Article Per Year (5 Year)
p-Index From 2021 - 2026
2.058
P-Index
This Author published in this journals
All Journal JURNAL TEKNOLOGI DAN OPEN SOURCE Jurnal Nasional Komputasi dan Teknologi Informasi JOURNAL OF SCIENCE AND SOCIAL RESEARCH CENDEKIA : Jurnal Ilmu Pengetahuan EDUTECH : Jurnal Inovasi Pendidikan Berbantuan Teknologi DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY Journal of Artificial Intelligence and Digital Business Jurnal Ilmu Komputer dan Sistem Informasi Jurnal Pengabdian Masyarakat Jurnal Teknik Informatika dan Teknologi Informasi Jurnal Nasional Komputasi dan Teknologi Informasi
M. Khalil Gibran
Universitas Islam Negeri Sumatera Utara
Religion Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Library & Information Science Neuroscience Social Sciences Transportation

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search

 1   2 
Transfer Learning Implementation with MobileNetV2 for Cassava Leaf Disease Detection Muhammad Fathir Aulia; M. Khalil Gibran; Nur Shafwa Aulia Sitorus; Agung Nugroho; Nayla Faiza; Hervilla Amanda R. Siregar
JURNAL TEKNOLOGI DAN OPEN SOURCE Vol. 8 No. 1 (2025): Jurnal Teknologi dan Open Source, June 2025
Publisher : Universitas Islam Kuantan Singingi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36378/jtos.v8i1.4442

Abstract

Cassava (Manihot esculenta) is one of Indonesia’s key agricultural commodities but is vulnerable to various leaf diseases, such as Cassava Bacterial Blight (CBB) and Cassava Mosaic Disease (CMD). These diseases often exhibit similar visual symptoms, making it challenging for farmers to accurately identify them through manual observation. This study aims to develop an automatic cassava leaf disease detection system based on transfer learning, utilizing the MobileNetV2 architecture. The dataset used consists of 1,500 images, evenly distributed across three categories: CBB, CMD, and healthy leaves. The data underwent preprocessing, augmentation, and model training, including fine-tuning of the last 20 layers of the MobileNetV2 model. Evaluation results indicated that the model achieved an accuracy of 67% on the test set, with the highest performance in detecting Cassava Mosaic Disease, reflected by an F1-score of 0.75. These results demonstrate the potential of MobileNetV2 as a lightweight and efficient solution for detecting cassava leaf diseases, particularly when supported by a larger and more diverse dataset. This research serves as a foundation for developing mobile-based diagnostic tools to help farmers make faster and more accurate decisions in the field.
Analisis Pengalaman pada Penggunaan Chatbot (ChatGPT) dalam Pembelajaran Siswa Menggunakan Metode SUS Siti Dian Fachroza Ritonga; Cahaya Indah Siregar; Indah Lestari; Revina Putri Damayanti; M. Khalil Gibran
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.9077

