Claim Missing Document
Check
Articles

Game Edukasi Berbasis Android sebagai Media Pembelajaran Matematika untuk Anak Tunarungu Bakti, Rizki Yusliana; Wahyuni, Titin; Hayat, Muhyiddin A M; Ridwang, Ridwang
PROtek : Jurnal Ilmiah Teknik Elektro Vol 8, No 1 (2021): Protek : Jurnal Ilmiah Teknik Elektro
Publisher : Program Studi Teknik Elektro Universitas Khairun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33387/protk.v8i1.2377

Abstract

Education is a right for every individual. Not only those with normal conditions, but also those with special needs such as the deaf. Limited intellectual ability in deaf children has consequences for their difficulties in attending academic lessons including maths lessons. This research aims to create an application as a learning medium to attract deaf children in developing their intelligence. This application was created as a means to provide convenience to deaf children in helping the learning process of mathematics. This study uses observation data collection methods, interviews / questionnaires and library studies. The design method used is the waterfall and the testing technique used is Integration and System testing. The result of this study is an android-based game application named math games. The test results show that this application is easy to learn and there are media that make childrenhappy.
PENERAPAN ALGORITMA COSINE SIMILARITY DALAM EFEKTIFITAS PENGACAKAN SOAL UJIAN ONLINE Prima Abdiguna, Aidhil; Lukman; Yusliana Bakti, Rizki
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.56473

Abstract

Pengacakan soal ujian online yang efektif merupakan tantangan penting dalam memastikan keadilan dan keakuratan dalam distribusi soal. Penelitian ini bertujuan untuk mengetahui bagaimana algoritma Cosine Similarity dapat diterapkan dalam sistem pengacakan soal ujian online serta mengevaluasi efektifitasnya dalam pendistribusian soal. Metode Term Frequency-Inverse Document Frequency (TF-IDF) untuk merepresentasikan soal dalam bentuk vektor numerik sebelum dilakukan perhitungan nilai kesamaan oleh algoritma Cosine Similarity, serta metode Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE) untuk memvalidasi efektifitas hasil pengacakan. Hasil serta kesimpulan dari penelitian menunjukkan bahwa penerapan algoritma Cosine Similarity dalam sistem pengacakan soal dapat dilakukan dengan sebelumnya menerapkan tahap preprocessing data dan Term Frequency-Inverse Document Frequency serta hanya digunakan sebelum tahap pengacakan, dan efektifitas penggunaan algoritma ini dinilai efektif dikarenakan selisih rata-rata antara hasil sistem dan ideal berada dikisaran 0-1, dimana berdasarkan validasi Mean Absolute Error (MAE) sebesar 0,2514 serta Root Mean Squared Error (RMSE) sebesar 0,4704, yang menunjukkan tingkat efektivitas tinggi dalam proses pengacakan.
Model Deep Learning Berbasis Convolutional Neural Network Untuk Identifikasi Stroke Iskemik Pada Citra CT Scan Faturohman, Agung; Anggreani, Desi; Yusliana Bakt, Rizki
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 2 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i2.1150

Abstract

Stroke iskemik merupakan salah satu penyakit tidak menular yang berbahaya dan dapat menyebabkan kecacatan hingga kematian apabila tidak ditangani dengan cepat dan tepat. Identifikasi stroke melalui citra CT scan otak menjadi metode penting dalam dunia medis, namun masih memerlukan waktu dan keahlian tinggi. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stroke iskemik secara otomatis menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Data yang digunakan berupa citra CT scan otak pasien dari Rumah Sakit Labuang Baji Makassar, yang diproses melalui tahapan preprocessing seperti grayscale, resizing, augmentasi, dan normalisasi. Model CNN dilatih menggunakan binary crossentropy loss dan Adam optimizer untuk klasifikasi dua kelas, yaitu normal dan stroke iskemik. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 91,6%, precision 88%, recall 95,1%, dan F1-score 0,914, yang menandakan bahwa model ini mampu mengenali stroke iskemik secara efektif. Dengan demikian, sistem ini berpotensi menjadi alat bantu diagnosis awal yang efisien dan akurat dalam bidang kesehatan.
Pengenalan Bahasa Isyarat Menggunakan Deteksi Objek Deep Learning Virgiawan, David Arian; Fachrim Irhamna Rahman; Rizki Yusliana Bakti
Ainet : Jurnal Informatika Vol. 7 No. 1 (2025): Maret (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/qkztgb55

