Muhammad Muhajir

Muhammad Muhajir mengembangkan keahlian akademik yang berfokus pada penerapan metode statistika dan kecerdasan buatan untuk pemodelan data deret waktu, analisis teks, dan klastering, dengan pergeseran signifikan menuju integrasi model deep learning dan pemrosesan bahasa alami dalam lima tahun terakhir. Publikasi terbarunya menonjolkan penggunaan Recurrent Neural Network Long Short-Term Memory (RNN-LSTM) untuk peramalan inflasi Indonesia, termasuk analisis komparatif fungsi aktivasi, serta pengembangan chatbot berbasis framework LangChain dan LLM GPT untuk layanan akademik. Ia juga mengkombinasikan IndoBERT dengan BERTopic untuk pemodelan topik teks pendek berbahasa Indonesia, dan menerapkan Support Vector Machine serta Latent Dirichlet Allocation dalam analisis sentimen dan topik pada isu publik seperti Omnibus Law dan Bjorka. Di bidang klastering, ia membandingkan Hierarchical Clustering dan K-Medoid untuk pengelompokan Satuan Kerja Perangkat Daerah, serta menggunakan K-Affinity Propagation untuk prioritas distribusi bantuan UMKM. Metode lain yang dieksplorasi meliputi pemilihan neuron optimal pada Generalized Regression Neural Network, integrasi Decision Tree dan BIRCH dalam BERTopic, serta pemodelan spasial untuk kerusakan gempa dan kualitas air limbah plastik berbasis Internet of Things. Publikasi lamanya, seperti analisis sentimen menggunakan SVM dan klastering K-Affinity Propagation, memberikan dasar kesinambungan, namun fokus mutakhirnya jelas beralih ke arsitektur neural network canggih dan pemrosesan teks kontekstual untuk aplikasi sosial-ekonomi dan lingkungan.