Article Per Year (5 Year)
p-Index From 2021 - 2026
4.998
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Jurnal Edukasi dan Penelitian Informatika (JEPIN) International Journal of Advances in Intelligent Informatics JOIV : International Journal on Informatics Visualization Informatik : Jurnal Ilmu Komputer JURIKOM (Jurnal Riset Komputer) JURTEKSI JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Majalah Ilmiah Bahari Jogja Edsence: Jurnal Pendidikan Multimedia Gema Wiralodra Jurnal Informa: Jurnal Penelitian dan Pengabdian Masyarakat Jurnal Teknimedia: Teknologi Informasi dan Multimedia Teknika Journal of Electrical Engineering and Computer (JEECOM) Journal of Applied Data Sciences Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Indonesian Journal Computer Science (ijcs) Innovative: Journal Of Social Science Research Jurnal Teknik Indonesia SmartComp Jurnal Teknologi semanTIK Khazanah Informatika : Jurnal Ilmu Komputer dan Informatika
Hanafi Hanafi
Universitas Amikom Yogyakarta
Humanities Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Mechanical Engineering Public Health Transportation Other

Published : 38 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 38 Documents
Search

 1   2   3   4 
Optimalisasi Seleksi Fitur dengan RFECV dalam Credit Scoring menggunakan ANN Catur Riyono Heri Wibowo; Ema Utami; Hanafi
SemanTIK : Teknik Informasi Vol. 10 No. 2 (2024): SemanTIK : Teknik Informasi
Publisher : Informatics Engineering Department of Halu Oleo University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55679/semantik.v10i2.60

Abstract

Credit scoring adalah metode krusial yang digunakan oleh lembaga keuangan untuk menilai kelayakan kredit calon peminjam. Penelitian ini bertujuan untuk mengoptimalkan seleksi fitur menggunakan Recursive Feature Elimination with Cross-Validation (RFECV) dalam credit scoring dengan algoritma Artificial Neural Network (ANN). Peneliti mengevaluasi kinerja model ANN pada berbagai kombinasi teknik optimizer dan learning rate untuk menemukan konfigurasi paling efektif. Hasilnya menunjukkan bahwa ANN mampu memberikan prediksi risiko kredit dengan akurasi tinggi. Kombinasi optimizer Nadam dan learning rate 0.001 menghasilkan kinerja terbaik dengan akurasi sebesar 81.79%. RFECV terbukti efektif dalam meningkatkan kinerja model dengan mengidentifikasi fitur-fitur paling relevan, mengurangi overfitting, dan meningkatkan generalisasi. Penelitian ini menegaskan pentingnya seleksi fitur dan pemilihan parameter yang tepat dalam pengembangan model credit scoring yang akurat dan efisien. Temuan ini membuka jalan bagi peningkatan sistem credit scoring yang lebih andal, membantu lembaga keuangan membuat keputusan yang lebih baik dan aman.
Penerapan Framework COBIT 2019 Pada Infrastruktur Teknologi Informasi (Studi Kasus STIMIK Tunas Bangsa Banjarnegara) Zubaedi, Umam Faqih; Muhammad, Alva Hendi; Hanafi, Muhammad
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 14, No 1 (2025): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v14i1.7158

