Article Per Year (5 Year)
p-Index From 2021 - 2026
5.677
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 Mechatronics Journal in Professional and Entrepreneur (MAPLE) 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 : 44 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 44 Documents
Search

 1   2   3   4   5 
OPTIMALISASI DISTRIBUSI PEMILIH TERHADAP TPS MENGGUNAKAN METODE CLUSTERING FUZZY C-MEANS Djalil, Sony Achmad; Muhammad Faisal; Muhyiddin AM Hayat; Titin Wahyuni
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: 10.26618/6jc0a759

Abstract

General elections are a fundamental pillar of modern democratic systems, requiring an implementation that is efficient, fair, and inclusive. One of the key factors influencing the success of an election is the determination of polling station locations, as their placement directly affects voter accessibility, travel distance, and public participation. Inappropriate polling station allocation can lead to service inequality, voter congestion, and a decline in the overall quality of the voting process. At the local administrative level, polling station determination is still largely conducted manually by grouping voters based on neighborhood or administrative boundaries. This conventional approach is often time consuming, prone to administrative errors, and frequently results in an uneven distribution of voters across polling stations. In addition, electoral regulations impose limits on the maximum number of voters per polling station to ensure smooth and orderly voting procedures, which are not always optimally satisfied through manual methods. As voter data complexity and geographic dispersion increase, computational approaches are needed to support more effective decision making. Clustering techniques in unsupervised learning enable objective grouping of voters based on spatial characteristics. The Fuzzy C-Means method represents a suitable approach because it can accommodate data uncertainty and overlapping service areas. The application of this method is expected to produce a more efficient, equitable, and data driven distribution of polling stations, thereby contributing to the improvement of election management quality and democratic integrity
Stacking architecture-endpoint detection: a hybrid multi layered architecture for endpoint threat detection Wahid, Abd Rahman; Anggreani, Desi; Hayat, Muhyiddin A. M.; Abd Rahman, Aedah; Faisal, Muhammad
International Journal of Advances in Applied Sciences Vol 14, No 4: December 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijaas.v14.i4.pp1263-1280

Abstract

Modern endpoint threat detection systems face persistent challenges in balancing detection accuracy, resilience against zero-day attacks, and the interpretability of artificial intelligence (AI) models. Although deep learning (DL) approaches often achieve high accuracy on benchmark datasets, they remain vulnerable to adversarial perturbations and operate as opaque “black boxes,” thereby reducing trust and limiting practical adoption in critical infrastructures. This research introduces stacking architecture-endpoint detection (STACK-ED), a hybrid multi-layered architecture for endpoint threat detection. STACK-ED integrates three complementary paradigms: supervised learning for known attack patterns, self-supervised Fgraph-based learning for structural relationships, and unsupervised anomaly detection for emerging or unknown threats. The outputs are consolidated by a meta learner, followed by a post-hoc correction (PHC) mechanism to minimize false negatives. The framework was evaluated on a combined benchmark dataset (CSE-CIC-IDS2018 and UNSW-NB15, hereafter referred to as HIDS-Set). Experimental results demonstrate state-of-the-art performance, achieving an F2-score of 98.89% after hybrid integration and active learning, with the primary optimization objective being the reduction of undetected attacks. Furthermore, the Shapley additive explanations (SHAP) method enhances interpretability by revealing feature contributions, while the PHC successfully recovered 62.64% of missed zero-day candidates. The findings position STACK-ED not only as a highly accurate detection model but also as an adaptive, resilient, and transparent framework, offering practical implications for enterprise-grade endpoint defense and future zero-trust cybersecurity systems.
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
DETEKSI PENYAKIT TANAMAN MERICA MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS CITRA DAUN Sari, Reski Anugrah; Danuputri, Chyquitha; Lukman, Lukman; 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.v9i1.8923

