p-Index From 2021 - 2026
10.989
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IJCCS (Indonesian Journal of Computing and Cybernetics Systems) JURNAL DESTINASI PARIWISATA JOIV : International Journal on Informatics Visualization Konvergensi : Jurnal Ilmiah Ilmu Komunikasi JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Ulul Albab ILKOM Jurnal Ilmiah JURNAL PENDIDIKAN TAMBUSAI JURNAL TEKNOLOGI DAN ILMU KOMPUTER PRIMA (JUTIKOMP) Journal of Humanities and Social Studies AL-ULUM: JURNAL SAINS DAN TEKNOLOGI Jurnal Teknologi Terpadu Jurnal Review Pendidikan dan Pengajaran (JRPP) Pantun: Jurnal Ilmiah Seni Budaya Jurnal Informasi dan Teknologi Journal of Applied Engineering and Technological Science (JAETS) Jurnal Sosial Humaniora Sigli Jurnal Scientia Journal of System and Computer Engineering Gunahumas Jurnal Ilmiah Wahana Pendidikan Jurnal Informatika Terpadu Indonesian Journal of Intellectual Publication (IJI Publication) Edu Cendikia: Jurnal Ilmiah Kependidikan Global Abdimas: Jurnal Pengabdian Masyarakat Sci-Tech Journal Jurnal Ilmiah Teknik Informatika dan Komunikasi Sentra Dedikasi: Jurnal Pengabdian Masyarakat Journal Pharmacy and Application of Computer Sciences Jurnal Informatika: Jurnal Pengembangan IT Jurnal Kajian Pendidikan dan Psikologi Jurnal Pengabdian Masyarakat dan Riset Pendidikan Toplama Jurnal Pembelajaran Bahasa dan Sastra Advances in Computer System Innovation Journal (ACSI Journal) PESHUM Indonesian Journal of Intellectual Publication (IJI Publication)
Claim Missing Document
Check
Articles

Recognition of Human Activities via SSAE Algorithm: Implementing Stacked Sparse Autoencoder Batau, Radus; Kurniyan Sari, Sri; Aziz, Firman; Jeffry, Jeffry
Journal of System and Computer Engineering Vol 6 No 1 (2025): JSCE: January 2025
Publisher : Universitas Pancasakti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61628/jsce.v6i1.1470

Abstract

This study evaluates the performance of Stacked Sparse Autoencoder (SSAE) combined with Support Vector Machine (SVM) against a standard SVM for classification tasks. We assessed both models using accuracy, precision, sensitivity, and F1 score. The SSAE Support Vector Machine significantly outperformed the standard SVM, achieving an accuracy of 89% compared to 37%. SSAE also achieved higher precision (87% vs. 75%) and sensitivity (89% vs. 37%), with an F1 score of 88% versus 36% for the standard SVM. These results indicate that SSAE enhances the model’s ability to capture complex patterns and provide reliable predictions. This study highlights the effectiveness of SSAE in improving classification performance, suggesting further research with larger datasets and additional optimization techniques to maximize model efficiency
ARIMA Method Implementation for Electricity Demand Forecasting with MAPE Evaluation Wungo, Supriyadi La; Aziz, Firman; Jeffry, Jeffry; Mardewi, Mardewi; Syam, Rahmat Fuady; Nasruddin, Nasruddin
Journal of System and Computer Engineering Vol 6 No 1 (2025): JSCE: January 2025
Publisher : Universitas Pancasakti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61628/jsce.v6i1.1666

