Article Per Year (5 Year)
p-Index From 2021 - 2026
8.642
P-Index
This Author published in this journals
All Journal ELKHA : Jurnal Teknik Elektro Jurnal Simetris Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Informatika dan Teknik Elektro Terapan Annual Research Seminar Jurnal CoreIT Jurnal Komputer Terapan Jusikom : Jurnal Sistem Komputer Musirawas JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Sisfokom (Sistem Informasi dan Komputer) Petir Jurdimas (Jurnal Pengabdian Kepada Masyarakat) Royal KOMPUTIKA - Jurnal Sistem Komputer Jurnal Informatika Global Jurnal Teknologi Terpadu STRING (Satuan Tulisan Riset dan Inovasi Teknologi) JATI (Jurnal Mahasiswa Teknik Informatika) JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Jurnal Ilmu Komputer dan Informatika Jurnal Saintekom : Sains, Teknologi, Komputer dan Manajemen Brilliance: Research of Artificial Intelligence Algoritme Jurnal Mahasiswa Teknik Informatika Informatics and Enginering Dedication Arcitech: Journal of Computer Science and Artificial Intelligence DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY JOINTECOMS (Journal of Information Technology and Computer Science) MDP Student Conference Scientica: Jurnal Ilmiah Sains dan Teknologi JuTISI (Jurnal Teknik Informatika dan Sistem Informasi) INTECH - Informatika Dan Teknologi
Muhammad Ezar Al Rivan
Universitas Multi Data Palembang
Religion Agriculture, Biological Sciences & Forestry Humanities Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Social Sciences Other

Published : 65 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 65 Documents
Search

 3   4   5   6   7 
Pelatihan Membangun Server DNS Lokal di SMK Negeri 1 Palembang Arman, Molavi; Yohannes, Yohannes; Al Rivan, Muhammad Ezar
FORDICATE Vol 2 No 1 (2022): November 2022
Publisher : Universitas Multi Data Palembang, Fakultas Ilmu Komputer dan Rekayasa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/fordicate.v2i1.3393

Abstract

Pengabdian masyarakat yang dilakukan di SMK Negeri 1 Palembang yaitu berupa pelatihan untuk membangun Server DNS. Pelatihan ini diikuti oleh siswa SMK sehingga siswa memiliki keterampilan dan pengetahuan terkait dengan server DNS. Pelatihan ini diawali dengan melakukan instalasi sistem operasi Linux Debian. Pelatihan ini dilakukan dengan cara praktikum dan tanya jawab. Dari pelatihan ini didapatkan pengetahuan bagaimana melakukan instalasi Linux Debian kemudian dapat membangun Server DNS.
Optimasi Fuzzy C-Means dan K-Means Menggunakan Algoritma Genetika untuk Pengklasteran Dataset Diabetic Retinopathy Al Rivan, Muhammad Ezar; Steven, Steven; Tanzil, William
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 5: Oktober 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020711872

