Article Per Year (5 Year)
p-Index From 2021 - 2026
1.857
P-Index
This Author published in this journals
All Journal Jurnal Simetris Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Informatika Upgris INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi JURNAL MEDIA INFORMATIKA BUDIDARMA JOURNAL OF APPLIED INFORMATICS AND COMPUTING Abdimasku : Jurnal Pengabdian Masyarakat Jurnal Teknik Informatika (JUTIF) Decode: Jurnal Pendidikan Teknologi Informasi Jurnal Locus Penelitian dan Pengabdian Scientific Journal of Informatics
Soeleman, M. Arief
Unknown Affiliation
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Perbandingan Efisiensi dan Akurasi Model Jaringan Saraf Konvolusional untuk Deteksi Objek pada Lingkungan dengan Gangguan Visual Widhiariandoko, Adhitya; Syukur, Abdul; Soeleman, M. Arief
Jurnal Informatika UPGRIS Vol 11, No 2 (2025): DESEMBER 2025
Publisher : Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/jiu.v11i2.25645

Abstract

Model deteksi objek berbasis Jaringan Saraf Konvolusional (JSK) seringkali mengalami penurunan performa signifikan pada kondisi visual dunia nyata yang mengandung gangguan. Penelitian ini bertujuan untuk menganalisis dan membandingkan efisiensi dan akurasi dari tiga arsitektur JSK yang berbeda—Faster R-CNN (dua tahap), SSD (satu tahap klasik), dan YOLOv8s (satu tahap modern)—terhadap gangguan visual. Model-model tersebut dilatih dari awal (from scratch) pada subset dataset COCO dan diuji pada empat skenario: citra bersih, gangguan Gaussian, motion blur, dan kombinasi keduanya. Evaluasi performa menggunakan metrik mean Average Precision (mAP) untuk akurasi dan Frames Per Second (FPS) untuk efisiensi. Hasil eksperimen menunjukkan bahwa YOLOv8s tidak hanya menjadi model tercepat (476.19 FPS), tetapi juga mencapai akurasi tertinggi pada kondisi bersih (mAP 0.2870) dan menunjukkan ketahanan (robustness) terbaik terhadap semua jenis gangguan yang diuji. Sebaliknya, Faster R-CNN terbukti menjadi yang paling rentan, dengan penurunan akurasi mencapai lebih dari 97% pada kondisi gangguan Gaussian. Kesimpulannya, arsitektur modern YOLOv8s menawarkan keseimbangan terbaik antara efisiensi, akurasi, dan ketahanan, menjadikannya pilihan yang superior untuk aplikasi di lingkungan yang tidak dapat diprediksi.
Pengembangan Kreativitas Visual Siswa melalui Pelatihan Media Personal Branding di SMK Al Kautsariyyah Demak Muqoddas, Ali; Muslih, Muslih; Senoprabowo, Abi; Rahmawan P., Elkaf; Sulistiyawati, Puri; Soeleman, M. Arief; Asfawi, Supriyono
ABDIMASKU : JURNAL PENGABDIAN MASYARAKAT Vol 9, No 1 (2026): JANUARI 2026
Publisher : LPPM UNIVERSITAS DIAN NUSWANTORO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/ja.v9i1.3221

