Purnawansyah

Authors

Azis, Huzain; Purnawansyah; Fattah, Farniwati; Putri, Inggrianti Pratiwi, Universitas Muslim Indonesia, Urip Sumoharjo km.5, Makassar 90231, Indonesia

Abstract

Secara global, penyebab kematian tertinggi setiap tahunnya adalah penyakit kardiovaskular, yaitu penyakit yang disebabkan oleh gangguan fungsi jantung dan pembuluh darah seperti penyakit jantung koroner, gagal jantung, hipertensi, dan stroke. Penelitian ini bertujuan untuk mengukur performa metode K-Nearest Neighbor (K-NN) dan cross validation berdasarkan metrik akurasi, presisi, recall, dan f-measure pada dataset pasien kardiovaskular. Dataset yang digunakan berjumlah 1000 record dengan 11 atribut (seperti age, gender, height, dan lainnya) yang mencakup data pasien kardiovaskular dan non-kardiovaskular, serta diperoleh dari UCI Machine Learning Repository yang dikelola oleh Hungarian Institute of Cardiology Budapest. Tahapan penelitian meliputi pembagian rasio dataset menjadi 20:80, 50:50, dan 80:20, penerapan cross validation (k-fold = 10), serta proses klasifikasi menggunakan metode K-NN dengan nilai K dari 2 hingga 900. Hasil penelitian menunjukkan bahwa pada rasio 50:50 diperoleh akurasi 82%, presisi 82%, recall 82%, dan f-measure 80% pada K = 13; pada rasio 20:80 diperoleh akurasi 87%, presisi 87%, recall 97%, dan f-measure 92% pada K = 3; serta pada rasio 80:20 diperoleh akurasi 91%, presisi 92%, recall 60%, dan f-measure 72% pada K = 5.

Related SDGs

Authors

Indra, Dolly; Purnawansyah; Universitas Muslim Indonesia, Indonesia; Madenda, Sarifuddin; Wibowo, Eri Prasetyo; Universitas Gunadarma, Indonesia

Abstract

In this research the proposes a method of recognition of BISINDO letters based on hand-shape features that hint every shape of BISINDO Letters. In outline, this method is divided into two parts: the first is part of formation database shape features of BISINDO letters A-Z and the second is part of BISINDO letters recognition. In the first section consist of hand-shape image acquisition that hint every BISINDO letters, segmentation process, edge detection process, feature extraction process that is probability value of hand-shape chain code occurrence and process of database feature formation. In the second section is consist of hand-shape image acquisition process as BISINDO letters query followed by segmentation process, edge detection process, hand-shape feature extraction and recognition process by using calculation difference in distance between query shape feature to each shape feature in database feature. The image acquisition process in two parts above conducted directly (real time) via Webcam connected to the computer device. The method above has been implemented into prototype of Bisindo letters recognition software interface. The experiment results show the accuracy level of BISINDO letter recognition (26 BISINDO letters A to Z) which is reaching above 95%.

Related SDGs

Authors

Sumi, Amin Siddiq; Purnawansyah; Syafie, Lukman, Fakultas Ilmu Komputer Universitas Muslim Indonesia Makassar, Indonesia

Abstract

Kebutuhan untuk menemukan informasi yang berguna dan cepat dalam suatu data yang besar sangat dibutuhkan. Karena kompleksitas data yang begitu banyak maka diperlukan suatu metode atau cara untuk dapat mencari suatu informasi yang diperlukan. Untuk melakukan pencarian sebuah data atau informasi tidak terlepas dari pencocokan string dimana dari hasil pencocokan inilah akan ditemukan pola kalimat yang dicari. Dalam penelitian ini membahas tentang penerapan algoritma brute force dalam melakukan pencocokan sebuah string. Algoritma ini melakukan pencocokan string dengan menggeser satu persatu pattern dan menyesuaikannya dengan teks hingga antara pattern dan teks memiliki pola yang sama. Hasil analisis dari penelitian ini berupa uji coba pencocokan string dengan algoritma brute force dengan studi kasus menggunakan mesin pencarian (search engine) dengan bahasa pemrograman PHP untuk pencocokan string.

Related SDGs

Authors

Sulfikar; Purnawansyah; Hayati, Lilis Nur, Program Studi Teknik Informatika, Universitas Muslim Indonesia, Jalan Urip Sumoharjo KM.05, Makassar, 90231, Indonesia

Abstract

Makassar merupakan salah satu kota besar di Indonesia yang telah menjadi tujuan wisata populer, mulai dari wisata pantai, sejarah, budaya, hingga kuliner. Berdasarkan data Dinas Pariwisata Makassar, jumlah wisatawan nusantara selama tiga tahun terakhir mencapai 15.337.897 orang, sedangkan wisatawan mancanegara sebanyak 284.778 orang. Beberapa objek wisata yang terkenal di Kota Makassar antara lain Pantai Losari dan Fort Rotterdam, di mana pada kawasan tersebut terdapat berbagai objek yang perlu diketahui oleh wisatawan. Meskipun jumlah wisatawan yang berkunjung cukup banyak, baik lokal maupun mancanegara, masih sedikit yang mengetahui informasi secara luas mengenai objek wisata tersebut. Oleh karena itu, diperlukan suatu media pendukung kepariwisataan berupa panduan wisata. Penelitian ini bertujuan untuk menghasilkan aplikasi pemandu wisata yang menggunakan teknologi Augmented Reality (AR) dan metode Location Based Services (LBS) untuk membantu wisatawan dalam memperoleh informasi objek wisata. LBS memanfaatkan titik koordinat longitude dan latitude untuk menentukan lokasi, sedangkan AR memungkinkan pengguna berinteraksi secara real-time dengan sistem. Hasil penelitian ini berupa aplikasi pemandu wisata Kota Makassar berbasis Android yang memudahkan wisatawan dalam mengetahui informasi objek wisata, dengan hasil pengujian menunjukkan 50% responden setuju dan 40% sangat setuju terhadap penggunaan aplikasi tersebut.

Related SDGs

Authors

Purnawansyah; Syafie, Lukman; Herdianti, Universitas Muslim Indonesia

Abstract

Shallots are one of the most widely produced crops in Enrekang Regency. The obstacle in cultivation is the presence of disease in the plant which can reduce production yields. We can recognize this disease from the spots on the leaves because these spots have unique color and texture characteristics. The aim of this research is to determine the results of the classification of shallot plant diseases which focuses on purple spot and moler disease. The classification algorithms used are CNN and SVM with RBF, linear, sigmoid and polynomial kernels. The feature extraction method used is Gray Level Co-occurance Matrix (GLCM). The analysis was carried out using 320 datasets with 2 classes, namely, purple spot disease and moler disease, each class has 160 datasets. The test results show that the CNN and SVM methods with RBF, linear and polynomial kernels get accuracy, precision, recall and F1 scores of 100% respectively. Meanwhile, the SVM method on the sigmoid kernel using texture feature extraction with the GLCM method states that the accuracy value is 75%, precision 75%, recall 73% and F1-Score 74%. So these results state that the Sigmoid method using GLCM feature extraction has the lowest value among other methods

Related SDGs

Authors

Rusdy, Andi Muhammad Adnan; Purnawansyah, Purnawansyah; Herman, Herman; Universitas Muslim Indonesia, Indonesia

Abstract

Penelitian ini bertujuan untuk melakukan prediksi terhadap permintaan obat berdasarkan data penawaran obat pada apotek melalui media aplikasi Point of Sales menggunakan metode Regresi Linier. Metode Regresi Linier merupakan salah satu pendekatan statistik yang menggambarkan hubungan antara dua variabel atau lebih melalui sebuah garis lurus untuk memprediksi kemungkinan di masa depan. Dalam penelitian ini digunakan dua variabel yaitu variabel penawaran yang merupakan variabel bebas (independen) dan variabel permintaan yang merupakan variabel terikat (dependen). Metode Regresi Linier ini digunakan sebagai pendekatan forecasting atau prediksi objek terkait dengan pengukuran performansi menggunakan Mean Square Error, Root Mean Square Error serta Mean Absolute Percentage Error. Data yang digunakan dalam proses prediksi ini adalah data transaksi pada apotek yang meliputi data penjualan dan data ketersediaan obat pada warehouse apotek. Data transaksi yang digunakan sebagai data sampel merupakan data transaksi apotek dalam kurun waktu 3 bulan mulai dari Januari hingga Maret 2021. Hasil penelitian ini menunjukkan pendekatan metode Regresi Linier berada pada nilai optimum. Berdasarkan hasil pengujian menggunakan pendekatan Mean Absolute Percentage Error, Mean Squre Error dan Root Mean Square Error dan masing-masing menunjukkan hasil sebesar 4.914%, 1.065 dan 1.032 Sehingga prediksi penawaran dan permintaan obat menggunakan aplikasi Point of Sales dengan pendekatan algoritma Regresi Linier dapat diterapkan pada studi kasus penelitian ini.

Related SDGs

Authors

Asis, Muhammad Arfah; Purnawansyah; Manga, Abdul Rachman, Program Studi Teknik Informatika, Universitas Muslim Indonesia, Jalan Urip Sumoharjo KM.05, Makassar, 90231, Indonesia

Abstract

Beberapa pengolahan data uji pada Laboratorium Kimia Universitas Muslim Indonesia (UMI) masih dilakukan menggunakan Microsoft Excel, salah satunya pada analisis kadar obat, di mana tidak semua obat memiliki metode analisis sehingga perlu dirancang metode yang sesuai dan divalidasi melalui pengujian berbagai parameter. Penelitian ini bertujuan untuk merancang aplikasi yang dapat menentukan validitas metode analisis farmasi guna memastikan efektivitas dan keamanan penggunaan obat, dengan parameter yang diuji meliputi presisi (keseksamaan), linearitas, akurasi (kecermatan), batas deteksi, dan batas kuantitas. Aplikasi yang dikembangkan berbasis desktop menggunakan bahasa pemrograman Delphi. Hasil pengujian menunjukkan adanya kesamaan dan perbedaan nilai perhitungan, di mana perbedaan disebabkan oleh proses input manual pada data linearitas yang menyebabkan pembulatan nilai, sedangkan pada aplikasi yang dikembangkan seluruh hasil perhitungan digunakan secara langsung pada proses berikutnya sehingga menghasilkan perhitungan yang lebih cepat dan lebih akurat.

Related SDGs

Authors

Purnawansyah; Ali, Zahrizhal; Darwis, Herdianti; Ilmawan, Lutfi Budi; Jabir, Sitti Rahmah; Manga, Abdul Rachman, Department of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Code Large Language Models (Code LLMs) such as Code LLaMa and StarCoder have exhibited outstanding proficiency in tasks required for specific tasks like code generation. Several conducted research to similar task by utilizing fine-tuning techniques from state-of-the-art base models for more specific related task. However, due to the cost limitations and limited computing resources, performing fine-tuning from large language models is excessively high. In this study, we utilized Low-Rank Adaptation (LoRA) for base large language models such as LLaMA-2 and Phi-1.5, which uses trainable rank decomposition matrices. Furthermore, we injected Quantized LoRA (QLoRA) to help reduce memory usage while training the model and analyzed the contribution to GPU usage. Notably, our findings reveal that employing these techniques for fine-tuning on small datasets yields cost-effective and viable alternatives for language-related tasks, showcasing competitive performance compared to state-of-the-art models like CodeLLaMa 7B substantiated by lower train loss achieved in our experiments.

Related SDGs

Authors

Purnawansyah, Purnawansyah; Universitas Muslim Indonesia, Indonesia; Haviluddin, Haviluddin; Setyadi, Hario Jati; Wong, Kelvin; Universitas Mulawarnam, Indonesia; Alfred, Rayner; Universiti Malaysia Sabah, Malaysia

Abstract

This article aims to predict the inflation rate in Samarinda, East Kalimantan by implementing an intelligent algorithm, Backpropagation Neural Network (BPNN). The inflation rate data was obtained from the Provincial Statistics Bureau of Samarinda https://samarindakota.bps.go.id/ for the period January 2012 to January 2017. The method used to measure accuracy algorithm prediction was the mean square error (MSE). Based on the experiment results, the BPNN method with architectural parameters of 5-5-5-1; the learning function was trainlm; the activation functions were logsig and purelin; the learning rate was 0.1 and able to produce a good level of prediction error with an MSE value of 0.00000424. The results showed that the BPNN algorithm can be used as an alternative method in predicting inflation rates in order to support sustainable economic growth, so that it can improve the welfare of the people in Samarinda, East Kalimantan.

Related SDGs

Authors

Purnawansyah; Hasanuddin, Tasrif; Herdianti, Universitas Muslim Indonesia

Abstract

Indonesia is a rich country in herbal plants that can be used as traditional medicine. Leaves are one of the main components of herbal plants that are difficult to distinguish in texture and shape. This study aims to classify two types of herbal leaves, namely Sauropus androgynus and Moringa leaves using the K-nearest neighbor (KNN) and Support vector machine (SVM) with fourier descriptor (FD) feature extraction on texture and shape features. The research uses primary data collected through a smartphone camera as much as 480 image data with light and dark scenarios which are then divided into 80:20 training and testing data. Based on the research that has been done, it is found that the KNN for light scenario data and dark scenarios get 92% and 94% accuracy respectively. The test results using SVM with FD feature extraction obtain an accuracy of 96% for light and dark scenarios. Thus, SVM is more recommended in the classification of herbal leaf images.

