Article Per Year (5 Year)
p-Index From 2021 - 2026
6.609
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IAES International Journal of Artificial Intelligence (IJ-AI) TELKOMNIKA (Telecommunication Computing Electronics and Control) International Journal of Advances in Intelligent Informatics Jurnal Informatika Jurnal Pilar Nusa Mandiri JTERA (Jurnal Teknologi Rekayasa) Techno Nusa Mandiri : Journal of Computing and Information Technology JOURNAL OF APPLIED INFORMATICS AND COMPUTING ILKOM Jurnal Ilmiah EXPLORE Jurnal Mantik Jurnal Teknologi Informasi dan Multimedia International Journal of Informatics and Computation INFOKUM Infotek : Jurnal Informatika dan Teknologi Jurnal Kompilasi Hukum Jurnal Saintekom : Sains, Teknologi, Komputer dan Manajemen Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Jurnal Pengabdian Masyarakat Bidang Sains dan Teknologi EXPLORE Jurnal Kecerdasan Buatan dan Teknologi Informasi Jurnal Computer and Technology Explore Green Engineering: Journal of Engineering and Applied Science Jurnal Informatika Jurnal Karya untuk Masyarakat (JKuM)
Imran, Bahtiar
Universitas Teknologi Mataram
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Public Health Social Sciences Transportation Veterinary

Published : 58 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 58 Documents
Search

 2   3   4   5   6 
OBJECT DETECTION UNTUK MENDETEKSI CITRA BUAH-BUAHAN MENGGUNAKAN METODE YOLO Saputra, Dede Haris; Imran, Bahtiar; Juhartini
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 2 No. 2 (2023): May 2023
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v2i2.18

Abstract

Perkembangan ilmu pengetahuan dan teknologi dalam Artificial Intelligence yang sangat pesat saat ini, telah membawa perubahan yang sangat pesat pula dalam berbagai aspek kehidupan. Terutama kecerdasan buatan merupakan sebuah teknologi komputer atau mesin yang memiliki kecerdasan layaknya manusia. Sederhananya sebuah instruksi pintar yang diberikan kepada program maupun mesin, salah satunya yaitu Object Detection untuk mendeteksi citra buah menggunakan You Only Look Once (YOLO). Metode yang dapat digunakan untuk pengenalan objek pada citra buah adalah Deep Learning. You Only Look Once (YOLO) merupakan salah satu model Deep Learning yang dapat digunakan untuk pengenalan objek. Penelitian ini bertujuan untuk pengenalan objek pada citra buah menggunakan YOLO. Pada penelitian menggunakan sebanyak 300 gambar data dengan tiga kelas yaitu apel, jeruk dan pisang. Hasil penelitian menunjukan algoritma (YOLO) dapat mengenali objek pada citra buah dengan menggunakan pre-trained weights yang telah dilatih dengan nilai akurasi mAP sebesar 91%.
RANCANG BANGUN SISTEM PAKAR DIAGNOSA PENYAKIT PADA TANAMAN CABAI DENGAN METODE CERTAINTY FACTOR Ndang, Rijalul Mujahidin; Zaeniah; Imran, Bahtiar
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 2 No. 1 (2023): January 2023
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v2i1.22

