Article Per Year (5 Year)
p-Index From 2020 - 2025
1.295
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Abdurrachman Bachtiar, Fitra
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search

 1 
Sistem Deteksi Tingkat Engagement Terhadap Video Iklan Berdasarkan Fitur Facial Landmark Dengan Metode Random Forest Berbasis Raspberry Pi Elvindo, Mochamad; Abdurrachman Bachtiar, Fitra; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di Konferensi Internasional
Deteksi Stres Pengemudi Berbasis Photoplethysmograph dan Galvanic Skin Response Menggunakan Random Forest Pada Raspberry Pi Putra Primayanto, Reza; Regasari Mardi Putri, Rekyan; Abdurrachman Bachtiar, Fitra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di Konferensi Internasional
Prediksi Nefropati Menggunakan Algoritma Random Forest Rusydi Hanan, Muhammad; Muflikhah, Lailil; Abdurrachman Bachtiar, Fitra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 5 (2025): Mei 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Prediksi nefropati diabetik yang efektif dan efisien penting untuk mencegah komplikasi serius, seperti gagal ginjal. Model machine learning dapat memberikan prediksi cepat dan akurat. Data pasien nefropati diproses melalui prapemrosesan untuk mengoptimalkan model, termasuk konversi data kategorikal ke numerik, normalisasi menggunakan Min-Max, dan oversampling dengan SMOTE untuk menyeimbangkan distribusi kelas. Fitur diseleksi berdasarkan importance score untuk mengurangi kompleksitas model. Random Forest digunakan dengan parameter optimal yang diperoleh dari Hyperparameter Tuning. Hasil menunjukkan bahwa model Random Forest dengan data prapemrosesan memiliki performa lebih baik dibandingkan model tanpa prapemrosesan, meski perbedaannya tidak terlihat signifikan. Model ini juga lebih unggul dibandingkan model machine learning lainnya seperti KNN, SVM, dan Gaussian Naïve Bayes dalam akurasi, presisi, reecall, f1 score, dan AUC score (0.96), yang menunjukkan kemampuannya dalam membedakan data positif dan negatif. Penelitian ini berhasil mengimplementasikan model Random Forest dalam memprediksi penyakit nefropati diabetik dengan hasil yang cukup baik, namun penelitian yang lebih mendalam dapat dilakukan untuk mengoptimalkan model dalam memprediksi nefropati diabetik.
Sistem Deteksi Engagement pada Pembelajaran Menggunakan Deteksi Wajah MTCNN dan Shufflenet V2 Berbasis Raspberry Pi Fathan, Abdullah; Edhi Setyawan, Gembong; Abdurrachman Bachtiar, Fitra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di Konferensi Internasional
Analisis Perbandingan Algoritma Model Library Extraction Based Text Summarization dengan Algoritma Model Library Abstractive Suryadio Rizki, Farchan; Pradana, Fajar; Abdurrachman Bachtiar, Fitra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di ICET 2026
Penerapan Deep Convolutional Generative Adversarial Network Untuk Menciptakan Data Sintesis Perilaku Pengemudi Dalam Berkendara Stephen Lui, Michael; Abdurrachman Bachtiar, Fitra; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 5: Oktober 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106978

Abstract

Kecelakaan kendaraan adalah salah satu penyebab kematian tertinggi di Indonesia. Salah satu solusi untuk mencegah kecelakaan adalah dengan menggunakan sensor eksternal untuk mendeteksi kondisi jalan. Namun, penyebab utama kecelakaan adalah kelalaian pengemudi ketika mengemudi yang tidak dapat terdeteksi oleh sensor eksternal. Sensor visual dapat mendeteksi perilaku pengemudi di dalam kendaraan. Penggunaan sensor visual memiliki performa yang lebih baik ketika menggunakan metode deep learning. Salah satu metode untuk meningkatkan performa metode deep learning adalah dengan menggunakan data sintesis hasil model generatif sebagai tambahan data. Deep Convolutional Generative Adversarial Network (DCGAN) adalah salah satu model generatif yang menggunakan lapisan konvolusi. DCGAN terdiri dari dua neural network bernama generator dan discriminator yang membentuk hubungan ­zero-sum game. Generator menerima masukan berupa gambar asli dengan tambahan noise sebagai input proses latih secara unsupervised, menghasilkan gambar sintesis, sedangkan discriminator menerima gambar asli dan gambar sintesis sebagai input dan menghitung keaslian gambar yang selanjutnya digunakan sebagai nilai loss dengan fungsi loss Binary Cross Entropy. Arsitektur DCGAN terdiri dari beberapa transposed convolutional layer dengan batch normalization dan fungsi aktivasi ReLU dan fungsi aktivasi Tanh sebagai output layer pada generator dan beberapa convolutional layer dengan batch normalization dan fungsi aktivasi Leaky ReLU dan fungsi aktivasi Sigmoid sebagai output layer pada discriminator. Dataset yang digunakan pada penelitian ini adalah dataset ISDDS perilaku umum pengemudi yang dikumpulan pada skenario simulasi dengan jumlah dua ribu gambar. Hasil pengujian menemukan bahwa nilai hyperparameter dapat menghasilkan gambar sintesis perilaku pengemudi di dalam kendaraan yang baik dengan nilai FID sebesar 274,16 pada learning rate discriminator pada 0,0001, β1 discriminator pada 0,8005, learning rate generator pada 0,0017, β1 generator pada 0,1138 selama 43 epoch dengan menggunakan optimizer Adam pada generator dan discriminator.   Abstract Vehicle crash is one of the leading causes of death in Indonesia. One of the solutions to prevent vehicle crash is by using external sensor to detect road condition. Yet, most crash happened because of driver distraction, which is hard to detect using external sensor. Visual sensor can be used to detect driver activity inside vehicle. Visual sensor that uses deep learning method performs well. One way to increase deep learning method performance is by using additional synthesis data made by generative model. Deep Convolutional Generative Adversarial Network (DCGAN) is a generative model that uses convolution layer. DCGAN consists of two neural networks titled generator and discriminator which create zero-sum game relationship. Generator will receive real image with added noise as input of unsupervised training process, creating synthetic image, while discriminator will receive real image and synthetic image as input and calculate the realness of those image which will be used as loss value with Binary Cross Entropy loss function. The Architecture of DCGAN is composed of multiple transposed convolutional layers with batch normalization and activation function ReLU and activation function Tanh as output layer in generator and multiple convolutional layers with batch normalization and activation function Leaky ReLU and activation function Sigmoid as output layer in discriminator. Dataset used in this research is primary dataset of common driver activity collected in simulation scenario with the size of two thousand images. Experiment result shows that DCGAN is able to create good image synthesis of driver activity inside vehicle with FID of 274,16 using hyperparameter consisting of learning rate discriminator at 0,0001, β1 discriminator at 0,8005, learning rate generator at 0,0017, β1 generator at 0,1138 for 43 epochs by using Adam optimizer on generator dan discriminator.
Klasifikasi Tingkat Stress dari Data Berbentuk Teks dengan Menggunakan Algoritma Support Vector Machine (SVM) dan Random Forest Fathirachman Mahing, Naufal; Lazuardi Gunawan, Alifi; Foresta Azhar Zen, Ahmad; Abdurrachman Bachtiar, Fitra; Agung Wicaksono, Satrio
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118010

