Article Per Year (5 Year)
p-Index From 2021 - 2026
1.857
P-Index
This Author published in this journals
All Journal Jurnal Informatika Indonesian Journal on Software Engineering (IJSE) Jurnal Teknik Komputer AMIK BSI Paradigma KOMPUTEK Jurnal Infortech Jurnal Sistem Informasi dan Sistem Komputer KLIK: Kajian Ilmiah Informatika dan Komputer IMTechno: Journal of Industrial Management and Technology Jurnal Insan
Rahmat Hidayat
Universitas Bina Sarana Informatika
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Library & Information Science Mechanical Engineering Other

Published : 17 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 17 Documents
Search

 1   2 
Klasifikasi Risiko Kesehatan Ibu Hamil Menggunakan Random Oversampling Untuk Mengatasi Ketidakseimbangan Data Riska Aryanti; Titik Misriati; Rahmat Hidayat
KLIK: Kajian Ilmiah Informatika dan Komputer Vol. 3 No. 5 (2023): April 2023
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/klik.v3i5.728

Abstract

Data imbalance is a common problem in classification, including in maternal health risk classification. Data imbalance occurs when the number of samples in the positive class is much less than the negative class. Data imbalance can cause the classification model to be inaccurate and tend to predict the majority class. One way to overcome the problem of data imbalance is to use the random oversampling technique. In this study, the random oversampling method is applied to overcome the problem of data imbalance in the classification of maternal health risks. Particle swarm optimization (PSO) is used for attribute weighting, improving the results of random oversampling and model performance. The results show that random oversampling can improve accuracy and reduce errors in predicting minority classes. In addition, the PSO technique also significantly contributed to improving the model's accuracy. The results of testing the random forest algorithm using 10-fold cross-validation on the health risks of pregnant women have an accuracy of 80.77%. After going through the random oversampling technique, the accuracy rate reaches 81.86%, and after optimization using the PSO technique, there is an increase of 2.15%, so the accuracy rate reaches 82.92%.
Sistem Pendukung Keputusan Pemilihan Transportasi Ojek Online Dengan Metode Analitycal Hierarchy Process Raihan Pramuseto; Royhan Muhammad Fadhilah; Heru Purwanto; Rahmat Hidayat
Jurnal Insan Vol. 3 No. 1 (2023): Juni 2023
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/jinsan.v3i1.2199

Abstract

Abstrak - Transportasi ojek online telah mengubah cara orang bergerak di perkotaan dengan memberikan kemudahan dan kenyamanan dalam memesan layanan ojek melalui aplikasi mobile. Namun, dengan adanya berbagai pilihan layanan ojek online yang tersedia, pengguna seringkali menghadapi kesulitan dalam memilih layanan yang paling sesuai dengan preferensi mereka. Penelitian ini bertujuan untuk melakukan analisis keputusan dalam pemilihan layanan ojek online menggunakan metode AHP (Analytic Hierarchy Process) dengan studi kasus di Kota Jakarta. Metode AHP digunakan untuk memperoleh preferensi pengguna terhadap faktor-faktor yang relevan, seperti keandalan, responsif, kualitas layanan, harga, keamanan, antarmuka pengguna, sehingga memberikan panduan objektif dalam memilih layanan ojek online yang paling optimal.
Analisis Perbandingan Algoritma Machine Learning untuk Klasifikasi Sentimen Ulasan Pengguna Aplikasi TikTok di Google Play Store Desta Tri Lestari; Putri Mahirah Syahla; Satya Wibisono; Khairul Rizal; Susliansyah Susliansyah; Rahmat Hidayat
KOMPUTEK Vol. 10 No. 1 (2026): April
Publisher : Universitas Muhammadiyah Ponorogo