Related SDGs

Authors

Syarifuddin, Fatimah; Purnawansyah; Irawati, Fakultas Ilmu Komputer a Universitas Muslim Indonesia, Jl. Urip Sumoharjo KM. 05, Makassar 90231, Indonesia

Abstract

Salah satu materi mata pelajaran ilmu pengetahuan alam yang wajib dipelajari siswa SD kelas 5 adalah organ tubuh manusia, yaitu sistem pernapasan, sistem pencernaan dan sistem peredaran darah. Dalam proses pembelajaran organ tubuh manusia ini, pada umumnya belum memanfaatkan sistem informasi sebagai media pembelajarannya, hingga saat ini masih banyak metode pembelajaran menggunakan buku bergambar 2D yang tidak dapat menunjukkan bentuk real (nyata) seperti aslinya (3 dimensi), sehingga kurang menarik untuk dipelajari. Penulis membangun aplikasi augmented reality media pembelajaran organ tubuh manusia berbasis android dengan marker flash card yang menarik. Aplikasi ini menampilkan objek organ tubuh manusia dalam bentuk 3D, serta disimulasikan cara kinerja sistem organ tubuh manusia dalam bentuk video, dengan demikian organ tubuh manusia serta cara kinerjanya dapat tergambar secara keseluruhan yang bekerja sesuai cara kerja yang terjadi (secara nyata). Aplikasi ini menggunakan pengujian secara black box, didapatkan bahwa video maupun objek 3D organ tubuh manusia pada kamera augmented reality akan tampil dengan baik pada jarak 15 cm antara kamera dan marker, dengan kriteria pencahayaan yang terang ataupun redup, baik pada sudut kemiringan kamera 0º maupun 80º

Related SDGs

Authors

Azis, Huzain; Purnawansyah, Universitas Muslim Indonesia; Dwiyanto, Felix Andika, AGH University Of Science and Technology

Abstract

Support Vector Regression (SVR) is a supervised learning algorithm to predict continuous variable values. The basic goal of the SVR algorithm is to find the most suitable decision line. SVR has been successfully applied to several issues in time series prediction. In this research, SVR is used to predict the price of staple commodity, which are constantly changing in price at any time due to several factors making it difficult for the public to get groceries that are easy to reach. National staple commodity data consisting of 17 commodities, including shallots, honan garlic, kating garlic, medium rice, premium rice, red cayenne peppers, curly red chilies, red chili peppers, meat of broiler chicken, beef hamstrings, granulated sugar, imported soybeans, bulk cooking oil, premium packaged cooking oil, simple packaged cooking oil, broiler chicken eggs, and wheat flour. With a data set for the last 3 years, including from January 1, 2020, to December 31, 2022. There are 3 variables in the data set, namely commodity, date, and price. This research divides the entire dataset into 80% training and 20% testing data. The results of this research show that SVR using the RBF kernel produces good forecasting accuracy for all datasets with an average Mean Square Error (MSE) training data of 6,005 while data testing is 6,062, Mean Absolute Deviation (MAD) of training data is 6,730 while data testing is 6.6831, Mean Absolute Percentage Error (MAPE) training data is 0.0148 while data testing is 0.0147, and Root Mean Squared Error (RMSE) training data is 7.772 while data testing is 7.746

Related SDGs

Authors

Zahirah, Dinna; Purnawansyah; Kurniati, Nia; Darwis, Herdianti, Informatics Engineering, Faculty of Computer Science, Universitas Muslim Indonesia

Abstract

Geographical position and having a tropical climate make Indonesia known for its abundant biodiversity, one of which is herbal leaves. Indonesia has more than 2039 species that fall into the category of herbal medicinal plants. Herbal leaves are plants that are used as an alternative to natural disease healing. The large number of herbal leaf plants makes it difficult for people to distinguish between herbal plants and non-herbal plants, except when herbal leaf plants bear fruit or bloom. With advances in technology, many studies have been conducted to identify types of herbal plants, one of which is to identify the characteristics of the leaves. In this study, image recognition of herbal leaves was carried out using the K-Nearest Neighbor and Convolutional Neural Network methods with feature extraction of the Gray Level Co-occurance Matrix. By using these 2 methods, the data collected in this study were 480 leaf images which were then divided into 80% testing data and 20% training data. The data used are in the form of Sauropus androgynus and Moringa leaves. Based on the test results, the Convolutional Neural Network method which is suggested in the herbal leaf image classification which has an accuracy value of 96%.

Related SDGs

Authors

Darwis, Herdianti; Puspitasari, Rahma; Purnawansyah; Astuti, Wistiani; Atmajaya, Dedy; Hasnawi, Mardiyyah, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

This research investigates the use of deep learning for automatic waste classification, specifically using ResNet50 for feature extraction and combining it with various classification algorithms. The dataset comprises 1889 images categorized into four classes: plastic, metal, cardboard, and paper. Two approaches were evaluated: direct classification and feature extraction with ResNet50. The direct classification models, including SVM, KNN, and Random Forest, resulted in low performance, with an average accuracy of 60%. However, using ResNet50 for feature extraction significantly improved the classification accuracy across all models, with the combination of ResNet50 and SVM achieving an accuracy of 91%, and precision, recall, and F1-Score exceeding 92%. This demonstrates the effectiveness of ResNet50's feature extraction capability in enhancing the classification of images. The findings suggest that combining feature extraction and classification models provides a more accurate and efficient solution for automatic waste management systems, supporting the recycling process and waste management efficiency.

Related SDGs

Authors

Purnawansyah; Herdianti; Satra, Ramdan, Universitas Muslim Indonesia

Abstract

Tanaman bawang merah merupakan salah satu tanaman penting dalam industri pertanian. Penyakit pada tanaman bawang merah dapat mengakibatkan kerugian yang signifikan bagi petani dan produsen. Penelitian ini bertujuan untuk mengklasifikasikan penyakit bawang merah pada daun bawang merah yang disebabkan oleh bercak ungu dan moler. Pengumpulan data citra bawang merah dilakukan secara langsung yang dilanjutkan dengan tahap pre-processing sebelum pengklasifikasian penyakit pada tanaman bawang merah. Algoritma Naive Bayes dan CNN dengan ekstraksi fitur GLCM digunakan dalam penelitian ini untuk melakukan perbandingan klasifikasi antara dua metode tersebut dalam mengklasifikasikan penyakit tanaman bawang merah yaitu bercak ungu dan moler. Hasil pengujian dengan menggunakan citra sebanyak 160 penyakit moler dan 160 penyakit bercak ungu menunjukkan bahwa kedua algoritma klasifikasi Naive Bayes dan CNN dengan ekstraksi fitur GLCM mampu mengklasifikasikan penyakit moler dan penyakit bercak ungu pada daun bawang merah dengan akurasi yang baik sebesar 100%.

Related SDGs

Authors

Purnawansyah, Department of Information Systems, Universitas Muslim Indonesia, Indonesia; Wibawa, Aji Prasetya; Widiyaningtyas, Triyanna Department of Electrical Engineering and Informatics, Universitas Negeri Malang, Indonesia; Haviluddin, Department of Informatics, Universitas Mulawarman, Indonesia; Raja, Roesman Ridwan; Darwis, Herdianti, Department of Informatics, Universitas Muslim Indonesia, Indonesia; Nafalski, Andrew, UniSA Education Futures, School of Engineering, University of South Australia, Australia

Abstract

Network congestion arises from factors like bandwidth misallocation and increased node density leading to issues such as reduced packet delivery ratios and energy efficiency, increased packet loss and delay, and diminished Quality of Service and Quality of Experience. This study highlights the potential of deep learning and ensemble learning for network congestion analysis, which has been less explored compared to packet-loss based, delay-based, hybrid-based, and machine learning approaches, offering opportunities for advancement through parameter tuning, data labeling, architecture simulation, and activation function experiments, despite challenges posed by the scarcity of labeled data due to the high costs, time, computational resources, and human effort required for labeling. In this paper, we investigate network congestion prediction using deep learning and observe the results individually, as well as analyze ensemble learning outcomes using majority voting, from data that we recorded and clustered using K-Means. We leverage deep learning models including BPNN, CNN, LSTM, and hybrid LSTM-CNN architectures on 12 scenarios formed out of the combination of level datasets, normalization techniques, and number of recommended clusters and the results reveal that ensemble methods, particularly those integrating LSTM and CNN models (LSTM-CNN), consistently outperform individual deep learning models, demonstrating higher accuracy and stability across diverse datasets. Besides that, it is preferably recommended to use the QoS level dataset and the combinations of 3 clusters due to the most consistent evaluation results across different configurations and normalization strategies. The ensemble learning evaluation results show consistently high performance across various metrics, with accuracy, Matthews Correlation Coefficient, and Cohen's Kappa values nearing 100%, indicates excellent predictive capability and agreement. Hamming Loss remains minimal highlighting the low misclassification rates. Notably, this study advances predictive modeling in network management, offering strategies to enhance network efficiency and reliability amidst escalating traffic demands for more sustainable network operations.

Related SDGs

Authors

Mukmin, Mahfuddin; Purnawansyah, Purnawansyah; Hasnawi, Mardiyyah; Universitas Muslim Indonesia, Indonesia

Abstract

Kementrian Perikanan dan Kelautan UNTIA menggunakan teknologi internet untuk menunjang kegiatan mereka. Ada kalanya network administrator tidak berada di tempat untuk memonitoring jaringan, sehingga apabila terjadi masalah pada jaringan akan membutuhkan waktu yang lama untuk mengetahuinya. Agar kegiatan yang dilakukan melalui jaringan internet selalu berjalan dalam keadaan lancar, maka digunakan sebuah mekanisme monitoring jaringan untuk mengontrol jaringan internet agar tetap dalam kondisi baik. Sistem monitoring yang dapat diintregasikan dengan pengiriman notifikasi langsung ke network administrator saat perangkat mengalami gangguan melalui fitur Bot API pada Telegram Messenger, server dapat berkomunikasi dengan network administrator melalui aplikasi Telegram Messengger yang terpasang pada smartphone milik network administrator, adapun langkah-langkah menerapkan notifikasi bot telegram yaitu dengan membuat Bot melalui BotFather kemudian awali dengan /start lalu mengirim pesan untuk mendapatkan parameter Telegram ID, selanjutnya langkah yang terakhir adalah membuat script untuk mengirimkan pesan notifikasi. Hasil penelitian ini adalah Router Mikrotik dan Bot Telegram akan mendeteksi masalah pada jaringan dan memberikan notifikasi kepada administrator. Notifikasi akan dikirim dengan rata-rata waktu 6,5 detik, sedangkan notifikasi untuk Menu Bot Telegram yakni rata-rata waktu 6,8 detik.

Related SDGs

Authors

Mukmin, Mahfuddin; Purnawansyah, Purnawansyah; Hasnawi, Mardiyyah; Universitas Muslim Indonesia, Indonesia

Abstract

Kementrian Perikanan dan Kelautan UNTIA menggunakan teknologi internet untuk menunjang kegiatan mereka. Ada kalanya network administrator tidak berada di tempat untuk memonitoring jaringan, sehingga apabila terjadi masalah pada jaringan akan membutuhkan waktu yang lama untuk mengetahuinya. Agar kegiatan yang dilakukan melalui jaringan internet selalu berjalan dalam keadaan lancar, maka digunakan sebuah mekanisme monitoring jaringan untuk mengontrol jaringan internet agar tetap dalam kondisi baik. Sistem monitoring yang dapat diintregasikan dengan pengiriman notifikasi langsung ke network administrator saat perangkat mengalami gangguan melalui fitur Bot API pada Telegram Messenger, server dapat berkomunikasi dengan network administrator melalui aplikasi Telegram Messengger yang terpasang pada smartphone milik network administrator, adapun langkah-langkah menerapkan notifikasi bot telegram yaitu dengan membuat Bot melalui BotFather kemudian awali dengan /start lalu mengirim pesan untuk mendapatkan parameter Telegram ID, selanjutnya langkah yang terakhir adalah membuat script untuk mengirimkan pesan notifikasi. Hasil penelitian ini adalah Router Mikrotik dan Bot Telegram akan mendeteksi masalah pada jaringan dan memberikan notifikasi kepada administrator. Notifikasi akan dikirim dengan rata-rata waktu 6,5 detik, sedangkan notifikasi untuk Menu Bot Telegram yakni rata-rata waktu 6,8 detik.

