Article Per Year (5 Year)
p-Index From 2021 - 2026
0.835
P-Index
This Author published in this journals
All Journal Journal of Computer Science and Information Technology ARUS JURNAL SAINS DAN TEKNOLOGI Journal of Muhammadiyah’s Application Technology
Fahrim Irhamna Rahman
Prodi Informatika,Universitas Muhammadiyah Makassar, 90221, 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 Social Sciences Other

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Model Autoencoder untuk Deteksi Anomali pada Log Email Mahasiswa Universitas Muhammadiyah  Makassar Alvina Damayanti; Fahrim Irhamna Rachman; Darniati Darniati
Journal of Muhammadiyah’s Application Technology Vol. 5 No. 2 (2026)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/1wvarw57

Abstract

ABSTRAK Perkembangan teknologi informasi meningkatkan penggunaan email institusi sebagai sarana komunikasi akademik, namun juga menimbulkan risiko keamanan seperti spam, phishing, dan akses tidak sah. Penelitian ini bertujuan untuk mengimplementasikan model Autoencoder dalam mendeteksi anomali pada log email mahasiswa Universitas Muhammadiyah Makassar. Metode yang digunakan adalah pendekatan kuantitatif berbasis unsupervised learning dengan memanfaatkan data log email yang telah melalui tahap preprocessing dan feature engineering. Model Autoencoder dirancang menggunakan arsitektur encoder-decoder dengan lima hidden layer untuk mempelajari pola aktivitas email normal. Proses deteksi anomali dilakukan menggunakan nilai reconstruction error dengan threshold pada persentil ke-99. Hasil penelitian menunjukkan bahwa model mampu mendeteksi aktivitas anomali dengan baik, di mana sekitar 1% data teridentifikasi sebagai anomali dari keseluruhan dataset. Temuan ini menunjukkan bahwa metode Autoencoder efektif digunakan untuk mendeteksi aktivitas mencurigakan pada sistem email institusi dan berpotensi mendukung peningkatan keamanan sistem informasi di lingkungan perguruan tinggi. Kata Kunci: Autoencoder, deteksi anomali, log email, unsupervised learning, keamanan sistem informasi. ABSTRACT The development of information technology has increased the use of institutional email as a medium for academic communication, but it has also introduced security risks such as spam, phishing, and unauthorized access. This study aims to implement an Autoencoder model for anomaly detection in student email logs at Universitas Muhammadiyah Makassar. The research employed a quantitative approach based on unsupervised learning using email log data that had undergone preprocessing and feature engineering. The Autoencoder model was designed using an encoder-decoder architecture with five hidden layers to learn normal email activity patterns. Anomaly detection was performed using reconstruction error values with a threshold set at the 99th percentile. The results showed that the model was able to detect anomalous activities effectively, where approximately 1% of the data were identified as anomalies from the entire dataset. These findings indicate that the Autoencoder method is effective for detecting suspicious activities in institutional email systems and has the potential to enhance information system security in higher education environments. Keywords: Autoencoder, anomaly detection, email logs, unsupervised learning, information system security.
Analisis Hubungan Iklim Kelas dengan Tingkat Stres Akademik Siswa Berdasarkan Klasifikasi Teks Menggunakan Model Indobert Rayhanatul Jannah; Chyquithadanuputri; Fahrim Irhamna Rachman; Muhammad Daffa Ruwaid Aras
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2850

Abstract

Stres akademik dapat memengaruhi kesejahteraan psikologis dan prestasi belajar siswa. Penelitian ini bertujuan mengevaluasi kinerja model IndoBERT dalam mengklasifikasikan tingkat stres akademik berdasarkan teks refleksi serta menganalisis hubungan antara iklim kelas dan tingkat stres akademik. Penelitian menggunakan pendekatan kuantitatif dengan data berupa teks refleksi dan skor iklim kelas dari 1.000 siswa. Model IndoBERT di-fine-tune untuk mengklasifikasikan stres akademik ke dalam kategori rendah, sedang, dan tinggi, sedangkan hubungan antarvariabel dianalisis menggunakan korelasi Spearman. Hasil menunjukkan bahwa IndoBERT mencapai akurasi 91%. Analisis korelasi menghasilkan koefisien Spearman sebesar -0,259 dengan p < 0,05, yang menunjukkan hubungan negatif lemah namun signifikan. Temuan ini menunjukkan bahwa IndoBERT efektif untuk klasifikasi stres akademik berbasis teks dan bahwa iklim kelas yang lebih positif berkaitan dengan tingkat stres akademik yang lebih rendah.
SISTEM KELAYAKAN PENERIMA BANTUAN SOSIAL MENGGUNAKAN ALGORITMA CATBOOST CLASSIFIER (STUDI KASUS KABUPATEN LUWU) Besse Taleha; Ida Mulyadi; Fahrim Irhamna Rachman
Journal of Computer Science and Information Technology Vol. 3 No. 3 (2026): Juni
Publisher : Yayasan Nuraini Ibrahim Mandiri

