Article Per Year (5 Year)
p-Index From 2021 - 2026
6.239
P-Index
This Author published in this journals
All Journal International Journal of Advances in Applied Sciences Bulletin of Electrical Engineering and Informatics PROtek : Jurnal Ilmiah Teknik Elektro Ainet : Jurnal Informatika Indonesian Journal of Data and Science Jurnal Teknik Informatika (JUTIF) Jurnal Algoritma, Logika dan Komputasi Jurnal Informatika Progres Information Technology Education Journal Mechatronics Journal in Professional and Entrepreneur (MAPLE) Journal of Computer Science and Information Technology ARUS JURNAL SAINS DAN TEKNOLOGI Journal of Muhammadiyah’s Application Technology
Muhyiddin A.M Hayat
Universitas Muhammadiyah Makassar
Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Mathematics Physics Social Sciences Other

Published : 49 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : journal of computer science and information technology

 1 
IMPLEMENTASI NLP UNTUK SUMMARIZATION DOKUMEN AKADEMIK BERBAHASA INDONESIA MENGGUNAKAN TEXTRANK DAN TRANSFORMER MT5 Yaumul Furqan; Muhyiddin A.M Hayat; Titin Wahyuni
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4363

Abstract

Perkembangan dokumen akademik digital meningkatkan kebutuhan akan sistem automatic text summarization yang mampu menyajikan informasi secara ringkas tanpa menghilangkan makna utama. Penelitian ini mengimplementasikan Natural Language Processing (NLP) pada sistem summarization dokumen akademik berbahasa Indonesia berbasis web menggunakan metode TextRank dan Transformer mT5. Dataset terdiri atas dua dokumen akademik yang dievaluasi menggunakan gold summary. Tahapan penelitian meliputi ekstraksi teks, preprocessing, pembangkitan ringkasan, dan evaluasi menggunakan ROUGE-1, ROUGE-2, dan ROUGE-L. Model Transformer mT5 diimplementasikan dengan konfigurasi maksimum input 512 token, output 256 token, beam search 4, length penalty 1,0, dan repetition penalty 1,2. Hasil pengujian menunjukkan bahwa performa kedua metode dipengaruhi oleh karakteristik dokumen. TextRank memperoleh rata-rata ROUGE-1 F1-score sebesar 0,4363, sedangkan Transformer mT5 memperoleh 0,4329. TextRank menghasilkan kesesuaian leksikal yang lebih tinggi terhadap gold summary, sedangkan Transformer mT5 mampu menghasilkan ringkasan yang lebih ringkas berdasarkan hasil observasi. Penelitian ini menunjukkan bahwa kedua pendekatan memiliki karakteristik yang saling melengkapi dalam automatic text summarization dokumen akademik berbahasa Indonesia.
ANALISIS PERBANDINGAN CNN DAN VISION TRANSFORMER DALAM KLASIFIKASI HURUF SEMAPHORE PRAMUKA BERBASIS CITRA Muh. Akbar Haeruddin; Desi Anggreani; Muhyiddin A.M Hayat
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4366