Abstract

Tata kelola teknologi informasi pada infrastruktur TI di kampus merupakan aspek penting untuk memastikan bahwa penggunaan teknologi informasi mendukung tujuan pendidikan dan administrasi. Pada penelitian ini,menggunakan COBIT 2019 untuk dapat mengetahui sejauh mana kampus mengelola infrastruktur TI dan memastikan pada pengelolaan perubahan TI secara cepat dan terkontrol namun tidak mengganggu layanan infrastruktur TI. Pengumpulan data dilakukan menggunakan metode observasi dan kuesioner yang dilakukan di kampus STIMIK Tunas Bangsa Banjarnegara. Dari hasil yang ditemukan terdapat pemilihan domain sebagai fokus utama yaitu domain BAI06 (Manage IT Changed) yang menghasilkan nilai capability level sebesar 2,75 sehingga dapat di simpulkan menjadi level 3. Hasil tersebut menunjukan bahwa tingkat kapabilitas sudah baik, namun terdapat beberapa aspek yang perlu ditingkatkan seperti sub domain BAI06.02, BAI06.03, dan BAI06.04. Penelitian ini merekomendasikan untuk proses perbaikan dan pengendalian sehingga mencapai target yang diharapkan yaitu level 4.
Analisis Penyediaan Virtual Workspace untuk Karyawan di MSV Studio Jatmiko, Burham Dwi; Winarno, Wing Wahyu; Hanafi, Hanafi
Jurnal Teknik Indonesia Vol. 2 No. 2 (2023): Jurnal Teknik Indonesia
Publisher : Publica Scientific Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (321.556 KB) | DOI: 10.58860/jti.v2i2.18

Abstract

Tujuan: Pada penelitian ini bertujuan untuk memberikan saran (rekomendasi) berdasarkan hasil pengukuran kualitas protocol remote desktop. Sebagai salah satu syarat kelulusan dalam menempuh program Magister Informatics Technopreneurship pada program Pascasarjana Universitas AMIKOM Yogyakarta. Metode: Dalam penelitian ini peneliti melakukan pengumpulan data melalui study literature yang dilanjutkan dengan tahapan penelitian pada infrastruktur server MSV Studio. Hasilnya dari data-data di atas dapat diambil kesimpulan dan sebagai acuan divisi IT untuk diterapkannya teknologi virtual workspace dengan memanfaatkan protocol yang terbaik dan dapat dierapkan di MSV Studio. Hasil: Dengan menggunakan protokol L2TP/IPSec tentunya memiliki kemanan data yang tinggi dibandingkan jenis VPN lain seperti PPTP. L2TP/IPSec memiliki keamanan yang sama dengan VPN SSTP, Tiga jenis VPN tersebut umumnya sudah support di platform Windows. Jadi exsisting topologi dan protocol VPN yang saat ini sudah berjalan tidak perlu diubah. Kesimpulan: Berikut adalah analisis protocol remote yang sesuai kebutuhan guna terciptanya virtual workspace: 1.) Pada hasil pengujian latency dan pengamatan peneliti bahwa protokol RDP lebih minim latency dibandingkan protocol VNC. 2.) Hasil dari benchmark framerate menunjukkan bahwa protokol RDP mendapatkan skor 32fps dan VNC 20fps. 3.) Pengujian benchmark bandwidth pada protokol VNC dan RDP menunjukkan bahwa protokol RDP lebih menghemat kouta bandwidth dibandingkan dengan protocol VNC
Implementation of YOLOv7 Model for Human Detection in Difficult Conditions B, Arijal; Sunyoto, Andi; Hanafi, M.
Journal of Electrical Engineering and Computer (JEECOM) Vol 7, No 1 (2025)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v7i1.10662