Abstract

Penelitian ini bertujuan untuk mengeksplorasi pengalaman pengguna saat memanfaatkan chatbot yang didukung oleh kecerdasan buatan, yaitu ChatGPT, dalam mendukung proses belajar menggunakan metode System Usability Scale (SUS). Kemajuan teknologi Artificial Intelligence (AI) di bidang pendidikan telah membawa banyak kemudahan bagi mahasiswa dalam mencari data, memahami materi kuliah, dan menyelesaikan tugas akademis. Oleh karena itu, perlu dilakukan penilaian mengenai seberapa berguna dan nyaman ChatGPT, agar kita bisa mengetahui seberapa jauh sistem ini mampu memberikan pengalaman belajar yang baik bagi para penggunanya. Penelitian ini menggunakan pendekatan kuantitatif dengan metode survei yang melibatkan 62 responden dari berbagai jurusan yang telah memanfaatkan ChatGPT dalam kegiatan belajar. Data dikumpulkan melalui distribusi kuesioner System Usability Scale (SUS) yang terdiri dari 10 pernyataan dengan menggunakan skala Likert 1–5. Hasil dari penelitian ini mengindikasikan bahwa sebagian besar responden memiliki pandangan positif terhadap penggunaan ChatGPT. Pengguna merasa ChatGPT mudah dimengerti, user-friendly, memiliki fitur yang saling terintegrasi dengan baik, serta dapat memberikan respons yang cepat dan membantu dalam memahami materi pembelajaran. Selain itu, sebagian besar responden juga merasakan kemampuan menggunakan ChatGPT secara mandiri tanpa bantuan dari pengguna lain. Berdasarkan pengukuran melalui metode SUS, tingkat kegunaan ChatGPT tergolong baik, sehingga sistem ini dianggap layak untuk dijadikan alat bantu dalam pembelajaran. Namun, ada beberapa batasan seperti kemungkinan adanya informasi yang kurang tepat dan penjelasan yang belum menyeluruh pada beberapa topik tertentu. Secara keseluruhan, ChatGPT memiliki potensi besar untuk meningkatkan efektivitas dan efisiensi dalam proses pembelajaran serta dapat terus dikembangkan untuk memberikan pengalaman pengguna yang lebih baik di masa yang akan datang.
PEMODELAN DAN SIMULASI DINAMIKA SISTEM SEBAGAI ALAT PREDIKSI POLA BELANJA MAHASISWA MEDAN DALAM KONTEKS REDENOMINASI RUPIAH Dzilhulaifa Siregar; Fredy Kusuma Ramadhani; Arief Dennis; Alvin Riza; M. Khalil Gibran
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol. 8 No. 4 (2025): November 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i4.4983

Abstract

Abstract: This study analyzes the potential effects of rupiah redenomination on student spending behavior in Medan City. The objective is to examine whether nominal simplification affects consumption patterns through psychological responses. The study uses a quantitative approach supported by System Dynamics simulation, with survey data used to calibrate income, spending levels, and perception variables. Three scenarios were tested: baseline, redenomination without psychological effects, and redenomination with psychological effects. The results show that redenomination does not significantly change long-term consumption. However, psychological influence may cause a temporary increase in student spending, with a simulated growth of around 2–3% after redenomination. Sensitivity analysis confirms that variations in income and perception do not drastically affect overall outcomes. In conclusion, redenomination alone does not impact consumption unless accompanied by perception-driven behavioral change. These findings underline the importance of public education in policy implementation. Keywords: Redenomination; Consumer Behavior; Simulation; System Dynamic Abstrak: Studi ini menganalisis potensi dampak redenominasi rupiah terhadap perilaku pengeluaran siswa di Kota Medan. Tujuannya adalah untuk menguji apakah penyederhanaan nominal memengaruhi pola konsumsi melalui respons psikologis. Studi ini menggunakan pendekatan kuantitatif yang didukung oleh simulasi Dinamika Sistem, dengan data survei digunakan untuk mengkalibrasi variabel pendapatan, tingkat pengeluaran, dan persepsi. Tiga skenario diuji: dasar, redenominasi tanpa efek psikologis, dan redenominasi dengan efek psikologis. Hasilnya menunjukkan bahwa redenominasi tidak secara signifikan mengubah konsumsi jangka panjang. Namun, pengaruh psikologis dapat menyebabkan peningkatan sementara dalam pengeluaran siswa, dengan pertumbuhan simulasi sekitar 2–3% setelah redenominasi. Analisis sensitivitas mengonfirmasi bahwa variasi dalam pendapatan dan persepsi tidak secara drastis memengaruhi hasil keseluruhan. Kesimpulannya, redenominasi saja tidak berdampak pada konsumsi kecuali jika disertai dengan perubahan perilaku yang didorong oleh persepsi. Temuan ini menggarisbawahi pentingnya pendidikan publik dalam implementasi kebijakan. Kata kunci: Redenominasi; Perilaku Konsumen; Simulasi; Dinamika Sistem.
Evaluasi Kinerja Algoritma Machine Learning pada Data Administratif Warga Binaan Tetti Aminah Hasibuan; Khairun Nisa Simatupang; Zannatun Arbiah; M. Khalil Gibran
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.206

