Article Per Year (5 Year)
p-Index From 2021 - 2026
9.613
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Seminar Nasional Aplikasi Teknologi Informasi (SNATI) MATICS : Jurnal Ilmu Komputer dan Teknologi Informasi (Journal of Computer Science and Information Technology) EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Jurnas Nasional Teknologi dan Sistem Informasi CESS (Journal of Computer Engineering, System and Science) Jurnal Teknologi dan Sistem Komputer JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING JURNAL MEDIA INFORMATIKA BUDIDARMA Seminar Nasional Teknologi Informasi Komunikasi dan Industri Prosiding Seminar Nasional Teknoka Jurnal Nasional Komputasi dan Teknologi Informasi Digital Zone: Jurnal Teknologi Informasi dan Komunikasi Jurnal Riset Informatika Eksakta : Berkala Ilmiah Bidang MIPA Building of Informatics, Technology and Science bit-Tech Zonasi: Jurnal Sistem Informasi Jurnal Informatika Ekonomi Bisnis Journal of Computer System and Informatics (JoSYC) Jurnal Sistem Komputer dan Informatika (JSON) TIN: TERAPAN INFORMATIKA NUSANTARA Jurnal Computer Science and Information Technology (CoSciTech) Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer Bulletin of Information Technology (BIT) Malcom: Indonesian Journal of Machine Learning and Computer Science Jurnal Informatika Ekonomi Bisnis Science, Technology, and Communication Journal
Surya Agustian
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Social Sciences Transportation Veterinary Other

Published : 75 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 75 Documents
Search

 4   5   6   7   8 
Integrasi Efficient Channel Attention (ECA) pada DenseNet169 untuk Klasifikasi Multi-Kelas Citra X-ray Dada: Integration of Efficient Channel Attention (ECA) in DenseNet169 for Multi-Class Chest X-ray Classification Satira, Husna; Negara, Benny Sukma; Irsyad, Muhammad; Jasril, Jasril; Agustian, Surya
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2799

Abstract

Penyakit paru seperti pneumonia dan COVID-19 masih menjadi masalah kesehatan global yang memerlukan deteksi dini dan akurat. X-ray dada merupakan modalitas pencitraan yang umum digunakan, namun interpretasinya masih bergantung pada keahlian serta ketelitian radiolog. Penelitian ini bertujuan untuk mengevaluasi efektivitas integrasi Efficient Channel Attention (ECA) pada arsitektur DenseNet169 untuk klasifikasi multi-kelas pada citra X-ray dada. ECA dipilih karena merupakan mekanisme attention yang ringan serta mampu menangkap hubungan antarkanal fitur dengan kompleksitas parameter yang rendah. Dataset yang digunakan terdiri dari 5.228 citra yang terbagi ke dalam tiga kelas, yaitu COVID-19, pneumonia, dan normal. Penelitian ini membandingkan model DenseNet169 baseline dan DenseNet169 dengan ECA menggunakan parameter pelatihan yang sama untuk memastikan perbandingan yang adil. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa model baseline memperoleh accuracy sebesar 96,75%, sedangkan model dengan ECA memperoleh 96,27%. Dengan demikian, integrasi ECA belum memberikan peningkatan performa yang signifikan dibandingkan dengan DenseNet169 pada dataset yang digunakan. Temuan ini menunjukkan bahwa efektivitas ECA dipengaruhi oleh karakteristik arsitektur model, strategi integrasi, serta karakteristik dataset, sehingga penerapan attention mechanism tidak selalu menghasilkan peningkatan performa secara langsung.
Klasifikasi Hate Speech dan Offensive Language Menggunakan Hybrid RoBERTa dan XGBoost dengan Optimasi Hyperparameter: Hate Speech and Offensive Language Classification Using Hybrid RoBERTa and XGBoost with Hyperparameter Optimization Jauhari, Najwa; Agustian, Surya; Syafria, Fadhilah; Affandes, Muhammad
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2834

