Article Per Year (5 Year)
p-Index From 2020 - 2025
2.165
P-Index
This Author published in this journals
All Journal ELSE (Elementary School Education Journal) : Jurnal Pendidikan dan Pembelajaran Sekolah Dasar CYCLOTRON Emerging Information Science and Technology Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) JOINCS (Journal of Informatics, Network, and Computer Science) Computing Insight: Journal of Computer Science Khazanah Informatika : Jurnal Ilmu Komputer dan Informatika Khidmatuna: Jurnal Pengabdian Masyarakat
Haq, Muhamad Amirul
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Public Health Social Sciences Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
Improving YOLO Object Detection Performance on Single-Board Computer using Virtual Machine Haq, Muhamad Amirul; Huy, Le Nam Quoc; Fahriani, Nuniek
Emerging Information Science and Technology Vol 5, No 1 (2024): May
Publisher : Universitas Muhammadiyah Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18196/eist.v5i1.22486

Abstract

Single-board computers have gained popularity in the recent decade, largely due to the immense advancements in deep learning. Deep learning involves complex computational processes that are beyond the capabilities of regular microcontrollers, thus necessitating the use of single-board computers. However, single-board computers are primarily designed to operate efficiently in low-power environments. Therefore, optimization is crucial for running deep learning algorithms effectively on single-board computers. In this work, we explore the impact of utilizing the DeepStream framework to run deep learning algorithms, specifically the YOLO algorithm, on NVIDIA Jetson single-board computers. The DeepStream framework can be executed in virtual machines, notably Docker, to improve the performance and portability of the model. Additionally, deploying the Docker virtual machine from removable disks can further enhance its portability and even increase the algorithm's speed. Our benchmarks indicate that real-time streaming of the YOLO algorithm can operate up to 8.5 times faster when deployed from a Docker virtual machine.
Deteksi Pelecehan Seksual dan Predator Obrolan Media Sosial Menggunakan Naive Bayes Riyadi, Muhammad Akmal Fijar; Andana, Erie Kresna; Haq, Muhamad Amirul
Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) 2024: SNESTIK IV
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/p.snestik.2024.5882

Abstract

Dalam beberapa tahun terakhir, kemajuan teknologi media telah memfasilitasi interaksi antara jutaan orang melalui platform-platform jejaring sosial dan game online. Namun, di balik kemudahan yang ditawarkan oleh internet, terdapat tantangan besar terkait keselamatan anak-anak yang menggunakan internet. Penelitian ini bertujuan untuk mengembangkan sistem cerdas yang dapat mengidentifikasi perilaku predator dan pelecehan seksual online. Dengan memanfaatkan analisis teks, kecerdasan buatan, dan Naive Bayes, penelitian ini memperkenalkan pendekatan orisinal dan berpotensi efektif untuk mendeteksi perilaku yang mencurigakan. Meskipun demikian, penelitian ini memiliki batasan tertentu, termasuk keterbatasan sumber daya dan teknologi saat ini dalam mengidentifikasi perilaku online yang mencurigakan. Diharapkan penelitian ini dapat memberikan kontribusi yang signifikan dalam meningkatkan keselamatan anak-anak dalam menggunakan internet.
Penerapan Algortima YOLO yang Efektif Digunakan Untuk Deteksi Citra Fundus Retina Nurdin, Farid Rahman; Haryanti, Tining; Haq, Muhamad Amirul
Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) 2024: SNESTIK IV
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/p.snestik.2024.5875