Abstract

Diabetic Retinopathy adalah komplikasi dari diabetes yang mengakibatkan gangguan pada retina mata. Gangguan tersebut dapat diketahui dengan deteksi awal melalui data yang diekstraksi dari citra mata. Deteksi awal dapat dilakukan dengan menggunakan metode clustering. Metode yang digunakan yaitu Fuzzy C-Means dan K-Means. Fuzzy C-Means dan K-Means memiliki kelemahan dari jumlah iterasi yang besar. Jumlah iterasi pada Fuzzy C-Means dan K-Means dapat dioptimasi dengan menggunakan Algoritma Genetika. Optimasi dilakukan dengan cara mengganti bagian pada Fuzzy C-Means dan K-Means pada saat menentukan pusat cluster. Dataset yang digunakan pada penelitian adalah dataset Diabetic Retinopathy. Hasil optimasi sebelum dan sesudah  hybrid Algoritma Genetika pada Fuzzy C-Means terlihat pada nilai rata-rata iterasi dari 17,1 menjadi 6,65 terjadi penurunan sebesar 61,11% dan pada K-Means terlihat pada nilai rata-rata iterasi dari 10,85 menjadi 7,35 terjadi penurunan sebesar 32,25%. Berdasarkan hasil perbandingan nilai rata-rata iterasi Algoritma Genetika–Fuzzy C-Means dan Algoritma Genetika-K-Means maka dapat disimpulkan bahwa Algoritma Genetika-Fuzzy C-Means memiliki jumlah iterasi yang lebih baik dibanding Algoritma Genetika-K-Means. Algoritma Genetika-Fuzzy C-Means juga memiliki inter cluster distance yang paling kecil dan intra cluster distance yang paling besar. AbstractDiabetic Retinopathy is diabetic complication that cause retina disorder. Retina disorder can be known from data extracted from eye image. Early detection conduct using clustering. These methods are Fuzzy C-Means and K-Means. These methods have large number of iteration as weakness. Number of iteration can be optimized using genetic algorithm. Optimization conducted by replace a part from Fuzzy C-Means dan K-Means that use to generate early centroid. The dataset used in the study is a dataset of diabetic retinopathy. The optimization results before and after hybrid GeneticAlgorithm on Fuzzy C-Means are the average iteration values decreased from 17.1 to 6.65, decreasing 61,11% and in K-Means are the average iteration values decreased from 10.85 to 7.35 decreasing 32,25%. Based on the comparison of Genetic Algorithm  Fuzzy C-Means and Genetic Algorithm K-Means iterations, it can be concluded that Genetic Algorithm Fuzzy C-Means has a better number of iteration than Genetic Algorithm K-Means. Genetic Algorithm-Fuzzy-C-Means has smallest inter cluster distance and biggest intra cluster distance.
Facial Recognition Software for Employee Presence Using Convolutional Neural Network with InceptionV3 Architecture Nicholas Nicholas; Muhammad Ezar Al Rivan
Brilliance: Research of Artificial Intelligence Vol. 5 No. 2 (2025): Brilliance: Research of Artificial Intelligence, Article Research November 2025
Publisher : Yayasan Cita Cendekiawan Al Khwarizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/brilliance.v5i2.6769

Abstract

Presence is a crucial aspect of human resource management that involves recording and monitoring employee attendance. It serves not only for tracking presence but also as the foundation for salary calculation, performance evaluation, and strategic decision-making. While many companies still adopt manual presence systems due to their simplicity, such methods are inefficient, prone to human error, and burdensome in administrative tasks, especially in the presence of growing operational complexity. Moreover, even digital systems like fingerprint scanners are often inflexible, as they require physical presence at designated devices, making them unsuitable for remote or mobile employees. This research developed an Android-based presence application utilizing facial recognition technology with the Convolutional Neural Network method using the InceptionV3 architecture. The system is designed to enable automatic, flexible, and accurate attendance recording both inside and outside the workplace. A website-based system has also been developed for centralized attendance data management. Implementation results show that the Android-based application successfully enables employees to perform attendance both inside and outside the office using facial recognition technology, eliminating the need for manual documentation. Additionally, the web-based system can automatically record and summarize attendance data, simplifying recapitulation processes and reducing administrative workload. The facial recognition model, trained using gradual transfer learning, achieved an accuracy of 97.86% and F1-Score of 97.55%. This application has significant potential to improve the efficiency and flexibility of corporate attendance systems.
Klasifikasi Kualitas Telur Ayam Ras Berdasarkan Cangkang Menggunakan You Only Look Once Hasan, Nicholas Jacky Pratama; Al Rivan, Muhammad Ezar
Algoritme Jurnal Mahasiswa Teknik Informatika Vol 6 No 2 (2026): April 2026 || Algoritme Jurnal Mahasiswa Teknik Informatika
Publisher : Program Studi Teknik Informatika Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/algoritme.v6i2.15742

