Ahmad Fauzi
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Ahmad Fauzi has a total of 18 co-authors. Here are the top co-authors by number of shared publications:
Galih Setiawan Nurohim
Universitas Bina Sarana Informatika
2 shared publicationsHiya Nalatissifa
Universitas Bina Sarana Informatika
2 shared publications- Muhammad Faittullah Akbar
Universitas Bina Sarana Informatika
2 shared publications Andri Asmawan
Universitas Bina Sarana Informatika
1 shared publicationBudi Al Amin
Universitas Bina Sarana Informatika
1 shared publicationDoddy Satrya Perbawa
Universitas Bina Sarana Informatika
1 shared publication
Latest Publications
- Open Access
- 5 December 2025
- Published by Politeknik Negeri Batam in JOURNAL OF APPLIED INFORMATICS AND COMPUTING
- Vol. 9 (6) , 3068-3078
Benchmarking Deepseek-LLM-7B-Chat and Qwen1.5-7B-Chat for Indonesian Product Review Emotion Classification
Upon completing their shopping experience on an e-commerce platform, users have the opportunity to leave a review. By analyzing reviews, businesses can gain insight into customer emotions, while researchers and policymakers can monitor social dynamics. Large Language Models (LLMs) utilization is identified as a promising methodology for emotion analysis. LLMs have revolutionized natural language processing capabilities, yet their performance in non-English languages, such as Indonesian, necessitates a comprehensive evaluation. This research objective is to perform a comprehensive analysis and comparison of Deepseek-LLM-7B-Chat and Qwen1.5-7B-Chat, two prominent open-source Large Language Models, for the emotion classification of Indonesian product reviews. By leveraging the PRDECT-ID dataset, this study evaluates the performance of both models in a few-shot learning scenario through prompt engineering. The methodology outlines the data preprocessing pipeline, a detailed few-shot prompt engineering strategy tailored to each model's characteristics, model inference execution, and performance assessment using the accuracy, precision, recall, and F1-score metrics. Analytical results reveal DeepSeek achieved an accuracy of 43.41%, exhibiting a considerably superior ability to comprehend instructions compared to Qwen, which attained a maximum accuracy of only 20.35% and often yielded near-random predictions. An in-depth error analysis indicates that this performance gap is likely attributable to factors such as pre-training data bias and tokenization mismatches with the Indonesian language. This research offers empirical evidence regarding the comparative strengths and weaknesses of DeepSeek and Qwen, providing a diagnostic benchmark that underscores the significance of instruction tuning and robust multilingual representation for Indonesian NLP tasks.
- 5 December 2025
- Published by Politeknik Negeri Batam in JOURNAL OF APPLIED INFORMATICS AND COMPUTING
- Vol. 9 (6) , 3068-3078
Open AccessBenchmarking Deepseek-LLM-7B-Chat and Qwen1.5-7B-Chat for Indonesian Product Review Emotion Classification
Upon completing their shopping experience on an e-commerce platform, users have the opportunity to leave a review. By analyzing reviews, businesses can gain insight into customer emotions, while researchers and policymakers can monitor social dynamics. Large Language Models (LLMs) utilization is identified as a promising methodology for emotion analysis. LLMs have revolutionized natural language processing capabilities, yet their performance in non-English languages, such as Indonesian, necessitates a comprehensive evaluation. This research objective is to perform a comprehensive analysis and comparison of Deepseek-LLM-7B-Chat and Qwen1.5-7B-Chat, two prominent open-source Large Language Models, for the emotion classification of Indonesian product reviews. By leveraging the PRDECT-ID dataset, this study evaluates the performance of both models in a few-shot learning scenario through prompt engineering. The methodology outlines the data preprocessing pipeline, a detailed few-shot prompt engineering strategy tailored to each model's characteristics, model inference execution, and performance assessment using the accuracy, precision, recall, and F1-score metrics. Analytical results reveal DeepSeek achieved an accuracy of 43.41%, exhibiting a considerably superior ability to comprehend instructions compared to Qwen, which attained a maximum accuracy of only 20.35% and often yielded near-random predictions. An in-depth error analysis indicates that this performance gap is likely attributable to factors such as pre-training data bias and tokenization mismatches with the Indonesian language. This research offers empirical evidence regarding the comparative strengths and weaknesses of DeepSeek and Qwen, providing a diagnostic benchmark that underscores the significance of instruction tuning and robust multilingual representation for Indonesian NLP tasks.