Abstract

Teknologi telah menjadi kebutuhan yang sangat penting bagi keberlangsungan hidup setiap manusia. Mulai dari hal-hal yang sederhana hingga hal-hal rumit teknologi selalu memegang peranan penting, tak terkecuali pada bidang pertanian. Munculnya berbagai masalah yang dialami oleh para petani khususnya petani cabai seperti masalah penyakit tanaman dan hama tanaman membuat para petani kesulitan dalam mengatasinya. Tak jarang masalah-masalah tersebut mengakibatkan para petani mengalami kerugian besar karena gagal panen. Penelitian ini bertujuan untuk membuat suatu Sistem Pakar Diagnosa Penyakit pada Tanaman Cabai dengan Metode Certainty Factor. Dimana sistem pakar ini merupakan aplikasi berbasis website yang berisi pengetahuan pakar ahli tanaman cabai. Aplikasi ini dapat diakses oleh para petani untuk mendiagnosa dan mengetahui penyakit pada tanaman cabai mereka. Pada aplikasi ini sistem mampu mengidentifikasi 7 jenis penyakit berdasarkan pengetahuan pakar serta terdapat solusi mengenai penyakit pada tanaman cabai, sehingga dapat dilakukan penanganan yang sesuai untuk mengatasi permasalahan tersebut. Selain itu diagnosa penyakit dengan aplikasi ini memilki tingkat akurasi yang cukup baik dan sesuai dengan pengetahuan pakar ahli.
SISTEM PAKAR DIAGNOSA PENYAKIT PADA AYAM MENGGUNAKAN METODE CERTAINTY FACTOR Pratama, Rifqy Hamdani; Juhartini; Imran, Bahtiar
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 2 No. 2 (2023): May 2023
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v2i2.25

Abstract

Ayam adalah hewan yang diternakkan baik ditingkat pengusaha besar sampai perorangan yang ada di desa-desa dan kampung-kampung. Beternak ayam bukanlah hal yang mudah karena banyak hal yang harus diperhatikan seperti penyakit yang diderita ayam. Penyakit ini jika tidak segera diberikan tindakan pengobatan maka dapat berakibat tidak baik bagi ayam dan berarti kerugian bagi peternak. Salah satu faktor yang menyebabkan kerugian adalah kurangnya pengetahuan para peternak tentang penyakit yang menyerang ayam dan bagaimana cara pengobatannya. Oleh karena itu, pada penelitian ini akan dibuat aplikasi Sistem pakar berbasis web untuk memberikan informasi mengenai penyakit dan gejala-gejala pada ayam, sekaligus memberikan solusi dan penanganannya menggunakan metode Certainty Factor. Digunakannya metode certainty factor ini untuk menggambarkan tingkat keyakinan terhadap masalah. Data yang dibutuhkan pada perancangan aplikasi sistem pakar ini adalah data penyakit, data gejala, dan data solusi cara penanganannya.
MACHINE LEARNING-BASED CLASSIFICATION OF SPACE TRAVEL ELIGIBILITY USING SUPPORT VECTOR MACHINE, RANDOM FOREST, AND XGBOOST Zahroni, Teguh Rizali; Imran, Bahtiar; Tahrir, Muhammad; Muh. Akshar; Marroh, Zahrotul Isti’anah
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 4 No. 2 (2025): May 2025
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v4i2.310

Abstract

This study applies machine learning classification techniques to predict passenger displacement events based on corrupted data retrieved from a hypothetical interstellar spacecraft mission. Using a cleaned and preprocessed dataset containing demographic, behavioral, and exposure-related features, we compare the performance of three classification models: Random Forest, Support Vector Machine (SVM), and XGBoost. Each model is trained on 80% of the data and evaluated on the remaining 20% using precision, recall, f1-score, and accuracy metrics. The SVM model shows the most notable improvement after feature selection, achieving a balanced performance across metrics. Meanwhile, Random Forest and XGBoost models maintain consistent and robust accuracy above 80% on both training and testing sets. Feature importance analysis also supports the interpretability of the models, particularly in Random Forest and XGBoost. The comparative analysis demonstrates that ensemble-based methods such as Random Forest and XGBoost are more effective in handling the complexity of the dataset, making them suitable for predictive tasks in high-dimensional, partially incomplete data scenarios.
FAKE REVIEW DETECTION ON DIGITAL PLATFORMS USING THE ROBERTA MODEL: A DEEP LEARNING AND NLP APPROACH Hadi, Zulpan; Nurkholis, Lalu Moh.; Imran, Bahtiar; Riadi, Selamet; Suryadi, Emi
Journal Computer and Technology Vol. 3 No. 1 (2025): Juli 2025
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/comtechno.v3i1.355

