Article Per Year (5 Year)
p-Index From 2020 - 2025
2.286
P-Index
This Author published in this journals
All Journal Jurnal TIMES MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Jurnal Sistem Informasi Kaputama (JSIK) JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Ilmu Komputer dan Sistem Komputer Terapan (JIKSTRA) INCODING: Journal of Informatics and Computer Science Engineering Journal of Mathematics and Technology (MATECH) Prioritas : Jurnal Pengabdian Kepada Masyarakat Jurnal Teknik, Komputer, Agroteknologi dan Sains
Sembiring, Arnes
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Automotive Engineering Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Transportation

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Klasifikasi Tumbuhan Obat Berdasarkan Citra Daun Menggunakan Algoritma CNN Sinaga, Nicolas Novelico; Sembiring, Arnes
INCODING: Journal of Informatics and Computer Science Engineering Vol 5, No 1 (2025): INCODING APRIL
Publisher : Mahesa Research Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34007/incoding.v5i1.833

Abstract

This study aims to classify various types of medicinal plants based on leaf images by utilizing the Convolutional Neural Network (CNN) algorithm. The model used is the MobileNetV2 architecture because of its ability to balance accuracy and computational efficiency. The leaf images dataset is divided into training and validation data, then processed through several stages such as augmentation, fine-tuning, and regularization. The evaluation results show that the model successfully achieved the highest validation accuracy of 98,43%, proving that this approach is effective in identifying types of medicinal plants.
Jaringan Syaraf Tiruan Memprediksi Tingkat Penggunaan Sosial Media Dimasa Pandemi Menggunakan Metode Backpropagation Naufal, Tengku Akhdan; Sembiring, Arnes; Sembiring, Hermansyah
Educativo: Jurnal Pendidikan Vol 1 No 1 (2022): Jurnal Teknik, Komputer, Agroteknologi dan Sains (Marostek)
Publisher : PT. Marosk Zada Cemerlang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (633.163 KB) | DOI: 10.56248/marostek.v1i1.19

