Article Per Year (5 Year)
p-Index From 2021 - 2026
4.462
P-Index
This Author published in this journals
All Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING JURNAL INSTEK (Informatika Sains dan Teknologi) Conference on Innovation and Application of Science and Technology (CIASTECH) Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Jurnal Teknik Informatika (JUTIF) Scientific Student Journal for Information, Technology and Science Jurnal Buana Pengabdian
Sutan Faisal
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Automotive Engineering Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Law, Crime, Criminology & Criminal Justice Medicine & Pharmacology Public Health Social Sciences Other

Published : 34 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 34 Documents
Search

 1   2   3   4 
Analisis Kinerja Algoritma Naïve Bayes dan Random Forest dalam Memprediksi Hasil Klasemen English Premier League Muhamad Ibnu Rizky; Sutan Faisal; Iman Sanjaya; Deden Wahiddin
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

English Premier League dikenal sebagai liga sepak bola yang paling kompetitif dan menarik untuk dianalisis secara statistik. Penelitian ini dilakukan untuk membandingkan kinerja dua algoritma machine learning, yaitu Naïve Bayes dan Random Forest, dalam memprediksi posisi akhir klasemen berdasarkan data statistik pertandingan. Data dikumpulkan melalui teknik web scraping dari situs FBref.com, yang mencakup data tiga musim kompetisi serta sejumlah fitur relevan lainnya. Setelah melalui tahap prapemrosesan (preprocessing), data dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20. Evaluasi terhadap model dilakukan menggunakan berbagai metrik, seperti akurasi, presisi, recall, F1-score, serta confusion matrix. Hasil pengujian menunjukkan bahwa algoritma Naïve Bayes memperoleh akurasi sebesar 69,83% dan menunjukkan kinerja yang cukup baik dalam memprediksi hasil seri. Di sisi lain, algoritma Random Forest menunjukkan performa yang lebih unggul dengan akurasi mencapai 99,57%, serta nilai presisi, recall, dan F1-score yang tinggi dan konsisten. Prediksi klasemen akhir yang dihasilkan oleh Random Forest juga lebih mendekati hasil sebenarnya. Berdasarkan temuan tersebut, dapat disimpulkan bahwa Random Forest lebih mampu menangani kompleksitas data pertandingan sepak bola dan lebih direkomendasikan untuk digunakan dalam sistem prediksi di bidang analitik olahraga.
Implementasi Algoritma Support Vector Machine dalam Klasifikasi Biji Jagung Berondong dan Biji Jagung Pakan Ayam Rini Beatrix Laurentzia; Sutan Faisal; Cici Emilia Sukmawati; Ahmad Fauzi
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Jagung merupakan komoditas penting dalam sektor pangan dan pakan ternak, dengan varietas yang memiliki karakteristik fisik yang berbeda. Salah satu tantangan di lapangan adalah membedakan biji jagung berondong dan biji jagung pakan ayam secara akurat, terutama ketika perbedaan visual di antara keduanya sangat tipis. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi berbasis citra menggunakan algoritma Support Vector Machine (SVM) guna membedakan kedua jenis jagung tersebut. Dataset yang digunakan terdiri atas 400 citra biji jagung dengan dua kelas, yaitu jagung berondong dan jagung pakan ayam. Tahapan penelitian meliputi prapemrosesan citra, segmentasi, serta ekstraksi fitur menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dengan enam fitur utama, yaitu kontras, energi, homogenitas, korelasi, varians, dan dissimilarity. Model SVM diuji menggunakan beberapa jenis kernel, dan evaluasi dilakukan dengan confusion matrix. Hasil pengujian menunjukkan bahwa akurasi klasifikasi biji jagung berondong dan biji jagung pakan ayam menggunakan algoritma SVM mencapai 68,18% dengan pembagian data latih dan uji sebesar 80:20 serta menggunakan kernel polynomial. Nilai akurasi tersebut menunjukkan bahwa algoritma SVM belum cukup andal dalam melakukan klasifikasi, sehingga masih terdapat ruang untuk perbaikan, khususnya melalui proses tuning parameter SVM.
Peningkatan Kecepatan Inferensi Mask R-CNN Menggunakan MobileNetV3 Small pada Sistem Deteksi Kardus Vikha Tri Vicika; Jamaludin Indra; Sutan Faisal; Hanny Hikmayanti Handayani