- Open Access
- 1 April 2025
- Published by Universitas Pahlawan Tuanku Tambusai in RIGGS: Journal of Artificial Intelligence and Digital Business
- Vol. 4 (1) , 43-49
Prediksi Harga Properti Di Indonesia Menggunakan Algoritma Random Forest
Harga properti merupakan aspek yang dipengaruhi oleh berbagai faktor, seperti lokasi, luas tanah, jumlah kamar, aksesibilitas, serta kondisi ekonomi di suatu wilayah. Prediksi harga properti yang akurat sangat penting bagi pengembang, investor, dan calon pembeli dalam mengambil keputusan yang tepat. Penelitian ini menerapkan algoritma Random Forest untuk memprediksi harga properti berdasarkan dataset sintetis yang mencakup 10.000 sampel properti dari berbagai kota di Indonesia. Data dianalisis dengan mempertimbangkan faktor utama yang memengaruhi harga, seperti luas tanah, luas bangunan, jumlah kamar tidur, jarak ke pusat kota, serta fasilitas terdekat. Model dievaluasi menggunakan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE), dengan hasil MAE sebesar Rp2,48 miliar dan RMSE sebesar Rp2,89 miliar, yang menunjukkan tingkat akurasi yang cukup baik. Analisis lebih lanjut mengungkap bahwa faktor jarak ke pusat kota merupakan variabel paling berpengaruh terhadap harga properti, diikuti oleh luas tanah dan luas bangunan. Hasil penelitian ini menunjukkan bahwa algoritma Random Forest dapat digunakan sebagai alat bantu dalam menentukan harga properti dengan akurasi yang lebih baik dibandingkan metode tradisional. Studi ini juga mengusulkan pengembangan lebih lanjut dengan mempertimbangkan faktor tambahan, seperti indeks pembangunan wilayah dan tren harga historis, untuk meningkatkan ketepatan prediksi.
- 1 April 2025
- Published by Universitas Pahlawan Tuanku Tambusai in RIGGS: Journal of Artificial Intelligence and Digital Business
- Vol. 4 (1) , 43-49
Open AccessPrediksi Harga Properti Di Indonesia Menggunakan Algoritma Random Forest
Harga properti merupakan aspek yang dipengaruhi oleh berbagai faktor, seperti lokasi, luas tanah, jumlah kamar, aksesibilitas, serta kondisi ekonomi di suatu wilayah. Prediksi harga properti yang akurat sangat penting bagi pengembang, investor, dan calon pembeli dalam mengambil keputusan yang tepat. Penelitian ini menerapkan algoritma Random Forest untuk memprediksi harga properti berdasarkan dataset sintetis yang mencakup 10.000 sampel properti dari berbagai kota di Indonesia. Data dianalisis dengan mempertimbangkan faktor utama yang memengaruhi harga, seperti luas tanah, luas bangunan, jumlah kamar tidur, jarak ke pusat kota, serta fasilitas terdekat. Model dievaluasi menggunakan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE), dengan hasil MAE sebesar Rp2,48 miliar dan RMSE sebesar Rp2,89 miliar, yang menunjukkan tingkat akurasi yang cukup baik. Analisis lebih lanjut mengungkap bahwa faktor jarak ke pusat kota merupakan variabel paling berpengaruh terhadap harga properti, diikuti oleh luas tanah dan luas bangunan. Hasil penelitian ini menunjukkan bahwa algoritma Random Forest dapat digunakan sebagai alat bantu dalam menentukan harga properti dengan akurasi yang lebih baik dibandingkan metode tradisional. Studi ini juga mengusulkan pengembangan lebih lanjut dengan mempertimbangkan faktor tambahan, seperti indeks pembangunan wilayah dan tren harga historis, untuk meningkatkan ketepatan prediksi.