Abstract

Berdasarkan perkembangan teknologi, khususnya di bidang komputasi, semakin memungkinkan pengembangan sistem yang mampu mendeteksi bahasa isyarat dengan lebih efisien. Salah satu masalah utama yang dihadapi adalah bagaimana cara mendeteksi dan mengklasifikasi gerakan bahasa isyarat secara akurat menggunakan algoritma YOLOv8. Penelitian ini bertujuan untuk mengimplementasikan YOLOv8 dalam mendeteksi dan mengklasifikasi abjad pada bahasa isyarat Indonesia (SIBI). Penelitian ini dilakukan di Universitas [Nama Universitas], dengan menggunakan dataset yang dikumpulkan melalui pengambilan foto simbol tangan abjad A-Z yang kemudian diproses untuk pelabelan dan pelatihan model. Proses pelatihan model dilakukan menggunakan data yang dibagi menjadi tiga bagian: pelatihan (60%), validasi (20%), dan pengujian (20%). Pengujian model menghasilkan tingkat akurasi yang sangat tinggi sebesar 99,5%, dengan presisi 99,1%, dan recall 99,4%. Hasil ini menunjukkan bahwa sistem yang dikembangkan sangat andal dalam mendeteksi bahasa isyarat secara real-time. Penelitian ini menyarankan agar penelitian selanjutnya menambahkan variasi data isyarat dari berbagai pengguna untuk memperkaya dataset, serta mempertimbangkan penggunaan algoritma terbaru atau penggabungan beberapa algoritma untuk meningkatkan kinerja deteksi .Kata Kunci : Pengenalan Bahasa Isyarat, YOLOv8, Deep Learning, Deteksi Objek, SIBI
Analisis Data Kepuasan Mahasiswa Terhadap Sarana Dan Prasarana Dengan Menggunakan Algoritma Naïve Bayes Pada Universitas Muhammadiyah Makassar suriani, suriani; Muhyiddin A.M Hayat; Rizki Yusliana Bakti
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/wrccj205

Abstract

SURIANI, Salah satu institusi pendidikan tinggi yang berperan sentral dalam menyediakan pendidikan berkualitas adalah Universitas Muhammadiyah Makassar (Unismuh). Perguruan tinggi sebagai penyedia layanan harus menyediakan mutu pelayanan yang unggul kepada mahasiswa. Salah satu atribut pelayanan adalah hal yang tidak berwujud. Dalam konteks mahasiswa terhadap pelayanan fasilitas, pegawai dan kepuasan staf pengajar perlu memberikan pelayanan berkualitas tinggi kepada mahasiswa sesuai dengan kebutuhan mereka. Mahasiswa telah mengorbankan uang dan waktu untuk pendidikan, sehingga perguruan tinggi harus memberikan layanan yang sebanding dengan pengorbanan ini. Dari perhitungan yang telah dilakukan dengan metode Naïve Bayes, terdapat terdeteksi terdapat 16 mahasiswa mahasiswa yang menyatakan puas dan 427 mahasiswa yang menyatakan tidak puas, dengan perbandingan persentase 4% banding 96%. Dengan nilai presisi, recall, dan f1 score masing-masing bernilai 100%. Artinya pihak kampus perlu melakukan pengembangan dan perbaikan terhadap sarana dan prasarana yang ada pada kampus universitas Muhammadiyah makassar.
Komparasi Algoritma Svm Dan Knn Dalam Memprediksi Peminatan Akademik Mahasiswa Program Studi Man Maharani, Afifah; Fahrim Irhmna Rachman; Rizki Yusliana Bakti
Ainet : Jurnal Informatika Vol. 7 No. 2 (2025): September (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/dqm2kk92

