Article Per Year (5 Year)
p-Index From 2021 - 2026
6.037
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Teknologi International Journal of Artificial Intelligence Research JURNAL MEDIA INFORMATIKA BUDIDARMA Progresif: Jurnal Ilmiah Komputer Techno Xplore : Jurnal Ilmu Komputer dan Teknologi Informasi Generation Journal Jurnal Asiimetrik: Jurnal Ilmiah Rekayasa Dan Inovasi Jurnal Tekinkom (Teknik Informasi dan Komputer) JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Jurnal Sistem Komputer dan Informatika (JSON) Bulletin of Computer Science Research Scientific Student Journal for Information, Technology and Science Malcom: Indonesian Journal of Machine Learning and Computer Science Jurnal Pengabdian Masyarakat Nasional Jurnal Polimesin Inovasi Gagasan Abdimas & Kuliah Kerja Nyata Jurnal Abdimas Mahakam
Ahmad Fauzi
Universitas Buana Perjuangan Karawang
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mechanical Engineering Other

Published : 45 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 45 Documents
Search

 1   2   3   4   5 
Air quality prediction using boosting-based machine learning models for sustainable environment Ahmad Fauzi; Maharina Maharina; Jamaludin Indra; Ayu Ratna Juwita; Agustia Hananto; Euis Nurlaelasari
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 15, No 1: February 2026
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v15.i1.pp515-523

Abstract

High levels of air pollution are extremely harmful to humans and the environment. They increase the risk of respiratory infections and lung cancer, especially among vulnerable populations. Therefore, developing effective pollution control measures is crucial for mitigating these negative impacts. We need to implement effective methods to predict and manage air quality for the sake of public health and a healthier environment. In recent years, machine learning (ML) methods have been increasingly utilized in air quality prediction due to their ability to analyze datasets and identify complex patterns. However, the reliability and accuracy of air quality prediction models remain a challenge. This study proposes a boosting-based ML model for predicting air quality. We implemented three stages in the proposed method. In the first stage, we conducted data preprocessing and analysis to eliminate noise, remove redundant data, and encode categorical features. In the second stage, we predicted air quality categories by leveraging 25 ML models, dividing them into three distinct categories. The results show that the extreme gradient boosting (XGBoost), light gradient boosting machine (LGBM), and adaptive boosting (AdaBoost) models outperform the others in air quality prediction, achieving an accuracy of 99%. Finally, we compared these three models using 10-fold cross validation to ensure they generalize well in last stage.
Implementasi Algoritma Naïve Bayes Classifier pada Sistem Pakar Diagnosis Penyakit Gigi Manusia Destanto Muhamad Yusuf; Ahmad Fauzi; Dwi Sulistya Kusumaningrum
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

Penyakit gigi muncul akibat gaya hidup konsumtif yang tidak sehat. Mengonsumsi makanan atau minuman yang bersifat manis dan lengket, yang berpotensi tertinggal pada sela-sela gigi, merupakan penyebab utama munculnya masalah kesehatan gigi. Hal ini diperparah ketika kebersihan gigi dan mulut tidak diperhatikan. Biaya perawatan kesehatan gigi yang mahal juga menjadi masalah tersendiri bagi masyarakat, sehingga kesadaran masyarakat dalam menjaga kesehatan gigi ikut menurun. Aplikasi sistem pakar diagnosis penyakit gigi pada manusia dibangun dengan menerapkan algoritma Naïve Bayes Classifier, dengan tujuan membantu masyarakat dalam melakukan diagnosis atau screening tahap awal terhadap penyakit atau gangguan kesehatan gigi. Hasil pengujian aplikasi menggunakan 25 data gejala, 6 data penyakit, serta total 20 data uji rekomendasi yang seluruh datanya diperoleh dari pakar menunjukkan bahwa, dari keseluruhan data pengujian, aplikasi mampu memberikan hasil yang sesuai dengan keputusan pakar. Selanjutnya, dilakukan perhitungan nilai rerata akurasi sistem dan diperoleh nilai rerata sebesar 100%. Dengan demikian, dapat disimpulkan bahwa keputusan yang dihasilkan oleh aplikasi sistem pakar dinyatakan valid dan sesuai dengan keputusan pakar.
Penerapan Algoritma Support Vector Machine (SVM) untuk Klasifikasi Keluarga Sejahtera Dwi Tian Tonara; Ahmad Fauzi; Hilda Yulia Novita
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