- Open Access
- 3 September 2024
- Published by Asosiasi Seni Desain dan Komunikasi Visual Indonesia in Kesejahteraan Bersama : Jurnal Pengabdian dan Keberlanjutan Masyarakat
- Vol. 1 (4) , 94-104
Penerapan Sistem Informasi E-Posyandu dalam Pengawasan Pertumbuhan Gizi Anak di Posyandu Kelurahan Mojosongo Surakarta
Integrated Service Posts (Posyandu) are important facilities for monitoring children's nutritional growth and development, but there are still many posyandu that use manual methods for recording data. This results in obstacles such as inaccurate data, delays in decision making, and difficulty in accessing information. To overcome this problem, the E-Posyandu information system was implemented at the Posyandu, Mojosongo Village, Surakarta. E-Posyandu is a digital platform designed to facilitate automatic and structured recording, storage and processing of children's nutritional data. This research aims to examine the effectiveness of implementing the E-Posyandu system in improving monitoring of children's growth and nutritional status in Mojosongo Village. By using this technology, the monitoring process becomes more efficient, data is easier to access, and the potential for recording errors can be minimized. Apart from that, this system also offers reminders and notification features to parents regarding the posyandu schedule and necessary health measures.The results of the implementation show an increase in the accuracy and speed of collecting child nutrition data, as well as increased parent participation in monitoring their child's health. It is hoped that E-Posyandu can become an innovative model to be applied in other posyandu in Indonesia.
- 3 September 2024
- Published by Asosiasi Seni Desain dan Komunikasi Visual Indonesia in Kesejahteraan Bersama : Jurnal Pengabdian dan Keberlanjutan Masyarakat
- Vol. 1 (4) , 94-104
Open AccessPenerapan Sistem Informasi E-Posyandu dalam Pengawasan Pertumbuhan Gizi Anak di Posyandu Kelurahan Mojosongo Surakarta
Integrated Service Posts (Posyandu) are important facilities for monitoring children's nutritional growth and development, but there are still many posyandu that use manual methods for recording data. This results in obstacles such as inaccurate data, delays in decision making, and difficulty in accessing information. To overcome this problem, the E-Posyandu information system was implemented at the Posyandu, Mojosongo Village, Surakarta. E-Posyandu is a digital platform designed to facilitate automatic and structured recording, storage and processing of children's nutritional data. This research aims to examine the effectiveness of implementing the E-Posyandu system in improving monitoring of children's growth and nutritional status in Mojosongo Village. By using this technology, the monitoring process becomes more efficient, data is easier to access, and the potential for recording errors can be minimized. Apart from that, this system also offers reminders and notification features to parents regarding the posyandu schedule and necessary health measures.The results of the implementation show an increase in the accuracy and speed of collecting child nutrition data, as well as increased parent participation in monitoring their child's health. It is hoped that E-Posyandu can become an innovative model to be applied in other posyandu in Indonesia.
- Open Access
- 1 July 2024
- Published by STIE AUB Surakarta in WASANA NYATA
- Vol. 8 (1) , 85-89
Canva Magic Studio: Desain Konten Media Sosial Santri Pondok Pesantren Al Ikhsan
Media sosial adalah pelantar digital yang memfasilitasi pengguna saling berinteraksi atau membagikan konten berupa tulisan, foto, video, dan merupakan pelantar digital yang menyediakan fasilitas untuk melakukan aktivitas sosial bagi setiap pengguna. Media sosial merupakan perkembangan teknologi berbasis internet yang memungkinkan pengguna berinteraksi secara langsung dalam beberapa bentuk. Canva, sebagai bagian dari teknologi, merupakan alternatif kemudahan dalam mendesain, yang bisa diolah dengan mudah, cepat dan menarik. Canva Magic Studio bisa dipakai mengolah video, membuat presentasi, edit gambar atau transformasi, yang merapkan semua efek untuk menyempurnakan teks atau bentuk, membuat elemen dan tekstur dengan cepat, atau memicu beragam ide kreatif. Generasi muda yang gemar media sosial perlu di perkenalkan Canva Magic Studio sehingga akan dapat mengelola medianya menjadi lebih menarik. Kreativitas akan terbantu dengan adanya Canva Magic Studio, suatu aplikasi menarik dan termasuk aplikasi dengan kecerdasan buatan (Artificial Intelligence). Dari permasalahan tersebut, maka kami dari Universitas Bina Sarana Informatika memberikan beberapa solusi yakni (1) memperkenalkan teknologi yang menarik untuk media sosial yang Canva Magic Studio, (2) mendorong generasi muda untuk belajar dan menggunakan Canva Magic Studio, dan (3) memberikan pelatihan penggunaan Canva Magic Studio.
