Article Per Year (5 Year)
p-Index From 2021 - 2026
4.2
P-Index
This Author published in this journals
All Journal Jupiter JOURNAL OF APPLIED INFORMATICS AND COMPUTING Jurnal Teknologi Komputer dan Sistem Informasi Jurnal Pengabdian Al-Ikhlas Technologia: Jurnal Ilmiah Seminar Nasional Teknologi Informasi Komunikasi dan Administrasi [SEMINASTIKA] Community Development Journal: Jurnal Pengabdian Masyarakat Jurnal Pengabdian Masyarakat Asia Jurnal Computer Science and Information Technology (CoSciTech) Brilliance: Research of Artificial Intelligence Jurnal Pengabdian Kolaborasi dan Inovasi IPTEKS PIKAT CARE: Jurnal Pengabdian Multi Disiplin SmartComp Jurnal Sains Sistem Informasi
Galih Mahalisa
Fakultas Teknologi Informasi ,Universitas Islam Kalimantan Muhammad Arsyad Al Banjari
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Library & Information Science Mathematics Public Health Social Sciences Other

Published : 37 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 37 Documents
Search

 1   2   3   4 
Development Of A Collaborative Recommendation System Based on Singular Value Decomposition (SVD) on E-Commerce Data Mahalisa, Galih; Ratna, Silvia; Muflih, M.
Journal of Applied Informatics and Computing Vol. 9 No. 6 (2025): December 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i6.11688

Abstract

Recommendation systems (RS) are vital tools for mitigating information overload and data sparsity challenges in modern e-commerce platforms. This study focuses on developing and evaluating a Collaborative Filtering (CF) model utilizing Singular Value Decomposition (SVD) as a Matrix Factorization technique, applied to the publicly available E-commerce dataset. The dataset, comprising nine interconnected transactional tables, presents significant data sparsity due to limited explicit user ratings relative to the vast product catalog. The SVD model was implemented to decompose the highly sparse User-Item interaction matrix into lower-rank latent factor matrices, thereby capturing underlying purchasing patterns and user preferences. The model's performance was rigorously validated using k-fold cross-validation and assessed via standard accuracy metrics: Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The experimental results demonstrated high predictive accuracy, achieving an RMSE of 1.25 and an MAE of 0.98. These findings indicate that the SVD model effectively overcomes the sparsity challenge inherent in large-scale e-commerce transactional data, providing robust prediction capabilities that surpass established industry benchmarks (e.g., RMSE » 1.31, MAE » 1.04 found in similar studies). The successful implementation validates SVD as a highly effective approach for generating personalized, high-quality product recommendations, offering substantial business implications for enhancing customer engagement and maximizing Average Order Value (AOV)
Deteksi Spam Email Multibahasa: Menggunakan Cross-Lingual Transfer Learning Mahalisa, Galih; Alfah, Rina; Sanjaya, Hendra
Computer Science and Information Technology Vol 6 No 3 (2025): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v6i3.10107

Abstract

Targeting the challenge of text classification in Indonesian, which often faces a scarcity of adequate labeled data, this research adapts the pre-trained language model BERT-base-multilingual-cased, which was trained on a large multilingual corpus. The strategy involves two stages: first, the model is fine-tuned on a rich English-language spam dataset, and second, the trained model is then further fine-tuned using a much smaller Indonesian-language dataset. Quantitative evaluation results show that the model achieved very good and consistent performance in both languages. On the English dataset, the model reached an Accuracy of 0.9738 and an F1-score of 0.9436. More significantly, on the Indonesian dataset, the model achieved an Accuracy of 0.9492 with an F1-score of 0.9494. The comparable performance between the two languages, despite the Indonesian dataset being much smaller, proves that the semantic knowledge acquired from the source language (English) can be efficiently transferred for the same classification task in the target language (Indonesian). This research provides a strong demonstration of how transfer learning can bridge the data resource gap and has important implications for the development of NLP applications in the context of low-resource languages
Deteksi Penyakit Daun Kentang dengan Deep Learning Berbasis CNN MobileNet Mahalisa, Galih; Anshari, Muhammad; Muflih, Muhammad
Jurnal Sains Sistem Informasi Vol 3, No 3 (2025): JSSI (September)
Publisher : Universitas Islam Kalimantan Muhammad Arsyad Al Banjari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/jssi.v3i3.20390