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

Abstract

Penelitian ini membahas pengembangan sistem kelayakan penerima bantuan sosial berbasis situs web dengan menerapkan algoritma CatBoost Classifier pada studi kasus Kabupaten Luwu. Dataset awal yang digunakan berjumlah 1.670 data calon penerima bantuan sosial. Permasalahan utama penelitian adalah proses seleksi penerima bantuan yang masih berpotensi mengalami ketidaktepatan sasaran karena melibatkan banyak variabel sosial ekonomi. Penelitian ini bertujuan membangun sistem yang mampu mengelola data masyarakat dan memberikan klasifikasi status Layak atau Tidak Layak. Variabel yang digunakan meliputi usia, pekerjaan, penghasilan per bulan, jumlah tanggungan, kondisi rumah, aset, dan status kelayakan sebagai label. Tahapan penelitian meliputi pengumpulan data, prapengolahan, pembagian data, pelatihan model CatBoost, implementasi sistem, serta pengujian Black Box. Hasil evaluasi menunjukkan akurasi 93,71% pada data uji dengan precision kelas Layak sebesar 0,94, recall kelas Layak sebesar 0,92, precision kelas Tidak Layak sebesar 0,94, dan recall kelas Tidak Layak sebesar 0,95. Sistem yang dibangun mampu membantu proses pendataan dan rekomendasi kelayakan bantuan sosial secara lebih terstruktur.
KLASIFIKASI RISIKO PENYAKIT JANTUNG BERBASIS DATA REKAM MEDIS MENGGUNAKAN CATBOOST Hanna Maryam; Fahrim Irhamna Rachman; Chyquitha Danuputri
Journal of Computer Science and Information Technology Vol. 3 No. 3 (2026): Juni
Publisher : Yayasan Nuraini Ibrahim Mandiri

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

Abstract

Penyakit jantung memerlukan deteksi dini agar pasien berisiko dapat diidentifikasi lebih cepat berdasarkan data klinis yang tersedia. Penelitian ini bertujuan menerapkan algoritma CatBoost untuk klasifikasi risiko penyakit jantung menggunakan data rekam medis pasien RSUD Haji Makassar. Dataset terdiri atas 640 data pasien periode 2021–2025 dengan fitur jenis kelamin, usia, glukosa, ureum, kreatinin, SGOT, SGPT, tekanan darah sistolik, dan tekanan darah diastolik. Target klasifikasi dibentuk berdasarkan diagnosis ICD-10 menjadi dua kelas, yaitu tidak berisiko dan berisiko penyakit jantung. Tahapan penelitian meliputi pembersihan data, imputasi nilai hilang menggunakan median, pembagian data latih dan data uji, pelatihan model CatBoost, serta evaluasi menggunakan accuracy, precision, recall, F1-score, confusion matrix, AUC-ROC, dan 5-fold cross-validation. Hasil pengujian menunjukkan accuracy 96,09%, weighted F1-score 94,18%, macro F1-score 49,00%, dan AUC-ROC 0,8943. Meskipun metrik agregat terlihat tinggi, confusion matrix menunjukkan model memprediksi seluruh data uji sebagai kelas berisiko dan gagal mengenali kelas tidak berisiko. Oleh karena itu, model belum layak diarahkan pada aplikasi klinis sebelum dilakukan perbaikan melalui pembobotan kelas, penyesuaian ambang keputusan, evaluasi imputasi yang lebih adaptif, dan validasi eksternal.
PENERAPAN METODE LIGHT GRADIENT BOOSTING MACHINE (LIGHTGBM) DALAM KLASIFIKASI JENIS PENYAKIT ASAM LAMBUNG BERDASARKAN GEJALA Nur Fadillah Sari; Chyquitha Danu Putri; Fahrim Irhamna Rachman
Journal of Computer Science and Information Technology Vol. 3 No. 3 (2026): Juni
Publisher : Yayasan Nuraini Ibrahim Mandiri

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

Abstract

Penyakit asam lambung merupakan gangguan pencernaan yang memiliki gejala saling menyerupai pada beberapa jenis penyakit, khususnya Dispepsia, Gastroesophageal Reflux Disease (GERD), dan Gastritis. Kesamaan gejala tersebut dapat menyulitkan identifikasi awal sehingga diperlukan pendekatan klasifikasi berbasis data. Penelitian ini menerapkan metode Light Gradient Boosting Machine (LightGBM) untuk mengklasifikasikan jenis penyakit asam lambung berdasarkan data gejala pasien RSUD Daya Kota Makassar. Dataset yang digunakan berjumlah 976 data pasien dengan 19 atribut gejala dan tiga kelas diagnosis. Tahapan penelitian meliputi preprocessing, transformasi nilai gejala menjadi numerik, label encoding diagnosis, pembagian data latih dan data uji, pelatihan model LightGBM, serta evaluasi menggunakan accuracy, precision, recall, F1-score, confusion matrix, dan feature importance. Model menggunakan konfigurasi default LGBMClassifier tanpa proses hyperparameter tuning. Hasil pengujian menunjukkan bahwa skenario utama 80:20 menghasilkan accuracy 88,78%, precision 88,93%, recall 88,78%, dan F1-score 88,81%, sedangkan skenario 90:10 memperoleh accuracy tertinggi sebesar 89,80%. Fitur paling berpengaruh adalah mual, diare, muntah, anemia, dan gangguan tidur. Hasil ini menunjukkan bahwa LightGBM efektif sebagai model pendukung identifikasi awal jenis penyakit asam lambung berdasarkan gejala pasien.
Co-Authors Alvina Damayanti Besse Taleha Chyquitha Danu Putri Chyquitha Danuputri Chyquithadanuputri Darniati Darniati Hanna Maryam Ida Mulyadi Muhammad Daffa Ruwaid Aras Nur Fadillah Sari Rayhanatul Jannah