Article Per Year (5 Year)
p-Index From 2021 - 2026
6.722
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) International Journal of Advances in Applied Sciences TEKNIK INFORMATIKA Bulletin of Electrical Engineering and Informatics Harmoni: Jurnal Pendidikan dan Penelitian Seni Budaya Journal of Geoscience, Engineering, Environment, and Technology SELAPARANG: Jurnal Pengabdian Masyarakat Berkemajuan ILKOM Jurnal Ilmiah Ainet : Jurnal Informatika International Journal of Industrial Optimization (IJIO) Jurnal Teknik Informatika (JUTIF) Mattawang: Jurnal Pengabdian Masyarakat Jurnal Indonesia : Manajemen Informatika dan Komunikasi Nusantara Hasana Journal Indonesian Community Journal Aptekmas : Jurnal Pengabdian Kepada Masyarakat Buletin Sistem Informasi dan Teknologi Islam Journal of Practical Computer Science (JPCS) Jurnal Informatika Progres Jurnal INFOTEL Jurnal Indonesia : Manajemen Informatika dan Komunikasi ARUS JURNAL SAINS DAN TEKNOLOGI
Muhammad Faisal
Universitas Muhammadiyah Makassar
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 56 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 56 Documents
Search

 2   3   4   5   6 
Optimasi Kinerja Arsitektur CNN Ringan Menggunakan Pendekatan Bayesian untuk Identifikasi Skrip Bima Dayang Aisyah; Muhammad Faisal; Lukman Anas; Abd Rakhim Nanda; Syadiah Nor Wan Shamsuddin; Muhammad Syafaat S. Kuba
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.v7i2.3462

Abstract

Identifikasi aksara daerah penting untuk mendukung pelestarian budaya digital, namun masih terkendala keterbatasan dataset, kemiripan karakter, dan kebutuhan model yang efisien. Penelitian ini mengoptimasi arsitektur Lightweight CNN menggunakan Bayesian Optimization untuk identifikasi aksara Bima. Dataset terdiri atas 6.190 citra aksara Bima dalam 44 kelas, mencakup aksara Bima baru dan lama. Model menggunakan MobileNetV3-Large sebagai backbone dengan optimasi learning rate, dropout, batch size, dan konfigurasi fine-tuning melalui Tree-structured Parzen Estimator. Hasil eksperimen menunjukkan accuracy 93,06%, precision 92,26%, recall 92,55%, dan F1-score 91,91%, lebih unggul dibanding machine learning tradisional, CNN konvensional, dan beberapa CNN ringan modern. Target accuracy 90% dicapai pada trial keempat. Dengan 3.253.676 parameter dan waktu inferensi 63,35 ms per citra, model ini terbukti akurat, efisien, dan berpotensi diterapkan pada digitalisasi manuskrip serta OCR aksara daerah.
A Calibrated ROI-Aware Hybrid CNN-Transformer for Kidney Stone Presence Classification on Heterogeneous Axial CT Images Muh Ilham Akbar; Muhammad Faisal; Desi Anggraeni; Abd Rakhim Nanda; Try Gustaf Said; Muhammad Syafaat S. Kuba
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.v7i2.3463