Related SDGs

Authors

Naura, Wd. Shaqina Rafa, Informatics Engineering, Universitas Muslim Indonesia; Mansyur, St. Hajrah, Information Systems, Universitas Muslim Indonesia; Purnawansyah, Informatics Engineering, Universitas Muslim Indonesia

Abstract

Makassar City is one of the destination cities for traveling. Makassar City offers a variety of interesting tours, one of which is culinary tourism. The determination of the best culinary tourism is based on the criteria set by the Makassar City Tourism Office. In managing culinary destinations, tourists are often faced with many choices, so they are confused about choosing the most attractive culinary destinations. This research uses the TOPSIS and BORDA methods. The TOPSIS method is used in determining culinary tourism alternatives based on criteria that become recommendations and the BORDA method is used in determining the selected alternatives based on several DMs who evaluate alternatives. The main objective of this research is to apply group decision makingin selecting the best culinary tourism destinations in Makassar City based on group preferences and related criteria with TOPSIS and BORDA methods. This research has conducted 5 iterations involving 4 DMs from the Makassar City Tourism Office. Based on the results of the interview, 8 criteria and 35alternatives were obtained. Where the Coto Nusantara alternative is ranked the highest with a value of 109,949.While Sop Saudara Irian is ranked last with a value of 62,896.The general benefit of this research is the application of group decision making in determining culinary tourism with the TOPSIS and BORDA methods can produce more objective and representative decision results. This can increase tourist satisfaction in determining culinary tourism.

Related SDGs

Authors

Rahmadani, Aulia Rezky; Purnawansyah; Darwis, Herdianti; Ilmawan, Lutfi Budi, Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Muslim Indonesia,

Abstract

Daun merupakan salah satu komponen tumbuhan yang mengandung khasiat alami dan bermanfaat untuk menjaga kesehatan manusia. Namun beberapa jenis daun memiliki ciri dan karakteristik yang sama sehingga sulit untuk dibedakan. Penelitian ini bertujuan untuk melakukan pengklasifikasian jenis daun herbal dengan menggunakan metode SVM dengan empat kernel (Linear, RBF, Polynomial, Sigmoid) dan CNN dengan ekstraksi fitur Fourier descriptor (FD). Dataset yang diolah adalah citra daun katuk, dan daun kelor sejumlah 480 citra yang terbagi menjadi data training dan data testing dengan perbandingan 80%:20%, 70%:30% dan 60%:40%menggunakan dua skenario yaitu gelap dan terang. Dariproses pengujian diperolehhasil pengujian algoritma FD + SVM memberikan hasil yang lebih baik memperoleh nilai accuracy pada kernel linear, RBF, polynomial, sebesar 100% pada perbandingan 80%:20%, 70%:30% dan 60%:40%pada skenario terang dan gelap. Sedangkan hasil dari proses pengujian FD + CNN pada perbandingan 70%:30% pada skenario terang mendapatkan nilai accuracy sebesar 100%. Dengan demikian, algoritma FD + CNN pada skenario terang dan algoritma FD + SVM dengan kernel Linear, RBF, polynomial dapat direkomendasikan dalam pengklasifikasian citra daun herbal.

Related SDGs

Authors

Rahmadani, Aulia Rezky; Purnawansyah; Darwis, Herdianti; Ilmawan, Lutfi Budi, Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Muslim Indonesia

Abstract

Leaves are one component of plants that contain natural properties and are useful for maintaining human health. However, several types of leaves have the same characteristics and characteristics that make it difficult to distinguish. This study aims to classify types of herbal leaves using the SVM method with four kernels (Linear, RBF, Polynomial, Sigmoid) and CNN with Fourier descriptor (FD) feature extraction. The processed dataset is katuk leaf images, and Moringa leaf images of 480 images which are divided into 80% training data and 20% testing data using two scenarios, namely dark and light. From the testing process, it was found that FD + CNN in the light and dark scenarios obtained an accuracy value of 98%. Thus, the FD + SVM algorithm with Linear, RBF, polynomial kernels can be recommended in classifying herbal leaf images to have the best accuracy value of 100%.

Related SDGs

Authors

Fadillah, Ahmad; Purnawansyah; St., Hajrah Mansyur; Universitas Muslim Indonesia, Indonesia

Abstract

Kota Makassar adalah salah satu kota di Indonesia sekaligus Ibu Kota Provinsi Sulawesi Selatan (Sulsel). Berdasarkan data Direktorat Jenderal Kependudukan dan Pencatatan Sipil (Dukcapil) dan Kementerian Dalam Negeri (Kemendagri), jumlah penduduk Sulsel mencapai 9,19 juta jiwa hingga Juni 2021. Dari jumlah tersebut, sebanyak 8,26 juta jiwa (89,87%) beragama Islam. Menentukan lintasan kajian Islami di Masjid Kota Makassar, dibutuhkan jalur terpendek menuju lokasi Masjid yang mengadakan kajian islami agar masyarakat dapat dengan mudah mengetahui jarak, lintasan, dan waktu tempuh pencarian lintasan terpendek. Algoritma Floyd-Warshall berfungsi untuk menyelesaikan masalah lintasan terpendek. Algoritma ini membandingkan semua kemungkinan lintasan pada graf untuk setiap sisi dari semua simpul. Algoritma A Star adalah algoritma komputer yang digunakan secara luas dalam mencari jalur (path finding) dan grafik melintang (graph traversal) disebut node. Setelah melakukan uji coba analisis perbandingan antara algoritma Floyd-Warshall dan algoritma A Star (A*) didapatkan bahwa algoritma Floyd-Warshall lebih efisien karena terdapat 24 Masjid yang berhasil di uji coba dari segi jarak, lintasan dan waktu tempuh dibandingkan algoritma A Star (A*). Berdasarkan hasil pengujian black box pada sistem dinyatakan valid atau sesuai yang diharapkan. Adapun pengujian sistem pada User Acceptance Test (UAT) admin yaitu 86,85% dan hasil pengujian UAT masyarakat umum adalah 83,46%

Related SDGs

Authors

Happe, Muhammad Kamil; Salim, Yulita; Purnawansyah, Universitas Muslim Indonesia Fakultas Ilmu Komputer Makassar, Indonesia

Abstract

Bandwidth merupakan satuan ukuran untuk koneksi internet, sehingga untuk mendapatkan koneksi yang lancar membutuhkan bandwith yang besar. Saat ini dalam pembagian bandwidth di Universitas Muslim Indonesia (UMI) dibagi berdasarkan jumlah fakultas yang ada. Sehingga saat setiap fakultas melaksanakan kegiatan yang membutuhkan koneksi internet maka performa koneksi akan terasa lambat. Untuk menangani masalah tersebut administrator jaringan harus melakukan penambahan bandwidth. Untuk membantu administrator jaringan dalam penentuan penambahan bandwidth dapat digunakan metode Naïve Bayes Classifier (NBC) dan Decision Tree C4.5. Analisis trafik penggunaan paket data dilakukan di beberapa fakultas, yaitu fakultas ilmu komputer, fakultas hukum, fakultas ekonomi, dan fakultas teknik. Berdasarkan hasil percobaan pada tiga kategori utama, yaitu penggunaan tertinggi, penggunaan sedang, dan penggunaan terendah atas penggunaan paket data setiap fakultas dan unit, status perkuliahan, dan adanya kegiatan yang dilaksanakan. Dari percobaan yang dilakukan, diperoleh hasil penambahan bandwidth “Ya” pada fakultas ilmu komputer dengan probabilitas 0,04 dan gain 0,317 sedangkan fakultas hukum dengan probabilitas 0,011 dan gain 0, fakultas ekonomi dengan probabilitas 0,013 dan gain 0, fakultas teknik dengan probabilitas 0,076 dan gain 0,414 diperoleh hasil penambahan bandwidth “Tidak”.

Related SDGs

Authors

Purnawansyah; Herdianti; Harlinda, Universitas Muslim Indonesia

Abstract

Bawang merah merupakan suatu kebutuhan masyarakat terutama pada bahan makanan dan juga digunakan untuk Kesehatan. Dengan banyaknya manfaat bawang merah, dibalik itu juga memiliki suatu kendala atau resiko pada penanaman bawang merah salah satu resikonya adalah hama atau penyakit yang dapat merugikan petani bawang merah. Tujuan dari penelitian ini yaitu mengklasifikasi penyakit daun bercak ungu dan moler pada tanaman bawang merah, yang di implementasikan menggunakan metode ekstraksi fitur Gray Level Co-Occurance Matix (GLCM) yang digunakan untuk ekstraksi fitur tekstrur. Selain itu ada lima jarak yaitu Eucludiean, Manhattan, Chebyshev, Minkowski, Hamming digunakan dalam metode klasifikasi K-Nearest Neighbor (KNN). Penelitian ini juga menggunakan metode klasifikasi Convolutional Neural Network (CNN). Hasil dari penelitian ini yang diperoleh menggunakan metode GLCM dan KNN dengan jarak Euclidean, Manhattan, Chebyshev, dan Minkowski mendapatkan hasil akurasi yang tinggi yakni sebesar 100%, sedangkan nilai akurasi terendah terdapat pada KNN jarak Hamming nilai akurasi yaitu sebesar 42%, adapun klasifikasi dari gabungan dari metode GLCM dan CNN mendapatkan hasil akurasi sebesar 100% dan pada metode CNN yang tanpa metode ekstraksi memiliki nilai akurasi sebesar 100%

Related SDGs

Authors

Saleh, Zahif Safyin; Purnawansyah; Sugiarti, Program Studi Teknik Informatika, Universitas Muslim Indonesia, Jl. Urip Sumoharjo KM.05, Makassar dan 90231, Indonesia

Abstract

Sistem Pendukung Keputusan Penilaian Kinerja Pegawai Kementerian Agama Kabupaten Pinrang merupakan sistem berbasis web dengan metode Analytical Hierarchy Process (AHP) yang dapat membantu decision maker di lingkup kantor Kementerian Agama Kabupaten Pinrang dalam menilai kinerja pegawainya. Penelitian ini dilatarbelakangi oleh proses penilaian kinerja pegawai yang masih dilakukan secara manual menggunakan Microsoft Excel. Tujuan penelitian ini adalah merancang dan membangun sistem pendukung keputusan berbasis web yang mampu menilai kinerja pegawai serta mengimplementasikan metode AHP dalam sistem tersebut. Hasil dari penelitian ini berupa sebuah sistem pendukung keputusan berbasis web yang dapat membantu pimpinan dalam menilai kinerja pegawai Kementerian Agama Kabupaten Pinrang.

Related SDGs

Authors

Azis, Huzain; Nasrullah, Departement of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia; Abdullah Munaisyah; Ismail, Suriana, Malaysian Institute of Information Technology, Universiti Kuala Lumpur, Kuala Lumpur, Malaysia; Purnawansyah; Syafie, Lukman, , Departement of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

The use of Unmanned Aerial Vehicles (UAVs) in aerial imaging is expanding rapidly, particularly in traffic monitoring and intelligent transportation systems. Detecting small and occluded vehicles in aerial images poses significant challenges due to varying resolutions and obstructions like buildings or trees. This study seeks to enhance vehicle detection accuracy by improving You Only Look Once (YOLO) models, with a focus on small and occluded object detection. Utilizing the COWC-M dataset and advanced data augmentation techniques such as Mosaic Augmentation, this research evaluates multiple YOLO variants. The YOLOv8-L model achieved the highest mAP50 score of 0.9899, demonstrating superior detection accuracy for small objects. Additionally, the YOLOv10-L model outperformed others with the best mAP50–95 score of 0.8715, indicating strong results across different intersection-over-union (IoU) ranges. Compared to YOLO-RTUAV, which achieved an mAP50 of 0.9353, the newer YOLO models provide significant improvements in both precision and recall. These findings contribute to the development of highly efficient, real-time vehicle detection systems suitable for large-scale surveillance applications in complex environments.

Related SDGs

Authors

Purnawansyah; Herdianti; Astuti, Wistiani, Universitas Muslim Indonesia

Abstract

Tumbuhan herbal memiliki banyak variasi yang dapat dikenali melalui ciri uniknya secara visual. Namun, cara ini sulit diterapkan pada tumbuhan yang memiliki ciri hampir sama. Penelitian ini membandingkan kinerja metode K-Nearest Neighbour (KNN) dan Convolutional Neural Network (CNN) dalam klasifikasi fitur daun herbal yang diekstraksi dengan menggunakan Geometric Moment Invariant (GMI) dan Hue Saturation Value (HSV). Dataset yang digunakan adalah dataset citra daun katuk (Sauropus androgynus) dan daun kelor (Moringa oleifera) dengan skenario citra terang dan citra gelap. Pembagian data untuk tiap skenario adalah 80% untuk training dan 20% untuk testing. Metode KNN diuji menggunakan nilai dan evaluasi kinerja KNN dan CNN meliputi accuracy, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa CNN tanpa ekstraksi fitur dan CNN dengan kombinasi ekstraksi fitur HSV memperoleh performa terbaik dengan rata-rata nilai precision, recall, f1-score dan accuracy sebesar 98% untuk skenario gelap maupun terang

Related SDGs

Authors

Purnawansyah; Darwis, Herdianti, Universitas Muslim Indonesia, Makassar, Indonesia; Raja, Roesman Ridwan, Kyushu Institute of Technology, Iizuka City, Jepang

Abstract

This research explores public sentiment towards the Indonesian police using sentiment analysis and machine learning techniques. The study addresses the challenge of understanding public opinion based on social media comments related to significant police cases. The aim is to compare reported satisfaction levels with actual public sentiment. Utilizing the Indonesian RoBERTa base IndoLEM sentiment classifier, comments were analyzed and preprocessed. The classification was conducted using Random Forest (RF) and Complement Naive Bayes (CNB) models, incorporating unigram and bi-gram features. Oversampling techniques were applied to handle data imbalance. The best-performing model, Random Forest with bi-gram features, achieved high evaluation scores, including a precision of 0.91 and accuracy of 0.91. The findings reveal significant insights into public opinion, contributing to improved law enforcement strategies and public trust.