Abstract

Chicken eggs are one of the most popular food ingredients in Indonesia, with demand increasing every year. However, the quality of chicken eggs sold to consumers must be ensured to be safe for consumption. This study utilized the You Only Look Once (YOLO) method from a Convolutional Neural Network (CNN) architecture to detect chicken eggs and determine their quality based on eggshell images. The dataset used in this research included variations in eggshell color corresponding to their quality. Based on the model training results, the best model achieved optimal performance with a mean Average Precision (mAP) of 99.287% for mAP50 and 93.317% for mAP50-95. The results of the study demonstrate that YOLO is capable of detecting the quality of chicken eggs, making it applicable for improving efficiency in the egg-sorting process. This research is expected to contribute significantly to the development of more advanced and effective egg-sorting technology to support the distribution of high-quality eggs to the public.
Klasifikasi Jenis Daun Tanaman Herbal Menggunakan Metode Convolutional Neural Network Dengan Arsitektur AlexNet Dicko David Koniady; Muhammad Ezar Al Rivan
INTECH Vol. 6 No. 2 (2025): INTECH (Informatika Dan Teknologi)
Publisher : Informatics Study Program, Faculty of Engineering and Computers, Baturaja University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54895/intech.v6i2.3275

Abstract

Indonesia has rich biodiversity, including various types of herbal plants commonly used in traditional medicine. However, manual identification and classification of herbal leaves remain challenging due to similarities in shape, color, and texture between species. This study aims to develop an automatic classification system for herbal leaf types using the Convolutional Neural Network (CNN) method with the AlexNet architecture. The dataset used in this research was obtained from a public Kaggle repository and consists of ten classes of herbal leaves, namely guava, curry, basil, turmeric, mint, papaya, betel, soursop, aloe vera, and green tea. Image preprocessing includes resizing to 224×224 pixels, normalization, and data augmentation to improve model generalization. The model was trained and tested using an 80:20 data split with several experimental configurations. The best performance was achieved at a learning rate of 0.0001, batch size of 32, and 25 epochs, resulting in a training accuracy of 88.25% and a testing accuracy of 73.50%. These results show that AlexNet can effectively extract visual features from herbal leaf images and perform accurate classification. This study demonstrates that CNN-based classification is an efficient approach for recognizing herbal plants automatically.
Penerapan Algoritma Greedy dalam Penentuan Prioritas Pengiriman Makanan Berdasarkan Rute, Lalu Lintas, dan Cuaca Steffanie Angelica; Muhammad Fajar Ariansyah; Muhammad Ezar Al Rivan
DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY Vol 7, No 1: JUNI 2026
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/device.v7i1.9045

Abstract

Layanan pengiriman makanan online membutuhkan proses penentuan prioritas pengiriman yang cepat dan adaptif terhadap kondisi lapangan. Penelitian ini bertujuan untuk menerapkan algoritma Greedy dalam menentukan prioritas pengiriman makanan berdasarkan panjang rute, kondisi lalu lintas, dan cuaca. Penelitian menggunakan metode eksperimental kuantitatif dengan memanfaatkan Food Delivery Route Efficiency Dataset yang diperoleh dari platform Kaggle. Tahapan penelitian meliputi pengumpulan data, preprocessing data, pengambilan sampel order, pembobotan multikriteria, penentuan prioritas menggunakan algoritma Greedy, dan evaluasi hasil prioritas. Dataset digunakan sebagai kumpulan skenario pengiriman, kemudian sistem mengambil 5 order secara acak untuk mensimulasikan antrean pesanan yang masuk pada satu waktu. Setiap order dihitung nilai penaltinya berdasarkan kombinasi panjang rute, indeks lalu lintas, indeks cuaca, dan bobot prioritas operasional. Bobot yang digunakan tidak ditetapkan sebagai nilai tetap universal, melainkan disusun dalam tiga skenario prioritas, yaitu kilometer, lalu lintas, dan cuaca. Hasil penelitian menunjukkan bahwa algoritma Greedy dapat mengurutkan order berdasarkan nilai penalti terkecil, serta menghasilkan urutan prioritas yang dapat berubah sesuai skenario bobot yang digunakan. Dengan demikian, pendekatan pembobotan multikriteria dan algoritma Greedy dapat membantu penentuan prioritas pengiriman secara lebih fleksibel sesuai kondisi operasional.
Analisis Komparatif Model Transfer Learning Inception-v3 dan Inception-v4 untuk Klasifikasi Citra Daun Tanaman Herbal Yosefa Camilia Moniung; Muhammad Ezar Al Rivan
Arcitech: Journal of Computer Science and Artificial Intelligence Vol. 6 No. 1 (2026): June 2026
Publisher : Institut Agama Islam Negeri (IAIN) Curup