Abstract

Electricity demand forecasting is critical for efficient energy management and planning. This study focuses on the development and implementation of the Autoregressive Integrated Moving Average (ARIMA) method for forecasting electricity demand in South Sulawesi's power system. The evaluation of forecasting accuracy was conducted using the Mean Absolute Percentage Error (MAPE), which measures the percentage error between predicted and actual values. Two experiments were conducted with different ARIMA models: ARIMA(5,1,0) and ARIMA(2,0,1). Results showed that the ARIMA(5,1,0) model achieved a MAPE of 2.15%, while the ARIMA(2,0,1) model performed slightly better with a MAPE of 1.91%, indicating highly accurate predictions. The findings highlight the effectiveness of the ARIMA method in forecasting electricity demand, providing a reliable tool for energy providers to optimize resource allocation and enhance operational efficiency. Future research may explore integrating ARIMA with other advanced methods to further improve forecasting performance.
PENGEMBANGAN DAN VALIDASI MODEL HYBRID MACHINE LEARNING UNTUK DIAGNOSIS AWAL DEPRESI Aziz, Firman; Abasa, Sustrin; Andyka, Andyka
Journal Pharmacy and Application of Computer Sciences Vol. 3 No. 1: Februari: 2025: JOPACS
Publisher : Arlisaka Madani Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59823/jopacs.v3i1.69

Abstract

Depresi adalah gangguan mental yang umum dan dapat mengurangi kualitas hidup secara signifikan. Diagnosis dini sangat penting untuk mencegah dampak buruk depresi, namun sering kali terlambat karena keterbatasan sumber daya dan kesadaran. Penelitian ini bertujuan untuk mengembangkan model hybrid machine learning untuk diagnosis dini depresi, menggunakan dataset yang berisi 42 pertanyaan terkait gejala depresi. Model hybrid ini menggabungkan tiga algoritma: Random Forest (RF), Support Vector Machine (SVM), dan Naive Bayes (NB), dengan penyesuaian bobot untuk meningkatkan akurasi prediksi. Hasil eksperimen menunjukkan bahwa model individual RF, SVM, dan NB memiliki akurasi masing-masing 91%, 88%, dan 86%, sementara model hybrid yang menggabungkan ketiga algoritma dengan bobot RF: 0.5, SVM: 0.3, dan NB: 0.2 menghasilkan akurasi 93%, precision 93%, recall 92%, F1-Score 93%, dan AUC 0.95. Hasil ini menunjukkan bahwa model hybrid dapat memberikan akurasi yang lebih baik dibandingkan dengan model individual, serta memiliki potensi untuk digunakan dalam aplikasi berbasis teknologi untuk memberikan peringatan dini mengenai depresi. Penelitian ini juga mencatat pentingnya kualitas dataset dalam menentukan performa model dan mendorong penelitian lebih lanjut untuk menguji model dengan data real-time dan dataset yang lebih beragam.
KLASIFIKASI KATEGORI OBAT MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Mardewi, Mardewi; Yarkuran, Nuru; Sofyan, Sofyan; Aziz, Firman
Journal Pharmacy and Application of Computer Sciences Vol. 1 No. 1: Februari: 2023: JOPACS
Publisher : Arlisaka Madani Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59823/jopacs.v1i1.19

Abstract

Dalam mencegah penyakit dan menjaga Kesehatan, setiap orang biasanya mengomsumsi obat. Namun banyak yang belum mengetahui kategori/jenis obat sebelum mengomsumsi obat tersebut. Masyarakat sebaiknya mengetahui kategori/jenis obat sebelum mengonsumsinya. Hal ini akan menimbulkan dampak negatif bagi kesehatan jika obat tersebut tergolong kedalam kategori/jenis obat keras. maka diperlukan klasifikasi kategori/jenis obat untuk membantu masyarakat agar dapat mendeteksi kategori/jenis obat. Penelitian ini mengusulkan untuk mengklasifikasi kategori/jenis obat menggunakan algoritma Support Vector Machine dengan tiga kernel yaitu linear, polynomial, dan RBF. Data terdiri dari lima variabel prediktor yaitu Usia, Jenis Kelamin, Tingkat Tekanan Darah, Tingkat Kolesterol, dan Na to K. jumlah data sebanyak dua ratus record. Hasil menunjukkan bahwa akurasi terbaik dari ketiga kernel SVM didapatkan ketika menggunakan kernel linear dan polinomial. berbeda dengan kernel RBF yang memiliki akurasi yang lebih rendah dari kedua kernel tersebut. kernel linear dan polinomial menghasilkan akurasi sebesar 95.0% sedangkan RBF menghasilkan akurasi sebesar 94.5%.
ANALISIS APLIKASI PENGAJUAN SURAT KETERANGAN PENDAMPING IJAZAH (APP-SKPI) MENGGUNAKAN ISO/IEC 25010 Asis, Muhammad Arfah; Ilmawan, Lutfi Budi; jeffry; Aziz, Firman; Usman, Syahrul; Fuadi Syam, Rahmat
Journal Pharmacy and Application of Computer Sciences Vol. 1 No. 2: Agustus: 2023: JOPACS
Publisher : Arlisaka Madani Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59823/jopacs.v1i2.27