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Penelitian ini bertujuan untuk meningkatkan kecepatan inferensi pada sistem deteksi objek dengan mengoptimalkan arsitektur Mask R-CNN melalui penggantian backbone menjadi MobileNetV3 Small. Studi ini difokuskan pada deteksi kardus di lingkungan gudang menggunakan dataset yang dikumpulkan dari berbagai kondisi pencahayaan dan sudut pengambilan gambar. Proses pelatihan dan validasi dilakukan terhadap data yang telah dianotasi secara manual, dengan evaluasi menggunakan metrik presisi, recall, dan kecepatan pemrosesan dalam satuan frame per second (FPS). Hasil pengujian menunjukkan bahwa model dengan backbone MobileNetV3 Small menghasilkan FPS rata-rata sebesar 8,66, lebih tinggi dibandingkan dengan model default yang hanya mencapai 6,94. Dari sisi akurasi, model kustom menunjukkan nilai presisi sebesar 85%, sedangkan model default mencapai nilai recall sebesar 85,7%. Meskipun segmentasi yang dihasilkan oleh model default lebih menyeluruh, model kustom memiliki arsitektur yang lebih ringan dan efisien. Oleh karena itu, model kustom lebih sesuai untuk aplikasi waktu nyata pada perangkat dengan sumber daya terbatas. Temuan ini menunjukkan bahwa penggunaan MobileNetV3 Small sebagai backbone pada arsitektur Mask R-CNN mampu meningkatkan efisiensi inferensi tanpa menurunkan tingkat akurasi secara signifikan.
Perbandingan Dampak Penggunaan LASSO dan Hyperparameter Tuning terhadap Performa Prediksi Kegagalan Mesin pada Model Machine Learning Wahyu Setio Aji; Sutan Faisal; Santi Arum Puspita Lestari; Yana Cahyana
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Revolusi Industri 4.0 telah mendorong integrasi teknologi seperti Big Data, Internet of Things (IoT), dan machine learning dalam industri untuk meningkatkan efisiensi serta mengurangi downtime. Salah satu tantangan utama di sektor manufaktur adalah terjadinya kerusakan mesin secara mendadak yang dapat mengganggu proses produksi dan meningkatkan biaya perawatan. Predictive Maintenance menjadi solusi penting dengan memanfaatkan data sensor dan model prediksi untuk mencegah kerusakan sejak dini. Penelitian ini membandingkan performa tiga algoritma machine learning, yaitu K-Nearest Neighbor (KNN), Logistic Regression (LR), dan Support Vector Machine (SVM), dalam memprediksi kegagalan mesin berdasarkan empat skenario. Skenario pertama menguji ketiga algoritma klasifikasi, yaitu KNN, SVM, dan Logistic Regression, tanpa optimasi (baseline). Skenario kedua menerapkan seleksi fitur menggunakan Least Absolute Shrinkage and Selection Operator (LASSO), kemudian menguji kembali ketiga algoritma tersebut. Pada skenario ketiga, dilakukan hyperparameter tuning tanpa seleksi fitur. Sementara itu, skenario keempat menggabungkan seleksi fitur LASSO dengan hyperparameter tuning untuk memperoleh model yang lebih optimal. Hasil penelitian menunjukkan bahwa algoritma KNN merupakan model dengan kinerja paling unggul. Pada skenario keempat, KNN mencapai akurasi maksimum sebesar 97,4% dengan parameter terbaik n_neighbors = 4 dan weights = ‘distance’. Selanjutnya, algoritma SVM mencatat akurasi sebesar 97,2% dengan parameter C = 13,716, gamma = ‘scale’, dan kernel = ‘rbf’. Sementara itu, algoritma Logistic Regression menunjukkan performa paling rendah. Meskipun telah dioptimalkan, akurasi tertingginya hanya mencapai 88,2% dengan konfigurasi C = 2,053, penalty = ‘l2’, dan solver = ‘sag’.
Co-Authors Adi Rizky Pratama Afga Ilyasa Ahmad Fauzi Alifa, Naila Ratu Amril Mutoi Anggie Wiyani Putri Aqib Zhaky Ayuni Evita Rahayu Azzahra, Wava Lativa Bagus Priambada Baihaqi, Kiki Ahmad Cici Emilia Sukmawati Daffa Alwan Deden Wahiddin Deni Yusup Dwi Sulistya Kusumaningrum Genta Kusuma Atmaja Habib Abdullah Hanny Handayani Hanny Hikmayanti Handayani Ilham Azis Annaba Iman Sanjaya Indra, Jamaludin Isnaeni Hidayah Jorke Alkawiyu Lestari, Santi Arum Puspita Madi Naashir Muhamad Ibnu Rizky Muhammad Chayim Mustabinnur Nurofik Rahmat Rahmat Rija Nur Hijriyya Rini Beatrix Laurentzia Rissa Ilmia Agustin Rizki Nur Annisa Rizki Septian Akbar Roby Rupiat Santi Lestari Santi Pertiwi Hari Sandi Siregar, Amril Mutoi Suja Priyanto Syamsul Tri Andika Tatang Rohana Tohirin Al Mudzakir Vikha Tri Vicika Wahyu Setio Aji Windyani Eka Putri Yana Cahyana