Setiap keluarga menginginkan kehidupan yang sejahtera serta mampu memenuhi kebutuhan, baik primer maupun sekunder. Kartu Keluarga Sejahtera merupakan salah satu program pemerintah yang bertujuan untuk menanggulangi kemiskinan. Penentuan penerima bantuan pemerintah agar tepat sasaran dapat dilakukan melalui klasifikasi keluarga yang layak dan tidak layak menerima bantuan. Data yang digunakan dalam penelitian ini diperoleh dari Pemerintah Desa Mekarmaya sebanyak 432 data, yang terdiri atas 25 data keluarga layak dan 407 data keluarga tidak layak. Data tersebut kemudian diklasifikasikan menggunakan algoritma Support Vector Machine (SVM). Pengujian dilakukan menggunakan Orange dan bahasa pemrograman Python, dengan hasil klasifikasi berupa 7 data keluarga layak dan 80 data keluarga tidak layak, serta tingkat akurasi sebesar 94%.
Penerapan Support Vector Machine pada Klasifikasi Kondisi Kematangan Cabai Rawit Anggie Wiyani Putri; Ahmad Fauzi; Dwi Sulistya Kusumaningrum; Sutan Faisal
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

Cabai rawit (Capsicum frutescens) merupakan komoditas penting di Indonesia, namun ketergantungan impor masih tinggi akibat kendala sortasi dan distribusi yang tidak merata. Proses sortasi manual sering kali tidak akurat, sehingga cabai mentah, matang, atau rusak tercampur. Kondisi tersebut menurunkan kualitas dan nilai jual cabai rawit. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis kondisi kematangan cabai rawit menggunakan algoritma Support Vector Machine (SVM) dengan ekstraksi fitur kombinasi HSV, GLCM, dan Local Binary Pattern (LBP). Metode yang digunakan meliputi augmentasi data, segmentasi berbasis HSV thresholding, serta ekstraksi fitur warna dan tekstur. Hasil evaluasi menunjukkan bahwa model SVM dengan kernel RBF mencapai nilai rata-rata F1-Score sebesar 84%, dengan performa terbaik pada kelas matang yang memperoleh F1-Score sebesar 92%. Namun, kelas rusak memiliki nilai F1-Score yang lebih rendah, yaitu sebesar 71%, akibat ketidakseimbangan data. Simpulan dari penelitian ini menunjukkan bahwa kombinasi fitur HSV, GLCM, dan LBP efektif untuk klasifikasi kondisi kematangan cabai rawit. Meskipun demikian, diperlukan pengembangan dataset serta penerapan pendekatan deep learning, seperti CNN-SVM, untuk meningkatkan akurasi berdasarkan nilai F1-Score pada kelas minoritas.
Penerapan Algoritma Support Vector Machine untuk Klasifikasi Penyakit Daun Tanaman Padi melalui Citra Irfan; Hanny Hikmayanti Handayani; 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

Pertanian padi memiliki peran penting dalam perekonomian Indonesia, namun kerap terganggu oleh penyakit daun, seperti blast, blight, dan tungro. Penelitian ini mengembangkan metode klasifikasi citra daun padi menggunakan algoritma Support Vector Machine (SVM) untuk mendeteksi ketiga jenis penyakit tersebut. Penelitian ini menggunakan 240 data citra daun padi. Tahapan yang dilakukan meliputi prapemrosesan citra, seperti resizing, grayscale, peningkatan kontras, dan tahapan lainnya, dilanjutkan dengan ekstraksi fitur Local Binary Pattern (LBP), normalisasi data, serta validasi menggunakan metode 5-Fold Cross-Validation dengan kernel RBF. Model SVM yang dihasilkan mencapai akurasi sebesar 83,33%. Nilai precision dan recall masing-masing untuk penyakit blast adalah 81% dan 85%, blight sebesar 86,6% dan 97,5%, serta tungro sebesar 82,29% dan 67,5%. Nilai F1-score tertinggi diperoleh pada kelas blight sebesar 91,72%, sedangkan nilai terendah terdapat pada kelas tungro sebesar 74,34%. Meskipun akurasi yang diperoleh tergolong cukup tinggi, model masih mengalami kesulitan dalam mengenali penyakit tungro. Hal ini menunjukkan perlunya peningkatan metode pemrosesan data dan pengembangan pendekatan lanjutan agar kinerja klasifikasi dapat ditingkatkan.
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.
Klasterisasi Tingkat Perceraian Berdasarkan Kabupaten/Kota di Provinsi Jawa Barat Menggunakan Algoritma K-Means dan K-Medoids Ananda Faizah; Deden Wahiddin; Jamaludin Indra; Ahmad Fauzi
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (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