- 1 July 2024
- Published by STIE AUB Surakarta in WASANA NYATA
- Vol. 8 (1) , 85-89
Open AccessCanva Magic Studio: Desain Konten Media Sosial Santri Pondok Pesantren Al Ikhsan
Media sosial adalah pelantar digital yang memfasilitasi pengguna saling berinteraksi atau membagikan konten berupa tulisan, foto, video, dan merupakan pelantar digital yang menyediakan fasilitas untuk melakukan aktivitas sosial bagi setiap pengguna. Media sosial merupakan perkembangan teknologi berbasis internet yang memungkinkan pengguna berinteraksi secara langsung dalam beberapa bentuk. Canva, sebagai bagian dari teknologi, merupakan alternatif kemudahan dalam mendesain, yang bisa diolah dengan mudah, cepat dan menarik. Canva Magic Studio bisa dipakai mengolah video, membuat presentasi, edit gambar atau transformasi, yang merapkan semua efek untuk menyempurnakan teks atau bentuk, membuat elemen dan tekstur dengan cepat, atau memicu beragam ide kreatif. Generasi muda yang gemar media sosial perlu di perkenalkan Canva Magic Studio sehingga akan dapat mengelola medianya menjadi lebih menarik. Kreativitas akan terbantu dengan adanya Canva Magic Studio, suatu aplikasi menarik dan termasuk aplikasi dengan kecerdasan buatan (Artificial Intelligence). Dari permasalahan tersebut, maka kami dari Universitas Bina Sarana Informatika memberikan beberapa solusi yakni (1) memperkenalkan teknologi yang menarik untuk media sosial yang Canva Magic Studio, (2) mendorong generasi muda untuk belajar dan menggunakan Canva Magic Studio, dan (3) memberikan pelatihan penggunaan Canva Magic Studio.
- Open Access
- 3 June 2023
- Published by Universitas Islam Balitar in ANTIVIRUS: Jurnal Ilmiah Teknik Informatika
- Vol. 17 (1) , 32-40
IMPLEMENTATION OF MULTI-CLASS GRADIENT BOOSTING TO CLASSIFY ANIMAL SPECIES IN ZOOS
Animals are one of the living things that have various types. Grouping types of animals based on similarities and differences in characteristics owned is one of the important activities carried out To make it easier to compare, recognize, study certain types of animals and be able to find out kinship relationships between animals, So if a new type of animal is found that does not yet have a name, it will be easier for us to give a name to the animal based on the type and based on the group. In research on the classification of animal species in zoos that have multi-class, the best classification is obtained by applying gradient boosting parameters with n_estimators of 50, max_depth 3, sub-sample of 1.0, learning rate of 0.1, and using criterion friedman Mse. And by implementing Split validation or division between training data by 80% for training data and 20% for testing data. The results stated that the proposed model was better than some other models that had also been tested with an accuracy value of 93.75%, recal of 94%, precision of 96% and MSE to measure the average magnitude of error in a series of classifications of 12.5%, the smaller the MSE value, the better it would be in classifying.