Abstract

Mata merupakan aset berharga manusia dalam setiap melakukan aktifitas, namun tingkat pengelihatan mata dapat semakin berkurang apabila tidak dirawat dengan baik. Bagi penderita diabetes, kemampuan dalam hal pengelihatan dapat terancam jika terindikasi penyakit Retinopati Diabetik. Bahaya yang ditimbulkan akibat tidak segeranya penanganan dini pada penderita retinopati dibetik adalah hilangya pengelihatan secara bertahap yang berujung pada kebutaan. Dalam diagnosis melalui dokter mata, hasil didapatkan berdasarkan interpretasi dan pengalaman sehingga masih memungkinan adanya kesalahan diagnosis. Tujuan dari penelitian ini adalah menyajikan tabel tentang kriteria yang harus dipenuhi dalam penerapan algoritma YOLO terhadap deteksi dan klasifikasi citra sehingga diharapkan mampu menggambarkan tahapan yang seharusnya dilakukan, dan dalam penyajian kriteria tersebut didasarkan pada perangkuman dari penelitian sebelumnya. Metode yang digunakan adalah penerapan dari algoritma YOLO dengan berbagai versi yang telah dikembangkan, sehingga versi yang akan digunakan pada penelitian ini adalah versi 8 dikarenakan merupakan versi yang kemunculannya masih terbarukan dan memiliki pengembangan algortima yang lebih baik dibandingkan versi sebelumnya. Hasil yang didapat dari penelitian ini adalah hasil pengujian terhadap nilai accuracy, precision, recall dan F1-score dari implementasi algoritma YOLO versi 8 untuk klasifikasi beberapa citra fundus.
Deteksi Gangguan Depresi Menggunakan Machine Learning: Tinjauan Pustaka Dina, Dinda Franciska Mey; Haryanti, Tining; Haq, Muhamad Amirul
Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) 2024: SNESTIK IV
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/p.snestik.2024.5876

Abstract

Gangguan depresi adalah suatu kondisi seseorang merasa sedih, kecewa saat mengalami suatu perubahan, kehilangan ketika terjadi patologis tidak dapat beradaptasi dengan sekitar. Menurut World Health Organization depresi merupakan penyakit yang dialami oleh sekitar 264 juta orang. Mahasiswa adalah kelompok yang  sangat rentan terhadap berbagai gangguan mental yang dipengaruhi berbagi lingkup kehidupan. Gangguan depresi akhir-akhir ini sangat menjadi perhatian khusus karena memiliki kecenderungan menyakiti diri sendiri ( self harm ). Metode yang digunakan dalam penelitian ini adalah menggunakan studi literature review dengan menggunakan 3 database yaitu Google Scholar, PubMed dan Neliti yang dipublikasi dalam rentang tahun 2021 sampai 2024 dan di dapatkan hasil 19.696 artikel. Dari 19.696 artikel kemudia di lakukan alanisa lebih dalam dengan menghasilkan 573 artikel, dimana seluruh metode memiliki nilai keakurasian 80%, namun ada satu metode yaitu certainly factor banyak digunakan dan memiliki keakurasian diatas 90% dengan menggunakan random sample.
Deteksi Kecelakaan Lalu Lintas Berbasis Algoritma Jaringan Syaraf Tiruan YOLO Binuri, Moch. Ghulam Abrari; Haryanti, Tining; Haq, Muhamad Amirul
Computing Insight : Journal of Computer Science Vol 4 No 2 (2022)
Publisher : Universitas Muhammadiyah Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30651/comp_insight.v4i2.22524

Abstract

Penerapan algoritma YOLOv7 dalam deteksi kecelakaan lalu lintas menggunakan google colab pada data training dari dataset robolow "accident 1" yang terdiri dari total 1522 gambar, dengan parameter batch size 1, epoch 40 dan menggunakan optimizer SGD menghasilkan model dengan tingkat precision sebesar 65.1%, recall 45.3%, mAP@.5 52.1%, dan mAP@.5:.95 26.4%, dengan waktu pelatihan 2.319 hours berdasarkan hasil tersebut untuk deteksi kurang memuaskan. Analisis pada grafik training data menunjukkan bahwa untuk mencapai hasil yang lebih memuaskan, diperlukan jumlah epoch yang lebih besar saat melatih data. Dari hasil grafik training data, terlihat bahwa semakin banyak epoch pelatihan, semakin akurat data trainingnya. Oleh karena itu, disarankan untuk melatih data lebih dari 40 epoch guna meningkatkan kualitas model dan deteksi kecelakaan lalu lintas.
Cascaded Context-Aware Instance Segmentation with Transformer-Encoder for Adverse Weather Condition: Segmentasi Instansi Berbasis Konteks Bertingkat dengan Transformer-Encoder untuk Kondisi Cuaca Buruk Haq, Muhamad Amirul; Huy, Le Nam Quoc
JOINCS (Journal of Informatics, Network, and Computer Science) Vol. 7 No. 2 (2024): November
Publisher : Universitas Muhammadiyah Sidoarjo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21070/joincs.v7i2.1654