Abstract

Batu ginjal merupakan penyebab umum nyeri pinggang akut, dan CT non-kontras menjadi standar referensi untuk mendeteksi kalkulus. Pada penelitian ini, istilah heterogen merujuk pada variasi protokol akuisisi antarrumah sakit, seperti perbedaan dosis radiasi, ketebalan irisan, rekonstruksi, dan bidang pandang, yang dapat mengubah tampilan citra serta menurunkan konsistensi pembacaan. Penelitian ini mengusulkan model hibrida CNN-Transformer yang sadar ROI (implisit) untuk klasifikasi keberadaan batu ginjal pada citra CT aksial heterogen. Arsitektur menggabungkan EfficientNet-B3, encoder Transformer ringan, dan Convolutional Block Attention Module (CBAM) tanpa anotasi ROI manual. Dataset terdiri dari 3.364 citra (1.577 batu, 1.787 non-batu) dengan pemisahan bertingkat 70/15/15. Evaluasi mencakup akurasi, presisi, sensitivitas, spesifisitas, F1, ROC-AUC, PR-AUC, inspeksi kalibrasi, dan audit Grad-CAM. Hasil menunjukkan bahwa penambahan Transformer meningkatkan kinerja dibanding baseline CNN, sedangkan CBAM menggeser profil kesalahan ke sensitivitas yang lebih tinggi. Varian Hybrid+Attention mencapai akurasi 0,9861, F1 0,9851, dan ROC-AUC 0,9967 pada set uji, dengan jumlah negatif palsu lebih rendah dibanding varian hibrida tanpa perhatian. Temuan ini menunjukkan potensi model sebagai alat bantu dokter untuk triase dan pembacaan awal yang lebih konsisten pada data lintas protokol, meskipun validasi eksternal, pemisahan berbasis pasien, dan metrik kalibrasi kuantitatif masih diperlukan sebelum klaim kesiapan klinis.
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 teknologi informasi dan media sosial telah mempercepat penyebaran berita palsu, sehingga diperlukan sistem deteksi yang akurat, andal, dan mudah diinterpretasikan. Penelitian ini bertujuan mengembangkan sistem deteksi fake news berbahasa Indonesia dengan mengintegrasikan IndoBERT sebagai model klasifikasi teks dan SHAP sebagai pendekatan Explainable Artificial Intelligence (XAI) untuk menjelaskan kontribusi kata terhadap hasil prediksi. Dataset diperoleh dari TurnBackHoax dan Kaggle, kemudian melalui tahapan preprocessing berupa cleaning text, filtering bahasa Indonesia, tokenisasi, serta penyeimbangan data menggunakan random oversampling pada data latih. Dari 5.347 data awal, diperoleh 4.980 data setelah filtering bahasa Indonesia, terdiri atas 3.613 data valid dan 1.367 data hoaks. Data dibagi secara stratifikasi dengan rasio 80% untuk pelatihan dan 20% untuk pengujian. Setelah oversampling, data latih menjadi seimbang dengan masing-masing 2.890 sampel per kelas. Hasil eksperimen menunjukkan bahwa model baseline TF-IDF dan Logistic Regression memperoleh akurasi 77%, sedangkan IndoBERT mencapai akurasi 87%, dengan precision 0,87, recall 0,95, dan F1-score 0,91 pada kelas hoaks. Visualisasi SHAP menunjukkan token penting yang memengaruhi klasifikasi. Hasil ini membuktikan bahwa integrasi IndoBERT dan SHAP efektif meningkatkan deteksi berita palsu sekaligus memberikan transparansi 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.
A Hybrid K-Means and Neural Network for Enhancing Students’ Academic Performance Suriani Suriani; Muhammad Faisal; Darniati Darniati; Emil Agusalim H. T; Muhammad Syafaat S. Kuba; Swa Lee Lee; Nurdiansyah Nurdiansyah
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.v7i2.3467

Abstract

Ketersediaan data pada Learning Management System (LMS) mendorong penerapan pembelajaran adaptif di pendidikan tinggi. Penelitian ini mengusulkan kerangka kerja hybrid berbasis kecerdasan buatan yang mengintegrasikan K-Means clustering dan Neural Network untuk profil mahasiswa berbasis perilaku dan prediksi kinerja akademik. Model divalidasi menggunakan Open University Learning Analytics Dataset yang mencakup data demografi, interaksi, dan performa akademik. Hasil menunjukkan akurasi sebesar 0,68 dan F1-score sebesar 0,66, melampaui metode dasar dengan stabilitas yang lebih baik. Clustering menghasilkan silhouette score 0,62 yang menunjukkan pemisahan kelompok yang jelas. Selain itu, sistem meningkatkan relevansi konten sebesar 27% dan menurunkan risiko putus studi sebesar 18%, dengan waktu inferensi rata-rata 0,85 detik. Temuan ini menunjukkan efektivitas kerangka dalam mendukung pembelajaran adaptif yang dipersonalisasi dan skalabel. Model hybrid yang diusulkan dapat mendukung pembelajaran adaptif melalui jalur belajar yang dipersonalisasi serta membantu perguruan tinggi melakukan intervensi dini terhadap mahasiswa berisiko berdasarkan pemantauan berbasis data.
Identifikasi Penyakit Tuberkulosis pada Citra X-Ray Paru Menggunakan Swin Transformer dengan Pendekatan Out-of-Distribution Detection Andi Citra Ayu Lestari; Desi Anggreani; Muhammad Faisal; Chyquitha Danuputri
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.v4i1.2731

