Article Per Year (5 Year)
p-Index From 2021 - 2026
4.756
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Techno.Com: Jurnal Teknologi Informasi Prosiding SNATIF Jurnal Edukasi dan Penelitian Informatika (JEPIN) International Journal of Advances in Intelligent Informatics Scientific Journal of Informatics Journal of Information Systems Engineering and Business Intelligence JAIS (Journal of Applied Intelligent System) Register: Jurnal Ilmiah Teknologi Sistem Informasi Jurnal Teknologi dan Sistem Komputer Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Prosiding SAKTI (Seminar Ilmu Komputer dan Teknologi Informasi) JISKa (Jurnal Informatika Sunan Kalijaga) APTIKOM Journal on Computer Science and Information Technologies (CSIT) Innovation in Research of Informatics (INNOVATICS) Journal of Soft Computing Exploration Jurnal Ilmiah Wahana Pendidikan Unnes Journal of Mathematics Journal of Artificial Intelligence and Digital Business Journal of Student Research Exploration Journal of Information System Exploration and Research Nusantara Journal of Computers and its Applications Jurnal Informatika: Jurnal Pengembangan IT Scientific Journal of Informatics
Much Aziz Muslim
Unknown Affiliation
Religion Aerospace Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Library & Information Science Materials Science & Nanotechnology Mathematics Social Sciences Other

Published : 85 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 85 Documents
Search

 5   6   7   8   9 
Penanganan Ketidakseimbangan Data Ekstrim pada Sistem Prediksi Putro, Ari Nugroho; Muslim, Much Aziz
Techno.Com Vol. 24 No. 4 (2025): November 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i4.15005

Abstract

Salah satu masalah utama dalam sistem prediksi adalah ketidakseimbangan data, di mana kelas tertentu sangat kurang terwakili dibandingkan dengan kelas lainnya. Ketidakseimbangan data dapat menyebabkan bias model, di mana model lebih mudah mendeteksi kelas mayoritas tetapi lemah dalam mendeteksi kelas minoritas. Terutama pada data dengan ketidakseimbangan ekstrem dengan IR >9, model memiliki akurasi tinggi tetapi performa recall rendah. Hal ini merugikan sistem prediksi yang memprioritaskan deteksi kelas minoritas. Penelitian ini bertujuan untuk meningkatkan recall pada dataset yang sangat tidak seimbang dengan menggunakan empat teknik penanganan ketidakseimbangan data, yaitu SMOTE dan OHIT pada level data, serta CSL dan CW pada level model. Teknik pada level data menyeimbangkan distribusi kelas dengan menambahkan data sintetis, sedangkan teknik pada level model meningkatkan sensitivitas terhadap kelas minoritas. Model yang digunakan sebagai baseline adalah LR untuk mengamati peningkatan recall dari keempat teknik penanganan ketidakseimbangan data. Dari hasil pengujian semua teknik penanganan ketidakseimbangan data, semuanya meningkatkan recall dengan margin sebesar 0,3243. Peningkatan recall tertinggi dicapai oleh LR-SMOTE dengan margin sebesar 0,3256. Penelitian ini menunjukkan bahwa recall model dapat ditingkatkan dengan menggunakan teknik penanganan ketidakseimbangan data. Kata kunci – ketidakseimbangan data ekstrem, sistem prediksi, recall, penanganan ketidakseimbangan data
Optimasi Kinerja Klasifikasi Motif Batik pada Arsitektur MobileNetV2 melalui Strategi Fine-Tuning Gilbertus Kristo Anugerah Adviandito; Muhammad Ilham Afif; Agil Lantip Mahendra; Much Aziz Muslim
Jurnal Ilmiah Wahana Pendidikan Vol 12 No 6.D (2026): Jurnal Ilmiah Wahana Pendidikan
Publisher : Peneliti.net

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

Abstract

Klasifikasi motif batik menghadapi tantangan signifikan sebagai masalah fine-grained visual classification, di mana tingginya similaritas visual antar-kelas menuntut kapabilitas ekstraksi fitur yang superior. Sementara banyak riset terdahulu mengandalkan arsitektur Convolutional Neural Network (CNN) berskala besar, pendekatan tersebut sering kali tidak efisien dari sisi komputasi. Penelitian ini bertujuan untuk menguji efektivitas MobileNetV2 sebagai arsitektur lightweight, dengan fokus utama membuktikan bahwa optimasi melalui fine-tuning dapat menghasilkan akurasi tinggi yang setara dengan model kompleks. Secara metodologis, penelitian ini menerapkan transfer learning dua tahap, yaitu fase feature extraction dengan membekukan base layer untuk adaptasi awal, kemudian dilanjutkan fine-tuning pada lapisan konvolusi agar representasi fitur menjadi lebih spesifik terhadap karakteristik batik. Alur metode diperkuat melalui augmentasi citra, normalisasi, penggunaan Global Average Pooling (GAP) untuk pereduksi dimensi secara stabil, serta lapisan dropout untuk menekan overfitting. Hasil evaluasi menunjukkan bahwa strategi fine-tuning mampu meningkatkan akurasi secara signifikan dari model MobileNetV2 tanpa fine-tuning meraih akurasi 94,00% dan ketika menggunakan fine-tuning bisa mencapai akurasi hingga mencapai 99,85%, membuktikan bahwa MobileNetV2 yang dioptimalkan dapat menyamai performa model berparameter besar dengan efisiensi komputasi yang tetap tinggi. Analisis error menunjukkan bahwa model masih menghadapi tantangan minor dalam membedakan kelas-kelas dengan pola visual yang sangat identik (inter-class similarity). Temuan ini menegaskan bahwa model lightweight yang dioptimalkan layak diterapkan pada perangkat bersumber daya terbatas untuk mendukung pelestarian digital batik.
Stacking Ensemble with Hybrid Balancing for Aquaculture Water Quality Prediction Ari Nugroho Putro; Much Aziz Muslim
Scientific Journal of Informatics Vol. 13 No. 2: May 2026
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/sji.v13i2.49383

