Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal Journal of Research and Technology IMTechno: Journal of Industrial Management and Technology
Bohari, Abdul Rahman
Unknown Affiliation
Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Engineering Environmental Science Industrial & Manufacturing Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Review: Identifikasi Batubara dan Gangue Menggunakan Machine Learning dan Deep Learning Bohari, Abdul Rahman; Hidayat, Miwan Kurniawan; Andianingsari, Diah Andianingsari
IMTechno: Journal of Industrial Management and Technology Vol. 5 No. 1 (2024): Vol. 5 No. 1 (2024): Januari 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/imtechno.v5i1.3013

Abstract

Abstrak - Pemisahan gangue dari batubara adalah hal yang cukup penting dalam dunia industri pertambangan batubara. Berbagai upaya telah dilakukan oleh para peneliti dalam mencari cara yang lebih efektif dan efisien untuk identifikasi gangue dan batubara. Diantara metode yang cukup banyak diminati oleh para peneliti dalam satu dekade terkahir ini adalah penggunaan teknologi machine learning dan deep learning. Studi review ini bertujuan untuk melihat tren penelitian terkait klasifikasi batubara dan gangue yang menggunakan metode machine learning dan deep learning. Studi ini juga memotret perkembangan metode classifier yang digunakan beserta perkembangan penggunaan berbagai jenis sumber data citra yang menjadi masukan pada classifier. Berdasarkan hasil tabulasi dan analisa dari data-data yang dikumpulkan melalui studi ini diketahui bahwa jumlah penelitian terkait klasifikasi batubara dan gangue mengalami peningkatan dalam beberapa tahun terkahir yang disertai dengan penggunaan berbagai jenis metode classifier dan sumber data citra yang juga cukup bervariasi. Metode classifier yang cukup banyak digunakan adalah Convolutionary Neural Networks, dimana penggunaannya cukup dominan dengan angka lebih dari 60% diantara metode classifier lainnya. Sedangkan data citra optik menduduki peringkat atas sebagai sumber data citra yang paling banyak digunakan yaitu di level sekitar 60%. Di sisi lain, tren penggunaan data citra multispectral dan data citra thermal juga meningkat sebagai alternatif terhadap data citra optik yang cukup sensitif terhadap faktor lingkungan.
Review: Identifikasi Batubara dan Gangue Menggunakan Machine Learning dan Deep Learning Bohari, Abdul Rahman; Hidayat, Miwan Kurniawan; Andianingsari, Diah Andianingsari
IMTechno: Journal of Industrial Management and Technology Vol. 5 No. 1 (2024): Vol. 5 No. 1 (2024): Januari 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/imtechno.v5i1.3013

Abstract

Abstrak - Pemisahan gangue dari batubara adalah hal yang cukup penting dalam dunia industri pertambangan batubara. Berbagai upaya telah dilakukan oleh para peneliti dalam mencari cara yang lebih efektif dan efisien untuk identifikasi gangue dan batubara. Diantara metode yang cukup banyak diminati oleh para peneliti dalam satu dekade terkahir ini adalah penggunaan teknologi machine learning dan deep learning. Studi review ini bertujuan untuk melihat tren penelitian terkait klasifikasi batubara dan gangue yang menggunakan metode machine learning dan deep learning. Studi ini juga memotret perkembangan metode classifier yang digunakan beserta perkembangan penggunaan berbagai jenis sumber data citra yang menjadi masukan pada classifier. Berdasarkan hasil tabulasi dan analisa dari data-data yang dikumpulkan melalui studi ini diketahui bahwa jumlah penelitian terkait klasifikasi batubara dan gangue mengalami peningkatan dalam beberapa tahun terkahir yang disertai dengan penggunaan berbagai jenis metode classifier dan sumber data citra yang juga cukup bervariasi. Metode classifier yang cukup banyak digunakan adalah Convolutionary Neural Networks, dimana penggunaannya cukup dominan dengan angka lebih dari 60% diantara metode classifier lainnya. Sedangkan data citra optik menduduki peringkat atas sebagai sumber data citra yang paling banyak digunakan yaitu di level sekitar 60%. Di sisi lain, tren penggunaan data citra multispectral dan data citra thermal juga meningkat sebagai alternatif terhadap data citra optik yang cukup sensitif terhadap faktor lingkungan.
Developing an interactive graphical user interface for the flexible acceptance sampling plan Darmawan, Armin; Bohari, Abdul Rahman
Journal of Research and Technology Vol. 10 No. 1 (2024): JRT Volume 10 No 1 Juni 2024
Publisher : 2477 - 6165

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55732/jrt.v10i1.1170

Abstract

Acceptance sampling plan is one popular approach since decades ago to determine the quality of the lot. Many researchers have developed the acceptance sampling plan in various perspectives and contexts. Generally, two performance measurements are used to evaluate the performance of the acceptance sampling plan including the operational characteristics (OC) and average sample number (ASN). The developed acceptance sampling plan can be used by practitioners to select the appropriate acceptance sampling plan to sentence the quality of the lot. The practitioner can access the tables provided to see the sample requirement and the critical value as the threshold to sentence the lot's quality, then conduct measurements and calculate the sample critical value manually. Further, the practitioner can compare the measured critical value and the threshold critical value. This process is time-consuming, needs several stages, and tends to open human errors in calculating. In this study, the interactive system is developed to reduce the time-consuming, eliminate the stages, and prevent human error. The interactive system is friendly-used, easy to calculate, and provides quick decision-making.
Co-Authors Andianingsari, Diah Andianingsari Armin Darmawan Miwan Kurniawan Hidayat