estimates. This often results in inaccuracies in…
n determining stock levels, either in the form of overstock or understock, which hinders operational effectiveness. The purpose of this study is to apply the Multiple Linear Regression method to analyze the relationship between incoming stock (X1) and outgoing stock (X2) variables with the ending stock variable (Y) to produce an optimal inventory prediction model. The research methodology used includes collecting historical transaction data for building materials such as cement, ceramics, zinc, plywood, and iron. This web-based prediction system was developed using the PHP programming language and a MySQL database. The analysis results show that the resulting regression model can provide a mathematical picture of future inventory patterns based on historical data. Implementation of this system is expected to assist the management of Jaqfar Building Materials Store in making strategic decisions regarding purchasing and sales in a more measured and efficient manner.
Keyword: building materials; data mining; inventory; multiple linear regression
Abstrak: Penelitian ini dilatarbelakangi oleh permasalahan pengelolaan persediaan bahan bangunan di Toko Bangunan Jaqfar yang masih dilakukan secara manual dan berdasarkan perkiraan subjektif. Hal ini menyebabkan sering terjadinya ketidaktepatan dalam menentukan jumlah stok, baik berupa kelebihan barang (overstock) maupun kekurangan barang (understock) yang menghambat efektivitas operasional. Tujuan dari penelitian ini adalah menerapkan metode Multiple Linear Regression (Regresi Linear Berganda) untuk menganalisis hubungan antara variabel stok masuk (X1) dan stok keluar (X2) terhadap variabel stok akhir (Y) guna menghasilkan model prediksi persediaan yang optimal. Metodologi penelitian yang digunakan mencakup pengumpulan data historis transaksi bahan bangunan seperti semen, keramik, seng, triplek, dan besi. Sistem prediksi ini dikembangkan berbasis web menggunakan bahasa pemrograman PHP dan basis data MySQL. Hasil analisis menunjukkan bahwa model regresi yang dihasilkan mampu memberikan gambaran matematis mengenai pola persediaan di masa mendatang berdasarkan data historis. Implementasi sistem ini diharapkan dapat membantu manajemen Toko Bangunan Jaqfar dalam mengambil keputusan strategis terkait pembelian dan penjualan secara lebih terukur serta efisien.
Kata kunci: bahan bangunan; data mining; persediaan; regresi linear berganda
Abstract:Abstract: Mental health is an essential aspect of overall well-being, particularly for university students vulnerable to emotional strain. This study aims to identify clusters of student mental health trends using the K-Means…
Means clustering technique. The research involved 60 students from four academic programs at the Faculty of Science and Technology, selected using stratified and cluster sampling techniques. Data were collected using a modified Mental Health Inventory (MHI). The results revealed distinct commonalities among majors: the Statistics program was predominantly defined by the depressed cluster at 53.3%, while Mathematics followed at 40% within the same cluster. In contrast, Biology students predominantly fell under the neu-tral/stable cluster (66.7%), whilst Information Systems students exhibited an even distribution (33.3% per cluster) without a dominant trend. The clustering quality was evaluated using the Silhouette Coefficient, yielding a range of 0.39 to 0.60. Biology (0.60) and Statistics (0.54) exhibited a reasonable structure, but Information Systems (0.39) and Mathematics (0.34) demonstrated a deficient structure. In conclusion, K-Means effectively discerns mental health patterns, providing a data-driven basis for targeted psychological interventions in educational settings.
Keywords: biology; information systems; k-means; mathematics; mental health; silhouette coefficient; statistics
Abstrak: Kesehatan mental merupakan komponen vital dari kesejahteraan total, terutama bagi maha-siswa yang rentan terhadap stres emosional. Penelitian ini bertujuan untuk mengidentifikasi kelompok tren kesehatan mental mahasiswa melalui penerapan metode pengelompokan K-Means. Studi ini mencakup 60 mahasiswa dari empat program studi di Fakultas Sains dan Teknologi, yang dipilih melalui metode pengambilan sampel bertingkat dan kelompok. Data dikumpulkan dengan menggunakan Inventaris Kesehatan Mental (MHI) yang dimodifikasi. Temuan menunjukkan kesamaan yang jelas di antara jurusan: program studi Statistika terutama ditandai oleh kelompok depresi (53,3%), diikuti oleh Matematika dengan 40% dalam kelompok depresi. Sebaliknya, mahasiswa Biologi terutama termasuk dalam kelompok netral/stabil (66,7%), sedangkan mahasiswa Sistem Informasi memiliki distribusi yang merata (33,3% per kelompok) tanpa pola yang dominan. Kualitas pengelompokan dinilai dengan Koefisien Sil-houette, menghasilkan rentang 0,39 hingga 0,60. Biologi (0,60) dan Statistika (0,54) memiliki struktur sedang, sedangkan Sistem Informasi (0,39) dan Matematika (0,34) menunjukkan struktur yang buruk. Kesimpulannya, K-Means secara akurat mengidentifikasi tren kesehatan mental, menawarkan landasan berbasis data untuk terapi psikologis yang ditargetkan di ling-kungan pendidikan.