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

Abstract

This research aims to conduct sentiment analysis on user reviews of the TikTok application obtained from the Google Play Store using machine learning approaches. The dataset was collected through a web scraping process, resulting in 8,097 Indonesian-language reviews. All textual data went through several preprocessing stages, including text cleaning, removal of irrelevant characters, normalization, tokenization, stopword removal, and stemming using the Sastrawi algorithm. Sentiment labeling was performed automatically based on the rating, in which 1–2 stars were categorized as negative, 3 stars as neutral, and 4–5 stars as positive. Feature extraction was carried out using the Term Frequency–Inverse Document Frequency (TF-IDF) method to convert text into numerical representations. Four machine learning algorithms were implemented, consisting of Naïve Bayes, Logistic Regression, Support Vector Machine (SVM), and Random Forest. The performance of each model was evaluated using accuracy, precision, recall, and F1-score metrics, along with confusion matrix analysis to observe misclassification patterns. The results show that positive sentiment dominates the dataset, indicating that users generally provide favorable feedback toward the TikTok application. Experiment results reveal that Naïve Bayes achieved the highest accuracy, while Logistic Regression produced the best precision and F1-score. Random Forest showed the lowest performance, whereas SVM remained competitive with stable results across metrics. In addition, Logistic Regression and Naïve Bayes demonstrated the most efficient computation time, while SVM and Random Forest required longer processing duration due to model complexity. Overall, Logistic Regression can be considered the most optimal model in this study due to its balanced evaluation and computational efficiency. These findings demonstrate that machine learning can effectively classify public opinion automatically and serve as valuable input for improving service quality within the TikTok application.
Analisis Komparatif Kinerja Model YOLOv8, YOLOv9, dan YOLOv11 pada Deteksi Plat Nomor Kendaraan di Indonesia Faisal Daffa; Muhammad Raditya Pratama; Raihan Bintang Pamungkas; Khairul Rizal; Susliansyah; Rahmat Hidayat
KOMPUTEK Vol. 10 No. 1 (2026): April
Publisher : Universitas Muhammadiyah Ponorogo

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

Abstract

Identifikasi otomatis plat nomor kendaraan (PNK) adalah tulang punggung sistem manajemen lalu lintas cerdas, yang penting bagi penegakan hukum dan keamanan publik. Tantangan dalam deteksi PNK di Indonesia cukup kompleks, melibatkan variasi desain, kondisi fisik plat yang sering kali buruk, dan beragamnya sudut pengambilan gambar. Penelitian ini bertujuan memberikan perbandingan kinerja yang tegas antara tiga model deteksi objek terdepan dari keluarga YOLO (You Only Look Once): YOLOv8, YOLOv9, dan model konseptual YOLOv11, dalam konteks deteksi PNK spesifik Indonesia. Kami melakukan eksperimen berbasis dataset lokal yang luas, yang dirancang khusus untuk mereplikasi keragaman skenario real-world di Indonesia. Kinerja model dievaluasi secara multidimensi, mencakup Tingkat Keberhasilan Deteksi (seberapa andal model menemukan objek), Kualitas Batas Lokalisasi (keakuratan kotak prediksi terhadap posisi plat yang sebenarnya), Kecepatan Inferensi (Frames Per Second, FPS), dan Kebutuhan Komputasi (FLOPs). Hasil studi menunjukkan bahwa model YOLOv9 secara konsisten memberikan performa deteksi paling presisi, terutama unggul dalam melokalisasi batas-batas plat nomor yang kecil atau buram. Keunggulan ini disebabkan oleh kemajuan arsitektur seperti Generalized Attention yang efektif. Meskipun demikian, YOLOv8 menawarkan efisiensi pemrosesan tertinggi, memberikan solusi real-time yang cepat dengan akurasi yang tetap sangat baik. Kesimpulan ini menyajikan rekomendasi teknis yang jelas bagi pengembang sistem di Indonesia, membantu menyeimbangkan kebutuhan akan akurasi tertinggi dengan batasan sumber daya komputasi di lapangan.
Implementasi Mobilenetv2 Untuk Aplikasi Edukasi Sejarah Monumen Nasional Berbasis Computer Vision Ryan Rahman; Sherly Maharani; Maria Igniosa Toni; Khairul Rizal; Susliansyah Susliansyah; Rahmat Hidayat
Jurnal Sistem Informasi dan Sistem Komputer Vol 11 No 1 (2026): Vol 11 No 1 - 2026
Publisher : STIMIK Bina Bangsa Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51717/simkom.v11i1.1200

Abstract

Kemajuan teknologi mobile dan kecerdasan buatan telah membuka peluang baru dalam penyediaan materi pendidikan interaktif pada ranah sejarah dan pariwisata. Penelitian ini mengembangkan aplikasi mobile edukatif untuk Monumen Nasional dengan menerapkan model MobileNetV2 dalam tugas computer vision. Aplikasi memungkinkan pengunjung memindai objek sejarah dari Monas menggunakan kamera smartphone dan memperoleh informasi secara instan. Model MobileNetV2 dipilih karena efisiensi komputasi, ukuran ringan, dan akurasi tinggi yang sesuai untuk perangkat mobile. Penelitian ini melibatkan lima tahap utama berdasarkan metode CRISP-DM: analisis kebutuhan, pengumpulan data, pra-pemrosesan citra, pelatihan model, serta integrasi model ke aplikasi. Hasil pengujian menunjukkan akurasi klasifikasi sebesar 99%, nilai loss 0,02, dan nilai loss saat validasi 0,06, menandakan model mencapai konvergensi stabil dengan indikasi overfitting yang ringan. Temuan ini menunjukkan efektivitas MobileNetV2 dalam aplikasi edukatif berbasis computer vision yang efisien di perangkat mobile, serta berkontribusi pada pelestarian budaya melalui media edukatif interaktif.
Klasifikasi Jamur Beracun dan Tidak Beracun Menggunakan Transfer Learning Model Mobilenetv2 Pada Tensorflow di Indonesia Syafiq Hidayatullah; Adinda Gadis Insan Cemerlang; Rifaldi Bagas Permana; Khairul Rizal; Rahmat Hidayat; Susliansyah Susliansyah
Jurnal Sistem Informasi dan Sistem Komputer Vol 11 No 1 (2026): Vol 11 No 1 - 2026
Publisher : STIMIK Bina Bangsa Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51717/simkom.v11i1.1211

