Article Per Year (5 Year)
p-Index From 2021 - 2026
2.307
P-Index
This Author published in this journals
All Journal JURNAL PENDIDIKAN TAMBUSAI Ainet : Jurnal Informatika Jurnal Pengabdian Masyarakat Ilmu Keguruan dan Pendidikan (JPM-IKP) Zonasi: Jurnal Sistem Informasi Indonesian Journal of Data and Science Jurnal Teknologi Sistem Informasi Jurnal Informatika Progres JRIIN :Jurnal Riset Informatika dan Inovasi ARUS JURNAL SAINS DAN TEKNOLOGI Journal of Muhammadiyah’s Application Technology
Lukman Lukman
Department of Electrical Engineering, Muhammadiyah University Makassar, Indonesia
Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Early Detection of Ammonia Gas Levels in the Air Using IoT-Based SVM Lukman Lukman
Jurnal Pendidikan Tambusai Vol. 7 No. 1 (2023): April 2023
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai, Riau, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (349.316 KB)

Abstract

Saat ini diyakini bahwa pengenalan teknologi Internet of Things (IoT) akan membantu Generasi 4.0. Teknologi ini dapat digunakan, misalnya, untuk menyaring kualitas air di fasilitas pengolahan air limbah (IPAL) rumah sakit. Pengujian ini diperlukan untuk melindungi dan menghindari risiko yang terkait dengan paparan alkali yang tidak terkendali. Sampai saat ini, sebagian besar klinik medis memperkirakan file batas air menggunakan metode konvensional. Dalam pekerjaan ini, modul ESP8266-01 dan Arduino Nano digunakan untuk memperkirakan pengelompokan gas amonia di iklim IPAL. Suhu, pH, dan TDS diperkirakan batas untuk kualitas air. Data dikirim sebagai kumpulan data eksplorasi dari pekerja thingspeak. Data yang diperoleh dievaluasi menggunakan Support Vector Machine untuk menentukan peringkat tingkat kontaminasi amoniak (SVM). Analisis 20% dari data line approval menunjukkan bahwa presisi 98% adalah tingkat yang optimal. Investigasi ini karenanya dapat berfungsi sebagai template untuk klinik darurat yang menangani tingkat kontaminasi amonia.
Peningkatan Metode YOLOv7 Dengan Proses Augmentasi Image Pada Klasifikasi Jenis Kupu-Kupu Anggreani, Desi; Lukman, Lukman
Jurnal Teknologi Sistem Informasi Vol 4 No 2 (2023): Jurnal Teknologi Sistem Informasi
Publisher : Program Studi Sistem Informasi, Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jtsi.v4i2.5862

Abstract

Taman Nasional Bantimurung Bulusaraung(TN-Babul) adalah Taman nasional yang cukup terkenal dengan berbagai keindahan alamnya. TN-Babul terletak disalah satu kabupaten di provinsi sulawesi selatan. Penangkaran kupu-kupu adalah hal yang paling mendominasi pada taman nasional tersebut hingga julukan The kingdom of butterfly disebut sebagai TN-Babul. Spesies kupu-kupu cukup banyak yang dimana mencapai 20.000, sekitar 2000 spesies ada di Indonesia dan 557 spesies ada di Pulau Sulawesi. Berbagai pengunjung baik masyarakat lokal, nasional dan panca negara datang ke TN-Babul, namun banyak pengunjung yang tidak mengetahui spesies kupu-kupu secara spesifik dan beranggapan bahwa spesies kupu-kupu semua sama. Dampak lain dari kurangnya pengetahuan mengenai spesies kupu-kupu adalah proses penagkaran yang tidak sesuai dengan habitatnya sehigga kepunahan dari spesies kupu-kupu bisa terjadi. Dalam penelitian ini, proses identifikasi dan klasifikasi spesies kupu-kupu dilakukan dengan menggunakan metode YOLOv7. Penggunakan metode YOLOv7 dikombinasikan dengan proses Augmentasi Image untuk dapat menghasilkan proses klasifikasi yang lebih baik. Dari proses implementasi yang telah dilakukan dengan menggunakan data set 1000 dan jumlah iterasi 1000 maka diperoleh hasil mAP sebesar 90%. Berdasarkan berbandingan dengan penelitian sebelumnya penelitian ini membuktikan bahwa proses Augmentasi Image dapat meningkatkan nilai mAP sebesar 2,97%.
Perancangan Aplikasi Mobile Hybrid untuk Penelusuran Tanaman Obat Herbal dengan Metode Delta Sync Lukman; Sulaeman; Bakti, Rizki Yusliana
Arus Jurnal Sains dan Teknologi Vol 2 No 2: Oktober (2024)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v2i2.659