Abstract

Kentang merupakan salah satu komoditas sayuran yang memiliki nilai ekonomi tinggi di Indonesia, namun sering mengalami penurunan produktivitas akibat serangan penyakit daun seperti bercak kering dan busuk daun. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis penyakit daun kentang guna membantu deteksi dini secara cepat dan akurat. Metode yang digunakan adalah jaringan saraf tiruan berbasis pembelajaran mendalam dengan arsitektur MobileNetV2 dan teknik pembelajaran transfer. Data penelitian berupa 3.656 citra daun kentang yang terbagi menjadi tiga kategori yaitu bercak kering, busuk daun, dan sehat, yang diperoleh dari sumber daring. Data diproses melalui tahap penyesuaian ukuran citra, normalisasi warna, pembagian data latih, validasi, dan uji. Model dilatih dengan strategi penghentian dini untuk mencegah kelebihan pelatihan, kemudian dilakukan evaluasi menggunakan ukuran akurasi, presisi, daya jangkau, dan luas di bawah kurva. Hasil penelitian menunjukkan model mampu mengklasifikasikan penyakit dengan tingkat kinerja yang tinggi dengan pengujian menunjukkan bahwa model yang dikembangkan memiliki performa akurasi sebesar 94%. Sistem diimplementasikan dalam bentuk aplikasi berbasis web sehingga pengguna dapat mengunggah gambar daun kentang dan memperoleh hasil prediksi secara langsung.
PELATIHAN PEMBUATAN LAYANAN PUBLIK ONLINE DI KELURAHAN KERTAK BARU ILIR Mahalisa, Galih; Ahmadi, Ahmadi; Yuridka, Fitrah; Ibrahim, Ibrahim
JURNAL PENGABDIAN AL-IKHLAS UNIVERSITAS ISLAM KALIMANTAN MUHAMMAD ARSYAD AL BANJARY Vol 11, No 3 (2025): AL-IKHLAS JURNAL PENGABDIAN
Publisher : Universitas Islam kalimantan MAB

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/jpaiuniska.v11i3.16848

Abstract

Sistem informasi web adalah suatu sistem yang memberikan atau mengkomunikasikan kebutuhan informasi manusia. Aplikasi layanan publik online ini berbasis web khusus Masyarakat di Kelurahan Kertak Baru Ilir, Kecamatan Banjarmasin Tengah,menyediakan formulir keluhan masyarakat untuk pengaduan atau pelaporan mengenai berbagai peristiwa di sekitarnya. Selain itu, aplikasi ini juga memfasilitasi permohonan surat administrasi negara yang dapat dikeluarkan oleh kantor kelurahan. Penyediaan layanan ini memudahkan masyarakat dalam menyampaikan permasalahan yang terjadi di lingkungan Kelurahan Kertak Baru Ilir, seperti konflik warga, kerusakan jalan, kebakaran, dan lain sebagainya. Dengan demikian, masyarakat tidak perlu mendatangi kantor kelurahan, melainkan dapat mengakses situs web aplikasi layanan publik berbasis web tersebut. Kemudahan akses yang tersedia dari jarak jauh dapat dinikmati melalui perangkat komunikasi seperti ponsel, laptop, atau komputer yang terhubung ke internet.
ANALISIS MONITORING BELANJA BARANG JENIS HABIS PAKAI PADA KANTOR KECAMATAN MARTAPURA KOTA Galih Mahalisa; Basuki Basuki
Technologia : Jurnal Ilmiah Vol 13 No 2 (2022): Technologia (April)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v13i2.6818

Abstract

Proses pendataan data belanja barang habis pakai di Kantor Kecamatan Martapura kota masih dilakukan secara manual dimana setiap data belanja barang harus diketik satu per satu didalam aplikasi Ms. Word dan Ms. Excel, sehingga proses pendataan memakan waktu yang lama. Dengan adanya sistem yang terkomputerisasi akan mempermudah dan mempercepat proses pendataan data belanja barang habis pakai. Monitoring Belanja Barang Jenis Habis Pakai adalah aplikasi berbasis web yang dapat melakukan pendataan data belanja barang habis pakai secara online sebagai pengganti proses pendataan data belanja barang habis pakai dengan proses manual. Penggunaan Aplikasi ini melingkup Kecamatan Martapura Kota. keberadaan Monitoring Belanja Barang Jenis Habis Pakai dapat membantu dalam pengelolaan data, pengarsipan sekaligus pencarian data, sehingga pekerjaan dapat berjalan secara efektif dan efisien
Penerapan Gaussian Naive Bayes dan Analisis Komponen Utama dalam Klasifikasi Diabetes Galih Mahalisa; Nur Arminarahmah
Technologia : Jurnal Ilmiah Vol 16 No 2 (2025): Technologia (April)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v16i2.15942