Abstract

Penelitian ini bertujuan mengimplementasikan arsitektur Swin Transformer untuk mengidentifikasi penyakit tuberkulosis pada citra X-Ray paru serta mengevaluasi kemampuan pendekatan Out-of-Distribution Detection dalam mengenali citra yang tidak sesuai dengan distribusi data pelatihan. Data penelitian terdiri atas 1.272 citra yang terbagi seimbang ke dalam tiga kelas, yaitu Tuberkulosis, Non-Tuberkulosis, dan Tidak Dikenali/Out-of-Distribution Detection. Tahapan penelitian meliputi seleksi kualitas citra, resize ke ukuran 384 x 384 piksel, augmentasi data latih, pelatihan model Swin Transformer, serta evaluasi menggunakan accuracy, macro F1-score, confusion matrix, dan AUC. Hasil penelitian menunjukkan bahwa model Swin Transformer tunggal memperoleh accuracy 83,59% dan macro F1-score 83,59% pada klasifikasi Tuberkulosis dan Non-Tuberkulosis. Model Hybrid Swin Transformer + Out-of-Distribution Detection menghasilkan kinerja lebih baik dengan accuracy 89,06%, macro F1-score 89,10%, dan Out-of-Distribution Detection Rate 98,44%. Temuan ini menunjukkan bahwa integrasi Out-of-Distribution Detection mampu meningkatkan keandalan sistem karena model tidak memaksakan prediksi terhadap citra yang tidak relevan. Sistem yang dikembangkan dapat digunakan sebagai alat bantu skrining awal, dengan keputusan akhir tetap berada pada tenaga medis.
Co-Authors . Darniati Abd Rahman, Aedah Abdul Rahman, Titik Khawa Abdul Rakhim Nanda Adnan Ahsan Agung, Andi Akbar DB, Andi Muhammad Akbar, Syahril Alvina Felicia Watratan Andi Citra Ayu Lestari Andi Harmin ANDI MAWADDA TAIBA MAWADDA TAIBA Andi Muhammad Nur Hidayat Baharuddin, Suardi Hi Bakti , Rizki Yusliana Bakti, Rizki Yusliana Billy Eden William Asrul Burhanuddin, Fathurrahman Chyquitha Danuputri Danuputri, Chyquitha Darniati Dayang Aisyah Desi Anggreani Djalil, Sony Achmad Emil Agusalim H. T Emil Agusalim H. T Emil Agusalim Habi Talib Erika Yanti Fachrim Irhamna Rachman Faeruddin, Muhammad Asygar Fahrim I. Rahman Feng, Zhipeng Ferdiansyah Firdaus Hamdan Gani Herlinah Herlinah Hi Baharuddin, Suardi HS, Hafsah Ida Ida Mulyadi, Ida Indra Aditya Irmawati Irmawati IRSAN KADIR Kotte, Erick Yusuf Kusumawardani, Nurul Lisa Fitriani Ishak Lukman Anas LUKMAN ANAS Lukman Anas Lukman Lukman Made Widia, I Dewa Mardiah Mardiah Mardiah Mardiah Medy Wisnu Prihatmono Muh Ilham Akbar Muh Khayyir Muhammad Hasraddin Hasnan Muhammad Khaiyyir Muhammad Syafaat S. Kuba Muhyiddin A.M Hayat Mujidah, Jihan Izzathul Musdalifa Thamrin Musdalifa Thamrin Muthalib, Ade Nirwani Abdurahman Nasir Usman Nasir Usman Nini Apriani Rumata Nur Alam Nur Rahman, Ahmad Nur Ramadhan Nur Ramadhan, Nur Nurdiansyah Nurdiansyah Nurfadillah Nurnawaty Nurul Qalbi Rahmania Rahmat Anbiyah Rasyidi, Muhammad Fachri Riswan, Muh. Rizki Yusliana Bakti Rizki Yusliana Bakti Rizky Yusliana Bakti Rosnani Rosnani Rosnani Rosnani S. Kuba, Muhammad Syafa'at Saharuddin Saharuddin Sarina Sri Wahyuni Suardi Hi Baharuddin Suriani Suriani Swa Lee Lee Syadiah Nor Wan Shamsuddin SYAFAR, A. MUHAMMAD Syamsuri, Andi Makbul Syarifuddin, Nur Annisa Titik Khawa Abd Rahman Titin Wahyuni Try Gustaf Said Wahid, Abd Rahman