Related SDGs

Authors

Gaffar, Andi Widya Mufila; Halis, Andi Muhammad; Purnawansyah; Jabir, Sitti Rahmah, Universitas Muslim Indonesia

Abstract

Stunting adalah salah satu bentuk gizi yang kurang yang ditandai dengan tinggi badan berdasarkan umur dan diukur dengan standar deviasi referensi WHO yang dapat dilihat pada Indikator TB/U (tinggi badan dengan usia). Salah satu kabupaten dengan jumlah penduduk stunting terbanyak di provinsi Sulawesi Selatan adalah Kabupaten Enrekang. Metode yang digunakan pada penelitian ini yaitu klasifikasi stunting menggunakan algoritma Support Vector Machine (SVM) dengan kernel polynomial yang bertujuan untuk mengelompokkan data anak balita di bawah 60 bulan apakah mengalami stunting atau tidak (normal). Klasifikasi Stunting pada balita memiliki signifikansi penting karena menjadi landasan untuk merancang program pencegahan Stunting. Untuk menilai performa dan cara kerja model Support Vector Machine pada data anak balita di Kabupaten Enrekang, digunakan metode pengujian cross validation. Selain itu, hasil prediksi model dibandingkan dengan fakta aktual menggunakan confusion matrix. Pada pengujian dengan 10 K-Fold Cross Validation menggunakan Support Vector Machine menunjukkan hasil dengan nilai tertinggi berada pada fold ke-4 dengan tingkat accuracy 99.13% precision 99.13% recall 99.13% f1-score 99.13%. sedangkan nilai terendah berada pada fold ke-0 dengan tingkat accuracy 95.63% precision 95.74% recall 95.63% f1-score 95.51%. Untuk rata-rata dari pengujian fold menunjukkan hasil accuracy 96.98% precision 96.99% recall 96.98% f1-score 96.94%. Sedangkan untuk hasil dari Confusion Matrix dengan nilai accuracy sebanyak 98% secara total.

Related SDGs

Authors

Hairi, Muhammad Hardiansyah; Purnawansyah; Sugiarti, Universitas Muslim Indonesia,Jl. Urip Sumoharjo KM. 05, Makassar 90231, Indonesia

Abstract

Metode pencarian yang memfokuskan hasil berdasarkan banyaknya kata kunci yang ditulis dapat menghemat waktu serta memungkinkan penggunaan berbagai kata kunci dalam mesin pencari. Semakin banyak kata yang digunakan, pencarian menjadi lebih terarah dan spesifik terhadap produk yang dicari. Metode multiple keyword searching meningkatkan akurasi hasil pencarian dengan menyesuaikan kesamaan kata kunci yang dimasukkan dengan yang diinginkan, memberikan peringkat pada setiap hasil pencarian mulai dari yang paling sesuai hingga yang masih berkaitan, serta memecah setiap kalimat menjadi kata tunggal untuk masing-masing hasil pencarian. Sebagai contoh, pada pencarian “Kata Pertama Kedua Ketiga”, kalimat tersebut dipecah menjadi tiga kata sehingga hasil pencarian dibagi menjadi tiga bagian dengan peringkat barang yang serupa pada tiap laporan, sehingga sistem dapat memberikan rekomendasi barang yang diinginkan. Berdasarkan hasil perancangan aplikasi mall online, dapat disimpulkan bahwa sistem rekomendasi pencarian produk menggunakan metode multiple keyword searching dapat dibangun dengan prosedur yang cukup kompleks, memiliki tingkat risiko sedang, serta mampu memberikan hasil yang baik dengan akurasi sebesar 90,9%.

Related SDGs

Authors

Ramadhani, Tri Anita Resky; Manga, Abdul Rachman; Punawansyah, Universitas Muslim Indonesia, Jl. Urip Sumohardjo KM.05, Makassar, Indonesia

Abstract

Penelitian ini bertujuan untuk membandingkan performa dua model Convolutional Neural Networks (CNN), yaitu VGG-16 dan ResNet50, dalam tugas klasifikasi multilabel gambar kerbau. Dataset yang digunakan terdiri dari 2009 gambar kerbau Toraja yang dilabeli dengan lima kategori: manusia, motor, truk, hewan liar, dan kerbau. Model-model CNN dilatih menggunakan 30 epoch dan dievaluasi dengan menggunakan metrik loss, akurasi, presisi, recall, dan f1-score.Hasil eksperimen menunjukkan bahwa VGG-16 secara konsisten mengungguli ResNet50 dengan mencapai akurasi tertinggi 0.95 pada set pelatihan dan 0.94 pada set validasi, serta f1- score 0.94 pada set pelatihan dan 0.92 pada set validasi. Temuan ini mengindikasikan bahwa arsitektur CNN yang lebih dalam dan terstruktur, seperti VGG-16, memberikan hasil yang lebih baik dalam mengklasifikasikan gambar-gambar kerbau dengan variasi label yang kompleks.

Related SDGs

Authors

Triyadi, Azwan; Purnawansyah; Darwis, Herdianti, Universitas Muslim Indonesia

Abstract

Elon Musk owns the business Neuralink, which attempts to build brain-machine interfaces. This study categorizes public opinion towards the use of Neuralink goods, including whether people agree (positive), disagree (negative), or feel neither way. Without accessing the Twitter API, the Twint Python Libraries were utilised to retrieve a dataset of 3000 using the keyword “neuralink”. What datasets are included in positive, neutral, or negative categories are designated using RoBERTa. Term Frequency Inverse Document Frequency (TF-IDF) is utilized for feature extraction, while Synthetic Minority Over-sampling Technique (SMOTE) is employed to handle class imbalance. Complement Naive Bayes, achieved accuracy of 81%, followed by Multinomial Naive Bayes, which achieved accuracy of 80%, and Gaussian Naive Bayes, which achieved accuracy of 75%. The model Complement Naïve Bayes was used in this study to attain the maximum accuracy, and accuracy increases when employing SMOTE compared to other Naïve bayes variants.

Related SDGs

Authors

Purnawansyah; Herdianti; Widyawati, Dewi, Universitas Muslim Indonesia

Abstract

Tanaman herbal menunjukkan variasi berbagai ukuran dan bentuk yang berbeda untuk setiap jenis. Penelitian ini bertujuan untuk mengklasifikasikan citra daun dari daun katuk (Sauropus Androgynus) dan daun kelor (Moringa). Dalam penelitian ini digunakan Gray Level Co-Occurrence Matrix (GLCM) untuk mengektraksi fitur contrast, correlation, homogeneity, dissimilarity, dan Angular Second Moment (ASM). Adapun pada klasifikasi diterapkan metode Convolutional Neural Network (CNN) dan Naïve Bayes dengan kernel Gaussian, multinomial, dan Bernoulli. Jumlah citra yang digunakan dalam riset ini adalah 480 citra, dengan perincian 80% untuk data training dan 20% sebagai data testing. Berdasarkan hasil pengujian dan perbandingan yang telah dilakukan didapatkan kesimpulan bahwa penerapan metode CNN tanpa ekstraksi fitur terbukti lebih efisien dalam proses klasifikasi citra daun herbal, dengan nilai precision, recall, f1-score dan accuracy mencapai 98% pada situasi cahaya terang

Related SDGs

Authors

Saida, Listyan Nur; Purnawansyah; Manga, Abdul Rachman, Jurusan Teknik Informatika, Universitas Muslim Indonesia, Jl. Urip Sumoharjo Km 05 Kampus II UMI, Makassar dan 90231, Indonesia

Abstract

Dalam penelitian ini dilakukan perancangan sebuah alat yang mampu menghitung jumlah praktikan yang hadir sebelum proses pembelajaran praktikum dimulai, mengingat Laboratorium Fakultas Ilmu Komputer Universitas Muslim Indonesia (UMI) masih menggunakan sistem pencatatan kehadiran secara manual dengan mengecek praktikan satu per satu sehingga sering terjadi kesalahan dalam proses presensi dan adanya keluhan terkait ketidaksesuaian jumlah kehadiran, serta risiko human error saat penginputan data ke komputer. Sistem yang dirancang menggunakan modul RFID dan Raspberry Pi sebagai komponen utama, di mana proses kerja dimulai dari pembacaan identitas melalui kartu RFID yang dibawa praktikan, kemudian data tersebut dikirim ke Raspberry Pi sebagai input, selanjutnya diteruskan ke komputer server untuk dilakukan pengecekan kesesuaian dengan jadwal praktikum yang sedang berlangsung. Jika data sesuai, maka server akan mengirimkan kembali informasi ke Raspberry Pi untuk ditampilkan pada LCD. Hasil penelitian ini berupa aplikasi berbasis RFID yang mampu mendeteksi kehadiran praktikan, menyimpan data presensi ke dalam database, serta menyediakan laporan hasil kehadiran secara lengkap.

Related SDGs

Authors

Purnawansyah; Supriadi, Naufal Abiyyu; Manga, Abdul Rachman; Adawiyah, Rabiatul; Harlinda; Hasanuddin, Tasrif, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

The volume of network traffic is ever-increasing, hence making DDoS attacks serious threats to the integrity of network security. This research paper focuses on improving the accuracy of detecting DDoS attacks using the ensemble machine learning methods of stacking, bagging, voting, and gradient boosting. In this work, is dataset big enough to correctly reflect real network traffic is used for training and testing purposes. The results indicate that gradient boosting has an accuracy rate of 0.99, followed by stacking and bagging, at 0.98. In this regard, both approaches tend to be efficient in the identification of the attack with limited errors in the prediction. Accordingly, the ensemble technique thus provides a robust approach toward the detection of DDoS attacks, while the study provides important information on the implementation of such strategies in real-time network security systems. Additional investigation is advised to examine supplementary datasets and optimize hyperparameters in order to enhance detection efficacy.

Related SDGs

Authors

Satra, Ramdan; Dahlan, Imram Afdillah; Darwis, Herdianti; Purnawansyah; Mujaddid, Syariful; Fattah, Farniwati, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

This study focuses on comparing the performance of K-Nearest Neighbors (KNN), TabNet, and Wide & deep learning methods in classifying Distributed Denial of Service (DDoS) attacks on Software-Defined Networks (SDN). The use of SDN enables centralized control of network infrastructure, making it vulnerable to DDoS attacks occur due to the centralized nature of SDN architecture. Machine learning models, including KNN, TabNet, and Wide & deep learning, are applied to an SDN-specific DDoS dataset to evaluate their effectiveness in accurately classifying normal and malicious traffic. These models were tested using various data splits (60:40, 70:30, 80:20, and 90:10) to determine the optimal ratio for training and validation. KNN exhibited the highest accuracy, reaching 98% in both 80:20 and 90:10 splits, while wide & deep learning achieved 94.99% accuracy, and TabNet demonstrated a 93.59% accuracy. The results suggest that KNN, despite being a simpler algorithm, outperforms the more complex deep learning models in this specific task. The findings provide valuable insights for researchers and network administrators in selecting effective machine learning algorithms for DDoS detection in SDN environments.

Related SDGs

Authors

Purnawansyah; Adnan, Adam; Darwis, Herdianti, Faculty of Computer Science, Universitas Muslim Indonesia, Jl. Urip Sumoharjo KM 5, Makassar, 90231, Indonesia; Wibawa, Aji Prasetya, Universitas Negeri Malang, Jl. Semarang No. 5, Malang, 65145, Indonesia; Widyaningtyas, Triyanna; Haviluddin, Universitas Mulawarman, Jl. Kuaro, Samarinda, 75119, Indonesia

Abstract

Facial Expression Recognition (FER) plays a crucial role in humancomputer interaction, yet improving its accuracy remains a significant challenge. This study aims to enhance the robustness and effectiveness of FER systems by integrating multiple machine learning techniques within a semi-supervised learning framework. The primary objective is to develop a more effective ensemble model that combines Long Short-Term Memory (LSTM), Convolutional Neural Networks (CNN), Support Vector Classifier (SVC), and Random Forest classifiers, utilizing both labeled and unlabeled data. The research implements data augmentation and feature extraction techniques, utilizing advanced architectures such as VGG19, ResNet50, and InceptionV3 to improve the quality and representation of facial expression data. Evaluations were conducted across three dataset scenarios: original, feature-extracted, and augmented, using various labelto- unlabeled ratios. The results indicate that the ensemble model achieved a notable accuracy improvement of 87% on the augmented dataset compared to individual classifiers and other ensemble methods, demonstrating superior performance in handling occlusions and diverse data conditions. However, several limitations exist. The study's reliance on the JAFFE dataset may restrict its generalizability, as it may not cover the full range of facial expressions encountered in real-world scenarios. Additionally, the effect of label-to-unlabeled ratios on the model's performance requires further exploration. Computational efficiency and training time were also not evaluated, which are critical considerations for practical implementation. For future research, it is recommended to employ cross-validation methods for more robust performance evaluation, explore additional data augmentation techniques, optimize ensemble configurations, and address the computational efficiency of the model to better advance FER technologies.