Abstract

Penerapan Surat Keterangan Pendamping Ijazah (SKPI) atau diploma supplement merupakan amanat kurikulum berdasarkan Kerangka Kualifikasi Nasional Indonesia (KKNI) bagi setiap calon sarjana baru atau lulusan perguruan tinggi. SKPI memuat informasi prestasi dan kegiatan mahasiswa selama menjadi mahasiswa aktif di perguruan tinggi. Program studi Farmasi mengembangkan aplikasi untuk mengajukan SKPI yang disebut App-SKPI. Untuk membantu pengembangan aplikasi, telah dilakukan evaluasi dengan menggunakan model ISO 25010 untuk lima jenis kategori yaitu Functional Suitability, Performance Efficiency, Usability, Portability, dan Maintainability. Hasil pada kategori Functional Suitability, semua proses pada setiap fitur berjalan dengan baik dengan nilai 1 atau maksimal. Performance Efficiency, hasil kinerja dan struktur pada aplikasi mendapatkan Grade B dengan nilai kinerja 89% dan nilai struktural 91%. Usability, tingkat kepuasan mahasiswa terhadap sistem adalah 0,83. Portability, kemampuan adaptasi sistem pada browser yang berbeda mendapat nilai 1 atau maksimal. Maintainability, aplikasi dikembangkan dengan framework yang mendukung kemudahan perawatan
PENERAPAN METODE MACHINE LEARNING UNTUK MENGKLASIFIKASI PENANGANAN PERAWATAN PASIEN Aziz, Firman; Wahab, Andyka
Journal Pharmacy and Application of Computer Sciences Vol. 1 No. 2: Agustus: 2023: JOPACS
Publisher : Arlisaka Madani Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59823/jopacs.v1i2.37

Abstract

Pengambilan keputusan dalam pelayanan kesehatan, terutama terkait pemilihan jenis perawatan, merupakan proses kompleks yang memiliki dampak besar pada pasien dan sistem perawatan. Penentuan apakah pasien harus menjalani perawatan rawat inap di rumah sakit atau cukup dengan perawatan rawat jalan memerlukan pertimbangan yang tepat. Salah satu faktor penting yang ikut berperan adalah hasil pemeriksaan laboratorium yang memberikan wawasan mendalam tentang kondisi kesehatan pasien. Metode machine learning telah mengemuka sebagai alat yang potensial dalam berbagai bidang, termasuk dalam dunia medis. Penelitian ini bertujuan untuk menginvestigasi pemanfaatan metode machine learning dalam mengklasifikasikan pasien berdasarkan hasil pemeriksaan laboratorium, sehingga memungkinkan pengambilan keputusan yang lebih tepat dalam menentukan perawatan yang diperlukan. Hasil penelitian ini menemukan bahwa potensi metode machine learning dalam mendukung pengambilan keputusan medis. Model KNN dan SVM menunjukkan kinerja yang kuat dalam mengklasifikasikan pasien.
PREDIKSI DEPRESI: INOVASI TERKINI DALAM KESEHATAN MENTAL MELALUI METODE MACHINE LEARNING Rijal, Muhammad; Aziz, Firman; Abasa, Sustrin
Journal Pharmacy and Application of Computer Sciences Vol. 2 No. 1: Februari: 2024: JOPACS
Publisher : Arlisaka Madani Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59823/jopacs.v2i1.47

