Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Computer Journal Linier: Literatur Informatika dan Komputer
Muhammad Fuad
Universitas Muslim Buton
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Mathematics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pendekatan Analitik Berbasis Big Data dan Model Prediktif Sebagai Strategi Penguatan Ekonomi Kelautan Di Wakatobi Muhammad Fuad; Ibrahim Marsela; Ridwan Ridwan
LINIER: Literatur Informatika dan Komputer Vol 2, No 4 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i4.3342

Abstract

Peningkatan ekonomi maritim di Kabupaten Wakatobi menuntut pendekatan yang berbasis pada pemanfaatan data guna menjawab beragam tantangan dalam pengelolaan sumber daya laut yang kian kompleks. Pemanfaatan Big Data bersama algoritma prediktif menjadi salah satu langkah strategis untuk mendukung proses pengambilan keputusan yang lebih akurat sekaligus berkelanjutan, terutama pada sektor perikanan, pariwisata bahari, dan konservasi laut. Penelitian ini berfokus pada upaya memahami bagaimana teknologi Big Data dan algoritma prediktif berperan dalam memperkuat ekosistem ekonomi kelautan di wilayah Wakatobi. Metode yang digunakan bersifat deskriptif-kualitatif melalui studi kasus dan wawancara mendalam dengan para pemangku kepentingan lokal. Pendekatan ini juga dilengkapi dengan analisis data sekunder yang bersumber dari platform digital kelautan serta citra satelit. Hasil penelitian memperlihatkan bahwa integrasi antara data spasial, informasi iklim laut, dan aktivitas nelayan dapat membantu memperkirakan potensi tangkapan dengan lebih baik serta mengidentifikasi zona ekonomi laut yang menjadi prioritas. Algoritma prediktif berbasis machine learning seperti Random Forest dan Support Vector Machine terbukti memberikan hasil yang cukup akurat dalam mengelompokkan wilayah yang produktif dan kurang produktif.Secara keseluruhan, penerapan teknologi tersebut tidak hanya berkontribusi pada peningkatan efisiensi pelaku usaha di sektor kelautan, tetapi juga menjadi dasar bagi perumusan kebijakan yang berbasis bukti dan berorientasi pada keseimbangan antara kepentingan ekonomi serta keberlanjutan ekologi di Wakatobi.
Fine-Tuning Model Generative Pre-Trained Transformer 2 (GPT-2) untuk Pembuatan Soal-Jawab Otomatis pada Materi Ilmu Pengetahuan Alam dan Sosial (IPAS) di SD Negeri 1 Wawoangi Anisa Agustina; Muhammad Fuad
Computer Journal Vol. 4 No. 2 (2026): August
Publisher : Yayasan Pendidikan Mitra Mandiri Aceh (YPMMA)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58477/cj.v4i2.462

Abstract

The increasing administrative workload of teachers makes manual preparation of assessment questions time-consuming and may lead to the reuse of questions from previous years. This study examines the application of the transformer-based Generative Pre-trained Transformer 2 (GPT-2) model for automatic question-and-answer generation in elementary school Natural and Social Sciences (IPAS). The model was fine-tuned using 239 Indonesian context-question-answer triples, with 90% used for training and 10% for testing. Fine-tuning was conducted using four dataset sizes: 50, 100, 150, and 239 samples, to examine the relationship between training data volume and generation quality. Model performance was evaluated by examining parameter changes between the pre-trained and fine-tuned models and using the ROUGE metric to measure textual similarity between generated and reference questions and answers. The 239-sample dataset produced the most coherent and contextually appropriate questions, with ROUGE-1, ROUGE-2, and ROUGE-L scores of 1.0 for questions and 0.41, 0.24, and 0.36 for answers. These findings suggest that GPT-2 fine-tuning can support automatic question-generation tools when sufficient training data are available.
Co-Authors Anisa Agustina Ibrahim Marsela Ridwan Ridwan