Kata kunci: biologi; kesehatan mental; K-Means; matematika; silhouette coefficient; sistem in-formasi; statistika
Abstract:Abstract: Accurate bone age estimation is essential for monitoring pediatric growth, diagnosing endocrine disorders, and supporting clinical decision-making. Although deep learning has improved prediction accuracy, limited…
ed studies have systematically examined how increasing model depth affects performance and reliability. This study evaluates the effectiveness of progressively deeper convolutional neural networks, specifically EfficientNet variants B0 to B5, for bone age estimation from hand radiographs. Experiments were conducted using 12,611 hand X-ray images from the RSNA Pediatric Bone Age Challenge dataset on Kaggle. To ensure fair comparison, all models were trained using a unified and consistent training pipeline. Model performance was evaluated using Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Concordance Correlation Coefficient (CCC), and Pearson correlation coefficient. The results show a consistent improvement in prediction accuracy as model depth increases. Among the evaluated models, EfficientNet-B5 achieved the best performance, with an MAE of 21.5 months, MAPE of 6.23%, CCC of 0.9148, and Pearson’s r of 0.9203. These findings confirm that model scaling plays a critical role in enhancing prediction robustness and clinical reliability. Future work should emphasize external validation across diverse populations and incorporate interpretability techniques, such as Grad-CAM, to improve clinical transparency and trust.
Keywords: bone age prediction; deep learning; model evaluation; clinical validation
Abstrak: Estimasi usia tulang yang akurat sangat penting untuk memantau pertumbuhan anak, mendiagnosis gangguan endokrin, dan mendukung pengambilan keputusan klinis. Meskipun pembelajaran mendalam telah meningkatkan akurasi prediksi, studi yang secara sistematis meneliti bagaimana peningkatan kedalaman model memengaruhi kinerja dan keandalan masih terbatas. Studi ini mengevaluasi efektivitas jaringan saraf konvolusional yang semakin dalam, khususnya varian EfficientNet B0 hingga B5, untuk estimasi usia tulang dari radiografi tangan. Eksperimen dilakukan menggunakan 12.611 gambar sinar-X tangan dari dataset RSNA Pediatric Bone Age Challenge di Kaggle. Untuk memastikan perbandingan yang adil, semua model dilatih menggunakan alur pelatihan yang terpadu dan konsisten. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Concordance Correlation Coefficient (CCC), dan koefisien korelasi Pearson. Hasil menunjukkan peningkatan yang konsisten dalam akurasi prediksi seiring dengan peningkatan kedalaman model. Di antara model yang dievaluasi, EfficientNet-B5 mencapai kinerja terbaik, dengan MAE sebesar 21,5 bulan, MAPE sebesar 6,23%, CCC sebesar 0,9148, dan Pearson’s r sebesar 0,9203. Temuan ini menegaskan bahwa penskalaan model memainkan peran penting dalam meningkatkan optimasi prediksi dan keandalan klinis. Penelitian selanjutnya dapat menekankan validasi eksternal di berbagai populasi dan menggabungkan teknik interpretasi, seperti Grad-CAM, untuk meningkatkan transparansi dan kepercayaan klinis.
Kata kunci: prediksi usia tulang; deep learning; evaluasi model; validasi klinis
Abstract:Abstract: Understanding students’ emotional conditions is important for evaluating engagement and learning atmosphere in classroom environments. However, conventional evaluation methods are often subjective and difficult…
lt to apply in real time. Therefore, this study proposes a real-time multi-face emotion detection system designed for classroom learning environments. The system integrates a CNN-based Tiny Face Detector for multi-scale face localization with a convolutional neural network to classify seven facial emotions: angry, disgust, fear, happy, sad, surprise, and neutral. Experimental evaluation was conducted using classroom video data under varying lighting conditions, face orientations, partial occlusions, and different numbers of detected faces per frame. The proposed system achieves stable real-time performance with processing speeds ranging from 10–20 FPS, depending on face density. The results show higher recognition performance for expressive emotions, while subtle emotions remain more challenging. Overall classification accuracy reaches above 80% when emotion predictions are aggregated across multiple faces and time windows. These results indicate that the proposed system is suitable for objective analysis of emotional dynamics in classroom environments and supports the deployment of lightweight emotion-aware monitoring systems for educational applications.
Keywords: classroom monitoring; convolutional neural network; facial emotion recognition; multi-face detection; tiny face detector.