Abstract

Fake reviews have emerged as a serious threat to the integrity of digital platforms, particularly in e-commerce and online review sites. This study explores the application of RoBERTa (Robustly Optimized BERT Approach), a transformer-based architecture optimized for natural language processing (NLP), in automatically detecting fake reviews. The methodology includes data collection from online platforms, contextual feature extraction using RoBERTa embeddings, model training through supervised learning, and evaluation using classification metrics such as accuracy, precision, recall, and F1-score. The training results indicate a significant convergence trend in the training loss, while the validation loss remains relatively unstable, reflecting challenges in model generalization. Nevertheless, experimental results demonstrate that RoBERTa outperforms other approaches such as Logistic Regression PU, K-NN with EM, and LDA-BPTextCNN, achieving an accuracy of 86.25%. These findings highlight RoBERTa's strong potential in detecting manipulative content and underscore its value as an essential tool in building a transparent and trustworthy digital ecosystem.
SemetonBug: A Machine Learning Model for Automatic Bug Detection in Python Code Based on Syntactic Analysis Imran, Bahtiar; Riadi, Selamet; Suryadi, Emi; Zulpahmi, M.; Zaeniah, Zaeniah; Wahyudi, Erfan
Jurnal Informatika Vol 12, No 2 (2025): October
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v12i2.25340

Abstract

Bug detection in Python programming is a crucial aspect of software development. This study develops an automated bug detection system using feature extraction based on Abstract Syntax Tree (AST) and a Random Forest Classifier model. The dataset consists of 100 manually classified bugged files and 100 non-bugged files. The model is trained using structural code features such as the number of functions, classes, variables, conditions, and exception handling. Evaluation results indicate an accuracy of 86.67%, with balanced precision and recall across both classes. Confusion matrix analysis identifies the presence of false positives and false negatives, albeit in relatively low numbers. The accuracy curve suggests a potential overfitting issue, as training accuracy is higher than testing accuracy. This study demonstrates that the combination of AST-based feature extraction and Random Forest can be an effective approach for automated bug detection, with potential improvements through model optimization and a larger dataset.
A Hybrid Framework Based on YOLOv8 and Vision Transformer for Multi-Class Detection and Classification of Coffee Fruit Maturity Levels Subki, Ahmad; M. Zulpahmi; Imran, Bahtiar
Journal of Applied Informatics and Computing Vol. 9 No. 5 (2025): October 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i5.10590

Abstract

Detection and classification of coffee cherries based on maturity levels present a significant challenge in agricultural product processing systems, primarily due to the high visual similarity among classes within a single bunch. This study aims to develop a multi-class detection and classification system for coffee cherries by integrating YOLOv8 and Vision Transformer (ViT) as a classification enhancer. The initial detection process is conducted using YOLOv8 to identify and automatically crop coffee cherry objects from bunch images. These cropped images are then re-classified using the Vision Transformer to improve prediction accuracy. The training process was carried out with a learning rate of 0.0001, a batch size of 16, and epoch variations of 50, 100, and 150. Evaluation results demonstrate that the integration of YOLOv8 and ViT significantly improves classification accuracy compared to using YOLOv8 alone. At 100 epochs, the YOLOv8+ViT model achieved an accuracy of 89.52%, a precision of 90.43%, and a recall of 89.52%, outperforming the standalone YOLOv8 model, which only reached an accuracy of 75.44%. These results indicate that the Vision Transformer effectively enhances classification performance, particularly for visually similar coffee cherry classes. The integration of these two methods offers a promising alternative solution for improving image-based multi-class classification in agriculture and other domains involving complex visual objects.
Implementation of Conditional WGAN-GP, ResNet50V2, and HDBSCAN for Generating and Recommending Traditional Lombok Songket Motifs Akbar, Ardiyallah; Karim, Muh Nasirudin; Imran, Bahtiar
Journal of Applied Informatics and Computing Vol. 9 No. 5 (2025): October 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i5.10894