Abstract

Ujaran kebencian dan bahasa ofensif di media sosial merupakan masalah serius yang membutuhkan deteksi otomatis yang akurat. Penelitian ini mengusulkan pendekatan hybrid yang menggabungkan model Robustly Optimised BERT Approach (RoBERTa) berbasis Twitter (cardiffnlp/twitter?roberta?base?offensive) sebagai ekstraktor fitur dengan algoritma XGBoost untuk klasifikasi pada dataset Hate Speech and Offensive Content Identification (HASOC) 2021 berbahasa Inggris. Kebaruan penelitian ini terletak pada integrasi optimasi hyperparameter Optuna, Multi?Seed Ensemble, Division Calibration, dan oversampling pada ruang fitur embedding yang belum pernah diterapkan secara bersamaan dalam satu pipeline pada HASOC 2021. Dua tugas diselesaikan : Task 1A adalah klasifikasi biner untuk membedakan konten Hate and Offensive (HOF) dari yang tidak (NOT). Task 1B adalah klasifikasi multi-kelas yang membagi tweet menjadi empat kategori: (ujaran kebencian terhadap kelompok) HATE, bahasa ofensif terhadap individu (OFFN), kata kasar tanpa target spesifik (PRFN), dan konten aman (NONE).  Ketidakseimbangan kelas ditangani dengan oversampling pada ruang fitur, dan optimasi hyperparameter dilakukan untuk meningkatkan performa. Hasil evaluasi pada data uji menunjukkan Macro F1?Score sebesar 0,8083 untuk Task 1A dan 0,6541 untuk Task 1B. Perbandingan dengan papan peringkat HASOC 2021 menunjukkan bahwa skor tersebut sebanding dengan tim peringkat 5 (Task 1A) dan peringkat 3 (Task 1B) yang berbasis BERT murni.
Analisis Sensitivitas Confidence Threshold pada Semi-Supervised FixMatch untuk Klasifikasi Multi-Kelas Citra Chest X-Ray Ahmad Kurniawan; Muhammad Irsyad; Benny Sukma Negara; Surya Agustian; Nazruddin Safaat H
TIN: Terapan Informatika Nusantara Vol 7 No 1 (2026): June 2026
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/tin.v7i1.10028

Abstract

Optimizing the confidence threshold in pseudo-labeling is a critical technical challenge in Semi-Supervised Learning (SSL) for multi-class medical image classification. A threshold that is too strict limits the utilization of unlabeled data, whereas a threshold that is too lenient introduces low-quality pseudo-labels into the training process. This study applies the FixMatch method with the DenseNet-169 architecture as the backbone network to classify three lung disease categories COVID-19, Pneumonia, and Normal under conditions of extremely limited labeled data. The dataset used is the COVID-19, Pneumonia, and Normal Chest X-Ray Images dataset from Mendeley Data, consisting of 5,218 chest X-ray images, divided into 70% training, 10% validation, and 20% testing sets. The experiments were systematically designed using three labeled-data proportions (5%, 10%, and 15%) and three confidence threshold values (τ = 0.90, 0.95, and 0.99), resulting in nine experimental scenarios. The results demonstrate that τ = 0.95 with 15% labeled data achieved the best performance, obtaining 97.41% accuracy, a 97.49% F1-score, and an AUC of 0.9963. This performance was achieved by balancing pseudo-label selectivity with a sufficient volume of effective training data. At a low labeled-data ratio (5%), the limited amount of labeled data meant that the lower mask rate at τ = 0.95 could not be adequately compensated, allowing τ = 0.99 to perform slightly better. In contrast, at a higher labeled-data ratio (15%), the selectivity of τ = 0.95 produced high-quality pseudo-labels while maintaining sufficient data volume, leading to improved generalization performance. This study contributes an empirical analysis of confidence threshold sensitivity in FixMatch for multi-class chest X-ray classification under limited labeled-data conditions. These findings reveal that the effectiveness of the confidence threshold is highly dependent on the availability of labeled data, and that determining an optimal threshold cannot be separated from the proportion of labeled data available.
Perbandingan Kinerja Random forest dan SVM Pada Klasifikasi Tingkat Kekumuhan Permukiman Menggunakan SMOTE Nurika Dwi Wahyuni; Fadhilah Syafria; Novi Yanti; Surya Agustian
Building of Informatics, Technology and Science (BITS) Vol 8 No 1 (2026): June 2026
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v8i1.10101

Abstract

Classifying slum levels is essential for a structured, data-driven analysis of settlement conditions. This study compares the performance of Random forest and Support vector machine (SVM) in classifying slum levels in Pekanbaru City across two scenarios with and without SMOTE using slum indicator scoring data. Its contributions include analyzing SMOTE's impact on model performance and evaluating the top 10 features against the full feature set. The dataset comprises 992 RT-level records from Disperkim Pekanbaru City (2020, 2021, and 2023) featuring 16 slum indicator scores based on PUPR Ministerial Regulation No. 14/2018, categorized into three classes: Non-Slum, Low Slum, and Moderate Slum. Following the KDD process (selection, preprocessing, transformation, data mining, evaluation, and analysis), the data was split 80:20 using stratified sampling and evaluated based on accuracy, precision, recall, F1-score, and confusion matrix. Results show that the Linear SVM without SMOTE achieved perfect evaluation metrics (1.0000); however, this is interpreted cautiously as the class labels derive from strict regulatory scoring rules, making class boundaries inherently linear. Random forest saw its F1-score rise from 0.9660 to 0.9700 after SMOTE, while the most significant improvement occurred in SVM RBF, jumping from 0.9214 to 0.9779. Testing the top 10 features led to a decreased F1-score across models, indicating that utilizing all 16 features remains optimal for this dataset.
KLASIFIKASI SENTIMEN MASYARAKAT TERHADAP KASUS TUNTUTAN 17+8 MENGGUNAKAN NAÏVE BAYES CLASSIFIER Arif Kurniawan; Muhammad Fikry; Novi Yanti; Surya Agustian
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 16, No 1 (2026): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v16i1.4947