Abstract

Penelitian ini menangani isu serius kesehatan mental, khususnya depresi, dengan fokus mendalam pada pemahaman dan prediksi menggunakan metode machine learning. Tujuan utama penelitian adalah mengevaluasi berbagai algoritma machine learning dalam konteks prediksi depresi, dengan memanfaatkan data kesehatan mental yang semakin melimpah. Dengan pertanyaan penelitian yang memusatkan pada efektivitas metode, faktor-faktor yang memengaruhi performa, dan implementasi hasil prediksi secara praktis, penelitian ini berupaya mengembangkan model prediktif yang memberikan kontribusi signifikan pada pemahaman risiko depresi dan penerapan intervensi yang lebih tepat waktu. Hasil penelitian menyoroti Random Forest sebagai model unggulan dengan kinerja tinggi, menegaskan potensi aplikasi model-machine learning dalam pengelolaan depresi untuk solusi yang lebih terukur dan personal di bidang kesehatan mental.
IMPLEMENTASI METODE SUPPORT VECTOR MACHINE UNTUK DETEKSI DINI PERSISTENSI OBAT DALAM FARMASI Aziz, Firman; Wahab, Andyka
Journal Pharmacy and Application of Computer Sciences Vol. 2 No. 1: Februari: 2024: JOPACS
Publisher : Arlisaka Madani Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59823/jopacs.v2i1.50

Abstract

Penelitian ini fokus pada penerapan metode Support Vector Machine (SVM) dalam menganalisis persistensi obat pada pasien di ranah farmasi. Melalui pengumpulan data dari rekam medis elektronik, termasuk tanggal pengambilan obat, dosis, dan lamanya pasien mempertahankan ketekunan, model SVM berhasil mencapai tingkat akurasi sebesar 71%. Hasil analisis mengidentifikasi jenis obat, dosis, dan durasi pengobatan sebagai faktor kritis yang mempengaruhi persistensi obat. Implikasi klinis penelitian ini memberikan landasan untuk personalisasi rencana pengobatan, memungkinkan praktisi kesehatan untuk merancang intervensi yang lebih terarah. Meskipun SVM menunjukkan kelebihan dalam menangani dataset kompleks, tantangan pemilihan parameter yang optimal dan sensitivitas terhadap variasi fitur dalam dataset perlu diperhatikan. Kesimpulan utama menekankan perlunya pendekatan individualistik dalam manajemen persistensi obat, memberikan kontribusi penting terhadap pemahaman praktis di bidang farmasi, dan merangsang penelitian lanjutan dalam pengembangan metode analisis yang lebih canggih.
KLASIFIKASI DEPRESI MENGGUNAKAN SUPPORT VECTOR MACHINE: PENDEKATAN BERBASIS DATA TEXT MINING Aziz, Firman; Ishak, Pertiwi; Abasa, Sustrin
Journal Pharmacy and Application of Computer Sciences Vol. 2 No. 2: Agustus: 2024: JOPACS
Publisher : Arlisaka Madani Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59823/jopacs.v2i2.53

Abstract

Deteksi dini depresi merupakan tantangan penting dalam bidang kesehatan mental. Penelitian ini bertujuan untuk mengembangkan model klasifikasi yang dapat memprediksi depresi dengan tingkat akurasi tinggi menggunakan teknik klasifikasi data. Data kuesioner digunakan sebagai dasar untuk pengembangan model ini. Melalui proses pembersihan data, ekstraksi fitur, dan normalisasi, data disiapkan untuk pelatihan dan pengujian model. Pembagian data dilakukan dengan proporsi 80:20 antara data pelatihan dan data pengujian. K-fold cross-validation digunakan untuk memastikan generalisasi model. Selanjutnya, parameter SVM dioptimalkan menggunakan grid search dan cross-validation. Model dilatih dan dievaluasi menggunakan metrik evaluasi yang mencakup akurasi, presisi, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa model klasifikasi depresi mencapai tingkat keakuratan, presisi, recall, dan F1-Score sebesar 100%. Implikasi hasil ini dalam praktik klinis dibahas, bersama dengan rekomendasi untuk penelitian lebih lanjut. Kesimpulannya, penelitian ini menunjukkan potensi besar dalam pengembangan model klasifikasi depresi yang akurat dan andal untuk meningkatkan deteksi dini dan intervensi depresi.
Workshop Pelatihan Tingkat Lanjut Microsoft Office 2019 L.E.P, Benny; Aziz, Firman; Adriana, Andi Nur Ilmi; Wungo, Supriyadi La; Abasa, Sustrin; Ishak, Pertiwi
SENTRA DEDIKASI: Jurnal Pengabdian Masyarakat Vol. 1 No. 2 (2023): Mei 2023
Publisher : Arlisaka Madani Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (391.907 KB) | DOI: 10.59823/dedikasi.v1i2.24

