Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Jurnal Minfo Polgan (JMP) Jurnal Sinergi Digital dan Pemberdayaan Masyarakat
Fahmi Izhari
UIN Syekh Ali Hasan Ahmad Addary Padangsidimpuan
Computer Science & IT Economics, Econometrics & Finance Education Engineering Environmental Science Library & Information Science Mathematics Social Sciences

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

Found 3 Documents
Search

 1 
LITERASI DIGITAL GURU SEKOLAH DASAR DALAM PEMANFAATAN ARTIFICIAL INTELLIGENCE SEBAGAI PENDUKUNG PEMBELAJARAN INTERAKTIF Fahmi Izhari; Rusnai Rahayu Rahayu; Wafiq Zaitunnah Zaitunnah; Yogi Nauli Hasibuan
Journal of Public Health Vol 1 No 2 (2025): Jurnal Sinergi Digital untuk Pemberdayaan Masyarakat
Publisher : CV. Data Sinergi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65853/sidena.v1i2.119

Abstract

Literasi digital merupakan kompetensi penting bagi guru sekolah dasar dalam mengintegrasikan teknologi ke dalam proses pembelajaran. Namun, pemanfaatan teknologi di SD Negeri 200108 Padangsidimpuan masih cenderung terbatas pada penggunaan media konvensional, meskipun sarana pendukung telah tersedia. Kegiatan pengabdian kepada masyarakat ini bertujuan meningkatkan literasi digital guru serta mengembangkan kemampuan mereka dalam memanfaatkan Artificial Intelligence dan Scratch sebagai pendukung pembelajaran interaktif. Pelaksanaan kegiatan menggunakan pendekatan deskriptif-partisipatif yang terdiri atas tahap analisis kebutuhan, workshop, pendampingan praktik, dan evaluasi. Guru diberikan pengenalan mengenai pemanfaatan AI dalam penyusunan materi pembelajaran serta pelatihan pengembangan media interaktif berbasis Scratch. Evaluasi dilakukan melalui observasi partisipatif, angket literasi digital sebelum dan sesudah kegiatan, serta penilaian terhadap media pembelajaran yang dihasilkan. Hasil kegiatan menunjukkan adanya peningkatan pemahaman dan keterampilan guru dalam menggunakan teknologi digital. Peserta mampu memahami dasar pemrograman visual, menyusun alur pembelajaran, serta menghasilkan media berbasis Scratch dalam bentuk animasi, simulasi, dan kuis interaktif. Kegiatan ini juga mendorong peningkatan kepercayaan diri, kreativitas, dan kolaborasi antarguru dalam mengembangkan media pembelajaran. Dengan demikian, workshop dan pendampingan berbasis praktik dapat menjadi pendekatan yang relevan untuk memperkuat kapasitas digital guru dan mendukung pembelajaran sekolah dasar yang lebih interaktif, adaptif, dan berkelanjutan.
Analisis Komparatif Efisiensi Parameter Hybrid Quantum-Classical Neural Network pada Prediksi Energi Molekul QM9 Fahmi Izhari
Jurnal Minfo Polgan Vol. 14 No. 2 (2025): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v14i2.15771

Abstract

Percepatan penemuan material baru terkendala oleh tingginya biaya komputasi metode kimia quantum konvensional seperti DFT (Density Functional Theory). Meskipun metode Deep Learning klasik menawarkan alternatif yang lebih cepat, pendekatan ini sering kali membutuhkan arsitektur dengan jutaan parameter untuk mencapai akurasi yang memadai. Penelitian ini mengevaluasi potensi Quantum Machine Learning (QML) untuk mengatasi masalah inefisiensi parameter tersebut. Secara spesifik, penelitian ini membandingkan kinerja model Hybrid Quantum Neural Network (HQNN) berbasis sirkuit variasional 4-qubit melawan model Classical Multi-Layer Perceptron (MLP) sebagai baseline pada tugas regresi energi internal ($U_0$) menggunakan dataset QM9. Untuk memastikan perbandingan yang adil, kedua model dibatasi secara ketat memiliki jumlah parameter yang identik, yaitu sekitar 72 parameter. Hasil eksperimen menunjukkan bahwa model Quantum mencapai konvergensi pelatihan yang lebih baik dengan nilai Mean Squared Error (MSE) akhir sebesar 0.6292, mengungguli model Klasik yang berhenti di angka 0.7369. Lebih lanjut, model Quantum mencatatkan akurasi prediksi dengan Mean Absolute Error (MAE) sebesar 759.89 Hartree. Temuan ini membuktikan bahwa fitur quantum entanglement memberikan daya ekspresi (expressibility) yang superior dibandingkan transformasi linear klasik pada batasan sumber daya komputasi yang ketat, menjadikan algoritma hibrida quantum solusi yang menjanjikan untuk simulasi kimia di era Noisy Intermediate-Scale Quantum (NISQ).
An Explainable Clinical Variant Risk Assessment Framework for Genomic Decision Support Fahmi Izhari; Hanna Willa Dhany; Syarif Hidayat Matondang; Rizki Khairani Nasution
METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol. 10 No. 1 (2026): METHOMIKA: Jurnal Manajemen Informatika & Komputersisasi Akuntansi
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/jmika.Vol10No1.pp350-356

Abstract

Clinical variant interpretation is essential for precision medicine; however, conventional machine learning approaches often focus on prediction accuracy without providing sufficient interpretability and decision-support capabilities. This study proposes a hybrid framework integrating Light Gradient Boosting Machine (LightGBM), SHapley Additive exPlanations (SHAP), and a Fuzzy Decision Support System (FDSS) for clinical variant risk assessment using the ClinVar dataset. A stratified sample of 200,000 genetic variants was utilized for model development and evaluation. LightGBM was employed to predict variant pathogenicity, while SHAP was applied to identify feature contributions and improve model transparency. The resulting prediction probabilities were subsequently processed through fuzzy inference to generate interpretable risk categories and recommendation-oriented outputs. Experimental results showed that the proposed framework achieved an Accuracy of 95.89%, Precision of 95.58%, Recall of 82.97%, F1-Score of 88.83%, and ROC-AUC of 98.73%. Explainability analysis revealed that variant-type representation was the most influential predictor of pathogenicity. The proposed framework extends conventional classification by transforming predictive outputs into actionable risk assessments, thereby enhancing transparency and supporting informed genomic decision-making. These findings demonstrate the potential of integrating predictive analytics, explainable artificial intelligence, and fuzzy reasoning for clinical variant assessment in precision medicine.
Co-Authors Hanna Willa Dhany Rizki Khairani Nasution Rusnai Rahayu Rahayu Syarif Hidayat Matondang Wafiq Zaitunnah Zaitunnah Yogi Nauli Hasibuan