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29240/arcitech.v6i1.16936

Abstract

Herbal plants represent one of Indonesia's rich biodiversity resources that have long been utilized in traditional medicine. However, manual identification remains challenging due to morphological similarities among plant species. Various studies have applied Convolutional Neural Network (CNN) for herbal plant classification, yet comparative analysis between Inception-v3 and Inception-v4 in this domain remains limited. This comparison is necessary as increased architectural complexity in Inception-v4 does not always guarantee better performance on small-scale datasets. This study aims to compare the performance of Inception-v3 and Inception-v4 transfer learning in classifying 10 herbal plant species using 1,000 leaf images. The novelty lies in a direct comparative analysis considering data augmentation and hyperparameter tuning. Pre-processing includes image resizing and augmentation, while hyperparameter tuning applies learning rate variations (0.001; 0.0001; 0.00001) and batch sizes (16, 32, 64). Evaluation was conducted using accuracy, precision, recall, and F1-score. Inception-v3 achieved the best performance with 98.50% accuracy, 98.55% precision, 98.50% recall, and 98.50% F1-score, providing an empirical benchmark for Inception architecture selection in leaf-based herbal plant classification.
KLASIFIKASI GAYA SENI LUKIS MENGGUNAKAN EFFICIENTNET Vilbert Ferdinand Lim; Muhammad Ezar Al Rivan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18068

Abstract

Transformasi digital dalam satu dekade terakhir mendorong digitalisasi besar-besaran koleksi karya seni oleh museum dan galeri di seluruh dunia. Kondisi ini menghasilkan jumlah citra seni digital yang sangat besar sehingga proses kurasi dan klasifikasi secara manual menjadi tidak efisien dan rentan terhadap subjektivitas. Permasalahan tersebut menuntut adanya sistem klasifikasi otomatis yang mampu mengidentifikasi gaya seni lukis secara akurat dan efisien. Penelitian ini bertujuan untuk membangun sistem klasifikasi gaya seni lukis menggunakan arsitektur EfficientNet dengan pendekatan transfer learning guna memperoleh keseimbangan antara akurasi dan efisiensi komputasi. Dataset yang digunakan berjumlah 23.704 citra yang terdiri dari tujuh gaya seni lukis, yaitu Abstract, Expressionism, Neoclassicism, Primitivism, Realism, Romanticism, dan Symbolism. Proses pelatihan dilakukan pada varian EfficientNet-B0 hingga EfficientNet-B7 selama 20 epoch dengan variasi batch size 8, 16, dan 32. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan f1-score serta analisis efisiensi komputasi. Hasil penelitian menunjukkan bahwa EfficientNet-B4 dengan batch size 32 memberikan performa terbaik dengan akurasi sebesar 94,93%, sekaligus menunjukkan keseimbangan optimal antara kinerja klasifikasi dan kebutuhan komputasi.
KLASIFIKASI SAMPAH BIODEGRADABLE DAN NON-BIODEGRADABLE MENGGUNAKAN ARSITEKTUR MOBILENET DAN XGBOOST Enrico Giriyano Panaroma; Muhammad Ezar Al Rivan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18086

Abstract

Pengelolaan sampah merupakan tantangan utama dalam menjaga kelestarian lingkungan hidup secara global. Seiring meningkatnya volume sampah yang dihasilkan setiap tahun, proses pemilihan sampah secara manual menjadi kurang efisien dan rentan akan human error, maka dari itu klasifikasi sampah yang tepat, khususnya dalam membedakan antara sampah biodegradable dan non-biodegradable, sangat penting untuk mendukung proses daur ulang dan mengurangi dampak lingkungan. Penelitian ini bertujuan mengembangkan sistem klasifikasi sampah yang efisien dan akurat dengan menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dan MobileNetV3-Large sebagai ekstraksi fitur serta XGBoost untuk klasifikasi gambar, yang dibandingkan akan performa MobileNetV2, hybrid MobileNetV2 + XGBoost, dan MobileNetV3-Large. Metode penelitian meliputi pelatihan, validasi dan pengujian terhdapat dataset BDWaste dengan pembagian data yang sesuai untuk mengoptimalkan performa. Evaluasi performa dilakukan menggunakan accuracy, precision, recall, dan F1-score untuk memastikan kemampuan model dalam membedakan kedua kategori secara konsisten. Hasil pengujian menunjukkan bahwa model hybrid memberikan performa yang paling unggul dengan tingkat akurasi sebesar 94,69% dengan komputasi yang ringan yaitu dengan ukuran model sebesar 150 KB dengan waktu pelatihan 127 detik.
KLASIFIKASI GENRE BERDASARKAN DESKRIPSI FILM MENGGUNAKAN TF-IDF DAN SELEKSI FITUR DENGAN XGBOOST Kiven Keita Yosua Damanik; Muhammad Ezar Al Rivan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18381