Abstract

Jamur memiliki peran penting dalam pangan dan kesehatan, tetapi kesamaan morfologis antara jamur beracun dan tidak beracun menyulitkan identifikasi akurat. Penelitian ini mengklasifikasikan jamur beracun dan tidak beracun di Indonesia menggunakan Transfer Learning dengan arsitektur MobileNetV2 pada TensorFlow. Metode penelitian mengikuti tahapan CRISP-DM yang mencakup pengumpulan data, pra-pemrosesan citra, pelatihan model, serta evaluasi kinerja. Model MobileNetV2 mencapai akurasi 99,13%, precision 99,49%, recall 98,97%, dan F1-score 99%. Grafik akurasi dan loss menunjukkan peningkatan kinerja yang stabil tanpa overfitting. Hasil ini menegaskan efektivitas Transfer Learning menggunakan MobileNetV2 dalam identifikasi fitur visual jamur. Model ini berpotensi diaplikasikan pada platform web atau aplikasi mobile sebagai alat bantu identifikasi jamur otomatis, mengurangi risiko keracunan.
Implementasi Sistem Presensi Mahasiswa Berbasis Pengenalan Wajah Menggunakan Model Facenet (CNN Backbone) dan Metode KNN Maliki Maliki; Lintang Aisah Lestari; Khairul Rizal; Susliansyah Susliansyah; Rahmat Hidayat
Jurnal Sistem Informasi dan Sistem Komputer Vol 11 No 1 (2026): Vol 11 No 1 - 2026
Publisher : STIMIK Bina Bangsa Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51717/simkom.v11i1.1217

Abstract

Kemajuan teknologi kecerdasan buatan dan pemrosesan citra mendorong pengembangan sistem presensi yang lebih efektif dan akurat pada lingkungan perguruan tinggi. Penelitian ini difokuskan untuk menyusun dan mengimplementasikan sistem presensi mahasiswa menggunakan pengenalan wajah menggunakan FaceNet (CNN Backbone) sebagai ekstraktor fitur, sedangkan metode K-Nearest Neighbors (KNN) untuk klasifikasi identitas. Penelitian dilakukan melalui delapan tahapan, yaitu data collecting, exploratory data analysis, data preprocessing, model training, model evaluation, deployment, system testing, dan monitoring. Dataset yang digunakan terdiri dari 325 citra wajah dari 13 kelas mahasiswa dengan variasi pose, ekspresi, dan kondisi pencahayaan. Pengujian sistem dilakukan pada beberapa skenario utama, termasuk variasi intensitas cahaya dan jarak wajah ke kamera. Hasil pengujian menunjukkan akurasi pengenalan wajah sebesar 97% pada dataset yang digunakan dengan performa sistem yang stabil. Hasil ini menunjukkan bahwa kombinasi FaceNet (CNN Backbone) dan KNN efektif untuk mendukung presensi mahasiswa otomatis di lingkungan perguruan tinggi.
Co-Authors Adinda Gadis Insan Cemerlang Agustiani, Sarifah Aldian Mauluda Ali Mustopa, Ali Andi Saryoko Arie Kurniawan Desta Tri Lestari Fachry Abda El Rahman Faisal Daffa Herdian Pratama Heru Purwanto Instianti Elyana Khairul Rizal Khairul Rizal khairul rizal Khairul Rizal Lintang Aisah Lestari Maliki Maliki Maria Igniosa Toni Muhammad Arif Sulistiyo Muhammad Raditya Pratama Norma Yunita Putri Mahirah Syahla Raihan Bintang Pamungkas Raihan Pramuseto Rifaldi Bagas Permana Riska Aryanti Rizky Ade Safitri Royhan Muhammad Fadhilah Ryan Rahman Satya Wibisono Sherly Maharani Siti Khotimatul Wildah Siti Marlina Sopiyan Dalis Susliansyah Susliansyah Susliansyah Susliansyah Susliansyah Susliansyah Susliansyah Susliansyah, Susliansyah Syafiq Hidayatullah Titik Misriati Yoseph Tajul Arifin