Claim Missing Document
Check
Articles

MCDA-AHP-GIS-Based Site Suitability Assessment for a Multi-Utility Tunnel in Panakkukang Sub-district, Makassar City , Indonesia Muthalib, Ade Nirwani Abdurahman; Rumata, Nini Apriani; Burhanuddin, Fathurrahman; Faisal, Muhammad; Firdaus; Rahmania; Bakti , Rizki Yusliana
Journal of Geoscience, Engineering, Environment, and Technology Vol. 11 No. 02 (2026): JGEET Vol 11 No 02 : June (2026)
Publisher : UIR PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25299/jgeet.2026.11.02.26770

Abstract

This study develops a transparent MCDA–AHP–GIS framework to screen Multi-Utility Tunnel (MUT) corridor suitability in Panakkukang Sub-district, Makassar City, using 2024 baseline datasets and five criteria: utility/network density (C1), road functional class and corridor capacity (C2), flood susceptibility (C3), activity intensity (C4; proxied by kelurahan-level population density), and spatial planning compatibility with RTRW/RDTR (C5). All layers were standardized and reclassified (1–3 or 1–5) and integrated using Weighted Linear Combination (WLC) with AHP-derived weights (CR = 0.028), where C1 (0.26) and C5 (0.24) were highest, followed by C2 (0.19), C4 (0.16), and C3 (0.15). The 2,918.3-ha study area was classified into Very Unsuitable (88.2 ha; 3.0%), Unsuitable (405.8 ha; 13.9%), Moderately Suitable (764.9 ha; 26.2%), Suitable (935.8 ha; 32.1%), and Highly Suitable (723.6 ha; 24.8%). A corridor-focused overlay shows that 436.9 ha fall within the Suitable–Highly Suitable mask, of which 127.3 ha (29.1%) intersect high flood-hazard zones, indicating that some priority segments require attention during detailed planning. Uncertainty mainly arises from buffer distances and reclassification thresholds and from non-differentiating attributes in some utility layers; however, a ±10% weight sensitivity test yields only minor shifts in class areas and preserves the main priority-corridor pattern.
Explainable Fake News Detection in Indonesian Language Using IndoBERT and SHAP Muhammad Hasraddin Hasnan; Rizky Yusliana Bakti; Muhammad Faisal; Titik Khawa Abd Rahman; Nurnawaty Nurnawaty; Muhammad Syafaat S. Kuba; Titin Wahyuni
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3466

Abstract

Perkembangan media sosial dan teknologi informasi menyebabkan penyebaran berita palsu (fake news) semakin cepat dan sulit dikendalikan. Penelitian ini bertujuan mengembangkan model deteksi fake news berbahasa Indonesia yang tidak hanya memiliki performa tinggi, tetapi juga mampu memberikan interpretasi terhadap hasil prediksi. Metode yang digunakan adalah IndoBERT sebagai model klasifikasi utama dan SHAP (SHapley Additive exPlanations) sebagai metode Explainable Artificial Intelligence (XAI) untuk menjelaskan kontribusi kata terhadap keputusan model. Dataset diperoleh dari dua sumber berbeda yang kemudian melalui tahap preprocessing, filtering bahasa Indonesia, balancing data, serta pembagian data latih dan data uji. Sebagai pembanding, digunakan model baseline berbasis TF-IDF dan Logistic Regression. Pengujian menghasilkan akurasi model baseline sebesar 83%, sementara IndoBERT mencapai 94,39% dengan precision 96,12%, recall 92,53%, serta F1-score 94,29%. Analisis visualisasi SHAP mengungkap bahwa model berhasil menangkap kata-kata kunci utama yang berperan dalam mengklasifikasikan berita hoaks atau asli. Hasil penelitian membuktikan bahwa integrasi IndoBERT dan SHAP efektif dalam meningkatkan performa deteksi fake news sekaligus memberikan transparansi terhadap proses pengambilan keputusan model
Analisis Perbandingan Kinerja Arsitektur CNN VGG19, ResNet50, EfficientNetB0, dan MobileNetV2 untuk Deteksi Wajah Asli dan Wajah Buatan AI Erika Yanti; Muhammad Faisal; Titin Wahyuni; Abd Rakhim Nanda; Nurnawaty Nurnawaty; Rizki Yusliana Bakti
Buletin Sistem Informasi dan Teknologi Islam (BUSITI) Vol 7, No 2 (2026)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/busiti.v7i2.3465