Abstract

Perkembangan industri perfilman yang semakin pesat menyebabkan meningkatnya jumlah film yang diproduksi setiap tahunnya sehingga diperlukan sistem pengelolaan informasi yang efektif, salah satunya melalui pengelompokan film berdasarkan genre. Penentuan genre film yang masih banyak dilakukan secara manual cenderung bersifat subjektif, memerlukan waktu yang lama, serta kurang efektif dalam menangani film dengan karakteristik multi-genre. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi genre film secara otomatis berdasarkan deskripsi film berupa sinopsis. Sinopsis film memuat ringkasan alur cerita dan tema yang dapat merepresentasikan karakteristik suatu genre, namun masih berbentuk teks bebas sehingga memerlukan tahapan pengolahan teks agar dapat dianalisis secara komputasional. Metode yang digunakan dalam penelitian ini meliputi preprocessing teks, ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), seleksi fitur untuk mengurangi dimensi data, serta algoritma Extreme Gradient Boosting (XGBoost) dengan pendekatan One-Vs-Rest untuk melakukan klasifikasi multi-genre. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan f1-score. Hasil pengujian menggunakan dataset IMDb Movie Genres mampu menghasilkan akurasi sebesar 87%, serta menunjukkan kinerja yang baik dalam mengklasifikasikan genre film berdasarkan sinopsis.
Co-Authors Adikara Alif Nurrahman Ahmad Naufal Ahmad Wahana Jaya Alviando, Muhammad Restu Alvin Setiawan Alwyn Giovri Riyadi Andreas Saputra, Andreas Andree Fendiawati Angelica, Steffanie Antony, Felix Ariansyah, Muhammad Fajar Arta Tri Narta Arta Tri Narta Awalludin, Nur Bhagaskara Bhagaskara Billy Gunawan Budi, Raden George Samuel Busdin, Rusdie Caroline, Fionna Daniel Daniel Devella, Siska Dicko Dicko David Koniady Dicko David Koniady Dini Amputri Enrico Giriyano Panaroma Fareza, Ivan Farisi, Ahmad Fendy Novianto Lukman Fernando Fernando, Fernando Gabriela Repca Sung Gasim Giovani Prakasa Gandi Hafiz Irsyad Hafiz Irsyad Hartoyo, Suryanto Hasan, Nicholas Jacky Pratama Inayatullah Inayatullah Ivan Fareza Juliana Nasution Kevin Kevin Kevin kevin Kiven Keita Yosua Damanik Meiriyama, Meiriyama Mochammad Trinanda Noviardy Molavi Arman Monica Rizki Ayustin Muhammad Fajar Ariansyah Muhammad Ricky Muhammad Tri Setianto Nadimsyah, Ahmad Zaky Narta, Arta Tri Nicholas Nicholas Ningrum Larasati Novan Wijaya Noviardy, Mochammad Trinanda Nur Rachmat Octavia, Angella Orlando Orlando Pratama, M Fikri Rizki Randy Andreo Sonaru Reynald Dwika Prameswara Ricky, Muhammad Rijaya, Rheza RR. Ella Evrita Hestiandari Rusdie Busdin Saputra, Jordi Sehat Martinus Surya Benediktus Siti Nadra Steffanie Angelica Steven Steven Suherman, Jessica Suryanto Hartoyo Suwanto, Elisa Putri Tanzil, William Tegar Juangkara Tommy Saputra Vilbert Ferdinand Lim Wahyudi Alfurqon Wati, Risha Ambar Wijaya, Irvan Winston Kennedy Yoannita, Yoannita Yohannes, Ricky Yohannes, Yohannes Yosefa Camilia Moniung