Perceraian merupakan fenomena sosial yang berdampak pada kesejahteraan keluarga dan stabilitas sosial. Provinsi Jawa Barat mencatat peningkatan angka perceraian setiap tahunnya, sehingga diperlukan analisis untuk memahami pola yang terjadi. Penelitian ini membandingkan algoritma K-Means dan K-Medoids dalam mengelompokkan kabupaten/kota di Jawa Barat berdasarkan faktor penyebab perceraian pada tahun 2023. Hasil klasterisasi menghasilkan tiga cluster dengan karakteristik tingkat perceraian tinggi, sedang, dan rendah yang didominasi oleh faktor tertentu. Evaluasi menggunakan Silhouette Coefficient dan Davies-Bouldin Index (DBI) menunjukkan bahwa K-Means memberikan hasil evaluasi yang lebih baik berdasarkan nilai Silhouette Score sebesar 0.533683 dan Davies-Bouldin Index (DBI) sebesar 0.518007, sedangkan K-Medoids memperoleh nilai Silhouette Score sebesar 0.415553 dan Davies-Bouldin Index (DBI) sebesar 0.749047. Penelitian ini diharapkan dapat membantu instansi terkait dalam mengatasi tingginya angka perceraian di Jawa Barat.
Studi Komparatif Kinerja Arsitektur MobileNetV2 dan EfficientNet-B6 dalam Identifikasi Penyakit Daun Padi Bayu Kerta Sukma Gandara; Tohirin Al Mudzakir; Hilda Yulia Novita; Ahmad Fauzi
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (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

Padi merupakan komoditas pangan utama di Indonesia, namun tingkat produktivitasnya sering mengalami penurunan akibat serangan berbagai penyakit daun. Oleh karena itu, deteksi dini terhadap penyakit daun padi menjadi langkah penting untuk mengurangi risiko kerugian hasil panen. Penelitian ini dilakukan untuk menganalisis serta membandingkan performa dua arsitektur Convolutional Neural Network (CNN), yaitu MobileNetV2 dan EfficientNet-B6, dalam mengidentifikasi jenis penyakit pada daun padi. Dataset penelitian terdiri dari citra daun padi yang terbagi dalam beberapa kategori, yaitu Bacterial Blight, Blast, Brown Spot, dan daun sehat. Pelatihan model dilakukan dengan metode transfer learning serta penerapan augmentasi data untuk meningkatkan kemampuan generalisasi. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, dan F1-score. Berdasarkan uraian tersebut, penelitian ini diarahkan untuk membandingkan kinerja arsitektur MobileNetV2 dan EfficientNet-B6 dalam proses klasifikasi penyakit daun padi melalui pendekatan transfer learning serta penerapan teknik augmentasi data. Penelitian ini diharapkan mampu memberikan kontribusi dalam pengembangan sistem pendeteksian penyakit secara otomatis yang lebih efektif dan akurat, sehingga dapat mendukung peningkatan ketahanan pangan nasional.
Penerapan Algoritma Long Short-Term Memory dalam Prediksi Harga Bahan Pangan Nasional Ilham Dwi Ischan; Ahmad Fauzi; Dwi Sulistya Kusumaningrum; Sutan Faisal
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (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

