Data Science & Machine Learning
Exploratory data analysis, data cleaning, feature engineering, regression, classification, clustering, dan forecasting.
Tersedia untuk kolaborasi
Halo, saya
Khairul Abdi.
Data Scientist, AI Researcher & IT Specialist
Data Scientist dan AI Researcher dengan latar belakang Magister Sains Data dan Kecerdasan Buatan serta pengalaman profesional dalam pengelolaan sistem informasi rumah sakit. Berfokus pada machine learning, deep learning, computer vision, dan predictive analytics untuk mendukung pengambilan keputusan berbasis data.
M.Kom · 2026Sains Data & AI
YOLO11 & CNNComputer Vision
RSGM USUHealthcare IT
Berdomisili di
Medan, Indonesia
FokusAI & Data
IndustriHealthcare
RisetComputer Vision
01
Tentang Saya
Menghubungkan teknologi, data, dan pelayanan kesehatan.
Data Scientist dan AI Researcher dengan latar belakang Magister Sains Data dan Kecerdasan Buatan serta pengalaman profesional dalam pengelolaan sistem informasi rumah sakit. Memiliki keahlian dalam pengolahan data, machine learning, deep learning, computer vision, predictive analytics, dan pengembangan model deteksi objek.
Berpengalaman mengembangkan sistem otomasi inventaris farmasi berbasis YOLO dan Convolutional Neural Network, mulai dari akuisisi data, anotasi citra, preprocessing, augmentasi, pelatihan model, evaluasi performa, hingga perancangan integrasi hasil deteksi ke dalam database dan dashboard. Memiliki kemampuan menghubungkan solusi berbasis data dengan kebutuhan operasional dan pengambilan keputusan organisasi.
NamaKhairul Abdi, S.Kom., M. Kom
BidangData Science, AI & IT
InstitusiRSGM USU
02
Keahlian
Teknologi yang saya gunakan untuk menyelesaikan masalah.
AI & Computer Vision
Pengembangan model deep learning dan object detection untuk otomasi proses berbasis citra.
IT & Sistem Informasi
Pengelolaan SIMRS, infrastruktur jaringan, backup berkala, serta keamanan dan integritas data rumah sakit.
Data Analyst & Reporting Tools
Analisis dan pelaporan data operasional menggunakan tools industri standar, didukung tooling pengembangan berbasis Python.
Kompetensi Utama
Data Analysis & EDA
Data Cleaning & Preprocessing
Machine Learning & Deep Learning
Computer Vision & Object Detection
Predictive Analytics & Forecasting
Convolutional Neural Network
YOLO11 & Faster R-CNN
Feature Engineering & Model Evaluation
Visualisasi Data & Dashboard
Database & Sistem Informasi
Statistical Analysis
Pengembangan Model Berbasis Python
Keahlian Profesional
Analytical Thinking
Problem Solving
Research & Development
Data-Driven Decision Making
Technical Documentation
Project Management
Communication & Collaboration
Information-System Management
Bahasa
Bahasa Indonesia — Aktif
Bahasa Inggris — B1 (EF SET)
03
Proyek Data Science Unggulan
Beberapa pekerjaan yang merepresentasikan fokus saya.
Precision 99,37%
Recall 98,86%
YOLO11s · 80 Epoch
mAP@0.5 99,41%
Otomasi Inventaris Farmasi Berbasis Computer Vision
Model deteksi objek YOLO11 untuk mengidentifikasi dan menghitung produk farmasi di lingkungan Rumah Sakit Gigi dan Mulut USU, lengkap dengan integrasi ke database dan dashboard.
Visualisasi Hasil Penelitian
Konvergensi model, performa per kelas, dan komparasi arsitektur.
Seluruh angka bersumber dari Tabel 1–6 jurnal “Pengembangan Otomasi Inventaris Farmasi RSGM dengan YOLO11s-CNN”.
Konvergensi Pelatihan 80 Epoch
mAP@0.5:0.95 naik dari 0,7976 pada epoch pertama menjadi 0,8828 pada epoch ke-80 — kualitas lokalisasi terus membaik setelah kemampuan deteksi dasar tercapai.
Nilai epoch 1 dan epoch 80 sesuai laporan penelitian; lintasan antar-epoch dihaluskan untuk memperlihatkan pola konvergensi.