Abstract

Deteksi penyakit pada tanaman merica (Piper nigrum) sangat penting untuk menjaga produktivitas dan kualitas panen, namun metode identifikasi manual oleh petani seringkali tidak efisien dan subjektif. Keterbatasan ini mendorong pemanfaatan teknologi kecerdasan buatan, khususnya Convolutional Neural Network (CNN), untuk menciptakan sistem deteksi yang cepat dan akurat. Penelitian ini bertujuan untuk menerapkan arsitektur CNN MobileNetV2 untuk mengklasifikasi empat kondisi daun merica (sehat, busuk pangkal batang, penyakit kuning, dan bercak daun) serta mengevaluasi secara kuantitatif pengaruh teknik augmentasi data terhadap performa model. Metode penelitian yang digunakan adalah pendekatan eksperimental dengan membandingkan dua skenario: Model A yang dilatih menggunakan 420 citra daun asli dan Model B yang dilatih dengan dataset yang sama namun diperbanyak melalui teknik augmentasi meliputi rotasi, flipping, dan penyesuaian kecerahan. Kedua model diuji menggunakan 60 citra data uji yang terpisah dan dievaluasi kinerjanya berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan perbedaan kinerja yang signifikan, di mana Model B (dengan augmentasi) mencapai akurasi keseluruhan sebesar 93%, meningkat dari 88% yang dicapai oleh Model A (tanpa augmentasi). Analisis kurva pelatihan juga membuktikan bahwa augmentasi data efektif menekan overfitting dan meningkatkan kemampuan generalisasi model. Kesimpulannya, arsitektur MobileNetV2 terbukti efektif untuk deteksi penyakit daun merica, dan penerapan teknik augmentasi data merupakan strategi krusial yang secara substansial meningkatkan akurasi dan keandalan model. Implikasi dari temuan ini adalah terbukanya potensi pengembangan aplikasi deteksi penyakit berbasis smartphone yang praktis dan dapat diandalkan untuk membantu petani dalam pengambilan keputusan perawatan tanaman yang lebih efektif.
Fine-Tuning a Large Language Model on Vertex AI for a New Student Registration Chatbot at Universitas Muhammadiyah Makassar Desi Anggreani; Muhyiddin A M Hayat; Lukman; Ahmad Faisal; Khadijah; Darniati
Indonesian Journal of Data and Science Vol. 7 No. 1 (2026): Indonesian Journal of Data and Science
Publisher : Yocto Brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v7i1.341

Abstract

This study addresses the limitations of manual admission services at Universitas Muhammadiyah Makassar, which often result in delayed and inconsistent information delivery. To overcome these challenges, an institution-specific chatbot was developed by fine-tuning the Gemini 2.5 Flash model on the Google Cloud Vertex AI platform. The model was trained using a curated domain-specific dataset of 1,430 question–answer pairs derived from official documents and frequently asked questions. The fine-tuning process employed supervised learning to enhance contextual relevance and response accuracy. System performance was evaluated using automated text quality metrics, achieving an average BLEU score of 0.23526 and a ROUGE-L Recall score of 0.53424, indicating satisfactory lexical and semantic similarity. Furthermore, a user acceptance evaluation involving 52 respondents yielded a Customer Satisfaction Score (CSAT) of 84.2%, reflecting high user satisfaction. These results demonstrate that fine-tuning a Large Language Model (LLM) for specific institutional needs effectively improves both response quality and service reliability. Ultimately, this approach offers a practical and scalable solution for modernizing student admission services in higher education, ensuring that prospective students receive accurate information in a timely and efficient manner.
KLASIFIKASI TANAMAN OBAT TRADISIONAL BERBASIS CITRA BUAH DAN DAUN Kusumawardani, Nurul; Danuputri, Chyquitha; Darniati; Faisal, Muhammad; A.M Hayat, Muhyiddin; S. Kuba, Muhammad Syafaat; Anggreani, Desi
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.v18i1.534

Abstract

Indonesia is a megabiodiversity country with extensive use of traditional medicinal plants; however, plant identification in natural environments remains largely manual and error-prone. Recent advances in deep learning, particularly Vision Transformer (ViT), provide a promising solution by effectively capturing global spatial features for image classification. This study applies a ViT-Base/16 model to automatically classify fruit and leaf images of Indonesian medicinal plants. The dataset comprises 1,000 field-collected images from Galung Village, West Sulawesi, covering 20 classes (10 medicinal and 10 non-medicinal plants). The model was fine-tuned using the AdamW optimizer with a learning rate of 2×10⁻⁵ and trained for 30 epochs with cosine annealing. The proposed approach achieved high performance, with 99.33% accuracy, 99.41% precision, 99.33% recall, and a 99.33% F1-score, while binary classification between medicinal and non-medicinal plants reached 100% accuracy. The system was deployed as a Flask-based web application, demonstrating reliable functionality and practical response times. Overall, the results confirm the effectiveness of Vision Transformer for medicinal plant classification under natural conditions and highlight its potential to support digital documentation, education, and the preservation of local ethnobotanical knowledge.
INTEGRASI ALGORITMA EdDSA DENGAN MULTI-SIGNATURE PADA SISTEM TANDA TANGAN DIGITAL BERBASIS QR CODE UNTUK VERIFIKASI DOKUMEN AKADEMIK Ahmad Fauzi Saifuddin; Fauzi, Ahmad; Lukman; Muhyiddin A.M Hayat
Ainet : Jurnal Informatika Vol. 8 No. 1 (2026): Maret (2026)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/qxkvht88