Abstract

Penelitian ini bertujuan untuk mengembangkan sebuah aplikasi yang menyediakan platform bagi pengguna untuk mengakses informasi tentang tanaman obat dan manfaat kesehatannya dengan mudah, bahkan tanpa koneksi internet. Dalam era digital saat ini, akses informasi kesehatan yang cepat dan akurat sangat penting, namun keterbatasan koneksi internet seringkali menjadi hambatan. Untuk mengatasi masalah ini, aplikasi yang dikembangkan mengusung konsep “Offline First”, yang memungkinkan pengguna untuk mengakses data mengenai tanaman obat tanpa memerlukan koneksi internet. Dengan fitur ini, aplikasi dapat menyimpan informasi penting secara lokal di perangkat pengguna, memastikan aksesibilitas dan kehandalan data di berbagai kondisi. Penelitian ini mengidentifikasi kebutuhan pengguna dan mendesain aplikasi dengan antarmuka yang intuitif serta konten yang relevan, mencakup deskripsi tanaman obat, manfaat kesehatan, serta panduan penggunaannya. Hasil dari pengembangan aplikasi ini diharapkan dapat meningkatkan pengetahuan masyarakat mengenai tanaman obat dan mendukung upaya kesehatan berbasis informasi yang dapat diakses kapan saja dan di mana saja.
Penerapan Algoritma Mobilenet Single Shot Detector Untuk Deteksi Api dan Asap Berpotensi Kebakaran Pada Citra Hutan Salam, Abd; Bakti, Rizki Yusliana; Lukman; Rachman, Fahrim Irhamna
Arus Jurnal Sains dan Teknologi Vol 2 No 2: Oktober (2024)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v2i2.663

Abstract

Kebakaran hutan merupakan ancaman besar terhadap lingkungan, terutama di kawasan tropis seperti Indonesia. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi api dan asap berbasis algoritma MobileNet Single Shot Detector (SSD) pada citra hutan. Dataset terdiri dari citra api dan asap yang dikumpulkan dari Lereng Pegunungan Bawakaraeng, Kabupaten Gowa, Sulawesi Selatan. Hasil penelitian menunjukkan bahwa sistem ini mampu mendeteksi api dan asap dengan tingkat akurasi yang memadai, di mana nilai Mean Average Precision (mAP) mencapai 31,5% dan Average Recall sebesar 56,6%.
Penerapan Metode Round Robin dalam Efektivitas Load Balancer pada Pendaftaran Beasiswa di Universitas Muhammadiyah Makassar Salsabila, Ismi; Hayat, Muhyiddin A M; Lukman
Arus Jurnal Sains dan Teknologi Vol 2 No 2: Oktober (2024)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v2i2.666

Abstract

Penelitian ini bertujuan untuk menganalisis efektivitas metode Round Robin dalam load balancing guna meningkatkan kinerja sistem pendaftaran beasiswa di Universitas Muhammadiyah Makassar. Masalah utama yang dihadapi adalah lonjakan akses selama periode pendaftaran, yang menyebabkan kinerja server menurun dan waktu respons yang lambat. Penerapan load balancing bertujuan untuk mendistribusikan beban secara merata ke beberapa server, sehingga sistem dapat menangani lonjakan akses secara lebih efisien. Metode yang digunakan dalam penelitian ini melibatkan instalasi dan konfigurasi perangkat lunak Nginx sebagai load balancer dengan menggunakan metode Round Robin. Kinerja sistem diuji menggunakan alat uji beban Locust untuk mensimulasikan ribuan pengguna secara bersamaan. Pengujian dilakukan pada dua skenario, yaitu dengan dan tanpa load balancer, untuk membandingkan kinerja dari kedua konfigurasi tersebut. Hasil penelitian menunjukkan bahwa penerapan load balancing dengan metode Round Robin berhasil meningkatkan stabilitas dan efisiensi sistem, dengan waktu respons yang lebih cepat dan konsisten dibandingkan tanpa load balancer. Meskipun terdapat sedikit penurunan throughput, sistem dengan load balancer menunjukkan distribusi beban yang lebih merata dan penurunan waktu respons yang signifikan. Oleh karena itu, metode ini terbukti efektif dalam mengatasi masalah kinerja sistem selama periode lonjakan akses.
Klasifikasi Mahasiswa Berpotensi Putus Studi Menggunakan Algoritma Decision Tree pada Fakultas Teknik Unismuh Makassar Yumi; Lukman; Bakti, Rizki Yusliana
Arus Jurnal Sains dan Teknologi Vol 2 No 2: Oktober (2024)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v2i2.674