Abstract

Klasifikasi huruf Semaphore Pramuka merupakan salah satu permasalahan computer vision yang menantang karena kemiripan pose antarkelas, variasi subjek, pencahayaan, serta latar belakang citra. Penelitian ini bertujuan membandingkan kinerja Convolutional Neural Network (CNN) menggunakan model EfficientNetB0 dan Vision Transformer (ViT) menggunakan model DeiT-Tiny dalam mengklasifikasikan citra huruf Semaphore. Dataset terdiri atas 26 kelas huruf A–Z dengan 1.014 citra untuk pelatihan dan validasi serta 234 citra pengujian eksternal. Tahap praproses meliputi konversi citra ke format RGB, resize menjadi 224×224 piksel, normalisasi, dan augmentasi pada data pelatihan. Kedua model dilatih menggunakan transfer learning dengan konfigurasi pelatihan yang setara. Proses pelatihan menggunakan optimizer AdamW dengan learning rate 3×10⁻⁴, weight decay 1×10⁻⁴, batch size 64, penjadwalan cosine annealing, serta label smoothing 0,1, dipadukan dengan early stopping untuk mencegah overfitting. Kedua model kemudian dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa DeiT-Tiny memberikan performa yang lebih baik dibandingkan EfficientNet-B0. DeiT-Tiny memperoleh accuracy 97,01%, precision 97,64%, recall 97,01%, dan F1-score 96,95%, sedangkan EfficientNetB0 memperoleh accuracy 82,05%, precision 85,48%, recall 82,05%, dan F1-score 81,53%. Selain itu, DeiT-Tiny mampu mengklasifikasikan 23 dari 26 kelas secara sempurna dengan jumlah kesalahan yang lebih sedikit. Hasil penelitian menunjukkan bahwa Vision Transformer berbasis DeiT-Tiny lebih efektif dibandingkan EfficientNetB0 dalam klasifikasi citra huruf Semaphore pada dataset yang digunakan. Temuan ini secara teoretis memperkuat bukti bahwa mekanisme self-attention pada ViT mampu menangkap relasi spasial global antarbagian pose secara lebih baik pada dataset berskala kecil, sekaligus memberikan kontribusi praktis sebagai dasar pengembangan sistem pengenalan Semaphore berbasis citra yang lebih akurat, misalnya untuk media pembelajaran maupun penilaian keterampilan Semaphore secara otomatis
KLASIFIKASI PAYLOAD MALWARE TERSEMBUNYI PADA CITRA DIGITAL (STEGANALISIS) MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) Muh.Dirham Rahim; Muhyiddin A.M Hayat; Rizki Yusliana Bakti; Darniati
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4400

Abstract

Evolusi ancaman keamanan siber saat ini semakin mengarah pada teknik penetrasi senyap, salah satunya pemanfaatan steganografi menggunakan aplikasi Steghide pada citra JPEG. Sistem steganalisis konvensional saat ini masih bertumpu pada klasifikasi biner, sehingga menimbulkan titik buta forensik yang gagal membedakan tingkat keparahan anomali, seperti antara sisipan teks biasa dan skrip malware destruktif. Penelitian ini mengusulkan model 1-Dimensional Convolutional Neural Network (CNN 1D) untuk mengklasifikasikan tingkat ancaman steganografi ke dalam tiga kelas: Normal, Anomali Ringan (teks 20 KB sebagai representasi eksfiltrasi data minor), dan Anomali Berat (malware berekstensi .bat 40 KB sebagai representasi ancaman skrip destruktif). Ambang batas payload spesifik ini dipilih secara empiris karena mampu merepresentasikan margin perubahan densitas koefisien DCT yang signifikan untuk menguji sensitivitas model. Untuk mengatasi overfitting dan kebutaan fitur spasial, ekstraksi fitur dilakukan pada domain frekuensi menggunakan koefisien Discrete Cosine Transform (DCT) yang menghasilkan 2.466 fitur statistik. Pengujian dilakukan menggunakan skenario Paired Dataset dan Grouped Split pada 1.500 citra beresolusi 1024x1024 piksel untuk mencegah bias visual. Hasil penelitian menunjukkan bahwa model CNN 1D yang diusulkan sukses mencatatkan tingkat akurasi pengujian sebesar 83,11% dengan rata-rata F1-Score 82,98%. Dari aspek keamanan siber preventif, model menunjukkan keandalan yang tinggi. Meskipun terdapat tumpang tindih (overlap) prediksi antara kelas Malware dan kelas Teks yang menyebabkan nilai Recall kelas Anomali Berat berada di angka 76,00%, sistem mencatatkan ketiadaan False Negative (0 kejadian) pada persilangan menuju kelas Normal. Hal ini mengindikasikan bahwa pada pengujian ini, tidak ada satupun sampel citra bermuatan skrip destruktif yang lolos dan terklasifikasi sebagai citra aman.
IMPLEMENTASI MEKANISME QUEUE DAN WORKER UNTUK OPTIMASI UTILISASI GPU DALAM PEMROSESAN LAYANAN AI PADA BACKEND Syahrul Ramadhan; Muhyiddin AM Hayat; Rizki Yusliana Bakti; Titin Wahyuni; Fahrim Irhamna Rachman; Darniati
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4439