Abstract

The rapid development of artificial intelligence technology in recent decades has led to the development of highly efficient object detection algorithms, including human detection under difficult conditions. Human detection is one of the major challenges in computer vision as it involves various complex factors such as obstructed human objects, pose variations, small low-resolution human objects, as well as the presence of fake human objects such as statues or images. This research uses the SLR (Systematic Literature Review) method to determine the algorithm used, namely YOLOv7. The three YOLOv7 models tested in this study are YOLOv7x.pt, YOLOv7-w6-person.pt, and YOLOv7-w6-pose.pt. These models were selected based on their excellence in detecting human objects and their relevance for complex scenarios. Tests were conducted using 100 images obtained from the internet and divided into four categories of human objects under difficult conditions, which represent various challenges in human detection. Analysis was performed using convusion matrix to evaluate performance metrics such as accuracy, precision, recall, and F1-score. Based on the test results, the YOLOv7-w6-person.pt model showed the best overall performance, especially in detecting humans in obstructed conditions and complex lighting with a precision of 90.4%, Recall 88.7%, and F1-Score 89.5%. This model has higher accuracy, precision, and F1-score than the other models, making it a reliable choice for human detection in difficult scenarios. These findings not only demonstrate the relevance of YOLOv7 as a reliable human detection algorithm, but also provide a basis for further optimization of YOLOv7-based human detection systems, both through improving the model architecture and adapting to more specific datasets. This research makes an important contribution to the development of human detection technologies for real-world applications, such as surveillance, crowd analysis, and automated safety systems.
LUNGINFORMER: A Multiclass of lung pneumonia diseases detection based on chest X-ray image using contrast enhancement and hybridization inceptionresnet and transformer Hanafi, Hanafi
International Journal of Advances in Intelligent Informatics Vol 11, No 2 (2025): May 2025
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/ijain.v11i2.1964

Abstract

Lung pneumonia is categorically a serious disease on Earth. In December 2019, COVID-19 was first identified in Wuhan, China. COVID-19 caused severe lung pneumonia. The majority of lung pneumonia diseases are diagnosed using traditional medical tools and specialized medical personnel. This process is both time-consuming and expensive. To address the problem, many researchers have employed deep learning algorithms to develop an automated detection system for pneumonia. Deep learning faces the issue of low-quality X-ray images and biased X-ray image information. The X-ray image is the primary material for creating a transfer learning model. The problem in the dataset led to inaccurate classification results. Many previous works with a deep learning approach have faced inaccurate results. To address the situation mentioned, we propose a novel framework that utilizes two essential mechanisms: advanced image contrast enhancement based on Contrast Limited Adaptive Histogram Equalization (CLAHE) and a hybrid deep learning model combining InceptionResNet and Transformer. Our novel framework is named LUNGINFORMER. The experiment report demonstrated LUNGINFORMER achieved an accuracy of 0.98, a recall of 0.97, an F1-score of 0.98, and a precision of 0.96. According to the AUC test, LUNGINFORMER achieved a tremendous performance with a score of 1.00 for each class. We believed that our performance model was influenced by contrast enhancement and a hybrid deep learning model.
AMIKOM-RECSYS: Enhancing Movie Recommender System using Large Language Model (ChatGpt), Deep Learning and Probabilistic Matrix Factorization Hanafi, Hanafi; Widowati, Anik Sri; Wahyuni, Sri Ngudi
Journal of Applied Data Sciences Vol 6, No 4: December 2025
Publisher : Bright Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47738/jads.v6i4.897

Abstract

E-commerce has become one of the most widely used digital applications globally, enabling personalized product discovery and purchasing. To support these services, recommender systems are essential, offering item suggestions based on user preferences. Most recommender systems rely on machine learning algorithms to estimate user-item relevance scores, often utilizing product ratings. However, a persistent challenge in this domain is the issue of data sparsity, where only a small fraction of users provides explicit ratings, leading to reduced accuracy in recommendation results. In this study, we introduce a novel hybrid recommendation algorithm, named AMIKOM-RECSYS, designed to address the sparsity problem and enhance rating prediction. Our model integrates three main components included a Large Language Model (LLM) using ChatGPT, a Transformer-based encoder (BERT), and Probabilistic Matrix Factorization (PMF). The LLM generates descriptive information about movies based on specific prompts, which is then passed to BERT to encode the content into meaningful 2D vector representations. These enriched embeddings are subsequently utilized by the PMF algorithm to predict missing user-item ratings. We evaluate the proposed model on two benchmark datasets, ML-1M and ML-10M using Root Mean Squared Error (RMSE) as the evaluation metric. The AMIKOM-RECSYS model achieved RMSE values of 0.8681 on ML-1M and 0.7791 on ML-10M under a 50:50 data split, outperforming several baseline models including CNN-PMF, LSTM-PMF, and Attention-PMF. These results highlight the effectiveness of integrating LLM and Transformer-based contextual understanding into matrix factorization frameworks. In future work, we plan to extend this framework by incorporating other matrix factorization techniques such as Singular Value Decomposition (SVD) and integrating additional sources of user information, including social media activity, to further improve recommendation performance.
Pengembangan Model Klasterisasi Topik Hadis Bukhari Muslim Menggunakan BERT dengan Penambahan Fitur Semantik Asy'ari, Ahmad Hasyim; Hanafi, Muhammad
Indonesian Journal Computer Science Vol. 4 No. 2 (2025): Oktober 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v4i2.8931

