Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Bina Insani ICT Journal Journal of Artificial Intelligence and Engineering Applications (JAIEA)
Ihsan Zulfahmi
universitas negeri medan
Automotive Engineering Computer Science & IT Control & Systems Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree Untuk Deteksi Tingkat Depresi Mahasiswa Ihsan Zulfahmi; Hermawan Syahputra; Steven Imanuel Naibaho; M. Ari Maulana; Edward Perdana Sinaga
Bahasa Indonesia Vol 10 No 1 (2023): Bina Insani ICT Journal (Juni) 2023
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Bina Insani

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51211/biict.v10i1.2304

Abstract

Depresi adalah gangguan kesehatan mental umum yang dapat mempengaruhi orang-orang dari segala usia dan dari semua lapisan masyarakat. Deteksi dan intervensi dini sangat penting untuk mengelola depresi dan mencegah konsekuensi negatifnya. Dalam beberapa tahun terakhir, algoritma pembelajaran mesin telah digunakan untuk mendeteksi tingkat depresi pada individu. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Decision Tree dalam mendeteksi tingkat depresi pada mahasiswa.Kumpulan data yang digunakan dalam penelitian ini dikumpulkan dari 787 mahasiswa di Universitas Lahore dan memasukkan 19 variabel yang berkaitan dengan gejala depresi, gaya hidup, dan demografi. Algoritma Chi-Square digunakan untuk pemilihan fitur dan algoritma Decision Tree dan SVM digunakan untuk pemodelan. Studi tersebut menemukan bahwa kedua algoritme tersebut sangat akurat dalam mendeteksi depresi pada mahasiswa, dengan model SVM memiliki tingkat akurasi 95% lebih tinggi daripada model pohon keputusan. Penulis telah menyajikan data dan tabel secara visual yang menunjukkan akurasi dan ukuran evaluasi model. Studi menyimpulkan bahwa model SVM sangat akurat dalam mendeteksi tingkat depresi pada mahasiswa dan dapat digunakan sebagai alat yang dapat diandalkan untuk deteksi dini dan intervensi. Hasil penelitian ini memiliki implikasi penting bagi psikolog untuk mengambil tindakan. Algoritma pembelajaran mesin dapat digunakan untuk mendeteksi tingkat depresi individu, yang pada gilirannya dapat membantu deteksi dini dan intervensi. Ini dapat mengarah pada manajemen depresi yang lebih baik dan hasil kesehatan mental yang lebih baik. Namun, penelitian lebih lanjut diperlukan untuk memvalidasi hasil penelitian ini dan untuk mengeksplorasi potensi algoritma pembelajaran mesin dalam mendeteksi tingkat depresi pada populasi lain.
Implementation of MobileNet V3 In Classifying Butterfly Species with Android and Cloud Based Application Development Ihsan Zulfahmi; Said Iskandar Al Idrus; Hermawan Syahputra; Insan Taufik; Kana Saputra S
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 4 No. 2 (2025): February 2025
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v4i2.797

Abstract

This research aimed to develop an Android application capable of classifying butterfly species using cloud computing and deep learning technologies. MobileNetV3-Large, a Convolutional Neural Network (CNN) architecture, was employed to process and classify six butterfly species. The dataset was divided into two ratios, 70:30 and 80:20, for training and testing. Evaluation results indicated that the optimal model was achieved with an 80:20 ratio, yielding an accuracy of 94% and precision, recall, and F1-Score values exceeding 90% for each species class. Google Cloud Platform (GCP) was utilized to manage and run the model using the Cloud Run service, enabling the application to function efficiently even with limited resources on Android devices. The application incorporates an encyclopedia of species and a camera scanning feature, making it a valuable educational tool
Co-Authors Edward Perdana Sinaga Hermawan Syahputra Insan Taufik Kana Saputra S M. Ari Maulana Said . Iskandar Steven Imanuel Naibaho