Article Per Year (5 Year)
p-Index From 2021 - 2026
2.147
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Sistemasi: Jurnal Sistem Informasi Applied Information System and Management Journal on Education Jurnal Abdimas Bina Bangsa Prosiding Snastikom Jurnal Inovasi Artificial Intelligence & Komputasional Nusantara Jurnal Manajemen, Pendidikan dan Ilmu Komputer (JMENDIKKOM) Jurnal Pengabdian Kepada Masyarakat Indonesia
Abdi Rahim Damanik
STIKOM Tunas Bangsa
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Public Health Social Sciences Other

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

Found 13 Documents
Search

 1   2 
APLIKASI  KLASIFIKASI TINGKAT KEMISKINAN WARGA BERBASIS K-MEANS Silvia Hani; Zahra Chaizura; Abdi Rahim Damanik
Jurnal Inovasi Artificial Intelligence & Komputasional Nusantara Vol. 4 No. 1 (2026): Volume 4 No 1 Tahun 2026
Publisher : PT Siantar Codes Academy Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.260396/sy65vc86

Abstract

Pendataan tingkat kemiskinan warga masih banyak dilakukan secara manual sehingga menimbulkan ketidakakuratan dan potensi subjektivitas dalam penentuan kategori kesejahteraan. Penelitian ini bertujuan untuk mengembangkan Aplikasi Klasifikasi Tingkat Kemiskinan Warga Berbasis K-Means yang mampu mengelompokkan warga secara otomatis berdasarkan pendapatan, pengeluaran, dan jumlah aset. Algoritma K-Means digunakan untuk melakukan proses clustering dan menghasilkan tiga kategori tingkat kemiskinan, yaitu Sangat Miskin, Rentan Miskin, dan Mampu. Metode penelitian meliputi identifikasi masalah, pengumpulan data, perancangan sistem, implementasi, dan evaluasi. Hasil pengujian menunjukkan bahwa aplikasi dapat memproses data secara cepat, memberikan hasil klasifikasi yang konsisten, serta meningkatkan objektivitas dibandingkan penilaian manual. Aplikasi ini diharapkan dapat membantu proses pendataan sosial ekonomi warga menjadi lebih akurat dan terstruktur, serta dapat menjadi dasar bagi pengembangan sistem analisis data pada penelitian selanjutnya.
Sistem Pendukung Keputusan Penentuan Guru Teladan Menggunakan Metode Weighted Product (WP) Berbasis VB.NET H.R Merdu Wira Jasa; Muhammad Taufik Nurhidayat; Yuda Nathanael Simangunsong; Akmal Ardiansyah Batubara; Hari Priandana; Abdi Rahim Damanik
Jurnal Inovasi Artificial Intelligence & Komputasional Nusantara Vol. 5 No. 1 (2026): Volume 5 No 1 Tahun 2026
Publisher : PT Siantar Codes Academy Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.260396/9za21102