Abstract

Klastering hadis merupakan tugas penting dalam studi Islam, mengingat sifat korpus hadis yang luas dan kompleks. Pendekatan pengelompokan tradisional sering kali kesulitan untuk menangkap konteks semantik yang mendalam dalam hadis, yang menyebabkan pengelompokan topik menjadi kurang akurat. Kemajuan terkini dalam Natural Language Processing (NLP), seperti model Bidirectional Encoder Representations from Transformers (BERT), telah menunjukkan hasil yang menjanjikan dalam mengatasi tantangan ini dengan menyediakan penyematan kontekstual yang kaya. Namun, penggunaan BERT secara tunggal dapat mengabaikan fitur linguistik yang penting, yang berpotensi membatasi kinerja pengelompokan. Studi ini mengusulkan model pengelompokan yang disempurnakan untuk koleksi hadis Sahih Bukhari dan Sahih Muslim, yang mengintegrasikan penyematan BERT dengan fitur semantik tambahan, termasuk panjang teks, Term Frequency (TF), dan Inverse Document Frequency (IDF). Dengan menggunakan kerangka BERTopic, pendekatan ini menangkap hubungan yang bernuansa antara hadis, yang memberikan hasil pengelompokan yang lebih akurat secara kontekstual. Eksperimen menunjukkan bahwa metode terintegrasi ini secara signifikan meningkatkan kinerja pengelompokan, seperti yang ditunjukkan oleh silhouette score dengan nilai -0.1 dan davies-bouldin index 2.6. Sedangkan tanpa terintegrasi menunjukkan nilai rendah dengan silhouette score dengan nilai -0.145 dan davies-bouldin index 6.6.  Sehingga pengembangan ini menawarkan metode yang lebih tepat untuk pengelompokan topik dalam studi Islam, yang memfasilitasi organisasi dan pemahaman yang lebih baik tentang teks hadis.
Optimasi Deteksi Penipuan Kartu Kredit Menggunakan Regresi Logistik dengan Particle Swarm Optimization Lopes, David Dos Santos Pinto; Hanafi , Muhammad; Nugraha, Icha Nura
Indonesian Journal Computer Science Vol. 4 No. 2 (2025): Oktober 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v4i2.8984

