Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Mahasiswa TEUB Software Development Digital Business Intelligence and Computer Engineering
Rohmatillah, Mahdin
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Other

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

Found 2 Documents
Search

 1 
T-COGPROMPT : PENGEMBANGAN FRAMEWORK PROMPTING UNTUK LARGE LANGUAGE MODEL (LLM) BERBASIS RETRIEVAL AUGMENTED GENERATION (RAG) UNTUK MENDUKUNG BOT COUNSELOR VIRTUAL Ezekiel, Yeftha Joshua; Rohmatillah, Mahdin; Razak, Angger Abdul
Jurnal Mahasiswa TEUB Vol. 13 No. 5 (2025)
Publisher : Jurnal Mahasiswa TEUB

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Permasalahan gangguan kesehatan mental seperti depresi dan distorsi kognitif terus meningkat, sementaraketerbatasan jumlah konselor menjadi hambatan dalam penyediaan layanan psikologis yang memadai. Penelitian inimengembangkan sistem klasifikasi distorsi kognitif dan respons terapi kognitif-perilaku (CBT) berbasis Large LanguageModel (LLM) menggunakan teknik prompt engineering dengan pendekatan Chain of Thought (CoT), In-Context Learning(ICL), dan Retrieval-Augmented Generation (RAG). Sistem diuji pada data berbahasa Indonesia dan Inggris, serta dievaluasiberdasarkan akurasi klasifikasi dan kualitas respons generatif menggunakan metode G-Eval. Hasil analisis menunjukkanbahwa prompt engineering efektif meningkatkan akurasi klasifikasi dan koherensi respons CBT, bahkan pada model denganparameter rendah hingga tinggi. Penggunaan gaya bahasa formal dalam prompt menghasilkan performa klasifikasi yang lebihkonsisten, dengan akurasi tertinggi mencapai 72.4% melalui strategi majority voting, sedangkan gaya informal tetap mampumenghasilkan respons yang natural dengan skor G-Eval di atas 7.0 pada seluruh dimensi penilaian. Sistem ini dirancang agardapat diintegrasikan ke dalam platform chatbot atau robot konselor digital, serta menunjukkan potensi dalam memperluasakses layanan psikologis berbasis AI dalam bahasa Indonesia.Kata Kunci—Distorsi Kognitif, Terapi Kognitif-Perilaku, LLM, Prompt Engineering, RAG, Chain of Thought 
Klasifikasi Multi Kelas Untuk Mendeteksi Sinyal Detak Jantung Janin Pada CTG Menggunakan Thresholding Feature Importance dan ResNet Multimodal Subono, Subono; Ayatullah, Mohamad Dimyati; Pramono, Sholeh Hadi; Yudaningtyas, Erni; Muslim, M. Aziz; Rohmatillah, Mahdin; Avian, Cries
Software Development, Digital Business Intelligence, and Computer Engineering Vol. 4 No. 01 (2025): SESSION (SEPTEMBER)
Publisher : Politeknik Negeri Banyuwangi Jl. Raya Jember km. 13 Labanasem, Kabat, Banyuwangi, Jawa Timur (68461) Telp. (0333) 636780

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57203/session.v4i1.2025.44-54

Abstract

Metode konvensional untuk memantau kondisi janin melalui rekaman denyut nadi janin (FHR) dan kontraksi uterus (UC), cardiotocography (CTG), dilakukan secara manual. Interpretasi manual CTG sering menyebabkan variasi antar pengamat dan meningkatkan kemungkinan kesalahan dalam mengidentifikasi hipoksia janin.   Untuk memecahkan masalah tersebut, penelitian ini menyarankan teknik klasifikasi multi-kelas (Normal, Suspect, dan Hipoksia) yang menggunakan kombinasi ResNet multimodal dan Thresholding Importance Feature.   Sebelum proses sinyal FHR, sampel, normalisasi, dan segmentasi berbasis time-window segmentation dilakukan. Selanjutnya, fitur klinis dan statistik seperti STV, LTV, akselerasi, deselerasi, pH, dan skor Apgar diekstrak.  Selanjutnya, metode yang menggabungkan nilai gain, permutation, dan pilihan stabilitas digunakan untuk memilih stabilitas dengan nilai fitur terendah.   Tiga cabang terdiri dari arsitektur multimodal yang dikembangkan: 1D-ResNet untuk sinyal FHR mentah; 2D-ResNet untuk representasi citra (time-frequency/spectrogram); dan MLP untuk data tabular hasil ambang.   Ketiga cabang difusi melalui lapisan yang benar-benar terhubung untuk menghasilkan prediksi akhir multi-kelas.   Hasil uji menunjukkan bahwa model memiliki akurasi 84,6%, skor F1 83, dan skor AUROC di atas 0,9.   Kelas Suspect menunjukkan sensitivitas yang lebih tinggi, dan Kelas Normal menunjukkan prestasi terbaik.   Studi ini menunjukkan bahwa fusi multimodal dengan thresholding fitur dapat meningkatkan keandalan sistem klasifikasi CTG multi-kelas dan memberikan kontribusi berupa pipeline hibrid yang efisien dan relevan klinis.  Sebaliknya, kurva ROC dan analisis confusion matrix menunjukkan kemampuan diskriminatif yang baik. Tingkat risiko evaluasi mencapai 40%, yang sesuai dengan rekomendasi klinis
Co-Authors Angger Abdul Razak Avian, Cries Ayatullah, Mohamad Dimyati Erni Yudaningtyas Ezekiel, Yeftha Joshua Muhammad Aziz Muslim Subono, Subono