Article Per Year (5 Year)
p-Index From 2021 - 2026
5.383
P-Index
This Author published in this journals
All Journal Infotech Journal Faktor Exacta Techno Nusa Mandiri : Journal of Computing and Information Technology Jurnal Riset Informatika INTI Nusa Mandiri Jurnal Manajemen Informatika dan Sistem Informasi Jurnal Pendidikan Teknologi Informasi dan Vokasional Jurnal Infortech JIRA: Jurnal Inovasi dan Riset Akademik Jurnal AbdiMas Nusa Mandiri Dedikasi: Jurnal Pengabdian kepada Masyarakat TIERS Information Technology Journal Tridharmadimas: Jurnal Pengabdian Kepada Masyarakat Jayakarta Abdiformatika: Jurnal Pengabdian Masyarakat Informatika Jurnal Teknologi Sistem Informasi Abdi Teknoyasa Journal of Artificial Intelligence and Digital Business COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Inspiration: Jurnal Teknologi Informasi dan Komunikasi Jurnal Komputer Antartika Jurnal Pengabdian Masyarakat J-CEKI
Fachri Amsury
Universitas Nusa Mandiri
Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Mechanical Engineering Physics Social Sciences Transportation Other

Published : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 36 Documents
Search

 1   2   3   4 
Integrasi Model Klasifikasi Tingkat Stress Mahasiswa Berbasis Natural Language Processing Rusdiansyah, Irfandi; Pangestu, Ridwan; Azalia, Devina; Zhafran, Muhammad Faiz; Saputra, Ferdy; Amsury, Fachri
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.4388

Abstract

Penelitian ini membahas pengembangan dan integrasi sistem klasifikasi tingkat stres mahasiswa berbasis teks menggunakan pendekatan Natural Language Processing (NLP) dan Machine Learning (ML) yang diimplementasikan pada aplikasi mobile. Tingkat stres mahasiswa merupakan permasalahan penting dalam dunia pendidikan tinggi karena berdampak langsung terhadap prestasi akademik dan kesehatan mental. Sistem yang diusulkan mengolah teks bebas yang ditulis oleh mahasiswa untuk memprediksi tingkat stres ke dalam tiga kategori, yaitu rendah, sedang, dan tinggi. Tahapan penelitian meliputi pengumpulan data teks, pra-pemrosesan menggunakan teknik NLP seperti case folding, tokenisasi, stopword removal, dan stemming, serta ekstraksi fitur menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Beberapa algoritma machine learning, yaitu Logistic Regression, Naive Bayes, Random Forest, dan Support Vector Machine, diuji untuk memperoleh model terbaik. Hasil evaluasi menunjukkan bahwa model Logistic Regression dengan fitur TF-IDF memberikan performa terbaik dengan akurasi sebesar 88,33% dan F1-score sebesar 0,88. Model terpilih kemudian diintegrasikan ke dalam backend Python dan dihubungkan dengan aplikasi mobile berbasis Flutter melalui Application Programming Interface (API). Integrasi ini memungkinkan proses klasifikasi tingkat stres dilakukan secara real-time dan mudah diakses oleh mahasiswa. Penelitian ini menunjukkan bahwa integrasi NLP dan ML dalam aplikasi mobile dapat menjadi solusi inovatif untuk deteksi dini stres mahasiswa serta berpotensi mendukung upaya pencegahan masalah kesehatan mental di lingkungan perguruan tinggi.  
Pemanfaatan Kecerdasan Buatan Untuk Indentifikasi Jenis Tanaman Menggunakan Citra Daun Gunawan, Heru; Alghifari, Luthfi Adam; Saputra, Aden Asywak; Panggabean, Gempar Galang Al Fallah; Amsury, Fachri; Fahlapi, Riza
Jurnal Pendidikan Teknologi Informasi dan Vokasional Vol 7, No 2 (2025): Jurnal Pendidikan Teknologi Informasi dan Vokasional
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jptiv.v7i2.33675

Abstract

Penelitian ini merancang dan mengimplementasikan PlantSense AI, sebuah sistem identifikasi tanaman yang memanfaatkan integrasi teknologi Computer Vision (CV) untuk akuisisi citra dan Multimodal Large Language Model (LLM) Google Gemini untuk analisis botani. Tujuannya adalah menyediakan layanan identifikasi yang tidak hanya akurat secara visual tetapi juga kaya informasi, guna mengatasi keterbatasan metode konvensional yang kaku. Sistem dikembangkan menggunakan metode Prototyping dengan bahasa pemrograman Python, antarmuka CustomTkinter, dan pustaka OpenCV yang terintegrasi dengan API Gemini. Berbeda dengan pendekatan klasifikasi standar, sistem ini menyuntikkan data citra ke dalam model generatif untuk menghasilkan analisis ilmiah yang komprehensif secara real-time. Hasil pengujian Black Box memverifikasi tingkat keberhasilan fungsionalitas teknis sebesar 100%. Evaluasi Pengguna (N=8) menunjukkan tingkat kepuasan rata-rata 4,68 (Sangat Setuju), memvalidasi bahwa pendekatan hibrida ini efektif dalam meningkatkan pemahaman pengguna terhadap objek tanaman. Penelitian ini berimplikasi pada pengembangan alat edukasi botani digital yang interaktif, meskipun penerapannya saat ini masih memiliki batasan pada ketergantungan koneksi internet dan sensitivitas terhadap kondisi pencahayaan rendah.Kata kunci: ▪ Kecerdasan Buatan ▪ Klasifikasi Citra ▪ Computer Vision ▪ Gemini ▪ Tanaman
SISTEM PERINGATAN DINI UNTUK DETEKSI AKTIVITAS AI BERBAHAYA BERBASIS MACHINE LEARNING Ibrahim, Akbar; Tue Rebong, Hendrikus; Adiputra, Jason; Satria, Fauzan; Ilyas, Muhammad; Budiarti, Yusnia; Heriyanto; Amsury, Fachri
Jurnal Manajemen Informatika dan Sistem Informasi Vol. 9 No. 1 (2026): MISI Januari 2026
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/misi.v9i1.1869