Abstract

Perkembangan Generative Artificial Intelligence (GenAI) memungkinkan pembuatan citra wajah sintetis yang sangat menyerupai wajah asli, sehingga menimbulkan tantangan terhadap keaslian informasi digital, privasi, dan keamanan identitas. Penelitian ini mengevaluasi kinerja empat arsitektur Convolutional Neural Network (CNN), yaitu VGG19, ResNet50, EfficientNetB0, dan MobileNetV2, dalam klasifikasi wajah asli dan wajah hasil generasi AI. Dataset yang digunakan adalah HFD-8000 yang terdiri atas 8.000 citra wajah dengan skenario klasifikasi biner. Tahapan penelitian meliputi prapemrosesan data, pembagian dataset, augmentasi, penanganan ketidakseimbangan kelas, serta pelatihan model menggunakan transfer learning. Evaluasi dilakukan menggunakan accuracy, precision, recall, F1-score, ROC-AUC, dan confusion matrix. Hasil penelitian menunjukkan bahwa ResNet50 dan VGG19 memperoleh performa terbaik dengan akurasi 99,50% dan macro F1-score 99,22%. EfficientNetB0 mencapai akurasi 97,83% dan F1-score 96,61%, sedangkan MobileNetV2 memperoleh akurasi 92,58% dan F1-score 86,40%. Secara keseluruhan, ResNet50 menjadi model paling optimal karena menunjukkan keseimbangan antara akurasi, stabilitas, efisiensi, dan keandalan dalam klasifikasi wajah asli dan sintetis.
Analisis Kemiripan Source Code Project Menggunakan Metode CodeBERT dan Winnowing Algorithm Fauzan Azhari Rahman; Rizki Yusliana Bakti; Muhyiddin A M Hayat
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2623

Abstract

Pemeriksaan keaslian kode pada tugas Capstone Project umumnya masih dilakukan secara manual, sehingga tidak efisien dan berisiko melewatkan kasus plagiarisme yang disamarkan melalui refactoring atau penggantian nama variabel. Penelitian ini bertujuan menerapkan kombinasi metode CodeBERT dan Winnowing Algorithm untuk mendeteksi kemiripan kode sumber secara semantik dan tekstual, serta mengintegrasikan fitur tersebut ke dalam sistem pengumpulan tugas Capstone Project mahasiswa Program Studi Informatika Fakultas Teknik Universitas Muhammadiyah Makassar. CodeBERT digunakan untuk menganalisis kemiripan semantik, sedangkan Winnowing Algorithm digunakan untuk mendeteksi kemiripan tekstual berbasis fingerprint k-gram. Hasil dari kedua metode digabungkan untuk menghasilkan penilaian kemiripan yang lebih komprehensif. Pengujian dilakukan terhadap 17 proyek valid yang menghasilkan 136 pasangan unik. Hasil analisis menunjukkan 16 pasangan termasuk kategori Plagiarisme Kuat, 30 pasangan Mirip Semantik, 30 pasangan Mirip Tekstual, dan 60 pasangan Normal. Selain itu, seluruh 11 skenario black box testing berhasil dijalankan dengan tingkat keberhasilan 100%. Hasil ini menunjukkan bahwa kombinasi CodeBERT dan Winnowing Algorithm efektif diterapkan untuk mendukung analisis kemiripan kode pada lingkungan akademik
Analisis Persentase Area Kerusakan Daun Bawang Menggunakan Model Hybrid Transformer Berbasis SegFormer-TransUNet Muliana; Rizki Yusliana Bakti; Muhyiddin AM Hayat
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2673