Related SDGs

Authors

Anugrah, Rezky; Purnawansyah; Astuti, Wistiani,Teknik Informatika, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Universitas Muslim Indonesia telah berhasil menempati posisi ke-92 pemeringkatan WRWU. Keberhasilan atas pencapaian UMI didukung dengan adanya berbagai sarana dan prasarana salah satunya fasilitas perpustakaan. Pada perpustakaan Utsman Bin Affan buku diletakkan berdasarkan kategori buku yang telah diberikan penomoran yang disebut Dewey Decimal Classification (DDC). Namun, dalam penempatan buku belum diatur dengan melihat tingkat keseringan pengunjung dalam meminjam buku tersebut. Selain itu, pengunjung kesulitan dalam mencari kembali keberadaan buku yang sering dipinjam. Metode association rule khususnya algoritma apriori dapat digunakan dalam penataan koleksi buku di perpustakaan Utsman Bin Affan untuk mengidentifikasi asosiasi antara berbagai judul buku dengan menemukan support dan confidence yang menghasilkan pola asosiasi. Dari data transaksi peminjaman buku sejak 21 Januari 2022 sampai 19 januari 2024 adalah sebanyak 50 ID Mahasiswa perpustakaan dengan total 128 transaksi menghasilkan pola transaksi peminjaman mahasiswa UMI yakni Karya Umum, Ilmu-Ilmu Sosial dengan nilai support 14% dengan confidence 43%. Buku Filsafat dan Psikologi, Agama dengan nilai support 22% dengan confidence 36%. Selanjutnya buku Filsafat dan Psikologi maka mahasiswa juga akan meminjam ilmu-Ilmu Sosial dengan nilai support 22% dengan confidence 45%. Berdasarkan hasil tersebut disarankan untuk melakukan evaluasi reguler terhadap tata letak perpustakaan berdasarkan data penyimpanan dan umpan balik pengguna, dan melakukan penyesuaian yang diperlukan untuk meningkatkan efektifitasnya.

Related SDGs

Authors

Umar, Fitriyani; Herdianti; Purnawansyah, Universitas Muslim Indonesia

Abstract

Hal yang kritis dalam proses pengenalan pola adalah ekstraksi fitur. Merupakan suatu metode untuk mendapatkan ciri-ciri suatu citra (image) sehingga dapat dikenali satu sama lain. Pada penelitian ini, metode deskriptor Fourier digunakan untuk mengekstraksi pola aksara Lontara yang terdiri dari 23 huruf. Deskriptor Fourier adalah metode yang digunakan dalam pengenalan objek dan pemrosesan citra untuk merepresentasikan bentuk batas segmen citra. Pengenalan karakter dilakukan dengan menggunakan jarak Euclidean dan Manhattan. Hasil pengujian menunjukkan bahwa tingkat pengenalan tertinggi mencapai akurasi 91,30% dengan menggunakan koefisien Fourier sebesar 50. Pengenalan huruf menggunakan Manhattan dan Euclidean cenderung sama atau menghasilkan akurasi yang cenderung serupa. Akurasi tertinggi dicapai saat menggunakan Manhattan sebesar 91,30%

Related SDGs

Authors

Purnawansyah; Herdianti; Nurhayati, Lilis, Universitas Muslim Indonesia

Abstract

Bawang merah rentan terhadap serangan penyakit yang dapat mengganggu pertumbuhan dan mengakibatkan hasil panen yang tidak maksimal bahkan gagal panen, seperti bercak ungu dan moler. Penelitian ini bertujuan untuk mengklasifikasikan penyakit bawang merah dengan mengimplementasikan meetode naïve bayes (gaussian , bernoulli, dan multinomial) dan CNN pada citra bawang merah yang diekstraksi menggunakan fourier descriptor. Metode FD – CNN memperoleh tingkat accuracy 98% dalam mengklasifikasikan penyakut bawang merah, moler dan bercak ungu, sedangkan metode CNN tanpa menggunakan ekstraksi menghasilkan nilai accuracy sebesar 97%. Adapun pada metode naïve bayes, pengklasifikasian yang memiliki accuracy paling tinggi adalah metode gaussian naïve bayes sebesar 95% sedangkan yang paling rendah yaitu metode bernoulli naïve bayes dengan tingkat accuracy sebesar 42%. Dengan demikian, dapat disimpulkan bahwa CNN, FD-CNN, dan FD-GNB efektif untuk meningkatkan performa klasifikasi pada citra daun bawang merah.

Related SDGs

Authors

Purnawansyah; Herdianti, Universitas Muslim Indonesia

Abstract

Google Playstore memiliki karakteristik yang berbeda dengan Apple App Store yaitu lebih terbuka terhadap developer aplikasi mobile sehingga memiliki varian yang lebih beragam dibanding dengan Apple App Store. Setiap aplikasi di dalam app store dapat dikelompokan berdasarkan karakteristik yang sama dan dapat disebut sebagai kategori dan genre. Pada tahun 2018 jumlah mobile app yang tersedia mencapai 3,6 juta aplikasi. Berbagai jenis mobile app tersedia pada layanan google play store, mulai dari hiburan, media sosial, editor, jasa transportasi, perdagangan (marketplace), dan kesehatan. Penelitian ini bertujuan untuk melakukan 5 analisis yaitu aplikasi dengan rating tertinggi, mencari 5 aplikasi dengan size paling berat (MBs), visualisasi data content ratings aplikasi, mengidentifikasi aplikasi dengan install terbanyak, visualisasi kategori aplikasi. Dari 2152981 data yang telah di crawling diperoleh bahwa 5 aplikasi dengan rating tertinggi yaitu Biliyor Musun - Sonsuz Yarış, CoronaSurveys, Amkshoproom Shopping, Merlin CRM, Tictactoe Superpowers dan free game. Fun and Chalmo, mencari 5 aplikasi dengan size paling berat (MBs) yaitu SkySafari 6 Pro, Audio Book Bible Offline Arabic, Audio Book Bible Offline Burmese, Audio Book Bible Offline Amharic dan Audio Book Bible Offline Germany, Visualisasi content data rating dari grafik dapat kita lihat bahwa mayoritas aplikasi mobile pada android mengatur content rating kedalam kategori Everyone, Mengindentifikasi aplikasi install terbanyak dari data yang telah diperoleh bahwa hanya terdapat 1 aplikasi yang memiliki jumlah install lebih dari 10M install dan 14 aplikasi yang memiliki jumlah install lebih dari 5 M, visualisasi kategori aplikasi dari data yang diperoleh bahwa aplikasi berkategori education memiliki jumlah terbanyak yang ada di pasar playstore saat ini

Related SDGs

Authors

Purnawansyah; Indra, Dolly; Hayati, Lilis Nur, Universitas Muslim Indonesia

Abstract

Tujuan program pengabdian yang kami lakukan yaitu memberikan penyuluhan, dan simulasi tentang pemasaran produk, memberikan pelatihan bagi mitra desa Lonjoboko tentang kewirausahaan dalam memasarkan produk berbasis online dan mendesain kemasan yang menarik dan praktis. Metode dalam pelaksanaaan kegiatan ini adalah memfasilitasi dengan penyuluhan, simulasi dan pelatihan bagi para UKM dengan mewujudkan masyarakat sejahtera dan pandai dalam memasarkan produk dengan layanan sistem informasi berbasis online di desa Lonjoboko Kabupaten Gowa dalam bentuk pelatihan. Luarannya Mitra mendapatkan modul pelatihan manajemen kewirausahaan berbasis online untuk memasarkan produknya, mitra mampu mandiri dalam mengimplementasikan dan terampil dalam pemasaran produk, Software Aplikasi Web Sistem Informasi pemasaran produk

Related SDGs

Authors

Arman, Eka; Mansyur, St. Hajrah; Purnawansyah, Universitas Muslim Indonesia

Abstract

Terdapat fenomena dimana para sarjana yang baru lulus belum sepenuhnya mempertimbangkan kemampuan dan minatnya dalam memilih suatu pekerjaan. Mahasiswa di Indonesia terutama jurusan atau program studi Teknik Informatika yang belum menyiapkan karirnya. Maka dari itu dibutuhkan sistem pendukung keputusan yang mampu memberikan rekomendasi karir kepada mahasiswa terutama dalam bidang Teknik Informatika. Hasil alternatif rekomendasi pemilihan karir terbaik menggunakan metode TOPSIS. Dengan menggunakan metode tersebut penelitian ini menghasilkan sistem pendukung keputusan pemilihan alternatif karir mahasiswa berbasis web yang dibuat sesuai dengan kebutuhan perusahaan. Berdasarkan perhitungan metode TOPSIS menghasilkan alternatif karir mahasiswa sesuai dengan kompetensi keilmuan, yaitu Pemrograman aplikasi dan perangkat lunak dengan nilai 0,53, Spesialisasi jaringan dan infrastruktur dengan nilai 0,48, Ahli operasi dan sistem dengan nilai 0,30, Konsultan teknologi dan informasi dengan nilai 0,80, Pengembangan web designer UI/UX dengan nilai 0,48. Adapun hasil pengujian akurasi dari 50 data uji terdapat 48 data yang sesuai dan 2 data yang tidak sesuai, sehingga diperoleh nilai akurasi sebesar 96%. Web pemilihan alternatif karir mahasiswa telah melalui uji coba menggunakan metode blackbox testing serta penyebaran kuesioner dengan 33 responden untuk aspek antarmuka, aspek kinerja, aspek database serta aspek inisialisasi. Maka dari itu diperoleh hasil dari keseluruhan sebesar 81,2% yang termasuk dalam kriteria baik.

Related SDGs

Authors

Saly, Intan Novita; Purnawansyah, Universitas Muslim Indonesia, Sulawesi Selatan, Makassar, 90231, Indonesia; Azis, Huzain, Universitas Muslim Indonesia, Sulawesi Selatan, Makassar, 90231, Indonesia, Universiti Kuala Lumpur, Kuala Lumpur, Malaysia, 50250, Malaysia

Abstract

This study aims to evaluate the performance of various classification methods in recognizing handwritten Arabic numerals, particularly the K-Nearest Neighbors (KNN), Gaussian Naive Bayes (GNB), and NU Support Vector Classifier (NU SVC) algorithms. In this study, a dataset of handwritten Arabic numerals consisting of 9,350 samples with 10 different classes was used. The research process involved data collection, data labeling, dividing the dataset into training and testing data, implementing classification algorithms, and performance testing using cross-validation methods. The results showed that NU SVC had more stable performance with accuracy close to KNN, while GNB showed the lowest performance. The conclusion of this study emphasizes that the selection of algorithms and parameter optimization is crucial to improve the accuracy and efficiency of handwriting recognition systems. Support Vector Machine (SVM) based algorithms proved to be superior in handling complex classification tasks compared to GNB. This study provides significant contributions to the field of handwriting recognition, particularly in the context of Arabic numeral handwriting, and can serve as a reference for developers of optical character recognition (OCR) systems in the future. Future research is recommended to increase the variety of datasets and further explore parameter optimization and data preprocessing techniques to improve system accuracy.

Related SDGs

Authors

Bustam, Faida Daeng; Purnawansyah, Universitas Muslim Indonesia, Sulawesi Selatan, Makassar, 90231, Indonesia; Azis, Huzain, Universitas Muslim Indonesia, Sulawesi Selatan, Makassar, 90231, Indonesia, Universiti Kuala Lumpur, Kuala Lumpur, Malaysia, 50250, Malaysia

Abstract

This research explores the performance of several classification algorithms on handwritten Lontara digits, a script traditionally used by the Bugis and Makassar communities in South Sulawesi, Indonesia. The dataset comprises 10,890-digit samples, contributed by 99 individuals, and is categorized into 10 distinct classes corresponding to the digits 0- 9. The classification methods evaluated in this study include K-Nearest Neighbors (KNN), Gaussian Naive Bayes (GNB), and Nu-Support Vector Classifier (NuSVC). Cross-validation techniques are employed to evaluate the performance of these classifiers using standard metrics such as accuracy, precision, recall, and F1 score. The findings demonstrate varying levels of performance across the algorithms. Notably, GNB achieves the highest recall, indicating its ability to correctly identify positive samples, whereas KNN and NuSVC exhibit moderate effectiveness across other performance metrics. KNN shows potential with its simple yet robust approach to classifying complex datasets, while NuSVC demonstrates a balanced performance, particularly in precision. However, all classifiers face challenges in achieving optimal accuracy, particularly due to the complexity of the handwritten Lontara digits, which exhibit unique and intricate patterns. The study concludes by suggesting that further improvements can be achieved by refining feature extraction techniques and optimizing the classifiers used. Enhancing feature extraction could provide better representations of the Lontara digits, potentially leading to improved classification accuracy. Additionally, algorithm optimization and the exploration of more advanced classification methods could further enhance the overall performance. This research provides a foundation for the development of automated recognition systems for Lontara script, contributing to its preservation and modern use.

