Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Buletin Sistem Informasi dan Teknologi Islam
Titik Khawa Abd Rahman
School Science and Technology, Asia E University, Selangor, Malaysia
Computer Science & IT

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

Found 2 Documents
Search

 1 
Explainable Fake News Detection in Indonesian Language Using IndoBERT and SHAP Muhammad Hasraddin Hasnan; Rizky Yusliana Bakti; Muhammad Faisal; Titik Khawa Abd Rahman; Nurnawaty Nurnawaty; Muhammad Syafaat S. Kuba; Titin Wahyuni
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3466

Abstract

Perkembangan teknologi informasi dan media sosial telah mempercepat penyebaran berita palsu, sehingga diperlukan sistem deteksi yang akurat, andal, dan mudah diinterpretasikan. Penelitian ini bertujuan mengembangkan sistem deteksi fake news berbahasa Indonesia dengan mengintegrasikan IndoBERT sebagai model klasifikasi teks dan SHAP sebagai pendekatan Explainable Artificial Intelligence (XAI) untuk menjelaskan kontribusi kata terhadap hasil prediksi. Dataset diperoleh dari TurnBackHoax dan Kaggle, kemudian melalui tahapan preprocessing berupa cleaning text, filtering bahasa Indonesia, tokenisasi, serta penyeimbangan data menggunakan random oversampling pada data latih. Dari 5.347 data awal, diperoleh 4.980 data setelah filtering bahasa Indonesia, terdiri atas 3.613 data valid dan 1.367 data hoaks. Data dibagi secara stratifikasi dengan rasio 80% untuk pelatihan dan 20% untuk pengujian. Setelah oversampling, data latih menjadi seimbang dengan masing-masing 2.890 sampel per kelas. Hasil eksperimen menunjukkan bahwa model baseline TF-IDF dan Logistic Regression memperoleh akurasi 77%, sedangkan IndoBERT mencapai akurasi 87%, dengan precision 0,87, recall 0,95, dan F1-score 0,91 pada kelas hoaks. Visualisasi SHAP menunjukkan token penting yang memengaruhi klasifikasi. Hasil ini membuktikan bahwa integrasi IndoBERT dan SHAP efektif meningkatkan deteksi berita palsu sekaligus memberikan transparansi model.
Integrasi Principal Component Analysis dan DBSCAN untuk Klasterisasi Tingkat Keparahan Stunting pada Balita Azzah Aulia Syarif; Rizki Yusliana Bakti; Muhammad Faisal; Nini Apriani Rumata; Titik Khawa Abd Rahman; Andi Makbul Syamsuri; M. Agusalim
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 3 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i3.3512

Abstract

Stunting masih menjadi masalah kesehatan masyarakat yang serius. Variasi karakteristik antropometri pada balita stunting membuat satu kategori klasterisasi tidak cukup merepresentasikan kondisi pertumbuhan secara menyeluruh. Penelitian ini mengusulkan integrasi Principal Component Analysis (PCA) dan DBSCAN untuk mengidentifikasi subkelompok keparahan stunting pada balita di Puskesmas Turikale (Agustus 2025; n = 406). Setelah pembersihan dan standardisasi usia, PCA diterapkan pada HAZ, WAZ, WHZ, dan usia saat  pengukuran, menghasilkan tiga komponen utama (PC1–PC3) yang menjelaskan 99.35% variasi data. DBSCAN pada ruang PCA (ε = 0.60; MinPts = 5; Euclidean) menghasilkan tiga klaster dengan 12.56% noise yang direalokasi menggunakan nearest-centroid agar seluruh sampel berlabel. Hasil menunjukkan tiga subkelompok: stunting sedang dengan underweight pada usia lebih tua (n = 357), stunting sedang disertai risiko gizi lebih pada usia lebih muda (n = 24), dan stunting berat pada usia dini (n = 25). Dibandingkan K-medoids dan Fuzzy C-Means, PCA–DBSCAN memberikan validasi internal terbaik (Silhouette = 0.277; DBI = 1.062; Dunn = 0.0765). Pendekatan ini menghasilkan profil antropometri yang dapat digunakan sebagai alat bantu penentuan prioritas pemantauan dan penilaian gizi di layanan kesehatan primer, tanpa menggantikan klasifikasi WHO.
Co-Authors Andi Makbul Syamsuri Azzah Aulia Syarif M. Agusalim Muhammad Faisal Muhammad Hasraddin Hasnan Muhammad Syafaat S. Kuba Nini Apriani Rumata Nurnawaty Rizki Yusliana Bakti Rizky Yusliana Bakti Titin Wahyuni