Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Progresif: Jurnal Ilmiah Komputer
Irsyad, Hafiz
Universitas Multi Data Palembang
Computer Science & IT Control & Systems Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Penerapan CNN Pada Klasifikasi Kepribadian Anak Sekolah Dasar Berdasarkan Citra Tulisan Tangan Maulana, Muhammad Ishaq; Irsyad, Hafiz
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2 (2025): Agustus
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2959

Abstract

Indonesia has a rich culture. This creates dynamics in personality formation. In schools, teachers' understanding of students' personalities is key. So far, conventional methods such as observation, interviews and graphology have been used to classify children's personalities, which are less efficient. This study uses the CNN algorithm with the Mobilenetv2 architecture. Dataset was taken from 5th grade students from 3 SDN Palembang with a total of 246 data divided into 2 classes, namely extrovert 101 data and introvert 145 data. Then grayscale preprocessing, normalization, and augmentation. Ratio of training, validation, and test data is 80:10:10. Model was trained with Adam optimizer, learning rate 0.0001, batch size 20, and epochs of 12. The result is a model accuracy of 69.2% with a tendency for the model to classify images as introverts. This study is expected to help teachers gain insight into the best teaching approach in the classroom.Keywords: CNN; Graphology; Elementary School AbstrakIndonesia memiliki budaya yang kaya. Ini menciptakan dinamika dalam pembentukan kepribadian. Di sekolah, pemahaman guru terhadap kepribadian siswa menjadi kunci. Selama ini untuk mengklasifikasi kepribadian anak, digunakan metode konvensional seperti observasi, wawancara dan ilmu grafologi yang kurang efisien. Penelitian ini menggunakan algoritma CNN dengan arsitektur Mobilenetv2. Dataset diambil dari siswa kelas 5 dari 3 SDN Palembang dengan total 246 data yang dibagi menjadi 2 kelas, yaitu extrovert 101 data dan introvert 145 data. Kemudian dilakukan preprocessing grayscale, normalisasi, dan augmentasi. Rasio data latih, validasi, dan uji adalah 80:10:10. Model dilatih dengan Adam optimizer, learning rate 0,0001, batch size 20, dan epoch sebanyak 12. Hasilnya akurasi model sebesar 69,2% dengan kecenderungan model mengklasifikasi citra sebagai introvert. Penelitian ini diharapkan dapat membantu guru mendapatkan pandangan tentang cara pendekatan mengajar yang terbaik di kelas.Kata kunci: CNN; Grafologi; Sekolah Dasar
Klasifikasi Bentuk Wajah Menggunakan Algoritma CNN Dengan Arsitektur Densenet-201 Hasanah, Putri; Irsyad, Hafiz
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 1 (2026): Februari 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i1.3448

Abstract

Face shape classification is an important component in various face recognition–based applications, such as security systems, social media personalization, and style recommendation systems. However, accurate face shape classification remains a challenge due to the complex variations in facial morphological structures, such as oval, square, heart, oblong, and round shapes. This study uses a Convolutional Neural Network (CNN) algorithm with the DenseNet-201 architecture. The collected dataset consists of 5,000 facial images categorized into Oval, Round, Square, Heart, and Oblong, with a data split of 80% for training and 20% for testing. The model was then trained using the DenseNet-201 architecture and evaluated using two different learning rates (0.001 and 0.0001), two batch sizes (16 and 32), and 50 and 100 epochs. The initial results showed a model accuracy of 42%, with a tendency to classify face images as the square category. Subsequently, an additional experiment was conducted, which successfully achieved an accuracy of 89%.Keywords: Facial shape; Convolutional Neural Network; DenseNet-201; Facial classification AbstrakKlasifikasi bentuk wajah merupakan komponen penting dalam berbagai aplikasi berbasis pengenalan wajah, seperti sistem keamanan, personalisasi media sosial, hingga sistem rekomendasi gaya. Namun, pengklasifikasian bentuk wajah secara akurat masih menjadi tantangan karena adanya variasi kompleks dalam struktur morfologi wajah, seperti bentuk oval, persegi, hati, oblong dan bulat. Penelitian ini menggunakan algoritma CNN dengan arsitektur DenseNet-201. Dataset yang dikumpulkan sebanyak 5000 gambar wajah, dengan kategori (Oval, Round (Bulat), Square (Persegi), Heart (Hati), dan Oblong/lonjong), dengan masing-masing proporsi 80% data Training dan 20% data Testing. Kemudian model dilatih dengan arsitektur DenseNet-201 dan dilakukan uji coba dengan dua nilai learning rate yang berbeda 0.001 dan 0.0001, dua ukuran batch 16 dan 32, dan epoch 50 dan 100. Hasil akurasi model yang di dapatkan sebesar 42% dengan kecenderungan model klasifikasi citra bentuk wajah square. Lalu dilakukan eksperimen tambahan yang berhasil mendapatkan akurasi sebesar 89%. 
Pemanfaatan Fitur Tambahan Emosi Untuk Deteksi Hate Speech Media Sosial Bahasa Indonesia Clement, Michael Joy; Irsyad, Hafiz
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3338

Abstract

This study examines the importance of incorporatring emotion features and enhancing the temporal robustness of hate-speech detection models to improve classification accuracy. The research aims to analyze the impact of emotion features on an IndoBERT based model and to evaluate the model’s adaptability using an unsupervised self-learning approach. The dataset consists of two corpora, a public dataset from 2019 and twitter data from 2025, each divided into training, validation, and test sets with an 80%, 10%, 10% split. Model performance is evaluated using accuracy, precision, recall and F1-score calculated from confusion matrix. Experimental results show that adding emotion features increases accuracy by 1-2% across all scenarios. In cross-temporal testing, the supervised model performance declines duet o linguistic shifts whereas the self-learning method improves accuracy up to 77.67%. These findings indicate that emotion features and self-learning effectively enhance the model’s ability to adapt to evolving language and social context.Keyword: Emotion; Hate speech detection; IndoBERT AbstrakPenelitian ini membahas pentingnya penambahan fitur emosi dan peningkatan ketahanan model deteksi ujaran kebencian terhadap perubahan bahasa lintas waktu guna memperkuat akurasi klasifikasi. Tujuan penelitian adalah menganalisis pengaruh fitur emosi pada model berbasis IndoBERT dan mengevaluasi kemampuan adaptasi model menggunakan pendekatan unsupervised self-learning. Data menggunakan dua korpus yaitu dataset publik tahun 2019 dan data Twitter tahun 2025, yang masing-masing dibagi menjadi data latih dan data latih, validasi, dan uji dengan proporsi 80%, 10%, dan 10%. Model dievaluasi menggunakan accuracy, precision, recall, dan F1-score yang dihitung melalui confusion matrix. Hasil pengujian menunjukkan bahwa penambahan fitur emosi meningkatkan akurasi sebesar 1-2% di seluruh skenario. Pada pengujian lintas waktu, performa model supervised menurun akibat perubahan konteks linguistik, namun metode self-learning meningkatkan akurasi hingga 77.67%. temuan ini menunjukkan bahwa fitur emosi dan self-learning efektif meningkatkan adaptasi model terhadap dinamika bahasa serta konteks sosial.Kata kunci: Seteksi ujaran kebencian; Emosi; IndoBERT
Co-Authors Clement, Michael Joy Hasanah, Putri Maulana, Muhammad Ishaq