Related SDGs

Authors

Salim, Yulita; Azis, Huzain; Darwis, Herdianti; Purnawansyah,Departement of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia; Kurubacak, Gulsun; Anggreani, Desi;

Abstract

The scope of this book focuses on how information technology may assist in achieving goals and in providing solutions to problems such as a pandemic. Research on the Internet and on technology has been done, and the findings have applications in various sectors that rely on interdisciplinary knowledge. This book explores and describes state-of-the-art research conducted during the COVID-19 pandemic. Topics covered include the IT viewpoint and the rules governing digital transformation throughout the pandemic. The Digital Revolution sped up by a decade during COVID-19, which impacted both the user experience and that of software developers. As a component of the digital transformation process, this book explores the experiences of both the user and developer when attempting to change and adapt while utilizing an information technology program. This book includes five topics: (1) multidisciplinary artificial intelligence, (2) Smart City and Internet of Things applications, (3) game technology and multimedia applications, (4) data science and business intelligence, and (5) IT hospitality and information systems. Each topic is covered in several book chapters with some application in several countries, especially developing countries. The chapters provide insight from contributors with different perspectives and several diverse fields who present new ideas and approaches to solving problems associated with the worldwide pandemic.

Related SDGs

Authors

Belluano, Poetri Lestari Lokapitasari; Mashar, Audi Faathirmansyah; Gaffar, Andi Widya Mufila; Manga, Abdul Rachman; Purnawansyah, Departement of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

The scope of this book focuses on how information technology may assist in achieving goals and in providing solutions to problems such as a pandemic. Research on the Internet and on technology has been done, and the findings have applications in various sectors that rely on interdisciplinary knowledge. This book explores and describes state-of-the-art research conducted during the COVID-19 pandemic. Topics covered include the IT viewpoint and the rules governing digital transformation throughout the pandemic. The Digital Revolution sped up by a decade during COVID-19, which impacted both the user experience and that of software developers. As a component of the digital transformation process, this book explores the experiences of both the user and developer when attempting to change and adapt while utilizing an information technology program. This book includes five topics: (1) multidisciplinary artificial intelligence, (2) Smart City and Internet of Things applications, (3) game technology and multimedia applications, (4) data science and business intelligence, and (5) IT hospitality and information systems. Each topic is covered in several book chapters with some application in several countries, especially developing countries. The chapters provide insight from contributors with different perspectives and several diverse fields who present new ideas and approaches to solving problems associated with the worldwide pandemic.

Related SDGs

Abstract

The scope of this book focuses on how information technology may assist in achieving goals and in providing solutions to problems such as a pandemic. Research on the Internet and on technology has been done, and the findings have applications in various sectors that rely on interdisciplinary knowledge. This book explores and describes state-of-the-art research conducted during the COVID-19 pandemic. Topics covered include the IT viewpoint and the rules governing digital transformation throughout the pandemic. The Digital Revolution sped up by a decade during COVID-19, which impacted both the user experience and that of software developers. As a component of the digital transformation process, this book explores the experiences of both the user and developer when attempting to change and adapt while utilizing an information technology program. This book includes five topics: (1) multidisciplinary artificial intelligence, (2) Smart City and Internet of Things applications, (3) game technology and multimedia applications, (4) data science and business intelligence, and (5) IT hospitality and information systems. Each topic is covered in several book chapters with some application in several countries, especially developing countries. The chapters provide insight from contributors with different perspectives and several diverse fields who present new ideas and approaches to solving problems associated with the worldwide pandemic.

Related SDGs

Authors

Jabir, Sitti Rahmah; Purnawansyah; Darwis Herdianti; Lahuddin Harlinda; Faradibah, Amaliah; Gaffar, Andi Widya Mufila, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Nowadays, Indonesia's tourism sector faced challenges in light of the global recession threat. These challenges encompassed high airline ticket prices and inflation, which in turn influenced consumer spending patterns. To tackle these difficulties, the Ministry of Tourism had taken steps to allow foreign investments in the potential tourism object to invest. The involvement of foreign investors had contributed to substantial growth and advancement within Indonesia's tourism industry, thereby presenting numerous opportunities for prospective investors. Indonesia has set a target of attracting more than 7 million foreign tourists by the year 2023, which has increased double from previous year. Based on the literature, the researcher's objective is to analyze the potential of public tourism sites, categorizing them as viable prospects for potential investors. The data had been obtained from Kaggle which the target variable was the rating from 1 to 5. The initial classification attempt, which utilized these five categories, proved unsatisfactory, prompting the application of unsupervised learning techniques to reduce the number of target variable categories. Through the utilization of k-means clustering, the final classification resulted in two overarching categories: “good” and “bad” ratings. Subsequent analysis revealed that Naïve Bayes emerged as the most effective algorithm for this classification task, albeit with no significant difference in results when compared to support vector machines. In conclusion, future research endeavors might consider exploring alternative unsupervised learning methods or conducting more comprehensive feature selection processes before implementing the classification.

Related SDGs

Authors

Asis, Muhammad Arfah; Purnawansyah; Salim, Yulita, Program Studi Teknik Informatika, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Akreditasi memerlukan pengelolaan dokumen yang efisien, namun di banyak universitas, pengelolaan dokumen akreditasi masih menghadapi kendala. Dokumen tersebar dalam berbagai format dan sulit diakses. Oleh karena itu, pengembangan sistem informasi manajemen data akreditasi menjadi penting. Tujuan penelitian ini untuk merancang dan membangun sistem manajemen data akreditasi berbasis web yang sesuai dengan kebutuhan Fakultas Ilmu Komputer di Universitas Muslim Indonesia (UMI). Penelitian ini menggunakan metode waterfall dalam pengembangan sistem dengan tahapan requirements, design, implementation, testing, dan maintenance. Sistem ini memungkinkan admin dan operator mengelola data akreditasi, dan asesor untuk mengakses dan mengevaluasi dokumen akreditasi. Hasil pengujian menunjukkan bahwa sistem dapat berjalan sesuai dengan yang diharapkan, dan semua fitur utama berfungsi dengan baik. Kesimpulannya, sistem ini membantu Fakultas Ilmu Komputer UMI dalam meningkatkan efisiensi dalam proses akreditasi, menghemat waktu dan sumber daya, serta mendukung pemeliharaan kualitas dan reputasi pendidikan tinggi di fakultas.

Related SDGs

Authors

Usman, Fifi Febrianti; Purnawansyah; Darwis, Herdianti; Alwi, Erick Irawadi, Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Muslim Indonesia, Makassar

Abstract

Potensi kerugian hasil panen diakibatkan serangan penyakit tanaman bawang merah merupakan pemicu utama yang dapat menurunkan produktivitas pertanian.Serangan hama penyakit dapatdiminimalisir dan diatasi dengan cepat apabila petani mampu mengklasifikasikan jenis penyakit yang menyerang tanaman berdasarkan ciri dan gejala yang muncul. Penelitian ini bertujuan untuk klasifikasi penyakit tanaman bawang merah yakni bercak ungu dan moler denganjumlah 320 dataset menggunakan ekstraksi fitur warna Hue Saturation Value dengan metode K−Nearest Neighbor(Euclidean Distance) dan Convolutional Neural Network. Berdasarkan hasil penelitian diperoleh nilai akurasi, f1-score yaitu 94% dan presisi, recal yaitu 97%, 91% pada penyakit bercak ungu sedangkan pada penyakit moler bernilai 94% pada akurasi, presisi, recall, dan f1-score dalam klasifikasi HSV dan KNN. Klasifikasi dengan menggunakan HSV dan CNN menghasilkannilai yang tinggi pada akurasi, precision, recall, dan f1-score dengan nilai 100% di kedua penyakit daun tanaman bawang merah bercak ungu serta moler.Klasifikasi dengan menggunakan deep learning CNNmemperoleh nilai akurasi, presisi, recall dan f1-score yangsangat baik yaitu 100%. Denganuraian ini, klasifikasi penyakit tanaman bawang merah menggunakan HSV dan CNN, dan deep learning CNN dinyatakan mampu mengklasifikasi penyakit tanaman bawang merah yakni bercak ungu dan moler secara efektif dan akurat.

Related SDGs

Authors

Belluano, Poetri Lestari Lokapitasari; Purnawansyah; Faradibah, Amaliah, Universitas Muslim Indonesia

Abstract

Sistem Informasi Akademik (xSIA) adalah aplikasi yang dibangun untuk mengelola modul transaksi nilai akademik yang memberikan kemudahan kepada pengguna mengelola nilai dalam kegiatan administrasi akademik secara online. Kebutuhan rekonstruksi arsitektur microservice xSIA dari model domain driven design yang dibangun sebelumnya menggunakan format data json (javascript object notation), protokol komunikasi REST (Representational State Transfer and an architectural style for distributed hypermedia systems), terjadi proses otorisasi dan otentikasi yang ada di setiap microservice, terdapat penyatuan data yang dibebankan kepada client telah menyebabkan client harus melakukan banyak request ke berbagai microservice yang tersedia, serta pembuatan dokumentasi jika ada penambahan microservice. Rekonstruksi sistem xSIA dikembangkan dengan mengubah arsitektur microservice xSIA sehingga konsep responsibility autorisasi dan autentifikasi dapat dilakukan sesuai dengan kebutuhan service. Pendekatan dalam melakukan rekontruksi arsitektur microservice pada aplikasi xSIA menggunakan konsep baru dengan model single gateway microservice (layanan satu gerbang) dan dibangun menggunakan GraphQL Federation untuk mempermudah komunikasi data antara backend dan frontend dari aplikasi, serta dapat diimplementasikan di berbagai Bahasa pemrograman sehingga meminimaliasir terjadinya downtime saat proses modifikasi terjadi. Hasil penelitian ini berupa aplikasi xSIA pada modul transaksi rencana studi (KRS) menggunakan GraphQL Federation Concept dengan model single gateway microservice sehingga responsibility autorisasi dan autentifikasi dapat dilakukan sesuai dengan kebutuhan service dengan rerata realtime 373.15 millisecond.

Related SDGs

Authors

Belluano, Poetri Lestari Lokapitasari; Panggabean, Benny Leonard Enrico; Purnawansyah, Purnawansyah; Kasmira ,Kasmira; Universitas Muslim Indonesia, Indonesia

Abstract

The Academic Information System (xSIA) is built to its users to manage Study Program modules, including student academic grades. xSIA applying the Moodle Learning Management System (LMS) was developed by implementing Quick UDP Internet Connection (QUIC) technology with the HTTP/3 protocol which can demonstrate protocol transaction speed performance. The design of information systems and databases employs the Convention Over Configuration paradigm. The Prototyping Model is used to graphically represent the workflow of the system with an experimental research design. System modeling utilizes Unified Modeling Language (UML) tools, Data Base Management System (DBMS) using PostgreSQL, and UDP ports as a means of data communication. The implementation of Quick UDP Internet Connection (QUIC) on the xSIA moodle LMS is effective for real-time communications that do not require conditions to open, maintain, or terminate connections as in streaming video conference. It is also optimal because the UDP data is transferred individually and checked for its integrity upon arrival. When a video streaming transaction last 02:36 seconds with a file size of 4.1mb, there is a significant difference of 100.98ms in the waiting time to first byte (ttfb).

Related SDGs

Authors

Mattola, Muhammad Yushar; Purnawansyah, Purnawansyah; Fattah, Farniwati; Universitas Muslim Indonesia, Indonesia

Abstract

Toko omega sport menjual berbagai macam alat olahraga seperti raket, bola besar, bola volley, bola futsal, bola takraw, baju olahraga, sepatu olahraga, barbel, dll dan juga memiliki beberapa type dan jumlah yang banyak, karena itu sering terjadi kesalahan penghitungan jumlah barang. Pada penelitian ini menggunakan Telegram sebagai aplikasi pesan chatting yang memungkinkan pengguna untuk mengirimkan pesan chatting rahasia. Pada proses pengimputan barang pada toko omega sport masih manual sehingga penulis menciptakan suatu alat yang dapat menginput barang masuk dan barang keluar menggunakan barcode scanner. Sistem yang dapat mempermudah pemilik toko omega sport dalam penginputan barang yang berupa raket bulutangkis, bola, baju olahraga sistem pendeteksi jumlah barang berbasis arduino melalui bot telegram. Hasil yang diperoleh dari penelitian adalah memberikan kemudahan bagi tokoh omega sport dalam pendeteksi barang pada toko omega sport berbasis arduino dengan sistem bot telegram dan website dibuat dengan memanfaatkan barcode scanner dan menyambungkan ke arduino uno. Sistem ini berkerja dengan membaca barcode yang ada pada barang tersebut kemudian akan di kirim dan disimpan dalam database. Dengan adanya sistem ini diharapkan dapat membantu toko omega sport untuk mendeteksi barang yang masuk dan keluar beserta stok barang yang tersedia.