Abstract

Penelitian ini bertujuan mengembangkan sistem segmentasi citra untuk menghitung persentase area kerusakan daun bawang menggunakan model hybrid transformer berbasis SegFormer-TransUNet. Permasalahan utama yang diangkat adalah keterbatasan penilaian visual manual yang cenderung subjektif, lambat, dan sulit diterapkan secara konsisten pada skala lahan yang luas. Data penelitian berupa citra daun bawang dan mask anotasi yang memisahkan area daun sehat, daun rusak, dan background. Tahapan penelitian meliputi akuisisi citra, preprocessing, pembentukan label mask, pelatihan tiga skenario model, evaluasi kuantitatif, serta perhitungan persentase kerusakan berbasis rasio piksel. Model hybrid dirancang dengan memanfaatkan SegFormer sebagai encoder untuk menangkap konteks global dan TransUNet sebagai decoder untuk merekonstruksi detail spasial. Hasil evaluasi menunjukkan bahwa model hybrid memperoleh accuracy 0,9590, mIoU 0,8333, dan Dice coefficient 0,8686. Nilai tersebut lebih tinggi dibandingkan SegFormer (accuracy 0,9543; mIoU 0,7671; Dice 0,8057) dan TransUNet (accuracy 0,9583; mIoU 0,8145; Dice 0,8509) pada metrik utama segmentasi. Temuan ini menunjukkan bahwa integrasi fitur global dan detail lokal mampu meningkatkan kualitas segmentasi serta menghasilkan dasar kuantitatif untuk estimasi tingkat kerusakan daun bawang.
Integrating multi-criteria decision making and public sentiment analysis for sustainable urban green space planning Muhammad Syafaat S. Kuba; Muhammad Faisal; Nurnawaty Nurnawaty; Titik Khawa Abdul Rahman; Andi Makbul Syamsuri; Muhyiddin AM Hayat; Rizki Yusliana Bakti
Bulletin of Electrical Engineering and Informatics Vol 15, No 2: April 2026
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/eei.v15i2.11168

Abstract

Sustainable planning of green open spaces (GOS) requires decision-making models that combine expert evaluation with public input. This study proposes a novel hybrid framework that integrates multi-criteria group decision making (MCGDM) with public sentiment analysis to support community-based and data-driven urban planning. The workflow consists of evaluating 25 community-proposed GOS locations using stepwise weight assessment ratio analysis (SWARA) for criteria weighting and MABAC-BORDA for multi-criteria ranking, resulting in 11 feasible alternatives. To incorporate community perspectives, a term frequency-inverse document frequency-support vector machine (TF-IDF–SVM) classifier was applied to 1500 public comments, where SVM achieved the highest accuracy (0.80–0.96). The integrated approach improves ranking stability, reduces decision ambiguity, and strengthens alignment between expert judgment and community sentiment. This study contributes a transparent, participatory decision-support model that unifies MCGDM and sentiment analysis to enhance the effectiveness of sustainable GOS planning.
Pendeteksi Penyakit Daun Padi Menggunakan Algoritma YOLOv8 di Desa Jangan-Jangan Kecamatan Pujananting Kabupaten Barru Suandi Aritmawijaya; Fahrim Irhamna Rachman; Rizki Yusliana Bakti
Journal of Muhammadiyah’s Application Technology Vol. 4 No. 3 (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/kn1zxt55