Abstract

AbstrakPenentuan peminatan akademik mahasiswa merupakan tahapan penting dalam pendidikan tinggi karena berpengaruh terhadap keberhasilan studi dan pengembangan kompetensi. Namun, proses penentuan peminatan sering kali masih dilakukan secara subjektif dan belum sepenuhnya berbasis data akademik. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) dalam memprediksi peminatan akademik mahasiswa Program Studi Manajemen Universitas Muhammadiyah Makassar. Data penelitian bersumber dari nilai mata kuliah inti mahasiswa angkatan 2018 hingga 2021 yang telah melalui tahapan prapemrosesan dan pelabelan ke dalam tiga konsentrasi, yaitu Sumber Daya Manusia, Pemasaran, dan Keuangan. Metode penelitian dilakukan dengan membangun model klasifikasi menggunakan algoritma SVM dan KNN, kemudian dievaluasi menggunakan metrik akurasi, precision, recall, dan f1-score dengan variasi parameter serta pembagian data latih dan data uji. Hasil pengujian menunjukkan bahwa algoritma SVM dengan kernel Radial Basis Function (RBF) dan test size 0,1 menghasilkan performa terbaik dengan nilai akurasi sebesar 70,55 persen. Sementara itu, algoritma KNN dengan nilai k sebesar lima, metrik jarak Euclidean, dan test size 0,1 memperoleh akurasi sebesar 57,53 persen. Temuan ini menunjukkan bahwa SVM memiliki kemampuan klasifikasi yang lebih baik dan stabil dibandingkan KNN, sehingga lebih layak diterapkan sebagai model pendukung sistem prediksi peminatan akademik mahasiswa berbasis pembelajaran mesin.Kata kunci: Support Vector Machine, K-Nearest Neighbors, Machine Learning.Abstract Determining academic specialization for university students is a crucial stage in higher education because it directly influences study success and competency development. However, the process is often conducted subjectively and is not fully based on academic data. This study aims to compare the performance of Support Vector Machine and K-Nearest Neighbors algorithms in predicting academic specialization of Management students at Universitas Muhammadiyah Makassar. The dataset consists of core course grades from cohorts 2018 to 2021 that were preprocessed and labeled into three concentrations: Human Resource Management, Marketing, and Finance. The research method involved building classification models using SVM and KNN, which were evaluated using accuracy, precision, recall, and F1-score with various parameter settings and train–test splits. The results show that SVM with a Radial Basis Function kernel and a test size of 0.1 achieved the best performance with an accuracy of 70.55 percent. Meanwhile, KNN with k equal to five, Euclidean distance, and a test size of 0.1 obtained an accuracy of 57.53 percent. These findings indicate that SVM provides more stable and accurate classification than KNN for academic specialization prediction. Therefore, SVM is considered more suitable as a machine learning based decision support model for academic specialization purposes effectively.Keyword: Support Vector Machine, K-Nearest Neighbors, Machine Learning.
IDENTIFIKASI PENYAKIT DAUN SELADA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) BERBASIS EKSTRAKSI FITUR VISUAL AMRI, MUH ULIL; Danuputri, Chyquitha; Bakti, Rizki Yusliana; Kuba, Muhammad Syafaat S.; Hayat, Muhyiddin A M
Jurnal Algoritma, Logika dan Komputasi Vol 9, No 1 (2026)
Publisher : Universitas Bunda Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30813/j-alu.v9i1.8919

