Claim Missing Document
Check
Articles

PENERAPAN ALGORITMA K-NEAREST NEIGHBOR DALAM ANALISIS PEMINJAMAN BARANG PADA DIVISI INVENTARIS TVRI MAKASSAR Risal; Chyquitha Danuputri; Darniati; Muhyiddin AM Hayat
PROGRESS Vol 17 No 2 (2025): September
Publisher : P3M STMIK Profesional Makassar

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

Abstract

Inventory management in the TVRI Makassar Inventory Division is inefficient due to the lack of a predictive system, hampering proactive asset requirement planning. This study aims to apply the K-Nearest Neighbor (KNN) algorithm to analyze historical borrowing patterns, predict demand for goods three months in advance, and evaluate model accuracy. Using a quantitative approach, this study implements a systematic machine learning workflow, including data preprocessing, temporal feature engineering, class imbalance handling using the Synthetic Minority Over-sampling Technique (SMOTE), and hyperparameter optimization using GridSearchCV. The results show that the optimized KNN model achieved an overall accuracy of 80.18%, significantly outperforming the baseline model. Key findings revealed that the model's performance is contextual, with very high reliability (F1-Score > 0.95) on frequently borrowed assets, and is able to identify strong temporal demand patterns. It is concluded that KNN is effective for segmented inventory demand prediction and has the potential to serve as a basis for TVRI Makassar to adopt a proactive, datadriven inventory management strategy, enabling more efficient resource allocation.
IMPLEMENTASI HYBRID CNN, FACIAL LANDMARK DAN LIVENESS DETECTION PADA SISTEM ABSENSI WAJAH Andi Muhammad Akbar DB; Muhammad Faisal; Muhyiddin AM Hayat
PROGRESS Vol 17 No 2 (2025): September
Publisher : P3M STMIK Profesional Makassar

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

Abstract

This paper presents the implementation of a hybrid approach for face recognition attendance systems, combining Convolutional Neural Network (CNN), facial landmark detection, and liveness detection. The CNN model extracts facial features for identity recognition, while facial landmark detection captures dynamic movements such as eye blinking and mouth motion. Liveness detection ensures system robustness against spoofing attempts including photo and video replay. The system was developed using Python with OpenCV, MediaPipe, and TensorFlow, and tested under multiple spoofing scenarios. Results show a detection accuracy of 95.5%, with real-time performance and resilience against common spoofing threats.
KLASIFIKASI TANAMAN OBAT TRADISIONAL BERBASIS CITRA BUAH DAN DAUN Nurul Kusumawardani; Chyquitha Danuputri; Darniati; Muhammad Faisal; Muhyiddin A.M Hayat; Muhammad Syafaat S.Kuba; Desi Anggreani
PROGRESS Vol 18 No 1 (2026): April
Publisher : P3M STMIK Profesional Makassar

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

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.
Web-Based Expert System for Human Skin Disease Diagnosis Using Forward Chaining and Mamdani Fuzzy Inference Muhammad Khadafi; Muhammad Faisal; Muhyiddin AM Hayat; Muh. Arief Muhsin; Muhammad Syafaat S.Kuba; Lukman Anas; Andi Makbul Syamsuri
Jurnal Teknik Informatika (Jutif) Vol. 7 No. 4 (2026): JUTIF Volume 7, Number 4, August 2026
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2026.7.4.5676

Abstract

This paper aims to develop a web-based expert system aimed at assisting the general public and parties involved in the health sector, particularly in the field of human skin diseases. This system uses a combination of forward chaining and Mamdani fuzzy inference methods. The knowledge base is created based on observations and interviews with a dermatologist at Bima Regional General Hospital, covering 13 symptoms and 6 types of skin diseases, each equipped with expert confidence weights. Disease candidates are inferred from symptoms selected by the user and rules using forward chaining, while symptom weights are managed through fuzzy logic using the Laravel framework with the PHP language. From 20 test data, a comparison between the results from doctors and the system in an operational web application model shows a compatibility level of 95%. This system is suitable for use by doctors with further review. With this application, it is hoped that it can solve problems experienced by the community, such as limited access to dermatologists and economic problems, which are some of the main reasons why this application was designed and developed.
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.
Design and Implementation of A Hybrid CF-Entropy Mobile Application for Boarding House Recommendation using Collaborative Filtering Neneng Anjarwati; Desi Anggreani; Muhammad Faisal; Sumardi; Muhyiddin AM Hayat; Swa Lee Lee
Information Technology Education Journal Vol. 5, No. 3, August (2026)
Publisher : Jurusan Teknik Informatika dan Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/intec.v5i3.13193