Abstract

Localizing objects from an image has been a vital part in autonomous driving since object localization performance directly correlate with the safety of the passenger. Robust and accurate object localization that can adapt to any driving environment has always been improved to ensure a safe and reliable system. In this work, we propose CBNet, a two-stage instance segmentation network for an autonomous driving environment. The network leverages a powerful transformer network as the feature extractor to improve performance. In addition, our proposed network utilizes a cascade design for both the object proposal network and the region-of-interests classifier. The cascade design addresses the issue of degrading detections over a high detection threshold. Moreover, we implement shape and edge-aware losses for the segmentation mask and end-to-end knowledge distillation strategy during training to improve the robustness of the network in extreme conditions. Our proposed network achieves 6.5 AP and 5.7 mIoU improvement from the prior methods in Cityscapes driving dataset. Furthermore, we evaluate our network in Foggy Cityscapes dataset to ensure the robustness of our network in extreme conditions. CBNet is able to improve the performance of prior methods by 7.7 AP and 6.7 mIoU in Foggy Cityscapes dataset.
Mobile Surveillance System using Unmanned Aerial Vehicle for Aerial Imagery Haq, Muhamad Amirul
Emerging Information Science and Technology Vol. 5 No. 2 (2024): November
Publisher : Universitas Muhammadiyah Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18196/eist.v5i2.24837

Abstract

Crowd counting plays a vital role in public safety, particularly during riot scenarios where understanding crowd dynamics is crucial for effective decision-making and risk mitigation. Accurate crowd estimation in such environments enables authorities to monitor the situation in real time, allocate resources efficiently, and prevent potential escalations. However, counting individuals in a riot scenario presents unique challenges due to the chaotic nature of the scene, varying crowd densities, and obstructions caused by movement and environmental factors. Traditional methods struggle to provide reliable results in these conditions, necessitating advanced solutions. This study explores the implementation of CSRNet (Congested Scene Recognition Network), a state-of-the-art deep learning model, to address crowd counting in challenging environments characterized as "images in the wild." CSRNet’s ability to leverage dilated convolutions allows it to effectively capture contextual information and handle high crowd densities without sacrificing spatial resolution. We evaluate the model’s performance on diverse datasets, including aerial imagery and real-world riot scenarios, focusing on its adaptability to dynamic, unstructured environments. The results demonstrate the potential of CSRNet to provide accurate crowd density estimates under adverse conditions, offering critical insights for public safety applications. By addressing the technical challenges of implementing CSRNet in these contexts, this study contributes to the advancement of deep learning-based crowd counting, emphasizing its significance in real-world scenarios such as riots and other high-stakes events. Future work aims to further enhance the model's robustness and applicability to diverse operational settings.
ANALISIS SENTIMEN TERHADAP KOMENTAR PADA MEDIA SOSIAL TIKTOK YANG BERPOTENSI MENYEBABKAN DEPRESI MENGGUNAKAN METODE NAIVE BAYES Dina, Dinda Franciska Mey; Haryanti, Tining; Haq, Muhamad Amirul
Computing Insight : Journal of Computer Science Vol 7 No 1 (2025)
Publisher : Universitas Muhammadiyah Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30651/comp_insight.v7i1.26327

