Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Sains Teh dan Kina Jurnal Ilmiah Syi'ar
Nur Ibrahim
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Environmental Science Industrial & Manufacturing Engineering Mechanical Engineering Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PENERAPAN PRINSIP MANAJEMEN DAKWAH DALAM SOSIALISASI BMTAL-MUAWANAH IAIN BENGKULU DI DUSUN SUMBER REJO DESA LOKASI BARU KECAMATAN AIR PERIUKAN KABUPATEN SELUMA Nur Ibrahim
JURNAL ILMIAH SYI'AR Vol 17, No 2 (2017): Agustus 2017
Publisher : Institut Agama Islam Negeri Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (210.502 KB) | DOI: 10.29300/syr.v17i2.898

Abstract

The purpose of this study to determine the application of the principle of da’wah management and supporting and inhibiting factors in socialization BMT Al-Muawanah in Sumber Rejo Village. This research uses qualitative descriptive with descriptive method, while the informant use snowball sampling amounted to 6 people. Data collection using interviews, observation and documentation. The application made in the socialization is the first principle of amar makruf nahi mungkar in the form of invite the community to understand the BMT and prevent them join in broker riba (renternir). Second, the obligation to uphold the truth in the form of honest and open management. Third, the principle of enforcing justice in a fair form between fellow administrators and members. Fourth, the principle of obligation to convey the mandate of the agreement in accordance with an agreed contract. Supporting and inhibiting factors in the socialization of BMT Al-Muawanah in Sumber Rejo Village. Supporting factors of the community itself gain knowledge about BMT both bookkeeping, and administration and level of public awareness while the board itself is facilitated by IAIN through the dedication of Lecturers While the pengahmbat factor of the community that is less open and the lack of level of public awareness itself and inhibiting factors of the board less leisure time as well as a location far from the city.
Deteksi Jenis Daun Teh Klon Seri GMB Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur GoogLeNet Alvian Ihza Fahmi Alvian; Nur Ibrahim; Syamsul Rizal; Heri Syahrian; Vitria Puspitasari Rahadi
Jurnal Penelitian Teh dan Kina Vol 2 No 1 (2023): Jurnal Sains Teh dan Kina
Publisher : Research Institute for Tea and Cinchona

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22302/pptk.jur.jstk.v2i1.169

Abstract

Varietas Assamica merupakan salah satu dari berbagai macam varietas teh yang ada di Indonesia. Varietas ini diantaranya terdapat sebelas klon yang dikenal sebagai klon seri GMB. Klon ini sudah diteliti oleh Pusat Penelitian Teh dan Kina (PPTK), dengan penamaan GMB 1-11. Namun, tidak banyak orang yang dapat membedakan sebelas klon ini secara visual. Beberapa faktor penyebab sulitnya membedakan jenis klon seri GMB adalah struktur dan warna yang memiliki banyak kesamaan. Klon seri GMB memiliki kapasitas produksi yang berbeda, sehingga berpengaruh pada tingkat keuntungan penanamannya. Sebelumnya telah dilakukan penelitian perancangan sistem untuk mengklasifikasi lima dari sebelas jenis daun teh klon seri GMB tersebut, namun tingkat akurasi belum sesuai dengan harapan. Pada penelitian ini digunakan bahasa pemrograman Python dengan metode Convolutional Neural Network (CNN) dengan arsitektur GoogLeNet sebagai pengolahan citra digital dari data set daun teh klon seri GMB. Hasil yang didapatkan dari penelitian ini adalah sistem dengan kemampuan mengklasifikasikan sebelas daun teh klon seri GMB menggunakan metode CNN dengan arsitektur GoogLeNet. Sistem mengolah data hasil augmentasi, dengan data latih sebanyak 2640 dan data uji sebanyak 220. Sistem mencapai akurasi sebesar 60,55%, 2,74 loss, dan presisi sebesar 63% menggunakan Adam Optimizer dengan learning rate 0,0001.
Co-Authors Alvian Ihza Fahmi Alvian Heri Syahrian Syamsul Rizal Vitria Puspitasari Rahadi