Abstract

Seiring pesatnya perkembangan tehnologi, khusunya pada perkembangan software. Salah satunya adalah Microsoft Office, beberapa bagian dari Microsoft Office adalah Microsoft Word, Power Point dan Excel yang digunakan untuk pengelolaan kata dan angka. Aplikasi tersebut bisa membatu dalam menyelesaikan permasalahan dalam pengolahan kata yaitu surat-surat serta angka untuk pembuatan tugas kuliah maupun tugas akhir. Dalam dunia kerja maupun dunia pendidikan, aplikasi tersebut mempunyai peranan yang sangat penting dalam mendukung penyelesaian pekerjaan dan pendidikan. Kegiatan pengabdian kepada masyarakat ini bertujuan untuk memberikan pengetahuan dan wawasan, serta keterampilan kepada mahasiswa mengenai penggunaan microsoft office tingkat lanjut seperti Microsoft Word, Power Point dan Excel untuk proses belajar ataupun penyusunan tugas akhir. Melalui pelatihan ini mahasiswa juga dapat meningkatkan kompetensi profesional terutama dalam pemanfaatan teknologi pada proses belajar dan tugas akhir. Sasaran utama pelatihan adalah mahasiswa prodi Komputer Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Pancasakti Makassar. Metode pelaksanaan kegiatan meliputi ceramah, diskusi, dan praktek. Materi pengabdian terdiri dari tiga materi besar yaitu penggunaan Microsoft Word, Power Point dan Excel, dan praktek penyusunan tugas akhir. Hasil dari kegiatan workshop ini meningkatkan pengetahuan dan keterampilan mahasiswa dalam penggunaan MS Office tingkat lanjut dalam proses belajar dan penyusunan tugas akhir. Kendala yang dialami peserta pengabdian ialah keterbatasan waktu mahasiswa untuk mengikuti pelatihan serta keterbatasan fasilitas.
Co-Authors Abasa, Sustrin Achmad Hufad Adriana, Andi Nur Ilmi Adriana, Andi Nurilmi Afifah, Mira Aulia Ahmad Sukarna Syahrir, Ahmad Sukarna Akbar Taufik Almuhajir Haris, Almuhajir Amalyah, Aam Amelia, Kiki Resqy Ampauleng Ampauleng Andi Nurilmi Adriana Andi Taufiqurrahman Akbar Andjani, Andita Dwi Andri Kurniawan Andyka Andyka, Andyka Anirwan Anirwan Annisa Sakanti Tamir Anugriaty Indah Asmarany Aqdami, Nashrullah Tsabbit Arafah, Muhammad Nur Areta Nararya Putri Setiadi Arifin, Syaadiah Armansyah, M Rezky Armin Lawi Arni, Sitti Artikasari, Devina Arvito, Djendral Muhammad Aulia, Khansa Ayu Asrhi, Nur Ayu, Rizkia Siva Aziz, Naufal Nuurul Aziz Azizah, Regita Nur Azminuddin I. S. Azis Barokah, Nurul Nur Batau, Radus Buang, Ariyani Buang, Misbahuddin Buyung Firmansyah Cahya, Nayla Riskia Delilah, Eva Dessy Putri Wahyuningtyas Dhilan Sasmita Enal Wahyudi, Abdi Fadhila Amri, Nur