Abstract

Transformasi digital dalam industri kreatif menuntut peserta didik pendidikan vokasi, khususnya pada kompetensi Desain Komunikasi Visual (DKV), untuk memiliki kesiapan profesional yang melampaui penguasaan keterampilan teknis semata. Realitas di lapangan menunjukkan bahwa sebagian siswa sekolah menengah kejuruan masih belum memiliki pemahaman yang memadai terkait pembentukan identitas profesional, pengelolaan proses kreatif, serta penyajian karya dalam bentuk portofolio digital yang relevan dengan standar industri. Kegiatan Pengabdian kepada Masyarakat ini dirancang sebagai intervensi edukatif melalui pelaksanaan pelatihan dan pendampingan sistematis yang berfokus pada integrasi personal branding dengan penyusunan portofolio digital siswa DKV di SMK Al Kautsariyyah Demak. Pendekatan kegiatan meliputi penguatan pemahaman konseptual, eksplorasi karakter visual individu, kurasi dan pengemasan karya, serta pendampingan pemanfaatan platform digital sebagai media presentasi profesional. Implementasi program menunjukkan adanya peningkatan kesadaran peserta didik terhadap pentingnya konsistensi identitas visual dan kemampuan menyajikan karya secara terstruktur dan komunikatif. Selain berdampak pada peningkatan kompetensi siswa, kegiatan ini juga menjadi sarana pembelajaran kontekstual bagi mahasiswa dan dosen dalam pelaksanaan tridarma perguruan tinggi serta mendukung capaian Indikator Kinerja Utama (IKU). Dengan demikian, program ini berperan dalam memperkuat keterhubungan antara pendidikan vokasi dan kebutuhan aktual industri kreatif. Untuk luaran kegiatan pengabdian kepada masyarakat ini, juga akan dipublikasikan pada jurnal nasional pengabdian masyarakat ABDIMASKU, hasil dokumentasi pelaksanaan diupload pada youtube, dan HKI. Kegiatan PKM ini laksanakan oleh dosen dan mahasiswa dari program studi Desain Komunikasi Visual dan Teknik Informatika yang terakreditasi unggul sehingga kompeten dibidangnya masing-masing.
Suicidal Ideation Detection in Social Media using Optimized CNN-BiLSTM Architecture Putri Novitasari, Hestiana; Soeleman, M. Arief; Rosita Sari, Sifa Ayu; Maida, Mamay
Journal of Applied Informatics and Computing Vol. 10 No. 1 (2026): February 2026
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v10i1.11926

Abstract

This research aims to develop an optimized hybrid deep learning model for detecting suicidal ideation from social media text. The growing volume of online discussions, particularly on platforms such as Reddit, provides valuable signals for early identification of individuals at risk; however, the linguistic characteristics of user-generated content are highly diverse and often noisy. To address this challenge, this study proposes an Optimized CNN-BiLSTM architecture enhanced with a dropout rate of 0.6 and a strategic training approach utilizing Early Stopping (patience=3) and a Learning Rate Scheduler (ReduceLROnPlateau) to prevent local minima and ensure convergence stability. The dataset used consists of 232,074 text entries with a balanced class distribution (50% suicide, 50% non-suicide) to ensure the validity of evaluation metrics and eliminate majority class bias. Experimental results demonstrate that the optimized model achieves an accuracy of 94.96%, precision of 95.70%, recall of 94.15%, and an F1-score of 94.92%, indicating a significant improvement over the baseline CNN-BiLSTM and single BiLSTM models. Furthermore, interpretability analysis via keyword visualization (Word Cloud) validates that the model effectively captures semantically relevant emotional expressions of despair. These findings suggest that the optimized hybrid architecture provides a robust and operationally viable approach for supporting real-time early-warning systems on social media platforms to facilitate timely mental health interventions.
Co-Authors Abdul Syukur Abi Senoprabowo Affandy Affandy Affandy Al zami, Farrikh ALI MUQODDAS Arie Nugroho, Arie Assaqty, Mohammad Iqbal Saryuddin Azhar, Saifulloh Casidi, Casidi Dliyauddin, Muhammad Elkaf Rahmawan Pramudya Guruh Fajar Shidik Maida, Mamay Marjuni, Aris Muslih - Muslih Muslih Nurhindarto, Aris Prasetya, Rudy Eko Pulung Nurtantio Andono Puri Sulistiyawati Putri Novitasari, Hestiana Rahmatullah, Muhammad Rifqi Fadhlan Rahmawan P., Elkaf Ricardus Anggi Pramunendar Rosita Sari, Sifa Ayu Sari Ayu Wulandari Supriyono Asfawi Triyotomo, Triyotomo Tutik Khotimah Widhiariandoko, Adhitya Zami , Farrikh Al