Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Insand Comtech : Information Science and Computer Technology Journal Inventor: Jurnal Inovasi dan Tren Pendidikan Teknologi Informasi
Bima Wahyu Maulana
Politeknik Negeri Jember
Computer Science & IT Education Electrical & Electronics Engineering Other

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

Found 2 Documents
Search

 1 
Implementasi Artificial Intelligence untuk Prediksi Penyakit Jantung dengan Pendekatan Explainable AI Bima Wahyu Maulana; Agung Muliawan; Muhammad Hafidh Firmansyah; Angga Dwinanda; Difari Afreyna Fauziah
Insand Comtech : Information Science and Computer Technology Journal Vol. 11 No. 1 (2026): Insand Comtech
Publisher : Universitas Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53712/jic.v11i1.2972

Abstract

Fokus utama penelitian ini adalah rancang bangun sistem prediksi penyakit kardiovaskular dengan mengimplementasikan algoritma Random Forest. Guna mengatasi masalah "kotak hitam" pada kecerdasan buatan, studi ini mengintegrasikan pendekatan Explainable Artificial Intelligence (XAI) melalui metode SHAP (SHapley Additive exPlanations) untuk memperkuat aspek transparansi model. Analisis dilakukan menggunakan data sekunder dari Heart Disease UCI Dataset, yang mencakup variabel klinis esensial seperti usia, gender, tekanan darah, hingga kadar kolesterol. Siklus riset dimulai dari tahap pra-pemrosesan data, distribusi data latih dan uji, hingga fase konstruksi model. Evaluasi efektivitas sistem diukur menggunakan metrik akurasi, precision, recall, dan F1-score. Temuan empiris menunjukkan bahwa model mampu menghasilkan tingkat akurasi sebesar 83%, dengan kapabilitas klasifikasi yang stabil baik pada pasien positif maupun negatif penyakit jantung. Lebih lanjut, penerapan SHAP mengungkap bahwa variabel oldpeak, thalach, dan ca menjadi determinan paling krusial dalam pembentukan prediksi. Menariknya, fitur seperti kolesterol tidak selalu memberikan dampak linier langsung, melainkan bekerja melalui interaksi kompleks dengan atribut lainnya. Secara keseluruhan, integrasi XAI dalam studi ini terbukti meningkatkan interpretabilitas model machine learning. Hal ini diharapkan dapat memberikan landasan klinis yang lebih kuat bagi tenaga medis dalam proses pengambilan keputusan serta mempertebal kepercayaan terhadap sistem diagnostik berbasis AI.
Sistem BIMA: Integrasi IoT dan Deep Learning untuk Penyortiran Kualitas Telur Ayam Mochammad Rifki Ulil Albaab; Muhammad Hafidh Firmansyah; Reza Putra Pradana; Agung Muliawan; Bima Wahyu Maulana
Inventor: Jurnal Inovasi dan Tren Pendidikan Teknologi Informasi Vol. 4 No. 3 (2026): Edisi Oktober
Publisher : STKIP Taman Siswa Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37630/inventor.v4i3.5121

Abstract

Proses penyortiran telur ayam di peternakan masih umumnya dilakukan secara manual sehingga berisiko menghasilkan penilaian subjektif, kesalahan manusia, dan ketidakkonsistenan. Penelitian ini merancang BIMA, sebuah sistem cerdas berbasis Internet of Things (IoT) yang ditujukan untuk mengintegrasikan proses identifikasi mutu dan penyortiran telur secara otomatis. Metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 digunakan untuk mengenali dan menentukan kategori kualitas telur berdasarkan citra. Dalam implementasinya, ESP32 sebagai pengendali utama, sedangkan ESP32-CAM digunakan untuk menangkap citra telur. Pengukuran bobot dilakukan menggunakan Load Cell yang terintegrasi dengan HX711, sementara IR Obstacle Sensor berfungsi mendeteksi keberadaan telur pada jalur konveyor. Mekanisme pemindahan dan pengelompokan telur didukung oleh mini conveyor dan robot arm. Berdasarkan hasil klasifikasi, telur dikelompokkan ke dalam empat kelas mutu, yakni Grade A, Grade B, Grade C, dan Tidak Layak (TL). Model dilatih menggunakan 2.436 citra melalui transfer learning dan menghasilkan akurasi validasi 94,40% serta rata-rata F1-score 95,3%. Pengujian sistem terhadap 100 telur dalam lima sesi memperoleh akurasi 72,0%. Sensor Load Cell menghasilkan MAPE 2,02%, sedangkan sensor IR Obstacle mampu mendeteksi keberadaan telur dengan baik. Hasil menunjukkan bahwa integrasi CNN-MobileNetV2 dan IoT berpotensi mendukung otomatisasi penyortiran telur secara real-time.
Co-Authors Agung Muliawan Angga Dwinanda Fauziah, Difari Afreyna Mochammad Rifki Ulil Albaab MUHAMMAD HAFIDH FIRMANSYAH Reza Putra Pradana