Perubahan harga bahan pangan yang tidak stabil menjadi kendala dalam menjaga keseimbangan ekonomi serta ketahanan pangan di Indonesia. Penelitian ini bertujuan untuk menerapkan algoritma Long Short-Term Memory (LSTM) dalam memprediksi harga bahan pangan nasional secara akurat. Data yang digunakan berasal dari Bank Indonesia, yang terdiri atas data harian harga komoditas pangan dari 32 provinsi selama lima tahun terakhir. Tahapan penelitian meliputi preprocessing, normalisasi, pelatihan model, serta evaluasi menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil evaluasi menunjukkan bahwa algoritma Long Short-Term Memory mampu mencapai tingkat akurasi sebesar 98,01%, nilai MAPE sebesar 0,75%, dan nilai RMSE sebesar 0,0065, yang termasuk dalam kategori sangat baik. Hasil tersebut menunjukkan bahwa algoritma Long Short-Term Memory mampu memodelkan pola harga pangan yang dinamis dan kompleks dengan baik. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem prediksi harga pangan berbasis kecerdasan buatan yang mendukung pengambilan keputusan strategis oleh pemerintah maupun pelaku industri.
Deteksi Pelat Nomor Kendaraan dengan Convolutional Neural Network dan Pembacaan Karakter dengan Optical Character Recognition Indri Rahmawati; Deden Wahiddin; Euis Nurlaelasari; Adi Rizky Pratama; Ahmad Fauzi; Jamaludin Indra
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (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

Pengenalan pelat nomor kendaraan secara otomatis menjadi salah satu solusi untuk meningkatkan efisiensi dan keamanan sistem parkir, khususnya di Universitas Buana Perjuangan Karawang yang masih menggunakan metode manual. Penelitian ini mengembangkan sistem deteksi pelat nomor kendaraan menggunakan algoritma Convolutional Neural Network (CNN) dan PaddleOCR. Dataset yang digunakan sebanyak 10.795 citra, kemudian diperluas menjadi 21.590 citra melalui proses augmentasi data. Tahap preprocessing meliputi konversi citra menjadi grayscale, resize, normalisasi, dan parsing anotasi. Algoritma Convolutional Neural Network digunakan untuk mendeteksi lokasi pelat nomor, sedangkan PaddleOCR digunakan untuk mengenali karakter pada pelat nomor. Evaluasi dilakukan menggunakan metrik Mean Absolute Error (MAE), Intersection over Union (IoU), dan akurasi OCR. Hasil evaluasi menunjukkan nilai IoU validasi sebesar 0,8639 dan akurasi OCR sebesar 80%, yang menunjukkan bahwa sistem memiliki performa yang baik pada tahap awal pengembangan.
Co-Authors Ade Suhara Adi Rizky Pratama Adie Putra Afif Hakim Agung Rahmat Ahmad Rahman Amelia Pratiwi Amri Abdulah Ananda Faizah Anggie Wiyani Putri Anis Fitri Nur Masruriyah Anis Fitri Nurmasruriyah Anwar Ilmar Ramadhan April Hananto April Lia Hananto Ardi Apriansyah Arphilia Nur Rani Aviv Yuniar Rahman Ayu Ratna Juwita Ayu Sri Rahayu Baihaqi, Kiki Ahmad Bambang Sukowo Bayu Kerta Sukma Gandara Candra Zonyfar Deden Wahiddin Dedi Mulyadi Destanto Muhamad Yusuf Dodi Mulyadi Dwi Kusumaningrum Dwi Sulistya Kusumaningrum Dwi Sulistya Kusumaningrum Dwi Tian Tonara Euis Nurlaelasari Farhan Muhammad Fadillah Firmansyah Maulana Fitria Nurapriani Hananto, Agustia Hanny Hikmayanti Handayani Hilda Yulia Novita Hilda Yulia Novita Ilham Dwi Ischan Indra, Jamaludin Indri Rahmawati Intan Murni Pratiwi Irfan Irma Putri Rahayu Khoirudin Khoirudin Khoirudin Lestari, Santi Arum Puspita Maharina Maharina Mohamad Rizkiyanto Mudzakir, Tohirin Al Murtalim Nana Rahdiana Naufal Zubdi Ahnaf Novalia, Elfina Nunung Nurjanah Prasetyo Ajie Priyatna, Bayu Rahmat Rahmat Randy Kurniadi Rendy Alfa Rizky Ricko Valderama Ridwan Maulana Rini Beatrix Laurentzia Saruni Dwiasnati Siregar, Amril Mutoi Sony Hartono Wijaya Sriyanto Sriyanto Sukarman Sukarman Sukmawati, Cici Emilia Sumanto Sutan Faisal Sutan Faisal Sutan Faisal Tjong Wan Sen Toif Muhayat Tukino Tukino Tukino Wildan Gusty Sakhril Amin Yana Cahyana Yana Cahyana Yudo Devianto Yusuf Eka Wicaksana Yusuf Khoiruddin