Abstract

Klasifikasi yang akurat terhadap penyakit diabetes sangat penting untuk deteksi dini dan perencanaan pengobatan. Pembelajaran mesin menawarkan solusi yang menjanjikan untuk masalah ini, namun pemilihan metode yang tepat sangatlah penting. Penelitian ini mengevaluasi efektivitas penggunaan Gaussian Naive Bayes (GNB) dengan Analisis Komponen Utama (PCA) dalam klasifikasi diabetes. Tujuan utama adalah untuk menilai apakah PCA dapat meningkatkan kinerja model GNB. Hasil penelitian menunjukkan bahwa PCA tidak secara signifikan meningkatkan akurasi klasifikasi diabetes menggunakan GNB. Bahkan, model tanpa PCA menunjukkan kinerja yang sedikit lebih baik. Hal ini mengindikasikan bahwa PCA mungkin tidak cocok untuk semua kasus klasifikasi diabetes menggunakan GNB. Faktor-faktor seperti karakteristik data dan pemilihan hiperparameter dapat mempengaruhi efektivitas PCA. Penelitian lebih lanjut dapat mengeksplorasi metode reduksi dimensi atau algoritma pembelajaran mesin lainnya.
Naive Bayes Classifier Untuk Deteksi Email Spam Mayang Sari; Galih Mahalisa
Technologia : Jurnal Ilmiah Vol 15 No 4 (2024): Technologia (Oktober)
Publisher : Fakultas Teknologi Informasi, Universitas Islam Kalimantan Muhammad Arsyad Al Banjari, di bawah koordinasi UPT Publikasi dan Pengelolaan Jurnal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31602/tji.v15i4.15944

Abstract

Seiring dengan semakin maraknya penggunaan email, masalah spam menjadi semakin serius. Email spam tidak hanya mengganggu produktivitas pengguna, tetapi juga dapat mengandung malware atau phising yang membahayakan. Penelitian ini bertujuan untuk membangun model klasifikasi yang akurat untuk mendeteksi email spam menggunakan algoritma Naive Bayes. Dataset ini yang bersifat publik digunakan sebagai data latih dan uji. Proses preprocessing dilakukan dengan tahap tokenisasi, penghapusan stop word, dan stemming. Ekstraksi fitur dilakukan menggunakan n-gram (unigram dan bigram) untuk menangkap pola kata yang berurutan. Model Naive Bayes Multinomial dipilih karena kesederhanaannya dan efektifitasnya dalam menangani data teks. Hasil evaluasi menunjukkan bahwa model yang dibangun mampu mencapai akurasi sebesar 97% dalam mengklasifikasikan email sebagai spam atau non-spam. Visualisasi confusion matrix mengindikasikan bahwa model cenderung salah mengklasifikasikan email yang mengandung kata-kata teknis atau istilah yang tidak umum sebagai spam. Penelitian ini menyimpulkan bahwa algoritma Naive Bayes dapat menjadi pilihan yang baik untuk deteksi email spam, namun perlu dilakukan penelitian lebih lanjut untuk mengatasi tantangan seperti evolusi teknik spammer dan ketidakseimbangan data.
Co-Authors Abdurrahman AHMADI Andie Arminarahmah, Nur Aulia Rizky Muhammad Hendrik Noor Asegaff Basuki , Basuki Basuki Dwi Retno Sari Firdaus Firdaus Fitrah Yuridka Gita Ayu Syafarina gita syafarina Haji Sirajuddin Hasanuddin Hendra Sanjaya Husnul Madihah Ibrahim Ibrahim Ihda Innar Ridho Ihsanul Fikri Jauhari Maulani Kholik Setiawan M. Muflih Mayang Sari Mayang Sari Muhammad Amin Muhammad Amin Muhammad Amin Muhammad Anshari, Muhammad Muhammad Iqbal FIrdaus, Muhammad Muhammad Muflih Muhammad Rais Wathani Muhammad Rusdi Muhammad Rusdi Nadiya Hijriana Nur Arminarahmah Nur Arminarahmah Nurarminarahmah Nurarminarahmah Rahmadi Agus Rina Alfah Rizqi Elmuna Hidayah Rusdina Sefto Pratama Silvia Ratna Tri Wahyu Qur'ana Zaenuddin Zaenuddin Zaenuddin, Zaenuddin