- 3 June 2023
- Published by Universitas Islam Balitar in ANTIVIRUS: Jurnal Ilmiah Teknik Informatika
- Vol. 17 (1) , 32-40
Open AccessIMPLEMENTATION OF MULTI-CLASS GRADIENT BOOSTING TO CLASSIFY ANIMAL SPECIES IN ZOOS
Animals are one of the living things that have various types. Grouping types of animals based on similarities and differences in characteristics owned is one of the important activities carried out To make it easier to compare, recognize, study certain types of animals and be able to find out kinship relationships between animals, So if a new type of animal is found that does not yet have a name, it will be easier for us to give a name to the animal based on the type and based on the group. In research on the classification of animal species in zoos that have multi-class, the best classification is obtained by applying gradient boosting parameters with n_estimators of 50, max_depth 3, sub-sample of 1.0, learning rate of 0.1, and using criterion friedman Mse. And by implementing Split validation or division between training data by 80% for training data and 20% for testing data. The results stated that the proposed model was better than some other models that had also been tested with an accuracy value of 93.75%, recal of 94%, precision of 96% and MSE to measure the average magnitude of error in a series of classifications of 12.5%, the smaller the MSE value, the better it would be in classifying.
- Open Access
- 29 March 2019
- Published by Universitas Bina Sarana Informatika in Jurnal Informatika
- Vol. 6 (1) , 107-113
Mengatasi Imbalanced Class Pada Software Defect Prediction Menggunakan Two-Step Clustering-Based Undersampling dan Bagging Tehcnique
Ketidakseimbangan kelas seringkali menjadi masalah di berbagai set data dunia nyata, di mana satu kelas (yaitu kelas minoritas) berisi sejumlah kecil titik data dan yang lainnya (yaitu kelas mayoritas) berisi sejumlah besar titik data. Sangat sulit untuk mengembangkan model yang efektif dengan menggunakan data mining dan algoritma machine learning tanpa mempertimbangkan preprocessing data untuk menyeimbangkan set data yang tidak seimbang. Random undersampling dan oversampling telah digunakan dalam banyak penelitian untuk memastikan bahwa kelas yang berbeda mengandung jumlah titik data yang sama. Dalam penelitian ini, kami mengusulkan kombinasi two-step clustering-based random undersampling dan bagging technique untuk meningkatkan nilai akurasi software defect prediction. Metode yang diusulkan dievaluasi menggunakan lima set data dari repositori program data metrik NASA dan area under the curve (AUC) sebagai evaluasi utama. Hasil telah menunjukkan bahwa metode yang diusulkan menghasilkan kinerja yang sangat baik untuk semua dataset (AUC> 0,9). Dalam hal SN, percobaan kedua mengungguli percobaan pertama di hampir semua dataset (3 dari 5 dataset). Sementara itu, dalam hal SP, percobaan pertama tidak mengungguli percobaan kedua di semua dataset. Secara keseluruhan percobaan kedua mengungguli dan lebih baik daripada percobaan pertama karena evaluasi utama dalam klasifikasi kelas yang tidak seimbang seperti SDP adalah AUC Oleh karena itu, dapat disimpulkan bahwa metode yang diusulkan menghasilkan kinerja yang optimal baik untuk set data skala kecil maupun besar.