Abstract

Stres merupakan keadaan dimana seseorang merasakan adanya tekanan yang berlebih pada dirinya. Pemantauan tingkat stres menjadi hal yang penting bagi manusia. Tingkat stres yang tinggi dapat menimbulkan dampak negatif terhadap kesehatan manusia. Deteksi dini stres menjadi sesuatu yang sangat penting untuk dilakukan. Salah satu cara mengetahui tingkat stres seseorang adalah melalui analisis teks. Penelitian ini dilakukan untuk melakukan klasifikasi tingkat stres berdasarkan data berupa teks menggunakan algoritma Support Vector Machine (SVM) dan Random Forest. Pada penelitian ini melakukan perbandingan beberapa metode transformasi. Transformasi yang dilakukan pada penelitian ini menggunakan TF-IDF, CountVectorizer, NRCLex, dan Word Affect Intensities. Data yang digunakan dalam penelitian ini berupa sebuat teks berbahasa Inggris yang diambil dari media sosial Twitter. Total data yang digunakan yaitu 8439 data. Pelatihan model baik untuk Support Vector Machine dan Random Forest menggunakan 6751 data. Sedangkan untuk pengujian menggunakan 1688 data. Hasil penelitian menunjukkan bahwa algoritma SVM dengan pembobotan menggunakan TF-IDF memiliki performa yang paling baik dibandingkan dengan algoritma Random Forest dan metode transformasi lainnya yang digunakan dalam penelitian. Model algoritma SVM dengan transformasi TF-IDF yang dibangun berhasil mendapatkan akurasi sebesar 84%. Model ini mendapatkan akurasi yang lebih tinggi dibanding model Random Forest yang memperoleh akurasi tinggi sebesar 80% dengan menggunakan transformasi CountVectorizer.   Abstract Stress is a condition where a person feels excessive pressure on himself. Monitoring stress levels is important for humans. High levels of stress can have a negative impact on human health. Early detection of stress is something that is very important to do. One way to find out someone's stress level is through text analysis.This research was conducted to classify stress levels based on text data using the Support Vector Machine (SVM) and Random Forest algorithms. This research compares several transformation methods. The transformation performed in this study uses TF-IDF, CountVectorizer, NRCLex, and Word Affect Intensities. The data used in this research is an English text taken from Twitter social media. The total data used is 8439 data. Model training for both Support Vector Machine and Random Forest uses 6751 data. While for testing using 1688 data. The results showed that the SVM algorithm with weighting using TF-IDF had the best performance compared to the Random Forest algorithm and other transformation methods used in the study. The SVM algorithm model with TF-IDF transformation that was built managed to get an accuracy of 84%. This model obtained a higher accuracy than the Random Forest model which obtained a high accuracy of 80% using the CountVectorizer transformation.
Learning Analytics dalam Pembelajaran Berbasis Website untuk Mengukur Kepercayaan Diri Peserta Didik (Studi Pada: UMKM Taqqia Craft) Ruby Firmansyah, Nadhif; Pradana, fajar; Abdurrachman Bachtiar, fitra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di SIET 2024
Co-Authors Agung Wicaksono, Satrio Edhi Setyawan, Gembong Elvindo, Mochamad Fajar Pradana Fathan, Abdullah Fathirachman Mahing, Naufal Foresta Azhar Zen, Ahmad Lailil Muflikhah Lazuardi Gunawan, Alifi Novanto Yudistira Putra Primayanto, Reza Regasari Mardi Putri, Rekyan Ruby Firmansyah, Nadhif Rusydi Hanan, Muhammad Stephen Lui, Michael Suryadio Rizki, Farchan