Kurva F1–Confidence
Titik kerja agregat terbaik berada pada confidence 0,653 dengan F1 sekitar 0,99.
Rentang 0,60–0,70 disarankan sebagai ambang operasional awal: naikkan untuk menghindari overcount, turunkan bila objek terlewat lebih berisiko.
Validasi vs Data Uji
Model mempertahankan performa pada 384 citra uji yang tidak dipakai saat pelatihan maupun pemilihan bobot.
mAP@0.5:0.95 justru naik dari 88,28% (validasi) ke 90,03% (uji) — indikasi generalisasi yang stabil.
AP per Kelas Produk
Jarak antara kedua titik menunjukkan selisih kualitas lokalisasi ketika ambang IoU diperketat dari 0,5 ke 0,5:0,95.
E-Flex Blue 057 memiliki AP@0.5 terendah (0,972) karena berbentuk blister tipis memanjang dengan teks rapat, sehingga sensitif terhadap orientasi dan pantulan.
Komparasi Enam Arsitektur
Enam arsitektur diuji pada dataset dan pembagian data yang sama. YOLO11s mencapai mAP@0.5:0.95 nyaris tertinggi dengan bobot paling ringan.
Faster R-CNN unggul tipis pada mAP@0.5 uji (0,993), tetapi bobotnya 315,14 MB dan inferensinya 55,59 ms/citra — sekitar sepuluh kali lebih lambat dari YOLO11s (±5,4 ms/citra).
Komposisi Dataset
Cincin luar menunjukkan pembagian citra, cincin dalam menunjukkan pembagian anotasi bounding box.
Pembagian dilakukan pada level citra agar tidak ada objek yang sama muncul di dua subset sekaligus.
Hasil Pengujian Model
Otomasi Inventaris Farmasi — YOLO11s, 80 epoch, dibandingkan dengan Faster R-CNN
0%
Precision
0%
Recall
0%
mAP@0.5
0%
mAP@0.5:0.95
Proyeksi 2026–2031
17,13 Juta
Peta Jalan Pembangunan Kependudukan Sumatera Utara 2026–2031
Instrumen analitik kebijakan yang menghubungkan proyeksi penduduk, struktur umur, dan skenario kelahiran dengan kebutuhan sekolah, Puskesmas, dan prioritas kesehatan di 33 kabupaten/kota Sumatera Utara.
Visualisasi Peta Jalan
Dari tren kelahiran menuju keputusan layanan dan investasi.
Seluruh angka bersumber dari Lampiran A–E dokumen “Peta Jalan Pembangunan Kependudukan Sumatera Utara 2026–2031”.
Proyeksi Penduduk 2026–2031
Penduduk Sumatera Utara bertambah sekitar 1,15 juta jiwa dalam lima tahun, dari 15.978.639 menjadi 17.129.870 jiwa.
Lintasan provinsi dihitung sebagai penjumlahan lintasan CAGR 33 kabupaten/kota pada Lampiran A; titik 2026 dan 2031 identik dengan angka dokumen.
Struktur Umur 2026 vs 2031
Kelompok 60+ tumbuh paling cepat, sementara jumlah anak relatif stabil.
Penduduk 60+ naik dari 1.699.292 menjadi 2.197.126 jiwa. Nilai 2026 untuk tiga kelompok lain dihitung balik dari laju pertumbuhan yang dilaporkan.
Kelahiran vs Pertumbuhan Penduduk
Indeks 2027 = 100. Penduduk terus naik, sementara kelahiran tahunan praktis mendatar.
Skenario dasar: 291.949 kelahiran (2027) menjadi 292.405 kelahiran (2031) seiring CBR provinsi yang menurun ke 17,07 per 1.000 penduduk.
Pertumbuhan Penduduk per Wilayah
Pertumbuhan tidak tersebar merata — dua belas wilayah tertinggi dan tiga terendah dari 33 kabupaten/kota.
Nias Selatan (+18,2%) dan Simalungun (+17,1%) tumbuh paling cepat, sedangkan Deli Serdang diproyeksikan menyusut 2,9% — sinyal bahwa lokasi prioritas harus ditentukan per wilayah, bukan rata-rata provinsi.