Abstract

Media sosial saat ini memiliki peran penting dalam perkembangan sebuah bisnis dan sebuah organisasi. Dari laporan America Psychiatric Association (APA) bahwa Media sosial seperti TikTok dapat mempengaruhi persepsi orang terhadap orang lain. TikTok saat ini menjadi tren dikalangan anak-anak sampai orang dewasa. Organisasi Kesehatan Dunia (WHO) menghasilkan data yang menunjukkan bahwa 1 dari 7 remaja berusia antara 10 hingga 19 tahun, yang merupakan sebagian besar pengguna TikTok, sedang berjuang dengan tantangan kesehatan mental, seperti depresi, kecemasan, dan gangguan perilaku. Komentar dalam media sosial TikTok dapat berupa komentar Positif dan Negatif, dalam jurnal Paedagogy tahun 2022 menjelaskan kecenderungan orang lebih sering berkomentar negatif  hingga dapat menyerang si pemilik konten. Namun, akan sangat sulit untuk mendeteksi emosi atau sentimen dari pengguna TikTok dengan jumlah yang sangat banyak. Penelitian ini bertujuan untuk melakukan analisis sentimen yaitu untuk menganalisis komentar yang dalam tiktok yang dapat menyebabkan depresi, dengan mengklasifikasikan menjadi 2 yaitu sentimen positif, dan sentimen negatif. penelitian ini menggunakan metode Naive Bayes untuk menentukan nilai presisi, akurasi, dan F1-Score. Penelitian ini juga bertujuan agar pengguna lebih bijak sana dalam bersosial media terutama media sosial TikTok.   Kata kunci: Komentar, Naive Bayes, Sentimen Analisis
Mengukur Gelombang Otak Siswa yang Mengalami Gangguan untuk Menentukan Kesiapan Mereka dalam Belajar Hariyanti, Tining; Haq, Muhamad Amirul; Wijaya, Sulton Dedi; Oktaviani, Marista; Fayyadh, Alwan; Ivana, Elmira; Firman Abdullah, Hafiz
ELSE (Elementary School Education Journal) : Jurnal Pendidikan dan Pembelajaran Sekolah Dasar Vol 9 No 1 (2025): FEBRUARY
Publisher : UNIVERSITAS MUHAMMADIYAH SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30651/else.v9i1.25098

Abstract

This study aims to analyze the relationship between brain waves and the level of readiness of students with disabilities categorized as mild-cognitive impairment in learning using EEG (Electroencephalography) signals. EEG signals are used to record electrical brain activity that is associated with various mental conditions, including learning readiness. The method used involves collecting data from students with disabilities by measuring brain waves before and during the learning process. The results of this study indicate that there is a significant correlation between certain types of brain waves, such as alpha and beta waves, with the level of student readiness in receiving learning materials. These findings are expected to provide new insights in the development of more effective learning methods that are in accordance with the mental conditions of students with disabilities, as well as being a reference for optimizing technology-based inclusive education curriculum.
Region Enhanced Edge-Based Multi-Class Object Proposal for Self-Driving Vehicles Haq, Muhamad Amirul; Huy, Le Nam Quoc; Ridlwan, Muhammad
Khazanah Informatika : Jurnal Ilmu Komputer dan Informatika Vol. 11 No. 1 (2025): April 2025
Publisher : Universitas Muhammadiyah Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23917/khif.v11i1.4662

Abstract

On-road object detection is a fundamental element for the safety and reliability of autonomous driving systems. A primary challenge is developing object detection algorithms that are both fast and robust. This paper introduces a novel object proposal algorithm, named Region Enhanced Edge-Based (REEB) proposal, designed to accelerate object detection by significantly reducing the number of candidate regions requiring evaluation by a subsequent classification network. REEB leverages edge-map cues to score and rank initial proposals. To further enhance both detection quality and processing speed, the algorithm integrates efficient complementary techniques: image entropy is used to guide proposal generation density in relevant image regions, and road segmentation aids in refining proposal scores by differentiating road from non-road areas. Experimental evaluations on the KITTI dataset demonstrate that REEB achieves an average recall rate of 72.1% across four classes (pedestrian, cyclist, car, and truck) with an average processing time of 15 milliseconds per image. These results indicate strong performance when compared to other traditional, non-deep learning object proposal algorithms.
Co-Authors Akbar, Ilhaam Syafruddin Andana, Erie Kresna Aswin Rosadi Binuri, Moch. Ghulam Abrari Dina, Dinda Franciska Mey Fayyadh, Alwan Firman Abdullah, Hafiz Hariyanti, Tining Haryanti, Tining Huy, Le Nam Quoc Ivana, Elmira Kusumajanti, Wahju Naila, Ishmatun Nuniek Fahriani, Nuniek Nurdin, Farid Rahman Oktaviani, Marista Ridlwan, Muhammad Riyadi, Muhammad Akmal Fijar Sulton Dedi Wijaya Wicaksono, Farid Wahyu