Abstract

Purpose – The rapid growth of urbanization has significantly increased demand for accessible, efficient boarding house ('kos') search platforms. However, most existing applications rely on static, manual filtering, which often leads to information overload and fails to capture implicit user preferences. To address this, this study designs and implements 'NK Kost,' a mobile application providing customized boarding house recommendations. Design/methods/approach – grates context-based search functionalities, including geolocation, radius, budget, room type, and amenities-with a server-side recommendation engine. To generate personalized results, the system evaluates three Collaborative Filtering (CF) techniques: User-Based CF, Item-Based CF, and a proposed Hybrid CF-Entropy model that combines user- and item-based predictions with entropy-inspired adaptive weighting, designed to address data sparsity and rating variability in localized boarding house contexts.   Findings – Experimental results indicate that the proposed model achieves competitive, though not definitively superior, performance. User-Based CF achieved the lowest prediction error (RMSE = 0.90, MAE = 0.63), while Hybrid CF-Entropy demonstrated comparable ranking effectiveness (Precision@5 = 0.13, Recall@5 = 0.32) without outperforming the baselines across all metrics. A usability evaluation involving 35 participants yielded a System Usability Scale (SUS) score of 71.2, indicating acceptable perceived usability. Research implications/limitations – while the algorithmic adaptability of the Hybrid CF-Entropy model requires further validation on larger datasets. Originality/value – This study introduces a localized boarding house recommendation application using a Hybrid CF-Entropy model with adaptive weighting.
Ekstraksi Fitur Citra Jantung Menggunakan Hybrid CNN dan Swin Transformer untuk Analisis Risiko Penyakit Kardiovaskular Nabila Ismail Matta; Rizki Yusliana Bakti; Muhyiddin AM Hayat
Arus Jurnal Sains dan Teknologi Vol 4 No 2: Oktober (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i2.3492

Abstract

Penyakit jantung koroner (PJK) merupakan salah satu kontributor utama kematian akibat penyakit kardiovaskular, sehingga deteksi dini melalui interpretasi citra CT Scan jantung menjadi penting. Analisis manual terhadap citra tersebut menghadapi kendala berupa kompleksitas variasi anatomi dan keterbatasan tenaga ahli radiologi. Penelitian ini bertujuan mengembangkan dan mengevaluasi arsitektur Hybrid CNN–Swin Transformer untuk ekstraksi fitur citra jantung normal dan jantung koroner menggunakan dataset lokal RSUD Labuang Baji, Makassar. Model menggabungkan fitur lokal dari ResNet-50 dan fitur global dari Swin Transformer Tiny melalui mekanisme learnable feature fusion, dilatih menggunakan strategi Two-Phase Training dengan optimizer AdamW dan Weighted Focal Binary Cross-Entropy Loss. Dataset terdiri atas 400 citra (200 normal dan 200 koroner) yang dibagi dengan rasio 80:10:10. Hasil pengujian pada 40 citra data uji menunjukkan model Hybrid CNN–Swin Transformer memperoleh Accuracy 92,50%, Precision 100,00%, Recall 85,00%, F1-Score 91,89%, Specificity 100,00%, dan AUC 0,9850, mengungguli model tunggal ResNet-50 (Accuracy 85,00%) dan Swin Transformer Tiny (Accuracy 77,50%). Hasil ini menunjukkan bahwa penggabungan fitur lokal dan global melalui mekanisme fusi adaptif mampu meningkatkan efektivitas klasifikasi citra jantung sebagai indikator risiko penyakit kardiovaskular.
Co-Authors . Darniati Abd Rahman, Aedah Abrah, Rezkytullah Ahmad Faisal Ahmad Fauzi Saifuddin Akbar DB, Andi Muhammad ALRASYID.S, NUR FUAD Andi Agung Andi Makbul Syamsuri Andi Muhammad Akbar DB arikal khairat Arina Manasikana 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 Emil Agusalim Habi Talib 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 Faisal 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 Nabila Ismail Matta 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