Abstract

Songket is a traditional Indonesian woven textile with profound cultural and aesthetic value, particularly in Lombok, where artisans continue to preserve its distinctive motifs. However, the creation of new designs is still carried out manually, requiring considerable time and relying heavily on the artisans’ creativity. This study proposes an integrated system that combines Conditional Wasserstein Generative Adversarial Network with Gradient Penalty (CWGAN-GP), ResNet50V2, and HDBSCAN to automatically generate and recommend Lombok’s traditional songket motifs. The dataset consists of primary data collected directly from local artisans and secondary data from the BatikNitik public repository, thereby providing authentic yet diverse motif samples for training. CWGAN-GP is employed to synthesize motifs with stable and realistic structures across multiple epochs. Subsequently, ResNet50V2 is utilized for deep visual feature extraction, HDBSCAN for density-based clustering, and UMAP for two-dimensional visualization of motif distribution. The system successfully groups motifs into meaningful clusters, with the largest cluster containing consistent patterns of high aesthetic value. A recommendation mechanism is also developed to suggest up to five similar motifs from the original dataset within the same cluster, ensuring cultural relevance while fostering design innovation. Despite these promising outcomes, several limitations remain, such as the relatively small number of songket motif samples, variations in motif quality, and challenges during data collection including inconsistent lighting and non-uniform patterns. These factors affect both dataset consistency and generative performance. Nevertheless, this approach demonstrates the potential of artificial intelligence to support the preservation and innovation of cultural heritage by assisting artisans in creating and exploring new motifs more efficiently without losing their traditional identity.
SISTEM PAKAR PEMILIHAN JENIS KREDIT NASABAH MENGGUNAKAN METODE FORWARD CHAINING PADA PT. BANK RAKYAT INDONESIA (PERSERO) Purnamasidi, Hanis; Salman; Bakti, Lalu Darmawan; Imran, Bahtiar
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 1 No. 3 (2022): Desember 2022
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v1i3.2

Abstract

Penerapan sistem pakar dalam pemilihan jenis kredit dengan metode forward chaining diharapkan menjadi salah satu alternatif bagi calon nasabah dalam proses pengajuan kredit pada perbankan. Nasabah yang ingin melakukan pengajuan sering kali harus datang berkali – kali ke kantor bank untuk berkonsultasi atau sekedar mencari informasi tentang kredit perbankan yang tersedia. Penelitian ini sebagai produk ilmu pengetahuan dan teknologi dalam bentuk kecerdasan buatan bagi nasabah agar dapat melakukan konsultasi jarak jauh dan mencari informasi sendiri dari mana saja. Metode forward chaining yang digunakan dalam penerapan sistem pakar ini dimulai dengan mencari dan memilah data fakta serta mencocokkan data sesuai dengan bagian “IF” dari “rules IF-THEN”. Bila ada data yang cocok dengan bagian “IF” maka rules tersebut di eksekusi, dan akan ditampilakan pada halaman hasil. Hasil penelitian menunjukkan bahwa klasifikasi kredit akan sangat sensitive dengan jenis jaminan dan penghasilan yang dimiliki calon nasabah sedangkan variable lainnya hanya bersifat data pendukung.
KLASIFIKASI PENYAKIT KATARAK BERDASARKAN CITRA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS WEB Diki Hananta Firdaus; Bahtiar Imran; Lalu Darmawan Bakti; Emi Suryadi
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 1 No. 3 (2022): Desember 2022
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v1i3.6

