Article Per Year (5 Year)
p-Index From 2021 - 2026
6.403
P-Index
This Author published in this journals
All Journal Bianglala Informatika : Jurnal Komputer dan Informatika Akademi Bina Sarana Informatika Yogyakarta Jurnal INSYPRO (Information System and Processing) Journal of Information Systems and Informatics Ainet : Jurnal Informatika Madaniya Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Indonesian Community Journal Jurnal Ilmu Komputer Jurnal Informatika Progres Mechatronics Journal in Professional and Entrepreneur (MAPLE) Jurnal Intelek Dan Cendikiawan Nusantara Journal of Computer Science and Information Technology ARUS JURNAL SAINS DAN TEKNOLOGI Journal of Muhammadiyah’s Application Technology
Fachrim Irhamna Rachman
Universitas Muhammadiyah Makassar
Religion Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Public Health Social Sciences Other

Published : 52 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : journal of computer science and information technology

 1 
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.
DETEKSI TIMPA GAMBAR DENGAN TEKS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DAN OPTICAL CHARACTER RECOGNITION Muhammad Alif Syafan; Fahrim Irhamna Rachman; Darniati Darniati
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

Penyebaran disinformasi melalui manipulasi timpa gambar dengan teks semakin marak dan sulit dideteksi karena artefak visualnya yang sangat halus dan rentan tersamarkan oleh kompresi citra. Penelitian ini mengusulkan arsitektur multi-stream network multimodal untuk mendeteksi manipulasi tersebut. Kebaruan (novelty) dan kontribusi utama penelitian ini terletak pada integrasi adaptif antara analisis anomali visual tingkat piksel dan anomali tipografi menggunakan gated attention mechanism. Metode usulan menggabungkan Convolutional Neural Network (CNN) berarsitektur EfficientNet-B3 yang dipertajam Sobel filter sebagai pengekstraksi fitur visual, dengan Optical Character Recognition (OCR) berbasis EasyOCR sebagai pengekstraksi fitur statistik teks. Evaluasi terhadap dataset Real Text Manipulation (RTM) membuktikan bahwa model multimodal usulan lebih unggul dibandingkan model CNN tunggal. Pada ambang batas optimal 0,4961, model mencapai akurasi 73,18% dan F1-score 0,7959. Integrasi OCR terbukti sangat efektif menambal kelemahan deteksi visual murni dengan lonjakan tingkat recall mencapai 79,05%. Meskipun pengujian generalisasi pada dataset media sosial dan generative AI masih mengalami penurunan akibat domain gap kompresi ekstrem, integrasi CNN dan OCR secara signifikan berkontribusi meningkatkan sensitivitas deteksi manipulasi teks untuk keperluan forensik digital
IMPLEMENTASI MODEL TRANSFORMER INDOBERT BERBASIS DEEP LEARNING UNTUK DETEKSI SPAM PESAN TEKS BERBAHASA INDONESIA Annisa Alfrini; Desi Anggreani; 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

Perkembangan teknologi informasi dan komunikasi dalam beberapa tahun terakhir telah mendorong peningkatan penggunaan media digital secara masif, salah satunya adalah aplikasi Telegram. Namun, fenomena ini memunculkan permasalahan baru, yaitu ancaman penyebaran pesan spam yang tidak terkendali, berpotensi mengganggu kenyamanan, menyebabkan kerugian finansial, serta mengancam keamanan data pengguna akibat skema penipuan. Penelitian ini bertujuan untuk mengimplementasikan model deep learning berbasis arsitektur Transformer, secara spesifik menggunakan model IndoBERT, untuk mendeteksi dan mengklasifikasikan pesan teks Telegram berbahasa Indonesia ke dalam kategori spam dan non-spam (ham). Penelitian ini memanfaatkan dataset seimbang yang berjumlah 5.971 pesan teks (2.979 spam dan 2.992 non-spam), yang dikumpulkan secara langsung melalui metode scraping dari berbagai grup Telegram publik. Tahapan penelitian dirancang secara sistematis, meliputi prapemrosesan teks (case folding, cleaning, dan tokenisasi awal), tokenisasi lanjutan menggunakan metode WordPiece, penyesuaian parameter, serta proses fine-tuning pada model pralatih IndoBERT. Evaluasi performa model diukur secara komprehensif menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model IndoBERT berhasil mengidentifikasi pola linguistik spam, termasuk penggunaan bahasa informal, tautan eksternal, hingga manipulasi karakter. Model menghasilkan kinerja klasifikasi yang sangat optimal dengan perolehan nilai akurasi sebesar 97,32%, presisi 98,62%, recall 95,97%, dan F1-score 97,28%. Selain itu, pengujian langsung terhadap 10 sampel data baru (unseen data) menunjukkan tingkat keberhasilan prediksi sebesar 100% secara spesifik pada skala pengujian tersebut. Kesimpulannya, pendekatan model IndoBERT terbukti sangat efektif, tangguh, dan adaptif untuk diimplementasikan sebagai sistem penyaringan spam otomatis secara real-time pada teks berbahasa Indonesia.
Co-Authors Adrianingsih, Rizka Afifah Auliyah Ahmad Faisal Ahmad Fathir Ahmad Nur Rahman Aiman , Ailul ANDIKA SAPUTRA Annisa Alfrini Aras, Dara Ugi Ardiansyah Uddin Bakti, Rizki Yusliana Basyar, Muhammad Yusuf Besse Taleha Chyquita Danuputri Chyquitha Danu Putri Chyquitha Danuputri Chyquitha Danuputri Chyquitha Danuputri Chyquitha, Chyquitha Danu Putri Chyquithadanuputri Darniati Desi Anggreani Dika, Andika Saputra Emil Agus Salim Habi Talib Erick Yusuf Kotte Ferdiansyah Gempar Perkasa Tahir Halisah Duli, St Nur Hanna Maryam Hasbir, Syahrul Hildayati, Hildayati Ida Mulyadi, Ida Indriani, Lis Iskandar, Aryansyah Ismail, La Ode Taufik Kamal, Safutri La Ode Taufik Ismail La Ode Taufik Ismail LUKMAN ANAS Lukman Lukman LUKMAN, LUKMAN Mohammad Ramadhan Zainuddin Muhammad Alif Syafan Muhammad Daffa Ruwaid Aras Muhammad Faisal Muhammad Syafaat S. Kuba Muhyiddin A.M Hayat Mujadilah, Siti Mustakim Mustakim Nur Alam Nur Fadillah Sari Nur Rahman, Ahmad Rayhanatul Jannah Reski Awalia Ridha Awalia Ridwang Rinaldy, Muh Rizki Yusliana Rizky Maulia Rosnani Rosnani Salam, Abd Sari, Selvi Permata Setiawan, Tommy Reynaldy Sri Hastati Sry Yunarti Suhardi, Syahrul Syahrul Hasbir Syahrul Suhardi Tahir, Gempar Perkasa Titin Wahyuni Titin Wahyuni Virgiawan, David Arian Wibawa. Ar, Arya Yanti, Wilda Zulkifli Halim