Abstract

Universitas Muhammadiyah Makassar (Unismuh Makassar) menghadapi tantangan signifikan dalam menangani masalah mahasiswa yang berpotensi putus studi, terutama di Fakultas Teknik. Faktor-faktor seperti rendahnya kemampuan akademik, keterbatasan biaya, dan kendala tempat tinggal menjadi pemicu utama masalah ini, yang pada gilirannya dapat menghambat kemajuan perguruan tinggi. Penelitian ini bertujuan untuk mengklasifikasikan mahasiswa yang berpotensi putus studi menggunakan Algoritma Decision Tree C4.5 dan mengevaluasi tingkat akurasi sistem klasifikasi tersebut. Penelitian ini menggunakan metode kuantitatif dengan analisis statistik deskriptif. Dataset yang dianalisis terdiri dari 5657 mahasiswa Fakultas Teknik Unismuh Makassar, dengan atribut-atribut seperti pekerjaan dan penghasilan orang tua/wali, IPK, SKS, dan variabel lainnya yang relevan dengan status akademik mahasiswa. Hasil penelitian menunjukkan bahwa Algoritma Decision Tree C4.5 mampu mengklasifikasikan mahasiswa yang berpotensi putus studi dengan akurasi sebesar 100%. Nilai rata-rata precision dan recall masing-masing adalah 100%, sedangkan nilai rata-rata f1-score mencapai 100%. Temuan ini mengindikasikan bahwa Algoritma Decision Tree C4.5 memiliki performa yang tinggi dan merupakan metode yang efektif dalam mengidentifikasi mahasiswa dengan risiko putus studi, sehingga memungkinkan perguruan tinggi untuk mengambil langkah-langkah preventif yang lebih tepat sasaran.
Grid Search Hyperparameter Analysis in Optimizing The Decision Tree Method for Diabetes Prediction Anggreani, Desi; Hamdani; Nurmisba; Lukman
Indonesian Journal of Data and Science Vol. 5 No. 3 (2024): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v5i3.190

Abstract

Diabetes is a global health issue that continues to rise, especially in Indonesia, caused by unhealthy lifestyles, poor diets, and genetic factors. Early detection of diabetes risk is crucial to prevent serious complications, and machine learning offers innovative predictive solutions. This research focuses on the development of a diabetes risk prediction model using the Decision Tree algorithm with hyperparameter optimization through the Grid Search technique. The research methodology includes the collection of patient medical data with key attributes such as glucose levels, blood pressure, skin health, insulin, body mass index (BMI), diabetes pedigree, age, and health history. The hyperparameter tuning process is carried out by varying key parameters such as the maximum tree depth (max_depth), the minimum number of samples required to split a node (min_samples_split), and the minimum number of samples required at a leaf node (min_samples_leaf). Grid Search is used to systematically explore hyperparameter combinations in order to find the optimal configuration that can improve the model's performance. The research process includes data preprocessing, splitting the dataset into training and testing sets, model training, and evaluation using accuracy metrics, confusion matrix, and ROC AUC curve. The initial results show a model accuracy of 76%, which was then improved to 81% after hyperparameter optimization using Grid Search. The visualization of the decision tree reveals that glucose levels and BMI have the most significant contributions in predicting diabetes risk. This research demonstrates the potential of machine learning in supporting the early detection of diabetes, with the Decision Tree algorithm showing promising predictive capabilities. Nevertheless, further research with larger datasets and the integration of other algorithms is highly recommended to improve the accuracy and generalization of the model. The main contribution of this research is the development of a machine learning-based approach that can assist medical personnel in screening for diabetes risk more efficiently and accurately.
Literatur Review: Klasifikasi Penyakit Kanker Payudara Dengan Metode K-Nearst Neighbors Lukman; Malik, Sayuti; Baydowi, Wildi; Dwi Saputra, Yoggi; Rosyani, Perani
Jurnal Riset Informatika dan Inovasi Vol 2 No 8 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi
Publisher : shofanah Media Berkah