Related SDGs

Authors

Harlinda, Harlinda; Purnawansyah, Purnawansyah; Nurhayati, Lilis; Irawati, Irawati; Abdi, Muh Alim; Universitas Muslim Indonesia, Indonesia

Abstract

Pengembangan masyarakat memiliki fokus terhadap upaya menolong anggota masyarakat yang memiliki kesamaan minat untuk bekerja sama, mengidentifikasi kebutuhan bersama dan kemudian melakukan kegiatan bersama untuk memenuhi kebutuhan tersebut. Masalah yang dihadapi di di Desa Padanglampe seperti, masih belum aktif dan paham akan pemasaran produknya secara meluas, para mitra di Desa Padanglampe kurang kreatif dalam pemasaran produknya, belum adanya Sistem Informasi Berbasis online untuk layanan informasi pemasaran produk yang dibuat. Solusi yang diusulkan, memberikan penyuluhan, dan simulasi tentang pemasaran produk, memberikan pelatihan bagi mitra di Desa Padanglampe tentang kewirausahaan memasarkan produk berbasis online dengan mewujudkan masyarakat sejahtera dan pandai dalam memasarkan produk dengan layanan sistem informasi berbasis online. Luarannya yaitu mitra mendapatkan modul pelatihan Peningkatan Kualitas Pemasaran berbasis online dalam pemasaran produk. Mitra mampu mandiri dalam mengimplementasikan dan terampil dalam pemasaran produk. Software Aplikasi Web Sistem Informasi pemasaran produk dan berupa artikel melalui media atau jurnal.

Related SDGs

Authors

Purnawansyah, Purnawansyah; Darwis, Herdianti; Universitas Muslim Indonesia, Indonesia; Wibawa, Aji; Yulinda, Nurul; Universitas Negeri Malang, Indonesia

Abstract

AFDAL adalah sistem manajemen pembelajaran yang diterapkan di SMAIT Al-Fityan School Gowa Sulawesi Selatan selama pandemic COVID-19. Penting bagi pihak SMAIT Al-Fityan School Gowa untuk mengetahui bagaimana kepuasan pengguna terkait LMS AFDAL. Penelitian ini menggunakan model End User Computing Satisfaction (EUCS) untuk mengetahui kepuasan pengguna LMS AFDAL dengan mempertimbangkan lima variabel utama yaitu content, accuracy, format, ease of use dan timeliness. Kuisioner dalam bentuk skala likert disebarkan kepada 162 responden yaitu 142 peserta didik dan 20 guru SMAIT Al-Fityan School yang diambil secara acak dan bertingkat. Analisis deskriptif dilakukan sebagai tahap awal dan dilanjutkan dengan uji validitas dan realibilitas yang menyatakan bahwa data valid dan reliabel untuk analisis selanjutnya. Berdasarkan hasil dari uji F diperoleh bahwa variabel input berpengaruh signifikan secara simultan dengan memberikan sumbangsih 98 persen terhadap kepuasan pengguna. Adapun dari uji T diperoleh hasil bahwa setiap variabel memberikan pengaruh signifikan secara parsial terhadap kepuasan pengguna dengan urutan variabel yang paling signifikan yaitu content, timeliness, ease of use, format, dan accuracy yang secara deskriptif juga diperkuat bahwa 76 persen pengguna merasa puas dari segi content dan tingkat ketidakpuasan tertinggi terdapat pada variabel format. Dengan demikian, berdasarkan EUCS diperoleh bahwa peserta didik dan guru sebagai pengguna merasa puas dengan sistem dan pengembangan LMS AFDAL direkomendasikan pada sisi format LMS, yaitu fitur, warna, dan desain.

Related SDGs

Authors

Sompie, Arvina Yudithia; Purnawansyah, Purnawansyah; Sugiarti, Sugiarti; Universitas Muslim Indonesia, Indonesia

Abstract

Mengingat fungsi terminal peti kemas sangatlah penting, maka pelayanan kegiatan bongkar muat di lapangan penumpukan harus memperbaiki dan meningkatkan pelayanan dalam menangani pergerakan peti kemas baik ke dalam maupun keluar lapangan penumpukan. Penelitian ini bertujuan untuk mengevaluasi apakah sistem berjalan telah sesuai dengan kebutuhan user serta dapat memberikan kemudahan kepada user dalam kegiatan sistem bongkar muat pada terminal peti kemas PT Pelindo Terminal Petikemas Makassar New Port. Penelitian ini menggunakan metode PIECES dengan menggunakan 6 variabel yaitu Performance, Information, Economics, Control and security, efficiency, dan Service. Berdasarkan hasil penelitian diperoleh nilai rata-rata responden menjawab pada seluruh pertanyaan sebesar 3,8 dari nilai maksimal 5 yang artinya menurut responden sistem yang berjalan sudah baik. Variabel yang memiliki tingkat persentasi kepuasan yang paling rendah yaitu pada variabel Economic dengan nilai standar deviasi mencapai 1,452, variabel Service dengan nilai standar deviasi 1,141, variabel Efficiency dengan nilai standar deviasi 1,091, variabel Performance dengan standar deviasi 1,083, variabel Information dengan nilai standar deviasi 1,053 dan variabel Control dengan nilai standar deviasi mencapai 0,923. Dari 6 variabel maka yang memiliki tingkat persentasi kepuasan paling rendah yaitu variabel economics Setelah mengetahui variabel yang memiliki permasalahan pada user maka dapat dilakukan untuk perbaikan sistem dan mempertahankan pada variabel-variabel lain yang dianggap oleh responden sudah memiliki tingkat layanan yang baik.

Related SDGs

Authors

Harlinda; Purnawansyah; Nurhayati, Muh Alim, Fakultas Ilmu Komputer, Universitas Muslim Indonesia

Abstract

Pengembangan masyarakat memiliki fokus terhadap upaya menolong anggota masyarakat yang memiliki kesamaan minat untuk bekerja sama, mengidentifikasi kebutuhan bersama dan kemudian melakukan kegiatan bersama untuk memenuhi kebutuhan tersebut. Masalah yang dihadapi di di Desa Padanglampe seperti, masih belum aktif dan paham akan pemasaran produknya secara meluas, para mitra di Desa Padanglampe kurang kreatif dalam pemasaran produknya, belum adanya Sistem Informasi Berbasis online untuk layanan informasi pemasaran produk yang dibuat. Solusi yang diusulkan, memberikan penyuluhan, dan simulasi tentang pemasaran produk, memberikan pelatihan bagi mitra di Desa Padanglampe tentang kewirausahaan memasarkan produk berbasis online dengan mewujudkan masyarakat sejahtera dan pandai dalam memasarkan produk dengan layanan sistem informasi berbasis online. Luarannya yaitu mitra mendapatkan modul pelatihan Peningkatan Kualitas Pemasaran berbasis online dalam pemasaran produk. Mitra mampu mandiri dalam mengimplementasikan dan terampil dalam pemasaran produk. Software Aplikasi Web Sistem Informasi pemasaran produk dan berupa artikel melalui media atau jurnal.

Related SDGs

Authors

Atmajaya,Dedy; Purnawansyah; Rahayu, S; Universitas Muslim Indonesia, Indonesia

Abstract

Description of type exam (essay) is considered by many experts as the most appropriate test to reap the results of a complex learning activities, because essay writing will involve the student’s ability to remember, organize, express, and integrate the ideas of the students. Just to correct the essay exam results, requiring a longer time if done manually because most do by reading an essay one by one. So that, lecturers needs to spend a lot of time to assess the answers of student’s exam. Therefore, in implementation, automatic scoring system is needed on the answer essay exam. Automated essay assessment method used in this study is a combination of Text Similarity and Latent Semantic Analysis (LSA) to look for a match and similarity level student answers with the answer key that has previously been inputted into the system. Data used in this test is 15 students with each student to answer 5 questions. Data obtained from subjects essay Basis Data I. The correlation results of that two assessment shows grades 0,946085 with an average increment of 2,08. Which means the results of the assessment system is not much different from the results of the assessment of the lectures, so that the automatic scoring system can be applied to essay type exam.

Related SDGs

Authors

Astut, Wistiani; Salim, Yulita; Armalivia, Siska, Universitas Muslim Indonesia

Abstract

Android merupakan sebuah sistem operasi yang bersifat open source yaitu memberikan peluang bagi pengguna untuk dapat mengembangkan sendiri aplikasi yang ingin digunakan pada smartphone. Dengan kelebihan dari sistem operasi android, akan banyak membantu pengguna smartphone berbasis android untuk dapat menikmati beragam aplikasi, salah satu aplikasi tersebut adalah buku petunjuk telepon penting berbasis android. Tujuan utama dari aplikasi buku petunjuk telepon penting ini adalah memberikan kemudahan bagi masyarakat dalam mengakses kebutuhan informasi nomor telepon penting seperti nomor telepon kantor polisi, pemadam kebakaran, rumah sakit, ambulans. Hasil penelitian dari aplikasi ini menunjukkan bahwa sistem ini membantu pengguna mendapatkan nomor telepon penting sesuai dengan kategori yang diinginkan dari penggunan. Serta dapat langsung menghubungi nomor telepon dan menunjukkan lokasi dari nomor telepon yang diinginkan oleh pengguna.

Related SDGs

Authors

Purnawansyah; Herdianti; Alwi, Erick Irawadi, Universitas Muslim Indonesia

Abstract

The potential for yield loss due to shallot plant disease is the main trigger that can reduce agricultural productivity. Pest and disease attacks can be minimized and overcome quickly if farmers are able to classify the types of diseases that attack plants based on the characteristics and symptoms that appear. This study aims to classify shallot plant diseases, namely purple spotting and moles with a total of 320 datasets using Hue Saturation Value color feature extraction using the K-Nearest Neighbor (Euclidean Distance) and Convolutional Neural Network methods. Based on the results of the study, the accuracy, f1-score was 94% and precision, recal was 97%, 91% in purple spot disease while in moler disease it was 94% in accuracy, precision, recall, and f1-score in HSV and KNN classifications. Classification using HSV and CNN yielded high scores in accuracy, precision, recall, and f1-score with a value of 100% in both purple spot and moler shallot leaf diseases. Classification using deep learning CNN obtains very good accuracy, precision, recall and f1-score, namely 100%. With this description, the classification of shallot plant diseases using HSV and CNN, and CNN deep learning are stated to be able to classify shallot plant diseases, namely purple spotting and moles effectively and accurately

Related SDGs

Authors

Purnawansyah; Ramdaniah, Universitas Muslim Indonesia

Abstract

Kabupaten Enrekang di Sulawesi Selatan memiliki potensi besar untuk budidaya bawang merah, yang menjadi komoditas utama di Kecamatan Anggeraja. Namun, beberapa petani menghadapi kesulitan dalam menemukan lokasi penanaman yang optimal. Oleh karena itu, penelitian ini mengusulkan penggunaan aplikasi penentuan lokasi penanaman bawang merah sebagai solusi. Tujuannya adalah mempermudah petani, terutama di Kecamatan Anggeraja, Kabupaten Enrekang, dalam memilih lahan yang cocok untuk budidaya bawang merah. Dalam penelitian ini, metode Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) digunakan untuk mengevaluasi 15 alternatif lahan pada aplikasi tersebut. Sistem ini membantu pengguna, khususnya petani, dalam mencari dan memilih lahan yang sesuai dengan kriteria yang ditetapkan, sehingga mendapatkan rekomendasi lahan yang optimal. Hasil penelitian menunjukkan kecocokan metode TOPSIS dalam sistem, dengan tingkat akurasi presentasi sebesar 85% dari 15 alternatif yang diuji

Related SDGs

Authors

Purnawansyah; Manga, Abdul Rachman, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Sampah menjadi permasalahan besar di Indonesia seiring dengan meningkatnya populasi dan konsumsi masyarakat. Untuk mengatasi permasalahan ini, klasifikasi sampah yang akurat diperlukan guna mendukung pengelolaan dan daur ulang yang lebih efektif. Penelitian ini menerapkan algoritma K-Nearest Neighbors (KNN) untuk mengklasifikasikan sampah berdasarkan jenisnya, dengan menggunakan tiga metrik jarak: Euclidean, Manhattan, dan Minkowski. Dataset yang digunakan terdiri dari 997 gambar yang terbagi menjadi dua kelas, yaitu kertas dan kardus. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Proses preprocessing meliputi resize gambar ke ukuran 128x128 piksel serta normalisasi data. Model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa jarak Manhattan memberikan performa terbaik dengan akurasi 83%, diikuti oleh Euclidean dengan 75,50%, dan Minkowski dengan 66,50%. Temuan ini menegaskan bahwa pemilihan metrik jarak dalam algoritma KNN sangat memengaruhi kinerja model. Dengan pendekatan ini, diharapkan dapat meningkatkan efisiensi sistem pengelolaan sampah berbasis teknologi, sehingga mendukung upaya daur ulang yang lebih baik dan ramah lingkungan

Related SDGs

Authors

Purnawansyah; Julisa; Darwis, Herdianti; Astuti, Wistiani; Umar, Fitriyani; Sugiarti, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Mangrove ecosystems play an important role in maintaining the balance of the coastal environment, both from ecological and economic aspects. To support the conservation of this ecosystem, accurate information on the classification of mangrove species is needed. The manual identification process that is still widely used has limitations in efficiency and scale. Therefore, this research proposes a deep learning-based mangrove leaf image classification approach using VGG16 architecture as a feature extractor, which is then classified using two machine learning algorithms, namely Support Vector Machine (SVM) and Random Forest. The dataset used consists of leaf images of three mangrove species, namely Avicennia alba, Rhizophora apiculata, and Sonneratia alba, which were collected directly. To improve the generalization performance of the model, various image augmentation scenarios were performed, including zoom, flip, rotation, and a combination of the three. Performance evaluation was conducted using accuracy, precision, recall, and F1-score metrics using a k-fold cross-validation scheme. The results show that the combination of VGG16 + SVM with zoom augmentation provides the highest accuracy of