Abstract

Perkembangan media sosial telah mendorong munculnya berbagai opini masyarakat terhadap isu-isu publik, termasuk kasus Tuntutan 17+8 yang menjadi perhatian luas di Indonesia. Analisis sentimen menjadi pendekatan yang penting untuk mengidentifikasi kecenderungan opini masyarakat secara sistematis. Namun, data teks pada media sosial umumnya bersifat tidak terstruktur dan mengandung berbagai noise sehingga memerlukan tahapan preprocessing yang tepat sebelum dilakukan klasifikasi. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kasus Tuntutan 17+8 menggunakan metode Naïve Bayes Classifier serta mengevaluasi pengaruh tahapan preprocessing terhadap performa model melalui pendekatan ablation study. Data penelitian berupa komentar TikTok yang diproses melalui tahapan preprocessing meliputi case folding, normalisasi, stopword removal, dan stemming. Selanjutnya, fitur teks diekstraksi menggunakan TF-IDF dan diklasifikasikan menggunakan algoritma Multinomial Naïve Bayes. Hasil penelitian menunjukkan bahwa setiap kombinasi preprocessing memberikan pengaruh yang berbeda terhadap performa model. Pada dataset tambahan sebanyak 8.370 komentar, performa terbaik diperoleh pada kombinasi case folding dan normalisasi dengan akurasi 89,87% dan F1-score 91,89%. Sementara itu, pada dataset utama sebanyak 1.525 komentar, performa terbaik diperoleh pada kombinasi normalisasi dan stopword removal dengan akurasi 81,20% dan F1-score 80,31%. Hasil evaluasi menggunakan confusion matrix menunjukkan bahwa model memiliki kemampuan klasifikasi yang baik, terutama pada kelas sentimen positif. Penelitian ini membuktikan bahwa pemilihan tahapan preprocessing yang tepat berperan penting dalam meningkatkan performa klasifikasi sentimen menggunakan Naïve Bayes Classifier.
Co-Authors .Safrizal, Safrizal Abdillah, Rahmad Afdhal Zikri Afriyanti, Liza Aftari, Dhea Putri AGUNG SUCIPTO Ahmad Kurniawan Ahmad, Rizmah Zakiah Nur Alfitra Salam Arasy, Abdurrahman Arif Kurniawan Ash Shiddicky Aulia Ramadhani Ayu Fransiska Baehaqi Delifah, Nur Dermawan, Jozu Dzaky Abdillah Salafy Eka Pandu Cynthia El Saputra, Yoga Elin Haerani Elvia Budianita Fadhilah Syafria Fahrezy, Irgi Faizah Husniah Fauzan Ray T Fauzi Ihsan Febi Yanto Febrian Rizki Adi Sutiyo Fitri Insani Fitri Insani Fitri Wulandari Fitri, Dina Deswara Fuji Astuti Gusti, Siska Kurnia Habib Hakim Sinaga Hadi, Mukhlis Halimah Heru Wibowo Idhafi, Zaky Iffa, Marwika Rifattul Ihsan, Miftahul Iis Afrianty Iis Afrianty Ilham Habibi Hasibuan Illahi, Ridho Iman Fauzi Aditya Sayogo Indri Pangestuti Iwan Iskandar Jasril Jasril Jasril Jasril Jasril Jasril Jauhari, Najwa Lestari Handayani Lubis, Anggun Tri Utami BR. Melyana Hasibuan Miftah Farid Muhammad Affandes Muhammad Affandes Muhammad Fikry Muhammad Fikry Muhammad Fikry Muhammad Iqbal Maulana Muhammad Irsyad Muhammad Irsyad Muhammad Ravil Muktar Sahbuddin Mukti M Kusairi Mulyadi, Syahrul Nadila Handayani Putri naldi, Afri Nazir, Alwis Nazruddin Safaat Nazruddin Safaat H Nazruddin Safaat H Nazruddin Safaat H Negara, Benny Sukma Novi Yanti Novriyanto Novriyanto Novriyanto Nurika Dwi Wahyuni Nurul Fatiara Okfalisa Okfalisa Oktavia, Lola Pangestu, Yoga Pizaini Pizaini Pranata, Joni Prima Yohana Putri Zahwa Putri, Adilah Atikah Putri, Atika Rahmad Abdillah Rahmad Kurniawan Ramadhani, Siti Reski Mai Candra Reski Mai Candra Rizqa Raaiqa Bintana Safrizal, Afri Naldi Salam Kurniawan Saputra, Ikhsan Dwi Saputra, M Ridho Saputra, Nugroho Wahyu Satira, Husna Sinaga, Habib Hakim Siti Ramadhani Siti Ramadhani Siti Ramadhani Sri Puji Utami A. Subhi, Yazid Abdullah Suci Rahayu Sulistia Ningsih, Sulistia Suwanto Sanjaya Syaiful Azhar Tarmizi, Veci Cahyono Trya Ayu Pratiwi Utari, Roid Fitrah Wahyu Reinaldy Wan Sobri Amin Yusra Yusra Yusra, Yusra