Article Per Year (5 Year)
p-Index From 2021 - 2026
3.176
P-Index
This Author published in this journals
All Journal EKONOMIA Jurnal sistem informasi, Teknologi informasi dan komputer JPPUMA: Jurnal Ilmu Pemerintahan dan Sosial Politik Universitas Medan Area Lingua Skolastika Ensiklopedia of Journal Ensiklopedia Social Review JURNAL LENTERA BISNIS bit-Tech Jurnal Ranah Publik Indonesia Kontemporer (Rapik) Journal of Economics Research and Policy Studies Kybernology : Journal of Government Studies Ensiklopedia Research and Community Service Review Tensile : Jurnal Pengabdian Kepada Masyarakat Jurnal Ekonomi dan Bisnis Journal of Contemporary Local Politics PANDAWA : Jurnal Pengabdian kepada Masyarakat Indonesian Journal of Sustainability Policy and Technology
Maulana, Muhammad Akbar
Unknown Affiliation
Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Medicine & Pharmacology Social Sciences Transportation Other

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : bit-Tech

 1 
Identifikasi Malaria Pada Citra Darah Dengan Convolutional Neural Network Purnomo, Juanda Gilang; Birowo, Sigit; Maulana, Muhammad Akbar
bit-Tech Vol. 7 No. 2 (2024): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v7i2.1828

Abstract

Malaria adalah penyakit yang ditularkan oleh nyamuk betina Anopheles. Deteksi dini penyakit ini umumnya dilakukan menggunakan teknik mikroskopis pada sel darah merah. Penelitian ini bertujuan untuk mencari metode Convolutional Neural Network (CNN) berbasis arsitektur pretrained machine learning yang paling optimal untuk mendeteksi parasit malaria dalam citra darah mikroskopis. Kami membandingkan performa dua arsitektur CNN, yaitu EfficientNetV2S dan ConvNeXtBase, dengan menggunakan dataset yang terdiri dari 27.588 citra sel darah merah manusia, yang terbagi menjadi dua kategori: Parasitized dan Uninfected. Model dilatih dengan dua pengaturan learning rate: minimum (0,0001) dan maksimum (0,001). Evaluasi kinerja model dilakukan menggunakan confusion matrix untuk membandingkan performa dan stabilitas kedua metode dalam klasifikasi citra. Hasil penelitian menunjukkan bahwa EfficientNetV2S dengan learning rate minimum (0,0001) berhasil mencapai akurasi validasi tertinggi sebesar 96%, sedangkan ConvNeXtBase hanya mencapai akurasi maksimal sebesar 68%. Selain akurasi yang lebih tinggi, model EfficientNetV2S juga menunjukkan efisiensi komputasi yang lebih baik, sehingga menjadi pilihan yang lebih tepat untuk tugas deteksi malaria berbasis deep learning. Dengan demikian, penelitian ini menyimpulkan bahwa model arsitektur EfficientNetV2S dengan learning rate minimum merupakan pendekatan yang efektif untuk mendeteksi dini infeksi malaria dalam citra sel darah merah. Temuan ini menunjukkan bahwa teknologi deep learning memiliki potensi besar dalam membantu deteksi dini penyakit malaria. Penelitian lebih lanjut diperlukan untuk meningkatkan performa model atau mengeksplorasi metode alternatif untuk deteksi malaria.
Studi Perbandingan Pengembangan Game dalam GDScript dengan Godot dan C# dengan Unity Winata, Leonard; Maulana, Muhammad Akbar; Susilo, Joko
bit-Tech Vol. 7 No. 3 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v7i3.1876

Abstract

Penelitian ini membandingkan efisiensi dan kompleksitas pada game engine Godot dan Unity dengan bahasa program utamanya masing-masing yaitu GDScript dan Unity dalam pembuatan replika Flappy Bird. Tujuan penelitian ini adalah untuk mengevaluasi waktu, penggunaan ruang berupa memori dan CPU, dan kompleksitas kode pada kedua game engine tersebut dan menganalisis perbedaan dalam bentuk kode. Hasil penelitian menunjukkan bahwa kedua engine mampu mencapai 60 FPS dengan stabil dalam dalam analisis time complexity. Pada analisis space complexity, Godot dengan GDScript terlihat lebih efisien dengan penggunaan memori 125 mb dan penggunaan CPU 3% dibandingkan Unity dengan C# yang memiliki penggunaan memori 160 mb dan penggunaan CPU 40%. Dari segi code complexity, Godot dengan GDScript memiliki lebih sedikit jumlah baris kode atau Lines of Code (LOC) dengan total 157 sedangkan Unity dengan C# memiliki total LOC sebanyak 169. Dalam penulisan kode, Unity dengan C# dapat menggunakan komponen dari fitur bawaan game engine Unity yang dimiliki seperti Rigidbody2D yang mempermudah dan mempercepat dalam pembuatan mekanika seperti gravitasi. Tetapi komponen tersebut perlu diinisialisasikan di dalam kodenya yang dapat menambahkan jumlah LOC. Sedangkan Godot dengan GDScript tidak memiliki fitur bawaan seperti Unity dan harus membuat mekanika seperti gravitasi dari awal tetapi karena itu, GDScript tidak memerlukan inisialisasi komponen dari game engine Godot dan karena itu jumlah LOC yang dimiliki lebih sedikit dibandingkan dengan C#.
Identifikasi Katarak Mata Pada Kucing Dengan Menggunakan Convolutional Neural Network Mikael; Susilo, Joko; Maulana, Muhammad Akbar
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.1881