Related SDGs

Authors

Purnawansyah, Department of Electrical Engineering and Informatics, Universitas Negeri Malang, Jl. Semarang, Malang, 65145, Indonesia; Department of Computer Science, Universitas Muslim Indonesia, Jl. Urip Sumoharjo, Makassar, 90231, Indonesia; Darwis, Herdianti; Azis, Huzain, Department of Computer Science, Universitas Muslim Indonesia, Jl. Urip Sumoharjo, Makassar, 90231, Indonesia; Wibawa, Aji Prasetya; Widiyaningtyas, Triyanna, Department of Electrical Engineering and Informatics, Universitas Negeri Malang, Jl. Semarang, Malang, 65145, Indonesia; Haviluddin, Department of Computer Science, Universitas Mulawarman Jl. Kuaro Gunung Kelua, Samarinda, 75119, Indonesia

Abstract

This study aims to assess the effectiveness of various algorithms in the realms of supervised and semi-supervised learning applied to three multiclass facial image datasets: JAFFE, Georgia tech, and Yale. The datasets were partitioned into proportions of 80:20, 75:25, and 50:50 for supervised learning, while semi-supervised learning was conducted with labelled and unlabeled data ratios of 20:80, 25:75, and 50:50. The evaluated algorithms include convolutional neural networks (CNNs), decision tree, long short-term memory, K-nearest neighbors (K-NNs), multilayer perceptron, and support vector classifier (SVC), each with varying parameters. Experimental outcomes reveal that the performance of models depends on the dataset partitioning strategies and the type of algorithms used. Specifically, linear and polynomial SVC consistently yield favorable results in supervised learning, particularly demonstrating efficacy on the Georgia tech dataset. Conversely, on the JAFFE and Yale dataset, linear SVC and K-NN emerge as optimal choices. The inclusion of semi-supervised learning enhances insights, particularly evident in the Georgia tech dataset, where the combination of labeled and unlabeled data significantly improves accuracy, especially when leveraging linear SVC algorithm. Although there are some instances of sub-optimal performance in certain algorithms like CNN on specific datasets, this research provides comprehensive insights into the effectiveness of various models in contexts of limited-label learning. The implications of these findings are crucial in advancing the development of adaptive and robust facial recognition systems, especially in navigating datasets characterized by diverse variations and complexities.

Related SDGs

Authors

Hasril, Muh. Fadhil Attariq; Purnawansyah; Ilmuwan, Lutfi Budiman, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Perkembangan teknologi perbankan digital mendorong Bank Sulselbar menghadirkan layanan mobile banking melalui aplikasi Sulselbar Mobile. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna aplikasi tersebut di Google Play Store menggunakan algoritma K-Nearest Neighbors (KNN). Sebanyak 1000 data ulasan dikumpulkan dengan teknik web scraping, kemudian dilakukan pelabelan manual dan serangkaian proses preprocessing seperti case folding, normalisasi, stemming, stopword removal, dan tokenizing. Data kemudian dikonversi menjadi bentuk numerik menggunakan metode TF-IDF. Model KNN dikembangkan dengan nilai k = 3 dan divalidasi menggunakan 5-fold cross-validation. Hasil evaluasi menunjukkan model memiliki performa yang baik dan konsisten, dengan rata-rata akurasi 85,6%, presisi 85,4%, recall 85,6%, dan F1-score 85,5%. Fold terbaik mencapai akurasi 90% dan F1-score 89,8%. Hasil ini menunjukkan bahwa kombinasi TF-IDF dan algoritma KNN efektif dalam melakukan klasifikasi sentimen berbasis teks. Temuan ini dapat dimanfaatkan untuk mengevaluasi kualitas layanan aplikasi serta mendukung pengambilan keputusan dalam pengembangan layanan digital perbankan

Related SDGs

Authors

Iswaniah, Muhammad Arfah; Purnawansyah; Mansyur, St. Hajrah, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Penyakit asam lambung atau dispepsia merupakan gangguan pencernaan yang umum terjadi dan sering dikeluhkan oleh pasien di RS Pelamonia Kota Makassar. Proses diagnosis penyakit ini secara manual memerlukan waktu yang lama dan rentan terhadap kesalahan akibat keterbatasan sumber daya medis. Penelitian ini bertujuan untuk mengembangkan sistem pakar berbasis web guna membantu proses diagnosis awal penyakit asam lambung menggunakan metode Certainty Factor (CF). Metode CF digunakan untuk menghitung tingkat keyakinan berdasarkan gejala yang dialami oleh pasien, sedangkan proses penalaran dalam sistem menerapkan teknik forward chaining. Sistem dikembangkan menggunakan bahasa pemrograman web dan basis data MySQL, serta mengikuti pendekatan pengembangan perangkat lunak Extreme Programming (XP) agar dapat beradaptasi terhadap perubahan dan kebutuhan sistem. Data diperoleh melalui wawancara dengan dokter spesialis, observasi langsung, dan studi pustaka. Pengujian sistem dilakukan dengan metode black box testing untuk memastikan setiap fungsi berjalan sesuai harapan. Hasil dari penelitian ini adalah sistem pakar diagnosis penyakit asam lambung yang dapat diakses oleh masyarakat secara daring, memberikan informasi awal tentang kondisi kesehatan, serta mendukung efisiensi pelayanan medis di RS Pelamonia

Related SDGs

Authors

Indra, Dolly; Manga, Abdul Rachman; Harlinda; Herman; Alwi, Erick Irawadi; Mansyur, St. Hajrah; Nurhayati, Lilis; Purnawansyah; Fajrin, Ade Moehammad; Universitas Muslim Indonesia, Indonesia

Abstract

Penyandang tuna netra saat ini masih memiliki kesulitan dalam melakukan aktifitasnya terutama dalam masalah mobilitas di dalam masyarakat. Hal ini tentunya diakibatkan karna masih minimnya sarana dan prasarana yang dapat menunjang para penyandang tuna netra dalam melakukan kegiatan sehari-hari. Salah satu alat bantu yang biasa digunakan oleh penyandang tuna netra untuk melakukan kegiatan sehari-hari adalah tongkat tuna netra, dengan tongkat ini para penyandang tuna netra cukup terbantu terutama ketika berjalan, namun tongkat tuna netra tersebut masih memiliki keterbatasan, salah satunya adalah tidak dapat mendeteksi keberadaan objek yang berada diluar dari jangkauan tongkat tersebut, dengan kata lain penyandang tuna netra dapat merasakan objek yang ada disekitarnya ketika tongkat tuna netra menyentuh objek tersebut. Maka dari itu pada penelitian ini dikembangkan sebuah konsep alat bantu jalan bagi penyandang tuna netra dengan menambahkan sebuah perangkat baru yang dapat menutupi keterbatasan yang ada pada tongkat tuna netra. Alat yang dirancang memanfaatkan teknologi mikrokontoler berupa arduino, sensor ultrasonik, modul Mp3 dan micro DC.

Related SDGs

Authors

Azis, Huzain; M, Muh Fatwah Fajriansyah; Darwis, Herdianti; Purnawansyah; Hasanuddin, Tasrif; Sugiarti, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia

Abstract

Automatic Speech Recognition (ASR) systems perform well for high-resource languages but remain unreliable for regional dialects with limited data. The Makassar dialect, spoken by approximately nine million people in South Sulawesi, Indonesia, presents unique phonetic and grammatical challenges, including high-frequency particles such as mi, ji, and ko. This study introduces the first benchmark evaluation of state-of-the-art ASR models on Makassar speech. Four models, Whisper (tiny, base, small) and Wav2Vec2 Large XLSR Indonesian, were tested on 305 spontaneous utterances (∼10 minutes) from 10 native speakers. Results show severe performance degradation: the best model (Wav2Vec2 Indonesian) reached 87.73% of word error rate (12.27% accuracy). Error analysis reveals two dominant failure modes: Dialect Particle Blindness (average detection rate 2.9%) and Systematic Phonetic Mismatch (89 vowel confusions), indicating that current models treat dialectal features as noise. These findings underscore the urgent need for dialect-aware ASR adaptation and dataset development, providing a foundation for inclusive speech technology across Indonesia's linguistic diversity.

Related SDGs

Authors

Darwis, Herdianti; Adnan, Adam; Purnawansyah; Manga, Abdul Rachman, Faculty of Computer Science, Universitas Muslim Indonesia, Makassar, Indonesia; Wibawa, Aji Prasetya; Irawati, Department of Electrical and Informatics Engineering, Universitas Negeri Malang, Malang, Indonesia

Abstract

The proliferation of online learning platforms has necessitated automated systems for monitoring students' emotional states, given that variations in facial expressions significantly influence engagement and learning outcomes. This study proposes a spatio-temporal classification framework for recognizing emotion intensity levels in the DAiSEE dataset, utilizing Vision Transformer as a spatial feature extractor alongside various temporal models, including LSTM, BiLSTM, TimeSformer, and their hybrid variants. Embeddings are extracted via ViT, after which temporal dependencies are captured by each classifier, incorporating feature-level oversampling to mitigate severe class imbalance. Experimental findings reveal that, despite ViT's ability to generate robust spatial representations, all temporal models struggle to identify minority classes, resulting in predictions biased toward the majority class as evidenced by low balanced accuracy scores and overlapping clusters in t-SNE visualizations. Among all configurations, the ViT + LSTM model delivered the most reliable performance, attaining 59 % accuracy and a 0.59 weighted F1-score on engagement labels, while remaining competitive with prior methods. In essence, integrating spatial and temporal features enhances classification efficacy, yet its effectiveness is substantially constrained by imbalanced data distributions. These results offer a thorough examination of representational challenges in imbalanced affective datasets, along with recommendations for mitigation techniques, crossdataset assessments, and multimodal integrations.

Related SDGs

Authors

Syafie, Lukman; Purnawansyah; Herman; Awangga, Narendra; Wahyudi, Ifan, Fakultas Ilmu Komputer, Universitas Muslim Indonesia

Abstract

Program pengabdian ini bertujuan meningkatkan keterampilan digital siswa di Sekolah Kebangsaan Syeikh Mohd Idris Al-Marbawi, Malaysia. Masalah utama yang dihadapi sekolah ini adalah kurangnya akses siswa terhadap komputer dan aplikasi dasar seperti Microsoft Word. Melalui pelatihan intensif yang diberikan oleh Universitas Muslim Indonesia, siswa dibekali dengan keterampilan dasar penggunaan komputer dan aplikasi Microsoft Word. Pelatihan mencakup pengenalan perangkat keras dan perangkat lunak, serta praktik penggunaan fitur Microsoft Word, mulai dari dasar hingga fitur lanjutan seperti Word Art dan pengaturan kolom.Hasil dari pelatihan ini menunjukkan peningkatan signifikan pada keterampilan digital siswa sesudah pelatihan. Selain itu, sebagai luaran dari program ini, panduan pengantar komputer yang dapat digunakan oleh siswa secara berkelanjutan. Program ini berhasil meningkatkan literasi digital siswa dan diharapkan dapat menjadi model bagi sekolah-sekolah lain. Tantangan yang dihadapi adalah tingkat pemahaman siswa yang beragam, namun hal ini diatasi dengan sesi pendampingan dan konsultasi intensif.

Related SDGs

Authors

Darwis, Herdianti; Purnawansyah; Umalekhoa, Alfi Syahrin; Adnan, Adam; Umar, Fitriyani; AR, Muh. Aqil Fajar, Universitas Muslim Indonesia, Jl. Urip Sumoharjo KM 5, 90231, Makassar, Indonesia; Salim, Yulita, Universiti Kuala Lumpur, 1016 Jl. Sultan Ismail, Bandar Wawasan, 50250, Kuala Lumpur, Malaysia; Raja, Roesman Ridwan, Kyushu Institute of Technology, 680-4 Kawazu, Iizuka, 820-8502, Fukuoka, Japan

Abstract

This research investigates the application of clustering techniques to network congestion data at Universitas Muslim Indonesia, employing a hybrid metric approach based on packet loss and delay. The study utilized two algorithms, K-Means and K-Medoid, applied in a semi-supervised scenario to group 255,147 network data points into 3, 4, and 5 clusters, considering 10 principal variables. During the pre-processing phase, data cleansing was conducted to address missing values, followed by normalization to standardize the scale of numerical variables, thereby preparing the data for the clustering process. Model validation was performed using four cluster evaluation methods: Gap Statistic, Davies-Bouldin Index, and Elbow Method. The evaluation results indicate that both algorithms were capable of forming valid and reliable clusters. However, the K-Means algorithm demonstrated superior performance compared to K-Medoid, particularly when utilizing three Quality of Service variables: throughput, packet loss, and delay. In this configuration, K-Means yielded more stable clusters, a clearer separation between clusters, and a more structured visualization. Consequently, K-Means is considered more optimal for classifying network congestion levels and presents an effective approach for network data segmentation

Related SDGs