Abstrak: Pemahaman terhadap kondisi emosional mahasiswa penting untuk mengevaluasi keterlibatan dan suasana pembelajaran di kelas. Namun, metode evaluasi konvensional umumnya bersifat subjektif dan sulit diterapkan secara real-time. Oleh karena itu, penelitian ini mengusulkan sistem deteksi emosi multi-wajah secara real-time yang dirancang untuk lingkungan pembelajaran di kelas. Sistem mengintegrasikan Tiny Face Detector berbasis CNN untuk pelokalan wajah multi-skala dengan jaringan saraf konvolusional untuk mengklasifikasikan tujuh emosi wajah, yaitu marah, jijik, takut, senang, sedih, terkejut, dan netral. Evaluasi eksperimen dilakukan menggunakan data video kelas dengan variasi kondisi pencahayaan, orientasi wajah, oklusi parsial, serta jumlah wajah yang berbeda dalam satu frame. Sistem menunjukkan kinerja real-time yang stabil dengan kecepatan pemrosesan antara 10–20 FPS, bergantung pada kepadatan wajah. Hasil pengujian menunjukkan kinerja yang lebih baik pada emosi ekspresif, sementara emosi dengan ciri halus lebih menantang untuk dikenali. Akurasi klasifikasi keseluruhan mencapai di atas 80% ketika hasil emosi diagregasi berdasarkan banyak wajah dan interval waktu. Hasil ini menunjukkan bahwa sistem yang diusulkan berpotensi digunakan untuk analisis objektif dinamika emosi di kelas serta mendukung pemantauan lingkungan pembelajaran berbasis kecerdasan buatan.
Kata kunci: pengenalan emosi wajah; deteksi multi-wajah; Tiny Face Detector; jaringan saraf konvolusional; pemantauan kelas.
Abstract:Abstract: Information Technology has impacted various sectors, including education. Learning Management Systems (LMS) are designed to facilitate lecturers and students in accessing academic activities such as online learning.…
ning. This study aims to analyze the effectiveness of Learning Management Systems (LMS) among higher education institutions in Indonesia. This analysis is crucial for assessing the effectiveness of LMS use by universities in Indonesia, enabling investments in LMS to yield optimal results. The study employed the D&M IS Success Model and PLS-SEM to evaluate the relationships between various variables, including system, information, service quality, user satisfaction, and benefits. Simple random sampling was used to collect data from 170 universities in Indonesia. This study employed PLS-SEM to investigate the observed variables, including validity and reliability testing, which involves assessing reliability, convergent validity, and discriminant validity. This current study found that all the hypotheses were accepted with p-values below 0,05. These findings contribute to universities paying attention to aspects of system, information, and service quality in Learning Management Systems (LMS) to improve user satisfaction and create a positive perception of benefits. Therefore, this research yields significant results that contribute to higher education in Indonesia, as well as the advancement of knowledge in management information systems.
Keywords: delone and mclean; information system success; LMS; SEM-PLS.
Abstrak: Teknologi Informasi telah memengaruhi berbagai sektor, termasuk pendidikan. Learning Management System (LMS) dirancang untuk memfasilitasi dosen dan mahasiswa dalam mengakses kegiatan akademik seperti pembelajaran daring. Penelitian ini bertujuan untuk menganalisis efektivitas penggunaan Learning Management System (LMS) di perguruan tinggi di Indonesia. Analisis ini penting untuk menilai sejauh mana efektivitas penggunaan LMS oleh universitas-universitas di Indonesia, sehingga investasi dalam LMS dapat mem-berika n hasil yang optimal.Penelitian ini menggunakan model D&M IS Success Model dan metode PLS-SEM untuk mengevaluasi hubungan antara berbagai variabel, termasuk kuali-tas sistem, informasi, layanan, kepuasan pengguna, dan manfaat. Teknik simple random sampling digunakan untuk mengumpulkan data dari 170 perguruan tinggi di Indonesia. Penelitian ini menggunakan PLS-SEM untuk mengkaji variabel-variabel yang diamati, ter-masuk pengujian validitas dan reliabilitas, yang mencakup penilaian reliabilitas, validitas konvergen, dan validitas diskriminan. Hasil dari penelitian ini menunjukkan bahwa semua hipotesis diterima dengan nilai p di bawah 0,05. Temuan ini mendorong universitas untuk memberikan perhatian pada aspek kualitas sistem, informasi, dan layanan dalam penggunaan LMS guna meningkatkan kepuasan pengguna dan menciptakan persepsi posi-tif terhadap manfaatnya. Oleh karena itu, penelitian ini memberikan hasil yang signifikan bagi perguruan tinggi di Indonesia serta turut berkontribusi dalam pengembangan ilmu di bidang sistem informasi manajemen.
Kata kunci: delone and mclean; kesuksesan sistem informasi; LMS; SEM-PLS