Abstract

ABSTRAKProduksi padi di Indonesia memiliki peran penting dalam menjaga ketahanan pangan nasional, namun produktivitasnya sering mengalami penurunan akibat serangan penyakit pada daun padi. Penyakit seperti blast, bercak coklat, dan hawar daun bakteri merupakan penyakit utama yang dapat menimbulkan kerugian signifikan jika tidak terdeteksi sejak dini. Identifikasi penyakit daun padi secara konvensional umumnya masih dilakukan secara manual dan bergantung pada pengalaman petani, sehingga berpotensi menimbulkan kesalahan diagnosis. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem pendeteksi otomatis penyakit daun padi berbasis deep learning menggunakan algoritma YOLOv8. Dataset diperoleh dari pengambilan citra langsung di lahan pertanian Desa Jangan-Jangan, Kabupaten Barru, yang merepresentasikan kondisi lapangan nyata dan mencakup tiga jenis penyakit utama. Tahapan penelitian meliputi anotasi data menggunakan Roboflow, pelatihan model dengan Google Collab, serta evaluasi performa menggunakan confusion matrix, precision, recall, F1-score, dan mean Average Precision. Hasil pengujian menunjukkan bahwa model YOLOv8 mampu mendeteksi penyakit daun padi dengan akurasi tinggi dan waktu inferensi cepat, sehingga berpotensi diterapkan sebagai solusi deteksi dini penyakit padi secara real-time. Kata Kunci: YOLOv8, Deteksi Penyakit Padi, Deep learning, Citra Digital, Pertanian Presisi, Roboflow,CNN.   ABSTRACTRice production in Indonesia plays a crucial role in maintaining national food security, but productivity often declines due to leaf disease attacks. Diseases such as blast, brown spot, and bacterial leaf blight are major diseases that can cause significant losses if not detected early. Conventional rice leaf disease identification is generally still done manually and relies on farmer experience, potentially leading to misdiagnosis. Therefore, this study aims to develop an automatic rice leaf disease detection system based on deep learning using the YOLOv8 algorithm. The dataset was obtained from direct imagery captured in agricultural fields in Jangan-Jangan Village, Barru Regency, which represents real-world conditions and includes three main types of diseases. The research stages include data annotation using Roboflow, model training with Google Colab, and performance evaluation using a confusion matrix, precision, recall, F1-score, and mean Average precision. The test results show that the YOLOv8 model is capable of detecting rice leaf diseases with high accuracy and fast inference time, thus potentially being implemented as a real-time early detection solution for rice diseases. Keyworsds: YOLOv8, Rice Disease Detection, Deep learning, Digital Imagery, Precision Farming, Roboflow,CNN.
Konversi Tulisan Tangan Huruf Kapital Menjadi Teks Menggunakan Metode Deep Learning Berbasis YOLOv8 dan CTC Makmur Jaya Nur; Rizki Yusliana Bakti; Fahrim Irhamna Rachman
Journal of Muhammadiyah’s Application Technology Vol. 4 No. 3 (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/9wdk0e43

Abstract

ABSTRAKPenelitian ini mengkaji pengembangan sistem konversi tulisan tangan ke teks digital menggunakan metode deep learning dengan mengombinasikan arsitektur Convolutional Neural Network (CNN), YOLOv8, dan Connectionist Temporal Classification (CTC). Dataset yang digunakan terdiri dari 700 citra tulisan tangan huruf kapital (A–Z) yang diperoleh dari dokumen resmi Dinas Kependudukan dan Pencatatan Sipil Kabupaten Barru. Tahapan penelitian meliputi prapemrosesan citra berupa grayscale, normalisasi, perataan teks, serta augmentasi data, dilanjutkan dengan anotasi bounding box menggunakan Roboflow. Dataset kemudian dibagi menjadi data pelatihan, validasi, dan pengujian. Model YOLOv8 dilatih untuk mendeteksi karakter dan hasilnya diproses menggunakan CTC untuk menghasilkan teks akhir. Evaluasi menunjukkan performa yang baik dengan precision 98,38%, recall 87,25%, F1-score 92,44%, serta mAP@0.5 sebesar 87,19%. Hasil ini menunjukkan metode yang diusulkan efektif untuk mendukung digitalisasi dokumen administrasi publik.Kata Kunci: YOLOv8, Konversi Tulisan Tangan, Deep Learning, Citra Digital, Administrasi Publik, Roboflow, CNN, CTC ABSTRACTThis study investigates the development of a handwritten text-to-digital text conversion system using deep learning by combining Convolutional Neural Network (CNN), YOLOv8, and Connectionist Temporal Classification (CTC) architectures. The dataset consists of 700 images of uppercase handwritten letters (A–Z) obtained from official documents of the Department of Population and Civil Registration of Barru Regency. The research stages include image preprocessing such as grayscale conversion, normalization, text alignment, and data augmentation, followed by bounding box annotation using Roboflow. The dataset is then divided into training, validation, and testing sets. The YOLOv8 model is trained to detect characters, and the outputs are processed using CTC to generate the final text. Evaluation results demonstrate strong performance, achieving a precision of 98.38%, recall of 87.25%, an F1-score of 92.44%, and an mAP@0.5 of 87.19%. These findings indicate that the proposed method is effective in supporting the digitalization of public administrative documents.Keyworsds: YOLOv8, Handwriting Conversion, Deep Learning, Digital Image, Public Administration, Roboflow, CNN, CTC  
Regresi Logistik Biner untuk Klasifikasi Kesuburan Tanah Berdasar Lingkungan Ibnul Imamul Muttaqin; Rizki Yusliana Bakti; Lukman Lukman
Journal of Muhammadiyah’s Application Technology Vol. 5 No. 2 (2026)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/w9614j22