Abstract

Perkembangan dokumen akademik digital menuntut adanya sistem verifikasi yang mampu menjamin keaslian, integritas, dan keabsahan dokumen secara cepat dan aman. Penelitian ini bertujuan untuk mengimplementasikan sistem tanda tangan digital berbasis QR Code dengan mengintegrasikan algoritma Edwards-curve Digital Signature Algorithm (EdDSA) varian Ed25519 dan skema multi-signature untuk verifikasi dokumen akademik. Setiap dokumen ditandatangani secara digital oleh satu atau lebih penandatangan menggunakan pasangan kunci kriptografi Ed25519, kemudian hasil tanda tangan, nilai hash dokumen, serta identitas penandatangan disematkan ke dalam QR Code sebagai media verifikasi. Sistem diuji pada beberapa jenis dokumen akademik, yaitu KKP, KHS, dan Persetujuan Hasil, dengan jumlah penandatangan yang berbeda. Hasil pengujian menunjukkan bahwa seluruh tanda tangan digital berhasil diverifikasi dengan tingkat keberhasilan 100% dan waktu eksekusi rata-rata di bawah 0,3 detik, termasuk pada skenario multi-signature. Dengan demikian, integrasi EdDSA dan multi-signature berbasis QR Code terbukti efektif, efisien, dan layak diterapkan sebagai solusi verifikasi dokumen akademik yang aman dan andal.
Klasifikasi Mahasiswa Berprestasi Menggunakan Algoritma Fuzzy K-Nearest Neighbors Berdasarkan Riwayat Akademik dan Aktivitas Organisasi FUAD, NUR FUAD ALRASYID.S; ALRASYID.S, NUR FUAD; Muhammad Faisal; Muhyiddin A.M Hayat
Ainet : Jurnal Informatika Vol. 8 No. 1 (2026): Maret (2026)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/tvh1qe20

Abstract

Penentuan mahasiswa berprestasi di perguruan tinggi masih banyak dilakukan secara manual dengan fokus utama pada aspek akademik, sehingga berpotensi menimbulkan subjektivitas dan ketidakefisienan. Permasalahan ini mendorong perlunya pendekatan berbasis data yang mampu mengintegrasikan aspek akademik dan non-akademik secara objektif. Penelitian ini bertujuan untuk membangun model klasifikasi mahasiswa berprestasi menggunakan algoritma Fuzzy K-Nearest Neighbors (F-KNN) berdasarkan riwayat akademik dan aktivitas organisasi. Data penelitian berasal dari 112 mahasiswa Universitas Muhammadiyah Makassar yang mencakup data akademik, prestasi, dan keaktifan organisasi. Metode penelitian meliputi pra-pemrosesan data, feature engineering, pembobotan fitur, penerapan algoritma F-KNN, serta evaluasi model menggunakan confusion matrix dan 5-fold cross validation. Hasil pengujian menunjukkan bahwa model F-KNN dengan parameter k = 5 dan m = 2.0 mampu mencapai akurasi 91,3%, precision 81,82%, recall 100%, dan F1-score 90%. Hasil ini menunjukkan bahwa F-KNN efektif dalam mengidentifikasi mahasiswa berprestasi secara akurat dan stabil. Implikasi penelitian ini adalah tersedianya sistem pendukung keputusan yang objektif dan efisien untuk membantu perguruan tinggi dalam proses seleksi mahasiswa berprestasi.
IMPLEMENTASI DETEKSI PLAGIARISME CODE DENGAN METODE WINNOWING, DAN JACCARD SIMILARITY UNTUK PEMERIKSAAN TUGAS LABORATORIUM INFORMATIKA Asdar, Muhammad Dasril; Lukman; Muhyiddin A.M Hayat
Ainet : Jurnal Informatika Vol. 8 No. 1 (2026): Maret (2026)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/n8nqt036

Abstract

Integritas akademik dalam tugas pemrograman sering kali terganggu oleh praktik plagiarisme yang sulit dideteksi secara manual, terutama ketika terjadi modifikasi pada nama variabel atau struktur kode. Penelitian ini bertujuan untuk mengimplementasikan sistem deteksi plagiarisme kode sumber berbasis web yang mengintegrasikan algoritma Winnowing untuk pembentukan fingerprint dokumen dan Jaccard Similarity untuk pengukuran tingkat kemiripan. Sistem dirancang dengan tahapan pre-processing khusus yang meliputi tokenisasi dan normalisasi identifier untuk memastikan deteksi berfokus pada logika program, bukan sekadar kesamaan sintaksis. Pengujian dilakukan menggunakan corpus tugas laboratorium informatika dengan tiga skenario utama: modifikasi minor, perbedaan bahasa pemrograman, dan perubahan nama variabel (identifier). Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi kemiripan sebesar 68% pada modifikasi minor dan mempertahankan tingkat deteksi sebesar 61,54% pada kode yang mengalami perubahan nama variabel secara menyeluruh. Selain itu, sistem menunjukkan akurasi tinggi dengan hasil 0% (tanpa false positive) pada pengujian lintas bahasa dan memiliki tingkat konsistensi algoritma 100%. Hasil ini membuktikan bahwa integrasi Winnowing dengan normalisasi identifier efektif sebagai solusi verifikasi keaslian tugas pemrograman yang andal dan objektif.
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
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 Muhammad Asygar Faeruddin Muhammad Faisal Muhammad Khadafi Muhammad Syafaat S. Kuba Muhsin, Muh Arief Muliana 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 Sunarti Suriani Suriani Syahril Akbar Titik Khawa Abdul Rahman Titin Wahyuni Ulil Amri Usman, Ansharullah Patiroi Utama, Prengki Putra Wahid, Abd Rahman