Abstract

Media sosial merupakan sebuah media online di mana para penggunanya dapat dengan bebas dan mudah berbagi serta menciptakan isi pesan yang diinginkan. Media sosial juga sebagai tempat untuk membagi kegiatan atau aktifitas pengguna. Pengguna juga tidak dirumitkan dalam pembuatan media sosial dan tidak ada batasan ruang dan waktu di mana pengguna dapat membuka media sosal dalam waktu 24 jam sehingga memberikan kecanduan bagi para pengguna media sosial. Saat ini penggunaan media sosial menjadi salah satu alat komunikasi berbasis online untuk mencegah terjadinya penyebaran covid-19 dan kerumunan masyarakat. Alat komunikasi yang saat ini banyak digunakan oleh masyarakat setempat adalah handphone dan laptop serta harus tersedia juga jaringan internet agar dapat mengakses pekerjaan dan sebagai media pembelajaran online pada saat ini. Oleh karena itu perlu adanya suatu tindakan untuk memprediksi tingkat penggunaan sosial media apa saja yang digunakan oleh masyarakat dan pelajar saat ini agar nantinya dapat mempermudah dan menjadi rekomendasi terbaru dalam hal memberikan informasi dan lainnya dengan cepat. Dari analisa yang dilakukan dapatlah hasil pengguna untuk seluruh proses yang dilakukan yaitu pengguna facebook pada bulan juni 45 data, pengguna instagram pada bulan Juni 45 data, pengguna tiktok pada bulan Juni 74 data, pengguna whatsapp pada bulan Juni 45 data, pengguna youtube pada bulan Juni 45 data.
SISTEM MONITORING DAN KONTROL PINTU BENDUNGAN BERBASIS NODEMCU DAN ENERGI TERBARUKAN Rifai, Abas; Sembiring, Arnes; Br Sitepu, Kristina Annatasia; Jalil, Saifuddin Muhammad
Jurnal TIMES Vol 14 No 1 (2025): Jurnal TIMES
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pintu bendungan memiliki peran strategis dalam pengelolaan sumber daya air, mencakup irigasi, pengendalian banjir, hingga penyediaan air bersih bagi masyarakat. Namun, di banyak daerah, sistem pengoperasian pintu masih bersifat manual dan sangat tergantung pada intervensi manusia. Ketergantungan ini menyebabkan keterlambatan dalam merespons fluktuasi volume air secara tiba-tiba, terutama pada saat cuaca ekstrem, yang berisiko menimbulkan bencana seperti banjir dan kekeringan. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem otomatisasi pintu bendungan berbasis Internet of Things (IoT), dengan menggunakan mikrokontroler NodeMCU ESP8266 sebagai unit kendali utama. Sensor ultrasonik digunakan untuk mengukur ketinggian permukaan air secara real-time, sementara sensor hujan memantau kondisi cuaca. Sistem ini dilengkapi panel surya sebagai sumber energi terbarukan guna mendukung keberlanjutan operasional. Motor servo digunakan untuk membuka dan menutup pintu bendungan secara otomatis berdasarkan data sensor yang dianalisis secara cerdas. Seluruh data dikirimkan ke aplikasi Blynk, memungkinkan pemantauan dan pengendalian jarak jauh melalui perangkat seluler. Hasil pengujian menunjukkan bahwa sistem ini bekerja secara akurat, responsif, dan andal dalam berbagai kondisi simulasi. Temuan ini menawarkan solusi teknologi yang inovatif, hemat energi, dan berpotensi diterapkan secara luas dalam sistem pengelolaan air terpadu di masa depan.
PENGEMBANGAN APLIKASI ANDROID UNTUK KLASIFIKASI TINGKAT KEMATANGAN BUAH ALPUKAT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) BERDASARKAN PENGOLAHAN CITRA Rizky, Bagaskara Dwi; Sembiring, Arnes
Jurnal TIMES Vol 14 No 1 (2025): Jurnal TIMES
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk mengembangkan aplikasi Android berbasis pengolahan citra yang mampu mengklasifikasi tingkat kematangan buah alpukat secara otomatis. Permasalahan utama dalam proses klasifikasi manual adalah ketidakakuratan dan ketidakkonsistenan hasil, yang dapat berdampak pada kualitas dan nilai jual buah. Untuk mengatasi hal tersebut, diterapkan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 yang ringan dan efisien untuk perangkat mobile. Dataset citra buah alpukat dibagi ke dalam lima kelas, yaitu Mentah, Setengah Matang, Matang, Terlalu Matang, dan Bukan Alpukat. Proses pelatihan model mencakup augmentasi data, pengoptimalan fungsi aktivasi, serta konversi model ke format TensorFlow Lite agar dapat diintegrasikan ke dalam aplikasi Android. Hasil pengujian menunjukkan bahwa model CNN mampu mencapai tingkat akurasi validasi sebesar 94,61% dan akurasi pengujian sebesar 90,73%. Aplikasi ini memungkinkan pengguna untuk mengambil atau mengunggah gambar buah alpukat, lalu memprosesnya secara real-time dan menampilkan prediksi tingkat kematangannya. Penelitian ini memberikan kontribusi dalam pengembangan teknologi pertanian presisi berbasis kecerdasan buatan untuk membantu proses klasifikasi buah secara cepat, akurat, dan efisien.
Normalization Layer Enhancement in Convolutional Neural Network for Parking Space Classification rahman, sayuti; Ramli, Marwan; Sembiring, Arnes; Zen, Muhammad; Syah, Rahmad B.Y
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol. 23 No. 3 (2024)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/matrik.v23i3.3871

Abstract

The research problem of this study is the urgent need for real-time parking availability information to assist drivers in quickly and accurately locating available parking spaces, aiming to improve upon the accuracy not achieved by previous studies. The objective of this research is to enhance the classification accuracy of parking spaces using a Convolutional Neural Network (CNN) model, specifically by integrating an effective normalizing function into the CNN architecture. The research method employed involves the application of four distinct normalizing functions to the EfficientParkingNet, a tailored CNN architecture designed for the precise classification of parking spaces. The results indicate that the EfficientParkingNet model, when equipped with the Group Normalization function, outperforms other models using Batch Normalization, Inter-Channel Local Response Normalization, and Intra-Channel Local Response Normalization in terms of classification accuracy. Furthermore, it surpasses other similar CNN models such as mAlexnet, you only look once (Yolo)+mobilenet, and CarNet in the same classification task. This demonstrates that EfficientParkingNet with Group Normalization significantly enhances parking space classification, thus providing drivers with more reliable and accurate parking availability information.
Co-Authors Achmad Fauzi Ahmad Zakir, Ahmad Algama, Bella Asmah Indrawati, Asmah Erianto Ongko Gultom, Imeldawaty Harahap, Jaffar Siddik Hartono Hartono Hasibuan, Ade Hasibuan, Ade Zulkarnain Ilham, Fauzi Irawan, Amri Kristina Annatasia Br Sitepu Marwan Ramli Muhammad Khahfi Zuhanda Muhammad Zen, Muhammad Naufal, Tengku Akhdan Pane, Ilham Maratua Rachmat Aulia, Rachmat Rahman, Sayuti Ray, Raja Pahlefi Rifai, Abas Rizky, Bagaskara Dwi Saifuddin Muhammad Jalil Sembiring, Hermansyah Sembiring, Jams David Pindona Sinaga, Nicolas Novelico Siregar, Budi Arisa Utomo Siregar, Rosyidah Syah, Rahmad B.Y Widodo, Dian