Abstract

Mata adalah alat indera pada manusia yang berfungsi sebagai organ penglihatan. Gangguan penglihatan yang sangat memprihatinkan adalah masalah kebutaan. Mengacu pada data World Health Organization (WHO) tahun 2018, katarak menyumbang sekitar 48% kasus kebutaan di dunia dan nomor satu di Indonesia. Mata katarak dengan mata normal di masyarakat sekitar masih sulit untuk dibedakan, Sehingga masyarakat sering tidak menyadari ketika terindikasi penyakit katarak. Melihat dari uraian tersebut, penting sekali untuk mendeteksi penyakit katarak sebelum terjadi kebutaan. Dengan berkembangnya teknologi, pendeteksian dan klasifikasi katarak menjadi lebih mudah dengan adanya pengolahan citra digital. Pada penelitian ini penulis membuat suatu aplikasi Machine Learning untuk mengidentifikasi antara mata katarak dan mata normal dengan menggunakan metode Convolutional Neural Network (CNN) berbasis web. Dataset yang digunakan adalah 512 citra digital dengan pembaruan 2 kelas yaitu kelas katarak dan kelas normal. Dataset diambil dari sebuah website yang bergerak di bidang data sience yang bernama Kaggle. Pembelajaran mesin menggunakan Epoch 1, epoch 10 dan epoch 25. Pada epoch 1 mendapatkan hasil akurasi model sebesar 52,20%, epoch 10 mendapatkan akurasi sebesar 89,15% dan epoch 25 mendapatkan hasil akurasi sebesar 99,74%. Hasil terbaik yang didapatkan model adalah 99,74%. Hasil pengujian model menggunakan metode CNN ini dapat bekerja dengan sangat baik untuk memprediksi penyakit katarak pada mata.
Co-Authors AA Sudharmawan, AA Abba Suganda Girsang, Abba Suganda Ahmad Yani ahmad yani Akbar, Ardiyallah Akhmad Muzakka Alfian Hidayat Amirudin Kalbuadi Anak Agung Istri Sri Wiadnyani Atika Zahra Nirmala Baihaki, Makmun Baiq Nonik Ria Riska Baiq Nonik Ria Riska Diki Hananta Firdaus Efendi, Muhamad Masjun Erfan Wahyudi erniwati, surni Fachrul Kurniawan Febri, Elin Febriani Giardi, Muh Hamzah Andung Hambali Hambali Hambali Hambali Hamim, Lutfi Hasan Basri Hendri Ramdan Hidayatullah, Beni Ari Karim, Muh Nasirudin Karina Nurwijayanti Karya Gunawan Karya Gunawan Lalu Darmawan Bakti, Lalu Darmawan Lalu Delsi Samsumar, M.Eng. M Zulpahmi M. Zulpahmi M. Zulpahmi Mahayadi, Mahayadi Makmun Baihaki Marroh, Zahrotul Isti’anah Maspaeni Maspaeni Moch Arief Soeleman Moh. Arief Soeleman Muahidin, Zumratul Muh. Akshar Muhammad Rijal Alfian Muhammad Zohri Mutaqin, Zaenul Muttaqin, Athaur Muzakka, Akhmad Ndang, Rijalul Mujahidin Nining Putri Ningsih Nunung Rahmania Nurkholis, Lalu Moh. Pratama, Rifqy Hamdani Purnamasidi, Hanis Purwanto Purwanto Ricardus Anggi Pramunendar Riska, Baiq Nonik Ria Rosida, Sri Rudi Muslim Rudi Muslim Salman Salman Salman Salman Salman Saputra, Dede Haris Satriawan, Andre Selamet Riadi Selamet Riadi Sriasih, Sriasih Subektiningsih Subektiningsih Subki, Ahmad Suharjito Suharjito, Suharjito Suhartono Supardianto Supardianto Surni Erniwati Suryadi, Emi Tahrir, Muhammad wahyuni, wenti ayu Zaeniah Zaeniah Zaeniah Zaeniah Zaenudin Zaenudin Zaenudin Zaenudin Zaenudin Zaenudin Zaenudin Zaenudin Zaenudin Zahroni, Teguh Rizali Zenuddin, Z Zulpahmi, M Zulpahmi, M. Zulpan Hadi