Abstract

Selada (Lactuca sativa L.) merupakan komoditas hortikultura bernilai ekonomi tinggi, namun produktivitasnya sering terhambat oleh serangan penyakit. Identifikasi manual oleh petani seringkali tidak akurat karena kemiripan gejala visual antar penyakit. Penelitian ini bertujuan untuk membangun sistem identifikasi penyakit otomatis menggunakan Support Vector Machine (SVM) berbasis ekstraksi fitur visual. Penelitian berfokus pada klasifikasi empat kondisi daun selada: Sehat, Bercak Daun Cercospora, Tipburn, dan Etiolasi. Metodologi yang digunakan meliputi ekstraksi fitur warna dari ruang warna HSV dan fitur tekstur menggunakan Gray-Level Co-occurrence Matrix (GLCM). Efektivitas augmentasi data dan optimasi hyperparameter menggunakan Particle Swarm Optimization (PSO) juga dievaluasi melalui tiga skenario perbandingan. Hasil penelitian menunjukkan bahwa augmentasi data secara signifikan meningkatkan akurasi model dari baseline 69,57% menjadi 92,28%. Optimasi lebih lanjut dengan PSO berhasil meningkatkan performa hingga mencapai akurasi final sebesar 93,63%. Model terbaik menunjukkan F1-Score yang seimbang di atas 0,91 untuk semua kelas, membuktikan bahwa kombinasi metode ekstraksi fitur HSV dan GLCM, augmentasi data, dan optimasi SVM menggunakan PSO merupakan pendekatan yang andal dan efektif untuk identifikasi penyakit daun selada, serta menawarkan alat bantu yang prospektif untuk pertanian presisi
IMPLEMENTASI SISTEM DETEKSI PRODUK BOIKOT BERBASIS WEBSITE REAL-TIME MENGGUNAKAN METODE YOLOv10 Nur Rahman, Ahmad; Habi Talib, Emil Agusalim; Rachman, Fahrim Irhamna; Bakti, Rizki Yusliana; Faisal, Muhammad; S. Kuba, Muhammad Syafaat
PROGRESS Vol 18 No 1 (2026): April
Publisher : P3M STMIK Profesional Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56708/progres.v18i1.525

Abstract

Manual identification ofboycott products remains a challenge for the public due to limited access to information and the complexity of brand affiliations. This study aims to develop a real-time, website-based boycott product detection system using the You Only Look Once version 10 (YOLOv10) algorithm. The dataset consists of images of food and beverage product packaging collected from various online sources, annotated using the bounding box method, and classified into five categories. The model was trained and tested using separate test data, while performance evaluation was conducted using a confusion matrix with precision, recall, and f1-score metrics. In addition, functional testing of the system was performed using the Black Box Testing method. The result indicate that the YOLOv10 model is capable of detecting boycott product with good performance and can be effectively integrated into a real-time web-based system. The proposed system is expected to assist users in identifying boycott products more quickly and accurately.
PERBANDINGAN CNN DAN YOLO PADA SISTEM PENGENALAN WAJAH BERBASIS PRESENSI Nurfadillah; Ida; Darniati; Yusliana Bakti, Rizki; Wahyuni, Titin; Faisal, Muhammad
PROGRESS Vol 18 No 1 (2026): April
Publisher : P3M STMIK Profesional Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56708/progres.v18i1.532

Abstract

Face recognition based on image data has been widely applied in automated attendance systems; however, it still faces challenges related to accuracy and efficiency under varying lighting conditions and facial pose variations. This study aims to compare the performance of Convolutional Neural Network (CNN) and You Only Look Once (YOLO) methods for face detection and recognition in a deep learning–based attendance system. The dataset consists of facial images collected from students in a limited campus environment with several variations in viewpoint and illumination. The research stages include image preprocessing, training of CNN and YOLO models, and performance evaluation using accuracy, precision, recall, and computation time metrics. The experimental results indicate that YOLO outperforms CNN in terms of detection speed and performance stability, while CNN demonstrates competitive classification performance on limited datasets. This study provides empirical insights into the characteristics of both methods in attendance system scenarios and can serve as a reference for selecting appropriate models for real-world implementation. The main limitations of this study are the dataset size and the restricted data acquisition scope.
Student Emotion Recognition from Low-Quality Videos Using Multimodal Deep Learning ANDI MAWADDA TAIBA MAWADDA TAIBA; Rizki Yusliana Bakti; Muhammad Faisal; Muhammad Syafaat S. Kuba; Lukman Anas; Emil Agusalim H. T; Fahrim I. Rahman
JURNAL INFOTEL Vol 18 No 1 (2026): February
Publisher : LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/infotel.v18i1.1523