Abstract

Katarak merupakan salah satu penyakit yang dapat menyerang hewan, termasuk kucing, ditandai dengan kekeruhan pada lensa mata yang dapat menyebabkan gangguan penglihatan hingga kebutaan apabila tidak ditangani. Penyakit ini sering kali tidak terdeteksi pada tahap awal, sehingga diperlukan metode diagnosis dini yang akurat. Penelitian ini bertujuan untuk mengembangkan model Convolutional Neural Network (CNN) sebagai metode pendeteksian katarak pada kucing melalui analisis gambar mata. Subjek penelitian terdiri dari dataset berjumlah 106 gambar mata kucing, yang meliputi 66 gambar mata normal dan 40 gambar mata katarak. Dataset ini dibagi menjadi data training (85 gambar) dan data validasi (21 gambar). Metode penelitian mencakup beberapa tahapan, yaitu studi literatur untuk mendalami teori terkait, preprocessing data untuk memastikan konsistensi dataset, implementasi model CNN, pelatihan model, dan evaluasi performa model menggunakan confusion matrix. Proses pelatihan model dilakukan selama 100 epoch dengan menggunakan optimizer Adam, yang dikenal mampu mempercepat konvergensi model. Arsitektur CNN yang dirancang terdiri dari tiga lapisan konvolusi, lapisan pooling, dan fully connected layer. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mencapai akurasi sebesar 71% dalam mengklasifikasikan gambar mata kucing menjadi kategori "Normal" atau "Katarak." Meskipun akurasi ini belum optimal, keterbatasan jumlah dataset menjadi faktor utama yang memengaruhi performa model. Temuan ini memberikan kontribusi awal dalam penerapan kecerdasan buatan untuk deteksi penyakit pada hewan, khususnya katarak pada kucing. Penelitian ini juga menegaskan pentingnya menambah jumlah dan keragaman dataset untuk meningkatkan performa model dan mengurangi risiko overfitting. Potensi pengembangan lebih lanjut dari model ini diharapkan dapat mendukung diagnosis yang lebih cepat dan akurat, sehingga meningkatkan kualitas hidup hewan peliharaan.
Deteksi Suasana Hati Karyawan Berbasis Deep Learning Menggunakan CNN Michelle; Birowo, Sigit; Maulana, Muhammad Akbar
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.1882

Abstract

Emosi adalah bagian penting dari kehidupan manusia yang membantu kita memahami diri sendiri dan mengekspresikan perasaan. Emosi mencerminkan respons atau reaksi alami pada berbagai situasi yang dihadapi. Penelitian ini bertujuan untuk mengembangkan Model Convolutional Neural Network (CNN) yang mampu mengenali emosi manusia berdasarkan ekspresi wajah, khususnya pada kategori “Senang”, “Sedih”, “Marah” dan “Netral” dengan fokus pada karyawan setelah bekerja, untuk melihat apakah karyawan menikmati pekerjaannya atau tidak. Dengan menggunakan dataset berisi 2.059 gambar dari platform Kaggle, proses penelitian mencakup tahapan pengumpulan data, pre-processing data, pelatihan data hingga klasifikasi. Model ini dilatih selama 200 epoch dan menghasilkan akurasi sebesar 89,11% dengan performa yang cukup baik untuk kategori emosi “Senang” dan “Marah”. Namun, model masih mengalami kesultan dalam mengenali emosi “Sedih” dan “Netral”, kemungkinan karena kurangnya data pelatihan dan fitur yang belum optimal. Selama pelatihan, akurasi pada training menunjukkan peningkatan yang konsisten, sedangkan validasi sempat fluktuatif sebelum stabil. Analisis hasil pengujian menunjukkan bahwa model mampu memprediksi emosi dengan probabilitas tinggi, meskipun terdapat kendala dalam generalisasi ke kondisi yang lebih kompleks. Grafik dan evaluasi metriks,seperti precision, recall dan f1-score, menunjukkan adanya ruang untuk perbaikan, terutama dalam pengenalan emosi dengan nilai recall yang rendah. Penelitian ini memiliki potensi signifikan dalam pengenalan emosi melalui ekspresi wajah, yang digunakan untuk memahami emosi yang dialami oleh karyawan. Penelitian ini juga diperlukan pengembangan lebih lanjut guna meningkatkan kemampuan model dalam menangani komplesitas data.
Co-Authors Achmad Nurmandi Ahmad Syukri Ahmad Syukri . Aprilia Sapira Aptasari, Fety Widianti Az Zahro, Luthfi Alya Damdam Damiyana Dian Eka Rahmawati, Dian Eka Dwi Nurfaisal, Muhammad Fahmi Amanatul Hanif Faiz Izzuddin Febiona, Adra Olivia Hanif, Fahmi Aminatul Hanif, Nita Aribah Inrinofita Sari Joko Susilo Kusumoningtyas, Anggi Anggraeni Michelle Mikael Muhammad Dwi Nurfaisal Muhammad Helmi Falah Nabil Al Fatih, Muhammad Nadifa, Najwa Tyas Novera Martilova Nurfaisal, Muhammad Dwi Pramesti, Ervy Agisti Ardhia Purnomo, Juanda Gilang Putri Pratama, Andayani Putri, Giesta Rahguna Sari, Inrinofita Sigit Birowo Situmeang, Firman Yahya Sulastri Sulastri Syarkawi Tutik Lestari Wahdaniyah, Nurul Winata, Leonard Yusa’ Farchan Yuwono, Althanino Ligar Zakaria Habib Al-Ra’zie