Wilayah Prioritas Pendidikan
Sepuluh kabupaten/kota dengan kebutuhan tambahan satuan pendidikan indikatif terbesar sampai 2031.
Total provinsi 919 tambahan bruto (perubahan bersih 671). Angka ini bersifat indikatif: pilihan dapat berupa rehabilitasi, penambahan ruang dan guru, zonasi, atau transportasi — bukan otomatis gedung baru.
Indeks Prioritas Kesehatan
Skor penyaringan menggabungkan penduduk usia 0–19 (25%), kelahiran (35%), dan prevalensi stunting (40%). Ukuran lingkaran mewakili tambahan cakupan Puskesmas.
Cakupan bergerak dari 620 menjadi 702 desa/kelurahan (+82) — angka ini mengukur desa/kelurahan yang memiliki akses Puskesmas, bukan jumlah unit gedung. Sebanyak 13 wilayah tanpa nilai SSGI kabupaten/kota memakai imputasi provinsi 18,9%.
Proyeksi Utama 2026–2031
Peta Jalan Pembangunan Kependudukan Sumatera Utara — model 5 tahap berbasis Python, diperbarui tahunan
17,13 Juta
Penduduk 2031
7,2%
Pertumbuhan 2026–2031
292.405
Kelahiran 2031 (Skenario Dasar)
919 + 82
Tambahan Sekolah & Cakupan Puskesmas
04
Pengalaman
Perjalanan profesional dan penelitian.
Jun 2024 — Jun 2026
Rumah Sakit Gigi dan Mulut Universitas Sumatera Utara — Medan
Kepala Instalasi Sistem Informasi
Mengelola, memelihara, dan mengembangkan sistem informasi serta aplikasi yang digunakan di lingkungan RSGM USU, termasuk implementasi Sistem Informasi Manajemen Rumah Sakit, infrastruktur jaringan, dan layanan dukungan teknis. Menjaga keamanan, ketersediaan, dan kerahasiaan data organisasi, melaksanakan pencadangan data secara berkala, serta mengolah data operasional untuk mendukung pelaporan dan pengambilan keputusan manajemen.
Okt 2023 — Jun 2024
Rumah Sakit Gigi dan Mulut Universitas Sumatera Utara — Medan
Teknologi Informasi dan HUMAS
Mendukung operasional teknologi informasi dan hubungan masyarakat (HUMAS) di lingkungan RSGM USU, termasuk pengelolaan informasi digital, dokumentasi, dan komunikasi kelembagaan.
Okt 2022 — Okt 2023
Fakultas Kedokteran Gigi Universitas Sumatera Utara (FKG USU) — Medan
IT Support Technician
Memberikan dukungan teknis TI bagi Fakultas Kedokteran Gigi USU, meliputi pemeliharaan perangkat, jaringan, dan penyelesaian masalah operasional sehari-hari.
05
Pendidikan & Publikasi
Landasan akademik di balik riset dan pekerjaan saya.
Magister Sains Data dan Kecerdasan Buatan
Agu 2022 — Jun 2026Universitas Sumatera Utara
Tesis: “Pengembangan Otomasi Inventaris Farmasi Rumah Sakit Gigi dan Mulut dengan Metode Convolutional Neural Network”
Sarjana Komputer (S.Kom.) — Teknologi Komputer/Teknik Sistem Komputer
2009 — 2014Universitas Pembangunan Panca Budi (UNPAB)
Sertifikasi & Pelatihan Terpilih
EF SET English Certificate — B1 Intermediate (2024)
Advanced Machine Learning — Google Cloud (2023)
Computer Vision Fundamentals — Google Cloud (2023)
Natural Language Processing — Google Cloud (2023)
Production ML Systems — Google Cloud (2023)
Recommendation Systems — Google Cloud (2023)
Data Analyst Certificate (Intermediate) — GROWIA (2023)
Data Analyst Certificate — GROWIA (2024)
S. Salmiah dan K. Abdi, “Pengembangan Otomasi Inventaris Farmasi Rumah Sakit Gigi dan Mulut Berbasis YOLO,” Jurnal Responsive — Teknik Informatika, 2025.
Mari Berkolaborasi
Punya proyek teknologi, data, atau AI yang ingin diwujudkan?
Saya terbuka untuk diskusi, penelitian, kolaborasi, dan pengembangan solusi digital.