Abstract

Emotion recognition plays a critical role in intelligent e-learning systems by enabling adaptive feedback and timely pedagogical interventions based on students’ affective states. However, most existing approaches rely heavily on visual facial cues, which are highly vulnerable to real-world conditions such as low-resolution video, partial facial occlusion, poor lighting, and unstable network connections commonly encountered in online learning environments. These limitations significantly degrade the performance of unimodal deep learning models. To address this challenge, this study proposes a multimodal deep learning framework for student emotion recognition that is robust to low-quality and occluded video input. The proposed model integrates visual and audio modalities through a hybrid architecture, combining a lightweight CNN-based visual feature extractor with a BiLSTM-based speech emotion model. An attention-based fusion mechanism is employed to adaptively weight cross-modal features, allowing the system to compensate for degraded or missing visual information using complementary acoustic cues. Experimental evaluations are conducted using publicly available datasets representative of realistic online learning scenarios, including DAiSEE and RAVDESS, with additional augmentation to simulate varying levels of occlusion and video degradation. The results demonstrate that the multimodal approach consistently outperforms unimodal baselines, particularly under high occlusion conditions, while maintaining computational efficiency suitable for near real-time deployment. These findings confirm that multimodal fusion with attention mechanisms provides a more resilient and practical solution for emotion-aware e-learning systems operating under non-ideal input conditions
Co-Authors . Darniati A M Hayat, Muhyddin Abd Rakhim Nanda Abdul Rakhim Nanda Adrianingsih, Rizka Afil Anugrah Ahmad Nur Rahman Ahmad Risal ANDI AGUNG DWI ARYA BULU Andi Makbul Syamsuri ANDI MAWADDA TAIBA MAWADDA TAIBA Andi Yusri Ari Ahmad Dahril Azzah Aulia Syarif Burhanuddin, Fathurrahman Chatarina Umbul Wahyuni Danuputri, Chyquitha Darniati Desi Anggreani Dewi MJ, Wanda Tyrana Dewi, Syamrilla Emil Agus Salim Habi Talib Emil Agusalim Habi Talib Erika Yanti Fachrim Irhamna Rachman Fahrim I. Rahman Fahrim Irhamna Rachman Fahrim Irhamna Rachman Fahrim Irhmna Rachman Faturohman, Agung Fauzan Azhari Rahman Firdaus Fidaus Galbi Nadifah Hadawina Hadawina Haruna, Hanjas Hayat, Muhyddin A.M Ibnul Imamul Muttaqin Ida Ida Indriani, Lis Indriyanti Azis Iskandar, Aryansyah Ismail, La Ode Taufik Jihan Izzathul Mujidah Kamsurya, Rianita Kazman Riyadi La Ode Taufik Ismail La Ode Taufik Ismail Lukman Lukman Lukman Anas LUKMAN ANAS Lukman Lukman Lukman Lukman Lukman Lukman LUKMAN, LUKMAN M Agusalim M. Fikri Haikal Ayatullah Maharani, Afifah Makmur Jaya Nur Mar'atul Azizah Muh Nur Aqsal Aminullah Muh. Farrel Apta Indratama Muh.Dirham Rahim Muhammad Aditya Yudhistira Muhammad Asygar Faeruddin Muhammad Faisal Muhammad Faturrachman Iswan Muhammad Hasraddin Hasnan Muhammad Syafaat S. Kuba Muhyiddin A.M Hayat Muliana Muslimah, Nurul Aulia Muthalib, Ade Nirwani Abdurahman Mutiara yusuf Nabila Ismail Matta Nandy Rizaldy Najib Nini Apriani Rumata Nizirwan Anwar Nur Alam Nur Rahman, Ahmad Nurfadillah Nurfadillah Nurnawaty Prima Abdiguna, Aidhil Rahmania RAHMANIA Rahmania Rasyidi, Muhammad Fachri Reski Abbas Reski Awalia Rezki Asriani Ridwang Ridwang Ridwang Ridwang Ridwang, Ridwang Sa'ban Sa'ban Salam, Abd Sarina Sri Hastati Suandi Aritmawijaya Sulaeman Suriani Suriani Syahril Akbar Syahrul Ramadhan Syamsul Alam TANTRI INDRABULAN Thariq, Ahmad Titik Khawa Abd Rahman Titik Khawa Abdul Rahman Titin Wahyuni Ulil Amri Usman, Ansharullah Patiroi Utama, Prengki Putra Virgiawan, David Arian Wa Nanda Sulystrian Wibawa. Ar, Arya Yanti, Wilda Yumi