Abstract

Perkembangan teknologi kecerdasan buatan (AI) telah memberikan banyak manfaat di berbagai sektor, namun juga menimbulkan risiko keamanan akibat potensi penyalahgunaan sistem AI. Penelitian ini mengusulkan sistem peringatan dini berbasis machine learning untuk mendeteksi aktivitas AI berbahaya secara proaktif melalui prompt berbasis teks. Sistem ini menerapkan pendekatan klasifikasi teks menggunakan algoritma Logistic Regression, Linear Support Vector Classifier (SVC), dan Random Forest dengan ekstraksi fitur TF-IDF. Hasil pengujian menunjukkan bahwa seluruh model menghasilkan performa yang kuat dengan tingkat akurasi di atas 95%. Model Random Forest menunjukkan performa tertinggi dengan akurasi sebesar 95,64% dan nilai ROC-AUC 95,64%, sementara Linear SVC dan Logistic Regression memberikan hasil yang stabil dan kompetitif. Temuan ini menunjukkan bahwa sistem yang diusulkan efektif sebagai mekanisme peringatan dini dalam mendeteksi prompt AI berbahaya sebelum terjadi eskalasi ancaman.
Analisis Sentimen Komentar YouTube terhadap Pengangkatan Menkeu Purbaya Menggunakan Algoritma SVM dan Naïve Bayes Anggi Dian Oktavianingsih; Ahmad Fadlil Fauzi; Juan Immanuel; Ongki D.Simatupang; Fachri Amsury; Riza Fahlapi
J-CEKI : Jurnal Cendekia Ilmiah Vol. 5 No. 1: Desember 2025
Publisher : CV. ULIL ALBAB CORP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56799/jceki.v5i1.14228

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen warganet terhadap komentar YouTube yang membahas pengangkatan Purbaya Yudhi Sadewa sebagai Menteri Keuangan, sekaligus membandingkan performa algoritma Support Vector Machine (SVM) dan Naïve Bayes dalam proses klasifikasi. Sebanyak 1.202 komentar dikumpulkan dan melalui tahapan preprocessing sebelum dilakukan pelabelan manual. Hasil analisis menunjukkan bahwa sentimen positif mendominasi dengan proporsi 58%, diikuti sentimen netral 29%, dan negatif 13%. Hal ini mengindikasikan bahwa sebagian besar komentar awal dari pengguna YouTube bersifat mendukung atau memberikan penilaian yang cenderung baik terhadap topik yang dibahas. Pada evaluasi model, algoritma SVM menunjukkan performa lebih unggul dengan akurasi 66,39% dan f1-score 55,53%, sedangkan Naïve Bayes menghasilkan akurasi 62,66% dan f1-score 40,94%. Hasil uji 10-fold cross validation turut mengonfirmasi bahwa SVM memiliki tingkat konsistensi yang lebih baik dibandingkan Naïve Bayes. Berdasarkan hasil tersebut, SVM dinilai lebih sesuai digunakan dalam analisis sentimen komentar publik yang memiliki variasi bahasa cukup luas dan konteks yang tidak selalu eksplisit, seperti pada isu pemerintahan dan politik.
Implementasi Chatbot AI untuk Otomatisasi Layanan Pelanggan PT. Tiga Fasa Komponen Aditya, Tommy; Adiputra, Mahesa; Rachimsah, Wildan; Nanjaya, Ahmad Fadhil; Amsury, Fachri; Fahlapi, Riza
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Vol 6, No 2 (2025): Pemanfaatan Artificial Intelligence dalam Transformasi Digital
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/coreai.v6i2.13121