Abstract

Kesuburan tanah merupakan faktor penting dalam menunjang produktivitas pertanian. Penilaian kesuburan tanah yang dilakukan secara manual sering kali bersifat subjektif dan kurang akurat. Penelitian ini bertujuan untuk memprediksi tingkat kesuburan tanah menggunakan metode regresi logistik biner berdasarkan parameter lingkungan tanah. Variabel yang digunakan meliputi pH tanah, suhu tanah, dan kelembapan tanah sebagai variabel independen, serta tingkat kesuburan tanah sebagai variabel dependen yang diklasifikasikan menjadi dua kelas, yaitu subur dan tidak subur. Data penelitian berjumlah 162 sampel yang diperoleh dari Desa Pabentengan, Kecamatan Bajeng, Kabupaten Gowa. Proses penelitian meliputi pengumpulan data, pra-pemrosesan, pemodelan, dan evaluasi kinerja model menggunakan confusion matrix. Hasil pengujian menunjukkan bahwa model regresi logistik biner mampu menghasilkan nilai akurasi sebesar 87,5%, sehingga dapat disimpulkan bahwa model yang dibangun memiliki kinerja yang baik dalam memprediksi kesuburan tanah. Sistem ini diharapkan dapat membantu petani dalam pengambilan keputusan pengelolaan lahan secara lebih efektif dan berbasis data.
KLASIFIKASI TINGKAT KEMATANGAN LADA MENGGUNAKAN ENSEMBLE LEARNING BERDASARKAN CITRA WARNA KULIT Jihan Izzathul Mujidah; Rizki Yusliana Bakti; Lukman; Muhammad Faisal; Muhammad Syafaat; Muhyiddin AM Hayat; Andi Makbul Syamsuri
PROGRESS Vol 17 No 2 (2025): September
Publisher : P3M STMIK Profesional Makassar

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

Abstract

Pepper fruit (Piper nigrum L.) is an agricultural commodity whose market value strongly depends on its ripeness level at harvest. Ripeness determination, which is still commonly performed through visual observation, tends to be inaccurate and subjective. This study aims to classify the ripeness level of pepper fruit based on skin color using an ensemble learning approach. The dataset consists of 1,996 pepper fruit images categorized into four ripeness levels unripe, semi ripe, ripe, and overripe. Color features were extracted from the HSV color model using color moment statistics including mean, standard deviation, and skewness. Random Forest and XGBoost models were combined using a soft voting method. The results show that the ensemble model achieved 98.25% accuracy, 98.30% precision, 98.27% recall, and 98.26% F1-score. The ensemble approach proved superior to single models by providing more accurate and stable classification of pepper fruit ripeness.
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