Abstract

Abstrak - Penerapan machine learning pada data administratif memiliki potensi besar dalam mendukung analisis berbasis data, namun performa model sangat dipengaruhi oleh karakteristik dataset yang digunakan. Penelitian ini bertujuan untuk menganalisis kinerja algoritma Support Vector Machine (SVM), Random Forest, dan XGBoost dalam melakukan klasifikasi tingkat pendidikan warga binaan berdasarkan data administratif non-identitas. Dataset diperoleh dari arsip administrasi internal lembaga pemasyarakatan dan melalui tahapan pra-pemrosesan, pengubahan fitur kategorikal menggunakan metode one-hot encoding, serta pemisahan data latih dan data uji dengan rasio 80:20. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa akurasi berada pada kisaran 0,15–0,28, presisi 0,04–0,09, recall 0,07–0,10, serta F1-score 0,06–0,10. Model SVM dengan kernel Radial Basis Function (RBF) memperoleh nilai akurasi tertinggi, sementara XGBoost menunjukkan kinerja yang relatif lebih stabil pada metrik presisi, recall, dan F1-score. Namun demikian, capaian performa tersebut hanya sedikit lebih baik dibandingkan baseline klasifikasi acak, sehingga secara keseluruhan kinerja model masih tergolong rendah. Temuan ini menunjukkan bahwa dominasi atribut kategorikal, keterbatasan informasi fitur, serta ketidakseimbangan distribusi kelas memberikan pengaruh signifikan terhadap kemampuan model dalam mempelajari pola secara optimal. Kata kunci: machine learning; evaluasi kinerj;, data administratif; klasifikasi; warga binaan; Abstract - The application of machine learning to administrative data has great potential in supporting data-driven analysis, but model performance is greatly influenced by the characteristics of the dataset used. This study aims to analyze the performance of Support Vector Machine (SVM), Random Forest, and XGBoost algorithms in classifying the educational level of inmates based on non-identifying administrative data. The dataset was obtained from the internal administrative archives of correctional institutions and underwent pre-processing, categorical feature conversion using the one-hot encoding method, and separation of training and test data with a ratio of 80:20. Model performance was evaluated using accuracy, precision, recall, and F1-score metrics. The test results showed that the accuracy ranged from 0.15 to 0.28, precision from 0.04 to 0.09, recall from 0.07 to 0.10, and F1-score from 0.06 to 0.10. The SVM model with Radial Basis Function (RBF) kernel obtained the highest accuracy value, while XGBoost showed relatively more stable performance in terms of precision, recall, and F1-score metrics. However, these performance achievements were only slightly better than the random classification baseline, so overall model performance was still relatively low. These findings indicate that the dominance of categorical attributes, limited feature information, and class distribution imbalance have a significant impact on the model's ability to learn patterns optimally. Keywords: machine learning; performance evaluation; administrative data; classification; inmates;
Co-Authors Abiyyu Adzin Agung Nugroho Ahmad Satria Alvin Riza Amir Saleh Arief Dennis Arif Sandika Arini Sastra Marulafau Azriel Taqwallah Rangkuti Bintang Kurniawan Herman Cahaya Indah Siregar Diah Putri Kartikasari Dzilhulaifa Siregar Faishal Dzaky Fiqri Dian Priyatna Sinaga Fiqri Dwi Al Hafiz Fredy Kusuma Ramadhani Friza Talita Hervilla Amanda R. Siregar Ilham Patih Hasibuan Indah Lestari Irfan Yusuf Khairun Nisa Simatupang M. Arif Fadhillah Lubis M.Rizky Ramadhan Mahda Khairun Nazwa Daulay Mhd Ikhsan Rifki Mhd. Farhan Aditiya Muhammad Amin Naufal Muhammad Bagas F Muhammad Faiz Akbar - Muhammad Fathir Aulia Muhammad Nirvi Akbar Muhammad Zidni Ilman Hasibuan Nadil Fawwaz Ray Nayla Faiza Nur Azizah Lubis Nur Shafwa Aulia Sitorus Nurkhatmul Azmi Nursiah Rafika Hadi Siregar Revina Putri Damayanti Rizky Agung Simatupang Salim Salim Siti Dian Fachroza Ritonga Suthan Farras Ashar Syukri Falahi Capah Tetti Aminah Hasibuan Tiara Ayu Triarta Tambak TM. Farrel Davin Zahra Humaira Kudadiri Zaki Tausy Errahman Sitanggang Zannatun Arbiah Zidni Hudan Al Farabi