Abstract

Inovasi Kecerdasan Buatan ( Artificial Intelligence - AI), khususnya Large Language Models (LLM), menawarkan potensi revolusioner dalam layanan pelanggan B2B. Penelitian ini merancang dan mengimplementasikan prototipe chatbot AI menggunakan Google Gemini untuk PT. Tiga Fasa Komponen, distributor komponen industri, untuk mengatasi tantangan respon lambat terhadap permintaan harga, stok, dan teknis di luar jam operasional. Chatbot dikembangkan menggunakan Model Prototyping dengan arsitektur hybrid. Arsitektur ini mengintegrasikan kemampuan pemrosesan bahasa alami (NLP) dari LLM dengan pengambilan data harga dan stok real-time melalui API perusahaan. Tujuannya adalah menyediakan layanan informasi 24/7 yang menampilkan harga spesifik sesuai permintaan pengguna (terpersonalisasi tingkat keanggotaan) secara instan. Prototipe diimplementasikan menggunakan Python dan framework PyQt5. Hasil Pengujian Black Box memverifikasi integritas teknis sistem, termasuk ekstraksi kode produk dan personalisasi harga yang rahasia. Pengujian Pengguna ( User Testing ) menunjukkan akurasi informasi produk mencapai 85% hingga Sangat Akurat dan tingkat kegunaan yang Sangat Familiar. Temuan ini memvalidasi kelayakan solusi hibrida dalam meningkatkan efisiensi operasional dan Customer Experience (CX) secara signifikan. Tantan)
Implementasi Aturan Asosiasi untuk Rekomendasi Produk Pakaian Wanita menggunakan Algoritma Apriori Oktavia, Devya Septi; Hanifah, Nida; Fatihah, Cinta Aprilia; Amsury, Fachri; Fahlapi, Riza; Febriyanti, Syafvika Tiara
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Vol 6, No 2 (2025): Pemanfaatan Artificial Intelligence dalam Transformasi Digital
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/coreai.v6i2.13112

Abstract

Usaha fashion wanita Asoka Fashion memiliki volume data transaksi penjualan yang besar dari platform Shopee pada periode Agustus 2025. Namun, data ini hanya digunakan untuk pelaporan rutin, sehingga potensi untuk merumuskan strategi bisnis dan rekomendasi produk belum dimanfaatkan secara maksimal. Penelitian ini bertujuan untuk mengubah data transaksi tersebut menjadi pengetahuan yang bernilai strategis dengan menerapkan Knowledge Discovery in Database (KDD). Metode yang digunakan adalah Association Rule Mining dengan Algoritma Apriori , diolah menggunakan perangkat lunak Orange3. Hasil pengolahan data dengan minimum support 80% dan minimum confidence 90% berhasil menemukan 15 aturan asosiasi yang kuat. Aturan asosiasi terkuat mencapai tingkat confidence 100% , yang secara spesifik mengungkap pola pembelian bersama item-item seperti 101 Khaki, 1104 Hitam, 101 Black, dan 1104 Brown. Temuan ini memberikan rekomendasi konkret bagi Asoka Fashion untuk penentuan strategi cross-selling dan paket bundling produk yang tepat sasaran, membuktikan efektivitas data mining dalam mendukung pengambilan keputusan bisnis berdasarkan pola pembelian pelanggan yang akurat.
Co-Authors Adiputra, Jason Adiputra, Mahesa Aditya, Tommy Ahmad Fadlil Fauzi Alghifari, Luthfi Adam Andri Agung Riyadi Andry Agung Riyadi Anggi Dian Oktavianingsih ANGGIE ARDIANSYAH Anjani, Mutiara Putri Asrul Azalia, Devina Bayhaqy, Achmad BENNI RAMADHAN Dwiza Riana Fahlapi, Riza Fatihah, Cinta Aprilia Febriyanti, Syafvika Tiara Ferdy Saputra Frieyadie Gunawan, Heru HANAFI EKO DARONO Hanifah, Nida Helmalia Putri Ismayani Heriyanto Heriyanto Heriyanto Heriyanto Heriyanto Heriyanto Heriyanto Hernawati Ibrahim, Akbar Ida Ayu Putu Sri Widnyani Ihsan Aulia Rahman Ika Kurniawati Ika Kurniawati Ika Kurniawati Intan Permatasari Irwansyah Saputra Irwansyah Saputra Irwansyah Saputra Irwansyah Saputra Irwansyah Saputra Juan Immanuel Jupriyanto . Muhammad Ilyas MUHAMMAD RIZKI FAHDIA Muhammad Rizki Fahdia Muhammad Rizki Fahdia Muhammad Rizki Fahdia Nanang Ruhyana Nanang Ruhyana nanang ruhyana Nanang Ruhyana Nanjaya, Ahmad Fadhil Nurajijah Nurajijah Oktavia, Devya Septi Ongki D.Simatupang Pangestu, Ridwan Panggabean, Gempar Galang Al Fallah Pradana, Andreas Eka Putria Pebriana Sitanggang Rachimsah, Wildan RAHMAD SINGGIH AJI PAMBUDI Rasam Rasam Riyadi, Andri Agung Riza Fahlapi Rizki Fahdia, Muhammad Rusdiansyah, Irfandi Saputra, Aden Asywak Saputra, Irwansyah Satria, Fauzan Siti Fauziah Siti Fauziah Sulistyowati, Daning Nur Syahrur Rhamadan Tati Mardiana Tiska Pattiasina Tue Rebong, Hendrikus Vivi Rahayu Yusnia Budiarti Zhafran, Muhammad Faiz