- 29 March 2019
- Published by Universitas Bina Sarana Informatika in Jurnal Informatika
- Vol. 6 (1) , 107-113
Open AccessMengatasi Imbalanced Class Pada Software Defect Prediction Menggunakan Two-Step Clustering-Based Undersampling dan Bagging Tehcnique
Ketidakseimbangan kelas seringkali menjadi masalah di berbagai set data dunia nyata, di mana satu kelas (yaitu kelas minoritas) berisi sejumlah kecil titik data dan yang lainnya (yaitu kelas mayoritas) berisi sejumlah besar titik data. Sangat sulit untuk mengembangkan model yang efektif dengan menggunakan data mining dan algoritma machine learning tanpa mempertimbangkan preprocessing data untuk menyeimbangkan set data yang tidak seimbang. Random undersampling dan oversampling telah digunakan dalam banyak penelitian untuk memastikan bahwa kelas yang berbeda mengandung jumlah titik data yang sama. Dalam penelitian ini, kami mengusulkan kombinasi two-step clustering-based random undersampling dan bagging technique untuk meningkatkan nilai akurasi software defect prediction. Metode yang diusulkan dievaluasi menggunakan lima set data dari repositori program data metrik NASA dan area under the curve (AUC) sebagai evaluasi utama. Hasil telah menunjukkan bahwa metode yang diusulkan menghasilkan kinerja yang sangat baik untuk semua dataset (AUC> 0,9). Dalam hal SN, percobaan kedua mengungguli percobaan pertama di hampir semua dataset (3 dari 5 dataset). Sementara itu, dalam hal SP, percobaan pertama tidak mengungguli percobaan kedua di semua dataset. Secara keseluruhan percobaan kedua mengungguli dan lebih baik daripada percobaan pertama karena evaluasi utama dalam klasifikasi kelas yang tidak seimbang seperti SDP adalah AUC Oleh karena itu, dapat disimpulkan bahwa metode yang diusulkan menghasilkan kinerja yang optimal baik untuk set data skala kecil maupun besar.
- Open Access
- 29 March 2019
- Published by Universitas Bina Sarana Informatika in Jurnal Informatika
- Vol. 6 (1) , 77-83
Sentimen Analisis Berinternet Pada Media Sosial dengan Menggunakan Algoritma Bayes
Dalam penelitian analisis sentimen ini proses klasifikasi dokumen di bagi dalam dua kelas, yaitu kelas sentimen positif dan negatif. Media sosial telah menyediakan tempat bagi pengguna web untuk mengungkapkan berbagi pemikiran, pendapat dan menyampaikan berita tentang topik yang berbeda dalam sebuah acara . Data diperoleh dari jejaring sosial Instagram berdasarkan komentar yang ada . Penelitian ini bertujuan untuk menentukan sentimen publik terhadap universitas yang disampaikan di Instagram , sehingga membantu usaha untuk melakukan riset marketing atas opini publik. Klasifikasi algoritma seperti Naive Bayes (NB) yang diusulkan oleh banyak peneliti untuk digunakan dalam analisis sentimen teks. Algoritma Naive Bayes dan metodenya, akan diuji dengan dua masukan dengan menggunakan komentar tokenize and Transform Case yang positif (100 teks komentar) dan negatif (100 komentar teks),akurasi yang di dapat algoritma Naive Bayes 76.50%+/-7.76%(mikro:76.50). Hasil penelitian menunjukkan bahwa Naive Bayes (NB) mendapatkan hasil terbaik dan akurat.
- 29 March 2019
- Published by Universitas Bina Sarana Informatika in Jurnal Informatika
- Vol. 6 (1) , 77-83
Open AccessSentimen Analisis Berinternet Pada Media Sosial dengan Menggunakan Algoritma Bayes
Dalam penelitian analisis sentimen ini proses klasifikasi dokumen di bagi dalam dua kelas, yaitu kelas sentimen positif dan negatif. Media sosial telah menyediakan tempat bagi pengguna web untuk mengungkapkan berbagi pemikiran, pendapat dan menyampaikan berita tentang topik yang berbeda dalam sebuah acara . Data diperoleh dari jejaring sosial Instagram berdasarkan komentar yang ada . Penelitian ini bertujuan untuk menentukan sentimen publik terhadap universitas yang disampaikan di Instagram , sehingga membantu usaha untuk melakukan riset marketing atas opini publik. Klasifikasi algoritma seperti Naive Bayes (NB) yang diusulkan oleh banyak peneliti untuk digunakan dalam analisis sentimen teks. Algoritma Naive Bayes dan metodenya, akan diuji dengan dua masukan dengan menggunakan komentar tokenize and Transform Case yang positif (100 teks komentar) dan negatif (100 komentar teks),akurasi yang di dapat algoritma Naive Bayes 76.50%+/-7.76%(mikro:76.50). Hasil penelitian menunjukkan bahwa Naive Bayes (NB) mendapatkan hasil terbaik dan akurat.