Abstract

Meningkatnya prevalensi transaksi digital telah menyebabkan lonjakan penipuan kartu kredit, yang memerlukan metode deteksi canggih yang menyeimbangkan akurasi dan efisiensi komputasi. Studi penelitian mengusulkan sistem deteksi penipuan yang dioptimalkan menggunakan Logistic Regression (LR) dengan Particle Swarm Optimization (PSO). Peran untuk mengatasi tantangan ketidakseimbangan kelas dan data berdimensi tinggi, kerangka kerja tersebut menggabungkan Teknik Oversampling Minoritas Sintetis (SMOTE) untuk penyeimbangan data, RobustScaler untuk normalisasi yang tahan terhadap outlier, dan Analisis Komponen Utama (PCA) untuk pengurangan dimensionalitas. Algoritma PSO mengoptimalkan parameter LR (C), meningkatkan generalisasi model dan kinerja deteksi. Eksperimen dilakukan pada kumpulan data Credit Card yang berisi 284.807 transaksi, dengan kasus penipuan hanya mewakili 0,172% dari data ketidakseimbangan kelas yang parah. Model yang diusulkan mencapai akurasi 97,47%, presisi 99,82%, recall 89% (kelas penipuan), dan skor ROC-AUC 0,97, yang menunjukkan kinerja yang unggul dalam membedakan transaksi penipuan. Matriks kebingungan mengungkapkan 110 positif benar (deteksi penipuan yang benar) dengan hanya 13 negatif palsu, yang menunjukkan identifikasi penipuan yang kuat sekaligus meminimalkan alarm palsu. Analisis komparatif di berbagai pemisahan pengujian mengonfirmasi konsistensi model, dengan F1-Score secara konsisten di atas 98,5%. Hasil tersebut menyoroti efektivitas penyetelan hiperparameter berbasis PSO dalam meningkatkan kinerja LR, khususnya dalam kumpulan data yang tidak seimbang. Integrasi SMOTE dan PCA memastikan efisiensi komputasi tanpa mengorbankan kemampuan deteksi. Pendekatan memberi solusi yang dapat diskalakan dan presisi tinggi untuk deteksi penipuan waktu nyata, mengurangi kerugian finansial sekaligus mempertahankan efisiensi operasional. 
The effectiveness of using RFID and IoT in digital transformation processes in garment companies using the UTAUT model2 Sentoso, Thedjo; Kusrini, Kusrini; Hanafi, Hanafi
Gema Wiralodra Vol. 14 No. 2 (2023): gema wiralodra
Publisher : Universitas Wiralodra

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31943/gw.v14i2.511

Abstract

This study aims to analyze the effectiveness of using RFID and IoT in the digital transformation process in a garment company using the UTAUT2 model. This research is necessary because it can influence the intentions and behavior of its users to increase production effectiveness. A quantitative approach uses the survey method used in this study to achieve the research objectives. The number of respondents in this study was 193 employees who worked in the preparation area. The data collected from the questionnaire results were analyzed using inferential statistics. The study results show that employee acceptance of using RFID and IoT in the digital transformation process gets a positive response. Each variable average value used is in the value range 3.79 – 4.44 (scale 1 to 5). In addition, it was found that Performance Expectancy, Effort Expectation, and Price Value positively influenced Behavioral Intention. In contrast, Habit and Behavioral Intention positively influenced Use Behavioral. As for the Social Influence and Hedonic Motivation variables on Behavioral Intentions and the Facilitating Conditions variable on Usage Behavior, no positive effect was found.
ANALYSIS OF PUBLIC OPINION ON INDONESIAN TELEVISION SHOWS USING SUPPORT VECTOR MACHINE Farasalsabila, Fidya; Utami, Ema; Hanafi, Muhammad
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 10 No. 2 (2024): Maret 2024
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v10i2.2935