Faisal Rahman Fajriana, Fajriana Fani Temarwut, Farid Fatimah Azzahra NF Fatimah Malini Lubis Ferdiana, Ryan Fiina Lanahdiyan Najah Firdaus, Siti Laya Nurbaiti Firmansyah Firmansyah Firmansyah Firmansyah, Arya Pramudya Fuadi Syam, Rahmat Fujiono, Fujiono Gunawan, Resky Nuralisa H, Rezha Ilma Hadi Prayitno Hafsah, Hafni Hamdani Nur, Nur Hanayanti, Citra Siwi Hanum Nur Alifia Hasriani Hasriani, Hasriani Hayati, Ristia Nur Hechmi SHILI Hikam, Zaki Maula Hilyah, Finan Azka Nuzilla Indrayani, Lilis Intan, Dyah Noor Iriany, Rosary Irmawati Irmawati Ishak, Pertiwi Iskandar, Imran Ismail Ismail Istiqamah, Nurul Jafar Jafar Jafar Jafar Jeffry Jeffry Jeffry Kahar Gani Khairunnisa, Salwa Khurosani, Bilqhis Isywal Kurniyan Sari, Sri Kusumawardhani, Anggun L.E.P, Benny La Wungo, Supriyadi Lempi, Herga Andar Lutfi Budi Ilmawan, Lutfi Budi M Rezky Armansyah Mahdia, Naila Maulida Manan, Linda Ifni Pratiwi Marcelina, Dona Mardewi Mardewi Mardewi, Mardewi Marzuki Maulani, Rista Nabilah Meiliana, Annisa Merdewiningsi, Andi Mindra, Davin Septian Misbah Abdul Aziz Muhammad Arfah Asis Muhammad Lutfi Muhammad Rijal Muhammad Rijal Mutia Maulida Nasir, Norma Nasruddin Nasruddin Nur Ayu Asrhi Nur Ayu Asrhi Nur Hamadani Nur Nur Hamdani Nur Nur, Nur Hamdani Nurafni Shahnyb Nurafni Shahnyb Nurdyansa Nurul Fathanah Mustamin Nurul Istiqamah Osman, Isnawati Panggabean, Benny Leonard Enrico Paramitha, Aura Rahma Priambodo, Caka Gatot Putra, Sudarmadi Putranto, Samuel Aditya Eko Putri Ayu Lestari Putrinima, Ayudia Qoryn Qamal Qamal Rahma, Nabila Nailatur Rahma, Widya Rahmania Nur Saputra Reinata, Vanya Fara Restu Arsyana Rijal, Muhammad Riyanti, Apriani Rizqya Aufa Nuraini Rofi’i, Agus Rohmah Nur Hidayah Ronald Yehezkiel Sitompul Rozak, Rama Wijaya Abdul Ryan Ferdiana Sari, Sri Kurniyan Satar Satar Sazeli, Aulya Sasikirana Sembiring, Darmawanta Shahnyb, Nurafni Shavi Khalwa Khalisha Simarmata, Victoria Clareva Siti Saidah Soeriakartalegawa, Aldo Pranata Sofyan Sofyan Sumardi . Sumardi Sumardi Suroso Suroso Syahrul Usman Syam, Rahmat Fuadi Syam, Rahmat Fuady Tanniewa, Adam M Taufik , Akbar Taufik, Akbar Tazkillah, Ghina Ajmal Tb, Mar Athul Wazithah Triani, Novita Trianita, Desi Umar, Hendra Velayaty, Ali Akbar Vismania S. Damaianti, Vismania S. Wahab, Andyka Wahyudi, Andi Enal Wiftasya, Najla Wijaya, Neti Septi Wisnu, Basuki Wulandari, Ayu Ratna Wungo, Supriyadi La Yahya, Kurnia Yance Manoppo Yarkuran, Nuru Zahra Hasna Nabilla Zahra, Agifa Faiza Zevi, Fidiya Iryana Zhafira Tsania Rasyiffah Zulkarnain Zulkarnain Zulkarnain Zulkarnain