Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Journal of Information Technology and Computer Science (JOINTECS) SMARTICS Journal EDUPEDIA Advance Sustainable Science, Engineering and Technology (ASSET)
Muhammad Faisal
Universitas Islam Negeri Maulana Malik Ibrahim
Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Deteksi Plagiarisme pada Dokumen Jurnal Menggunakan Metode Cosine Similarity Rito Putriwana Pratama; Muhammad Faisal; Ajib Hanani
SMARTICS Journal Vol 5 No 1: SMARTICS Journal (April 2019)
Publisher : Universitas PGRI Kanjuruhan Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (403.316 KB) | DOI: 10.21067/smartics.v5i1.2848

Abstract

Plagiarisme merupakan tindakan mengambil gagasan, mengambil hasil riset, mengakuisisi hasil riset, dan meringkas suatu tulisan tanpa menyebutkan sumbernya. Metode cosine similarity merupakan salah satu metode yang dapat digunakan untuk menghitung nilai kemiripan antar dokumen. Tahapan yang dilakukan sistem untuk menghasilkan nilai kemiripan antar dokumen yaitu dengan membandingkan dokumen jurnal yang di upload dengan dokumen repository yang diperoleh dari hasil grabbing data DOAJ dan tersimpan di database. Dalam perhitungan metode yang dilakukan akan diperoleh presentase nilai kemiripan antar dokumen. Setelah itu akan dihitung kembali untuk mencari nilai kemiripan dokumen jurnal antar publisher yang ada di dokumen repository. Berdasarkan skenario uji coba yang dilakukan dengan menghitung jumlah dokumen relevan terambil dibagi dengan jumlah dokumen yang ada dalam database kemudian dikali 100%, maka diperoleh nilai recall pada Aplikasi Deteksi Plagiarisme Menggunakan Metode Cosine Similarity yaitu 13%. Sedangkan untuk memperoleh nilai precision dilakukan skenario pengujian dengan menghitung jumlah dokumen relevan terambil dibagi dengan jumlah dokumen relevan dalam pencarian kemudian dikali 100% diperoleh hasil 8%.
Menilai Kecenderungan Nilai Antar Mata Pelajaran Menggunakan Association Rule Pada Rapidminer Adi Nurrachman; Muhammad Faisal; Fachrul Kurniawan
EDUPEDIA Vol 5, No 2 (2021): Oktober
Publisher : Universitas Muhammadiyah Ponorogo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24269/ed.v5i2.868

Abstract

The focus of this research is trying to assess the tendency of scores between subjects using the association rule method using Rapidminer. The Association Rule method itself is often called Market Basket Analysis. The results showed that there was a tendency that students with good grades in English had good Mathematics scores with a 100% confidence level with a support value of 0.333
Perbandingan Algoritma Machine Learning dan Deep Learning dalam Analisis Sentimen Ulasan PLN Mobile Ismail Akbar; Muhammad Faisal
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 1 (2024)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i1.5078

Abstract

Rating ulasan aplikasi play store memiliki nilai strategis karena merupakan informasi penting bagi pengembang aplikasi untuk meningkatkan kualitas layanan di dunia digital. Salah satu aplikasi yang dijadikan subjek penelitian ini adalah PLN Mobile. Sejak diluncurkannya aplikasi PLN Mobile, terbukti masih banyak opini masyarakat yang tidak puas dengan penggunaan aplikasi PLN Mobile. Oleh karena itu, masih memiliki kelemahan bagi pengguna aplikasi dan pengembang aplikasi saat menganalisis komentar penulis pengguna. Dalam penelitian ini, dilakukan pengujian dengan membandingkan beberapa algoritma machine learning terdiri dari logistic regression, decision tree, random forest serta algoritma deep learning terdiri neural network multi-layer perceptron (MLP) dan long short-term memory (LSTM) untuk mengklasifikasikan senitmen positif atau negatif. Penelitian ini menghasilkan 3.000 ulasan pengguna aplikasi PLN Mobile, yang terdiri dari 1.965 ulasan positif dan 1.035 ulasan negatif. Data tersebut kemudian diuji dengan menggunakan model logistic regression yang memiliki akurasi sebesar 84,47%, decision tree yang memiliki akurasi sebesar 79,30%, dan random forest yang memiliki akurasi sebesar 83,64%. Sedangkan model algoritma deep learning khususnya Neural Network Multilayer Perceptron (MLP) memiliki akurasi sebesar 84,47%, sedangkan pengujian dengan Long Short Term Memory (LSTM) memberikan akurasi sebesar 78,83%. Berdasarkan penelitian analisis sentimen dalam ulasan pengguna aplikasi PLN Mobile, model machine learning yang menggunakan algoritma logistic regression dan model deep learning yang menggunakan algoritma neural network multi-layer perceptron (MLP) memiliki keunggulan dalam akurasi dibandingkan algoritma lainnya.
Artificial Neural Network-Based Forecasting of Rice Yield Using Environmental and Agricultural Data Priyanto; Muhammad Faisal; Mochamad Imamudin
Advance Sustainable Science Engineering and Technology Vol. 7 No. 3 (2025): May - July
Publisher : Science and Technology Research Centre Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/asset.v7i3.2019

Abstract

This study presents a high-accuracy predictive model for rice production in Indonesia using Artificial Neural Networks (ANN), achieving an R² of 98.11%, Mean Absolute Error (MAE) of 0.0966, and Mean Squared Error (MSE) of 0.0189. Climate variability remains a significant challenge to rice cultivation in regions like Malang City, where unpredictable environmental factors such as rainfall, temperature, and humidity hinder effective crop planning and yield estimation. To address this, we developed a Multilayer Perceptron (MLP)-based ANN model incorporating agro-environmental variables: rainfall, temperature, humidity, harvested area, and production quantity. Historical data from 2009 to 2024 were sourced from the Meteorology, Climatology, and Geophysics Agency (BMKG) and the Central Statistics Agency (BPS). The dataset underwent preprocessing, including cleaning, feature extraction, Z-Score normalization, and partitioning into training and testing sets. The proposed ANN architecture consists of an input layer, three hidden layers, and an output layer for regression tasks. Comparative evaluation against Random Forest, K-Nearest Neighbors, and Support Vector Regression demonstrated the ANN’s superior ability to model complex nonlinear relationships in agricultural data. The results highlight the role of intelligent data-driven systems in enhancing the accuracy of yield forecasting, supporting sustainable agricultural practices, and informing national food security policy.
Co-Authors Adi Nurrachman Ajib Hanani Fachrul Kurniawan Ismail Akbar Mochamad Imamudin Priyanto Rito Putriwana Pratama