Abstract

Abstract: There are a great number of academics that are now conducting research on sentiment analysis by employing supervised and machine learning techniques. The research can be carried out with the assistance of a variety of sources, including reviews of movies, reviews of Twitter, reviews of online products, blogs, discussion forums, and other social networks. With the progress of technology, individuals may now effortlessly utilize social media platforms to access and share information, as well as express their viewpoints to the general public, without any constraints of distance or time. Twitter is a social media network that serves as a repository for opinions. Diverse techniques are employed to provide optimal and realistically precise pressure detection. The analysis and discussion affirm that the Support Vector Machine (SVM) was effectively employed in this study, utilizing public opinion data on television program reviews in Indonesia. An SVM classifier is employed to examine the Twitter data set by utilizing various parameters. The study successfully completed the preprocessing process by collecting a total of 400 data points, consisting of 320 reviews from 4 television shows for training data and 80 reviews for testing. The data was filtered and classified using SVM, with 200 positive and 200 negative data points for comparison. The experiment utilized the SVM method using TF-IDF to achieve the most accurate test results. The test accuracy was 80%, while the training data accuracy reached 100%.            Keywords: Sentiment Analysis; Support Vector Machine; Television Shows Review, TF-IDF,  Abstrak: Saat ini, banyak akademisi sedang menyelidiki analisis sentimen melalui pemanfaatan teknik yang diawasi dan pembelajaran mesin. Kajian dapat dilakukan dengan menggunakan beberapa sumber seperti review film, review Twitter, review produk online, blog, forum diskusi, atau jejaring sosial lainnya. Dengan kemajuan teknologi, masyarakat kini dapat dengan mudah memanfaatkan platform media sosial untuk mengakses dan berbagi informasi, serta menyampaikan pandangan mereka kepada masyarakat umum, tanpa batasan jarak dan waktu. Twitter adalah jaringan media sosial yang berfungsi sebagai gudang opini. Beragam teknik digunakan untuk menghasilkan deteksi tekanan yang optimal dan presisi secara realistis. Analisis dan pembahasan menegaskan bahwa Support Vector Machine (SVM) efektif digunakan dalam penelitian ini, memanfaatkan data opini publik tentang review program televisi di Indonesia. Pengklasifikasi SVM digunakan untuk memeriksa kumpulan data Twitter dengan memanfaatkan berbagai parameter. Penelitian berhasil menyelesaikan proses preprocessing dengan mengumpulkan total 400 titik data yang terdiri dari 320 review dari 4 acara televisi untuk data pelatihan dan 80 review untuk pengujian. Data disaring dan diklasifikasikan menggunakan SVM, dengan 200 titik data positif dan 200 titik data negatif sebagai perbandingan. Percobaan ini menggunakan metode SVM dengan menggunakan TF-IDF untuk mencapai hasil pengujian yang paling akurat. Akurasi pengujiannya mencapai 80%, sedangkan akurasi data pelatihan mencapai 100%. Kata kunci: Analisis Sentimen, Review Tayangan Televisi, TF-IDF,  Support Vector Machine
Co-Authors - Jaeni Abdul Malik Zuhdi Abdul Samad Hasan Basari Abidullah S. Salim Aflahah Apriliyani Ahmad Febri Diansyah Ahmad Jaisy Rahman Alva Hendi Muhammad Amir, Fail Andi Sunyoto Andri Pranolo Anggit Dwi Hartanto Anik Sri Widowati Asfa Dhevi Azzumzumi Asy'ari, Ahmad Hasyim B, Arijal Bambang Siswanto Cahyarini Maulida Tri Yunanda Catur Riyono Heri Wibowo D. Diffran Nur Cahyo Djatmiko, Widdi Ema Utami Fahmi Rusdi Al Islami Fendy Prasetyo Nugroho Fidya Farasalsabila Harahap, Awal Ridho Jack Febrian Rusdi Jatmiko, Burham Dwi Kusrini Leonel Hernandez Lopes, David Dos Santos Pinto Marwan Noor Fauzy Moch Mashuri Muh Adha Muhammad Akbar Maulana Muhammad Bayu Kurniawan Muhammad Fajrian Noor Muhammad Fatahillah Muhammad Ilham Fadila Muhammad Rusdi Rahman Muqorobin Muqorobin Muslihah, Isnawati Nanang Fitriana Kurniawan Nanna Suryana Nugraha, Icha Nura Nur Avin Maulana Reflan Nuari Richki Hardi Riki Hikmianto Rizky . Rona Guines Purnasiwi Sentoso, Thedjo Sri Ngudi Wahyuni, Sri Ngudi Sri Wulandari Sri Wulandari Sri Wulandari Taqwa Hariguna Tutik Lestari Verawati, Ike Verra Budhi Lestari Wariyanto Abdullah, Robi Widowati, Anik Sri Wijaya, Mochamad Rozikul Windha Mega Pradnya Dhuhita Windha Mega Pradnya Dhuhita Yingchi Mao Yoga Dwi Pambudi Yudhi Setiyantara Yulita Fatma Andriani Zubaedi, Umam Faqih Zul Hisyam