Abstract

Purpose: This study aims to improve the accuracy of water quality classification models by addressing class imbalance and data noise. Aquaculture water quality monitoring is essential to support sustainable aquaculture production and maintain aquatic organism health. As aquaculture systems become more intensive, accurate predictive models are needed for effective monitoring and decision-making. Therefore, this study proposes a stacking ensemble model optimized using SMOTEENN hybrid balancing to improve classification performance on aquaculture water quality datasets. Methods: The proposed approach combines SMOTEENN hybrid balancing with a meta stacking ensemble framework. First, Synthetic Minority Oversampling Technique (SMOTE) was applied to balance minority classes by generating synthetic samples. Next, Edited Nearest Neighbor (ENN) was used to remove noisy data from both original and synthetic datasets. After preprocessing, the classification process employed a meta stacking ensemble model consisting of Extra Trees (ET) and Random Forest (RF) as base learners, while Logistic Regression (LR) served as the meta learner. The model was evaluated using the Aquaculture Water Quality (AWQ) dataset. Result: Experimental results show that the proposed model achieves the highest performance under the SMOTEENN scenario, reaching an accuracy of 99.88%, outperforming SMOTE 99.20%, ENN 99.78%, and the original imbalanced data 99.18%. The results indicate that combining class balancing and noise reduction significantly improves classification performance. Novelty: This study presents a novel integration of SMOTEENN hybrid balancing and meta stacking ensemble learning, offering an effective solution for handling imbalanced and noisy environmental datasets in water quality classification
Analisis Peran Arsitektur Komputer terhadap Kinerja Sistem Komputasi Modern Saffana Qolbi Atma Widi; Muhammad Daniar Firdaus; Muhammad Raiska Fahrezi; Much Aziz Muslim
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.10537

Abstract

Arsitektur komputer merupakan fondasi utama dalam sistem komputasi modern yang menentukan bagaimana komponen perangkat keras saling berinteraksi untuk mengeksekusi instruksi secara efisien. Saat ini, perkembangan teknologi seperti prosesor multi-core, komputasi paralel, dan optimasi hierarki memori telah meningkatkan kinerja sistem secara signifikan dalam menghadapi keterbatasan fisik perangkat keras. Penelitian ini bertujuan untuk menganalisis pengaruh arsitektur komputer terhadap kinerja sistem komputasi modern secara komprehensif. Metode yang digunakan adalah studi literatur dengan pendekatan deskriptif-komparatif yang mengkaji berbagai jurnal ilmiah dan buku teks akademik pada rentang tahun 2021–2026. Hasil penelitian menunjukkan bahwa arsitektur komputer berpengaruh besar terhadap kinerja sistem melalui desain prosesor, memori, dan teknik paralel. Optimalisasi pada desain internal CPU melalui mekanisme pipelining dan out-of-order execution berhasil mendongkrak throughput instruksi. Pada sektor penyimpanan, manajemen hierarki memori cache yang adaptif terbukti efektif mereduksi latensi akses data sekaligus mengurai problem kesenjangan kecepatan yang dikenal sebagai memory wall. Lebih lanjut, pemanfaatan komputasi paralel heterogen yang mengintegrasikan unit CPU, GPU, dan akselerator kecerdasan buatan mampu memberikan lompatan performa yang masif serta efisiensi energi yang tinggi demi menyokong ekosistem cloud computing dan big data processing. Dapat disimpulkan bahwa inovasi rancang bangun arsitektur perangkat keras yang adaptif terhadap karakteristik beban kerja modern menjadi parameter penentu utama bagi efektivitas, skalabilitas, dan keberlanjutan performa sistem komputasi masa depan.
Analisis Multi-Layer Perceptron dengan Hyperparameter Tuning pada Klasifikasi Posisi Pemain National Basketball Association (NBA) Muhammad Rifqy Nirwandi; Patrick Raymond Andreas; Agung Iman Wicaksono; Much Aziz Muslim
Jurnal Ilmiah Wahana Pendidikan Vol 12 No 7.C (2026): Jurnal Ilmiah Wahana Pendidikan
Publisher : Peneliti.net