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

Abstract

Kanker payudara adalah kanker nomor satu pada wanita. Sekitar 2.296.840 kasus baru kanker payudara terjadi pada wanita (World Cancer Fund, 2024). Kanker payudara adalah kondisi ganas yang menyerang jaringan payudara, berasal dari sel-sel kelenjar, saluran kelenjar, dan jaringan penunjang payudara (Liliek Pratiwi dkk., 2024, hlmn 4). Dalam bidang kesehatan, klasifikasi kanker payudara menjadi sangat penting untuk menentukan jenis perawatan yang tepat bagi pasien. Deteksi kanker sejak dini sangat penting untuk mendeteksi agar penyakit kanker payudara dapat ditangani lebih awal dan meningkatkan angka kesembuhan, namun metode tradisional memiliki keterbatasan dalam hal akurasi. Kesalahan diagnosis dapat menyebabkan pengobatan yang tidak sesuai dan berdampak pada kualitas hidup pasien. Oleh karena itu, diperlukan pendekatan teknologi berbasis machine learning yang lebih akurat untuk mendukung diagnosis kanker payudara. Salah satu metode yang sering digunakan adalah K-Nearest Neighbors (KNN). K-Nearest Neighbors (KNN) merupakan salah satu metode yang sering digunakan dalam klasifikasi kanker payudara karena kesederhanaan dan efektivitasnya dalam mengelompokkan data berdasarkan kedekatan jarak antar titikuan untuk mengulas beberapa penelitian terkait penerapan metode KNN pada klasifikasi kanker payudara, dengan fokus pada optimalisasi kinerja algoritma KNN, seperti penyesuaian parameter bobot, integrasi dengan metode lain, dan analisis perbandingan performa dengan algoritma alternatif. Namun, beberapa catat keterbatasan pada KNN, seperti sensitivitas terhadap data yang tidak seimbang dan efektivitas yang lebih rendah pada data besar. Dengan memperhatikan kelebihan dan kekurangannya, penelitian ini memberikan wawasan bagi pengembangan lebih lanjut dalam penggunaan metode KNN untuk klasifikasi kanker payudara.
KLASIFIKASI TINGKAT KEMATANGAN LADA MENGGUNAKAN ENSEMBLE LEARNING BERDASARKAN CITRA WARNA KULIT Mujidah, Jihan Izzathul; Bakti, Rizki Yusliana; Lukman; Muhammad Faisal; Muhammad Syafaat; AM Hayat, Muhyiddin; Syamsuri, Andi Makbul
PROGRESS Vol 17 No 2 (2025): September
Publisher : P3M STMIK Profesional Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56708/progres.v17i2.467

Abstract

Pepper fruit (Piper nigrum L.) is an agricultural commodity whose market value strongly depends on its ripeness level at harvest. Ripeness determination, which is still commonly performed through visual observation, tends to be inaccurate and subjective. This study aims to classify the ripeness level of pepper fruit based on skin color using an ensemble learning approach. The dataset consists of 1,996 pepper fruit images categorized into four ripeness levels unripe, semi ripe, ripe, and overripe. Color features were extracted from the HSV color model using color moment statistics including mean, standard deviation, and skewness. Random Forest and XGBoost models were combined using a soft voting method. The results show that the ensemble model achieved 98.25% accuracy, 98.30% precision, 98.27% recall, and 98.26% F1-score. The ensemble approach proved superior to single models by providing more accurate and stable classification of pepper fruit ripeness.
Penerapan Machine Learning untuk Mengklasifikasikan Genre Musik Berdasarkan Fitur Audio Abrah, Rezkytullah; Hayat, Muhyiddin A M; Lukman , Lukman
Arus Jurnal Sains dan Teknologi Vol 3 No 2: Oktober (2025)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v3i2.1699

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi genre musik secara otomatis berdasarkan fitur-fitur audio yang diekstraksi dari file lagu. Proses ekstraksi fitur menggunakan pustaka Librosa untuk menghitung Zero Crossing Rate (ZCR), Spectral Centroid, dan 13 koefisien Mel-Frequency Cepstral Coefficients (MFCC). Setelah melalui proses normalisasi, fitur-fitur tersebut digunakan sebagai input dalam pelatihan tiga model klasifikasi: K-Nearest Neighbor (KNN), Random Forest, dan Naïve Bayes. Dataset terdiri dari lima genre musik populer dengan lebih dari 500 lagu. Hasil pengujian menunjukkan bahwa model Random Forest menghasilkan akurasi tertinggi dan mampu mengenali pola audio dengan baik, termasuk pada lagu-lagu yang tidak terdapat dalam data pelatihan. Sistem juga mampu menampilkan hasil ekstraksi fitur dan prediksi dalam bentuk visualisasi, sehingga memberikan transparansi dalam proses klasifikasi. Dengan pendekatan ini, sistem dapat digunakan untuk membantu analisis musik secara otomatis dan efisien.
Co-Authors ., Andi Resqi Putriyani Nur Abrah, Rezkytullah Anggreani, Desi Baba, Haedir Bakti, Rizki Yusliana Baydowi, Wildi Desi Anggreani Dwi Saputra, Yoggi Fachrim Irhamna Rachman Hamdani Hayat, Muhyiddin A M Malik, Sayuti Muhammad Faisal Mujidah, Jihan Izzathul Nur, Andi Resqi Putriyani Nur, Muhammad Ikhsan Nurmisba Perani Rosyani S. Kuba, Muhammad Syafa'at Salam, Abd Salsabila, Ismi Sulaeman Syamsuri, Andi Makbul Titin Wahyuni Yumi