Abstract

Pengembangan layanan Kecerdasan Buatan (AI) berbasis Large Language Models (LLM) telah meningkatkan kebutuhan akan sistem backend yang mampu menangani proses inferensi secara efisien. Proses inferensi yang berjalan pada Graphics Processing Units (GPU) membutuhkan komputasi yang intensif, yang berpotensi menyebabkan hambatan (bottleneck) dan penggunaan GPU yang tidak optimal. Penelitian ini bertujuan untuk mengimplementasikan mekanisme queue dan worker pada backend layanan AI berbasis GPU, menganalisis dampak variasi jumlah worker terhadap kinerja sistem dan penggunaan GPU, serta menentukan konfigurasi worker yang paling optimal. Sistem ini dikembangkan menggunakan bahasa pemrograman Go dengan arsitektur berlapis, Redis sebagai message queue, Asynq sebagai pengelola queue dan worker, serta vLLM sebagai layanan inferensi AI berbasis GPU. Pengujian dilakukan menggunakan K6 dengan beban 50 virtual users selama 60 detik pada konfigurasi dengan 1, 2, 4, 8, dan 16 worker. Parameter yang dianalisis meliputi waktu respons (response time), throughput, tingkat kesalahan (error rate), penggunaan GPU (GPU utilization), dan waktu GPU menganggur (GPU idle time). Hasil penelitian menunjukkan bahwa peningkatan jumlah worker meningkatkan throughput dari 26,60 menjadi 142,91 requests/s, mengurangi waktu respons dari 1.904 menjadi 343,54 ms, dan meningkatkan penggunaan GPU dari 80,21% menjadi 100%. Semua konfigurasi menghasilkan error rate sebesar 0%, sementara waktu GPU menganggur menurun dari 18,3% menjadi 0%. Berdasarkan seluruh parameter pengujian, konfigurasi 8 worker memberikan keseimbangan terbaik antara kecepatan respons, kapasitas pemrosesan, dan efisiensi penggunaan GPU, sehingga menjadikannya konfigurasi paling optimal dalam lingkungan pengujian penelitian ini.
Co-Authors . Darniati Abd Rahman, Aedah Abrah, Rezkytullah Ahmad Faisal Ahmad Fauzi Saifuddin Akbar DB, Andi Muhammad ALRASYID.S, NUR FUAD Andi Makbul Syamsuri Andi Muhammad Akbar DB arikal khairat Asdar, Muhammad Dasril Bakti, Rizki Yusliana Basyar, Muhammad Yusuf Chyquitha Danuputri Chyquitha Danuputri Danuputri, Chyquitha Danuputri, Chyquitha Danuputri, Chyquitha Darniati Dedi Setiawan Desi Anggraeni Desi Anggreani Djalil, Sony Achmad Dzakki Adam, Ahmad Wildan Fachrim Irhamna Rachman Fahrim Irhmna Rachman Fatimah Azzahra Fauzan Azhari Rahman Fauzi Ahmad Muda FUAD, NUR FUAD ALRASYID.S Hadawina Hadawina Haidul, Haidul Jihan Izzathul Mujidah Khadijah Kusumawardani, Nurul Lukman Lukman Lukman Lukman Anas LUKMAN ANAS Lukman Lukman Lukman Lukman Lukman, Lukman Muh Nur Aqsal Aminullah Muh. Akbar Haeruddin Muh.Dirham Rahim Muhammad Asygar Faeruddin Muhammad Faisal Muhammad Khadafi Muhammad Syafaat S. Kuba Muhsin, Muh Arief Muliana Neneng Anjarwati Nisha, Khairun Nur Alam Nur Annisa Syarifuddin Nurnawaty Nurul Kusumawardani RAHMANIA Rahmania RAMLI, ANDI RAODATUL ADAWIYAH Rasyidi, Muhammad Fachri Reski Abbas Ridwang Ridwang Ridwang Ridwang Ridwang, Ridwang Risal Salsabila, Ismi Sari, Reski Anugrah Sarina Sumardi Sunarti Suriani Suriani Swa Lee Lee Syahril Akbar Syahrul Ramadhan Titik Khawa Abdul Rahman Titin Wahyuni Ulil Amri Usman, Ansharullah Patiroi Utama, Prengki Putra Wahid, Abd Rahman Yaumul Furqan