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

Abstract

Penelitian ini bertujuan untuk menentukan arsitektur Multi-Layer Perceptron (MLP) yang paling optimal untuk klasifikasi posisi pemain National Basketball Association (NBA), mengingat pemilihan model yang tidak tepat dapat menurunkan akurasi analisis secara signifikan. Menggunakan dataset publik "NBA Player Stats 2023-24", studi ini membandingkan tiga konfigurasi arsitektur (simple, deep dengan regularisasi, dan wider network) yang dilatih menggunakan optimizer Adam dengan pembagian data latih dan uji 80:20. Fitur statistik per-game seperti Point, Rebound, dan Assist digunakan sebagai variabel prediktif setelah melalui tahap preprocessing. Hasil eksperimen menunjukkan bahwa arsitektur Wider Network memberikan kinerja terbaik dengan akurasi 51,70%, secara signifikan mengungguli arsitektur Simple dan Deep Network yang hanya mencapai 45,58%. Analisis spesifik memperlihatkan bahwa meskipun model berhasil mengklasifikasikan Point Guard dengan baik, terdapat kesulitan konsisten dalam membedakan posisi Small Forward, Power Forward, dan Shooting Guard. Temuan ini memberikan kontribusi empiris bahwa peningkatan kapasitas neuron (width) lebih efektif daripada kedalaman jaringan (depth) dalam konteks ini, serta memvalidasi fenomena "positionless basketball" secara kuantitatif, yang mengindikasikan bahwa label posisi tradisional kini semakin bias dan memerlukan pendekatan data yang lebih kompleks di masa depan.
Co-Authors Afifah Ratna Safitri Agil Lantip Mahendra Agung Iman Wicaksono Agus Harjoko Ahmad, Kamilah Alabid, Noralhuda N. Alamsyah - Aldi Nurzahputra Aldi Nurzahputra, Aldi Alfatah, Abdul Muis Alfatah, Abdul Muis Ali, Muazam Amanah Febrian Indriani Aminuyati Anggyi Trisnawan Putra Annegrat, Ahmed Mohamed Ari Nugroho Putro Astuti, Winda Try Astuti, Winda Try Atikah Ari Pramesti, Atikah Ari Budi Prasetiyo Budi Prasetiyo, Budi Darmawan, Aditya Yoga Dewi Handayani Untari Ningsih Dinova, Dony Benaya Djuniharto Djun Doni Aprilianto Dullah, Ahmad Ubai Eka Listiana Endang Sugiharti, Endang Fadhilah, Muhammad Syafiq Fadli Dony Pradana Falasari, Anisa Farih, Habib al Florentina Yuni Arini Gilbertus Kristo Anugerah Adviandito Hadiq, Hadiq Hakim, M. Faris Al Hendi Susanto Imam Ahmad Ashari, Imam Ahmad Irfan, Mohammad Syarif Jeffry Nur Rifa’i Jumanto , Jumanto Jumanto Jumanto, Jumanto Jumanto Unjung Khan, Atta Ullah Larasati, Ukhti Ikhsani Larasati, Ukhti Ikhsani Lestari, Apri Dwi Listiana, Eka Listiana, Eka Maulana, Muhamad Irvan Miranita Khusniati moh minhajul mubarok Muhamad Anbiya Nur Islam Muhammad Daniar Firdaus Muhammad Ilham Afif Muhammad Raiska Fahrezi Muhammad Rifqy Nirwandi Mustaqim, Amirul Muzayanah, Rini Ningsih, Maylinna Rahayu Nugraha, Faizal Widya Nur Astri Retno, Nur Astri Nurdin, Alya Aulia Nurriski, Yopi Julia Patrick Raymond Andreas Perbawawati, Anna Adi Perbawawati, Anna Adi Pertiwi, Dwika Ananda Agustina Priliani, Erlin Mega Priliani, Erlin Mega Purnawan, Dedy Putri Utami, Putri Putri, Salma Aprilia Huda Putriaji Hendikawati Putro, Ari Nugroho Qohar, Bagus Al Raharjo, Bagus Purbo Rahman, Raihan Muhammad Rizki Rahmanda, Primana Oky Rahmanda, Primana Oky Riza Arifudin Rofik Rofik, Rofik Roni Kurniawan Rukmana, Siti Hardiyanti Ryo Pambudi S.Pd. M Kes I Ketut Sudiana . Saffana Qolbi Atma Widi Safri, Yofi Firdan Safri, Yofi Firdan Saiful Arifin Salahudin, Shahrul Nizam Sanjani, Fathimah Az Zahra Seivany, Ravenia Simanjuntak, Robert Panca R. Solehatin, Solehatin Sugiman Sugiman Sulistiana Syarifah, Aulia Tanga , Yulizchia Malica Pinkan Tanga, Yulizchia Malica Pinkan Tanzilal Mustaqim Trihanto, Wandha Budhi Trihanto, Wandha Budhi Triyana Fadila Varindya Ditta Iswari Vedayoko, Lucky Gagah Vedayoko, Lucky Gagah Wibowo, Kevyn Alifian Hernanda Yosza Dasril Yosza Dasril