Article Per Year (5 Year)
p-Index From 2021 - 2026
0.778
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Teknologi (IKOMTI) Jurnal Ilmiah Sistem Informasi dan Ilmu Komputer Jurnal Ilmu Komputer dan Teknik Informatika
Alwi Syahputra
Unknown Affiliation
Computer Science & IT Engineering Industrial & Manufacturing Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Prototype Penggabungan Fuzzy Dan Naive Bayes dalam Analisis Citra Dokumen Untuk Penilaian Margin Laporan Praktikum UINSU Hafiz Aryanda; Randy, Muhammad Randy Fachrezi; Arif Dennis Walidein; Dimas Aqila Aptanta; Alwi Syahputra
Jurnal IT UHB Vol 6 No 2 (2025): Jurnal Ilmu Komputer dan Teknologi
Publisher : Universitas Harapan Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35960/ikomti.v6i2.1854

Abstract

Manual assessment of practicum report margins often faces challenges due to variations in document layout and the large number of reports that must be reviewed, resulting in an inefficient and subjective evaluation process. Therefore, this study aims to develop a prototype that serves as a guideline for automated practicum report assessment. The proposed research introduces a hybrid model integrating Fuzzy Logic and Naive Bayes. Evaluation results show that the model without fuzzy achieved an accuracy of 73.33% but exhibited bias toward the majority class, with low recall for the "Rejected" class. In contrast, the Fuzzy Naive Bayes model improved accuracy to 80% and produced more balanced classification performance, with significant increases in recall and F1 Score for the minority class. The integration of fuzzy logic effectively enhances the detection of margin non-compliance.
Klasifikasi Jenis Bunga Iris Menggunakan Algoritma Klasifikasi Tradisional Alwi Syahputra; Rusma Riansyah; Dimas Aqila Aptanta; Muhammad Farhan; Mhd. Furqan
Jurnal ilmiah Sistem Informasi dan Ilmu Komputer Vol. 5 No. 2 (2025): Juli : Jurnal ilmiah Sistem Informasi dan Ilmu Komputer
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/juisik.v5i2.1228

Abstract

This study aims to implement and compare the performance of two traditional classification algorithms, namely K-Nearest Neighbor (K-NN) and Naive Bayes to classify Iris flower types. The dataset used is the Iris Dataset which is a classic dataset in machine learning consisting of 150 samples with four features (sepal length, sepal width, petal length, and petal width) and three target classes (Iris Setosa, Iris Versicolor, and Iris Virginica). The research methodology includes data preprocessing, algorithm implementation, model evaluation using accuracy, precision, recall, and F1-score metrics, and comparative performance analysis. The results showed that the K-NN algorithm with k = 3 achieved an accuracy of 96.67%, while Naive Bayes achieved an accuracy of 93.33%. Both algorithms showed good performance in classifying Iris flower types, with K-NN slightly superior in terms of accuracy. This study proves that traditional classification algorithms are still relevant and effective for classification problems with less complex datasets.
Perancangan dan Implementasi Sistem Enkripsi Data Sensitif Menggunakan AES-256-CBC pada Aplikasi Berbasis Web Sederhana Muhammad Randy Fachrezi; Dwiky Oldi Amsyah; Alwi Syahputra; Ibnu
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 2 No. 1 (2026): Januari 2026
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v2i1.100

Abstract

Data formulir pada aplikasi web umumnya tersimpan dalam bentuk teks biasa yang rentan dibaca ketika terjadi akses tidak sah ke sistem penyimpanan. Penelitian ini bertujuan mengimplementasikan algoritma Advanced Encryption Standard (AES-256-CBC) untuk mengenkripsi data input formulir dan membuktikan proses transformasi data dari plaintext menjadi ciphertext serta kemampuan mengembalikannya melalui dekripsi menggunakan passphrase. Metode penelitian meliputi studi literatur, identifikasi masalah, perancangan sistem, implementasi, dan pengujian pada tiga skenario data yang mencakup nama lengkap, email, nomor telepon, dan pesan. Hasil pengujian menunjukkan sistem berhasil mengenkripsi seluruh data input menjadi ciphertext yang tidak dapat dipahami tanpa kunci dekripsi. Proses dekripsi dengan passphrase yang benar menghasilkan data plaintext yang identik dengan input awal dan menampilkan status verifikasi berhasil, sedangkan passphrase yang salah menghasilkan pesan kesalahan dekripsi gagal. Penelitian ini membuktikan bahwa AES-256-CBC efektif dalam mengamankan data formulir web melalui mekanisme enkripsi-dekripsi berbasis passphrase, sehingga data sensitif tidak lagi tersimpan dalam bentuk yang mudah dibaca dan hanya dapat diakses oleh pihak yang memiliki passphrase yang valid.
Sistem Klasifikasi Diabetes Mellitus Menggunakan Algoritma K-Nearest Neighbor (KNN) Berbasis Web Muhammad Randy Fachrezi; Hafiz Aryanda; Alwi Syahputra; Risma Riansyah
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 2 No. 1 (2026): Januari 2026
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v2i1.116

Abstract

Diabetes mellitus merupakan penyakit metabolik kronis dengan prevalensi yang terus meningkat di Indonesia, mencapai 11,3% dari total populasi berdasarkan data International Diabetes Federation tahun 2024. Permasalahan utama dalam penanganan diabetes adalah keterlambatan diagnosis yang menyebabkan komplikasi serius. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi diabetes mellitus berbasis web menggunakan algoritma K-Nearest Neighbor (KNN) guna mendukung deteksi dini secara praktis dan mudah diakses. Dataset yang digunakan adalah Pima Indians Diabetes Database yang terdiri dari 768 data dengan 8 atribut. Tahapan pre-processing data meliputi imputasi median untuk menangani nilai anomali, penanganan outlier menggunakan metode Interquartile Range (IQR), penyeimbangan data dengan teknik Synthetic Minority Over-sampling Technique (SMOTE), serta normalisasi Min-Max. Model KNN diimplementasikan dengan nilai K optimal sebesar 8 yang diperoleh melalui cross-validation. Hasil evaluasi menunjukkan akurasi pada data testing sebesar 73,68% dengan precision 71,15%, recall 78,72%, F1-score 74,75%, dan nilai ROC-AUC 0,8132. Sistem web dirancang menggunakan arsitektur client-server dengan React.js sebagai frontend dan Python Flask sebagai backend. Antarmuka sistem menyediakan fitur edukasi, form input data kesehatan, serta halaman hasil klasifikasi yang informatif. Hasil penelitian menunjukkan bahwa sistem mampu mengklasifikasikan risiko diabetes dengan performa yang cukup baik dan dapat digunakan sebagai alat bantu skrining awal.
Co-Authors Arif Dennis Walidein Dimas Aqila Aptanta Dwiky Oldi Amsyah Hafiz Aryanda Ibnu Mhd. Furqan Muhammad Farhan Muhammad Randy Fachrezi Randy, Muhammad Randy Fachrezi Risma Riansyah Rusma Riansyah