Abstract

Penilaian guru teladan merupakan salah satu upaya sekolah dalam meningkatkan kualitas pendidikan melalui proses evaluasi yang objektif dan terukur. Namun, penilaian manual sering menghadapi kendala subjektivitas dan ketidakkonsistenan dalam mengolah berbagai kriteria secara simultan. Penelitian ini bertujuan mengembangkan sistem pendukung keputusan (SPK) berbasis VB.NET untuk menentukan guru teladan menggunakan metode Weighted Product (WP). Metode WP dipilih karena mampu menangani kasus multikriteria melalui mekanisme perkalian nilai alternatif yang dipangkatkan dengan bobot setiap kriteria, sehingga menghasilkan perhitungan yang proporsional dan akurat. Sistem yang dikembangkan mencakup modul pengelolaan data guru, data kriteria, input penilaian, perhitungan otomatis WP, serta penyajian hasil dalam bentuk tabel dan grafik. Proses implementasi menunjukkan bahwa sistem mampu memproses data penilaian secara cepat dan menghasilkan peringkat guru secara konsisten. Pengujian dilakukan menggunakan data penilaian pada periode 2026 Semester Genap, dan hasilnya menunjukkan bahwa guru dengan performa tertinggi pada kriteria berbobot besar memperoleh nilai preferensi tertinggi, dengan Suadi, S.Pd berada pada peringkat pertama. Selain itu, visualisasi grafik yang disediakan mampu memperjelas perbedaan nilai preferensi antarguru sehingga proses interpretasi menjadi lebih mudah. Hasil penelitian ini membuktikan bahwa metode WP dapat diterapkan secara efektif dalam sistem pendukung keputusan dan integrasinya dalam aplikasi VB.NET mampu meningkatkan transparansi, akurasi, dan efisiensi proses penentuan guru teladan. Sistem ini juga berpotensi dikembangkan lebih lanjut untuk mendukung penilaian pada konteks evaluasi lainnya di lingkungan pendidikan.  
Application of EfficientNet Transfer Learning with Incremental Fine-Tuning for Road Damage Detection Riki Winanjaya; Abdi Rahim Damanik; Anton Abdulbasah Kamil
Applied Information System and Management (AISM) Vol. 9 No. 1 (2026): Applied Information System and Management (AISM)
Publisher : Depart. of Information Systems, FST, UIN Syarif Hidayatullah Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/aism.v9i1.50124

Abstract

Image-based road damage detection is an essential component of intelligent infrastructure monitoring systems. However, conventional transfer learning often fails to adapt pre-trained models to domain-specific characteristics such as fine-crack textures, illumination variations, and perspective distortions. This study proposes an EfficientNet-based road damage classification model that leverages incremental fine-tuning and multi-stage data augmentation to enhance feature adaptation and model robustness. The experiments were conducted using the Road Damage Detection dataset from Kaggle, comprising 1,400 labeled images across several road damage classes. The dataset was partitioned into 80:10:10 splits for training, validation, and testing, with stratification. The proposed approach gradually unfreezes EfficientNet layers through a structured incremental fine-tuning schedule while applying staged augmentation to expand data diversity. Experimental results show that the baseline EfficientNet transfer learning model achieved 78.26% accuracy, whereas the proposed model improved performance to 97.10% accuracy, with 97.60% macro precision, 97.20% macro recall, and 97.30% macro F1-score. The results demonstrate that incremental fine-tuning effectively enhances feature adaptation to road damage textures, while multi-stage augmentation improves model robustness. These findings indicate that the proposed approach provides an effective strategy for improving deep-learning-based road damage detection systems in real-world infrastructure monitoring applications.
Co-Authors Ahmad Farhan Lumbangaol Akmal Ardiansyah Batubara Anis Dwi Rizky Anton Abdulbasah Kamil Audyananda B. Herawan Hayadi Dedi Suhendro Dedy Hartama Dewi Santika Dimas Prayogi Fahmi Firzada H.R Merdu Wira Jasa Hari Priandana Hotmaida Asima Verawati Simorangkir Indra Gunawan Irfan Sudahri Damanik Isniar Yaskinah Hutapea Ivana Naomi Simanjuntak M. Safii Michael Kevin Artado Sihombing Muhammad Deri Andriansyah Situmorang Muhammad Rafai Muhammad Taufik Nurhidayat Nasution, Rizki Alfadillah P.A.M. Zidane R.W.P.P. Zer P.P.P.A.N.W Fikrul Ilmi R.H. Zer Riki Winanjaya Roger Susilo Napitupulu Silvia Hani Sophia Salsabila Sundari Retno Andani Surya Darma Susiani Susiani Syahrial Azmi Pohan Syalommitha Situmorang Uci Julya Ningsih Widodo Saputra Yuda Nathanael Simangunsong Zahra Chaizura Zulia Almaida Siregar