Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Journal of Natural A Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Venus
Muh. Arif Rahman
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Energy Engineering Library & Information Science Mechanical Engineering Transportation Other

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

Found 3 Documents
Search

 1 
Deteksi Wajah Manusia pada Citra Menggunakan Dekomposisi Fourier Dewi Yanti Liliana; Muh. Arif Rahman; solimun solimun
Journal of Natural A Vol 1, No 1 (2013)
Publisher : Fakultas MIPA Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1033.82 KB)

Abstract

Pada dua dekade ini banyak dilakukan penelitian yang berhubungan dengan identifikasi dan pengenalan wajah. Wajah adalah bagian dari manusia dan merupakan bagian yang dapat dibedakan dengan manusia lainnya. Ada beberapa pendekatan dalam penelitian wajah yaitu secara geometri, template, dan karakteristik obyek wajah. Salah satu penelitian berbasis karakteristik obyek wajah adalah dengan menggunakan transformasi avelet. Terdapat kesamaan dan ketidak samaan antara transformasi wavelet dan transformasi Fourier. Dengan memperhatikan keunggulan masing-masing maka penelitian ini memfokuskan diri pada pengenalan obyek wajah menggunakan karakteristik obyek wajah yaitu dengan menggunakan dekomposisi Fourier.
Analisis Olah Gerak Mv. Aquagenie 1 Pada Saat Berlabuh Jangkar di Yeosu Anchorage Egbert Edward Djajasasana; Muh. Arif Rahman
JURNAL VENUS Vol 13 No 1 (2025): Maret
Publisher : PIP Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.48192/vns.v13i1.745

Abstract

Penelitian ini bertujuan untuk menganalisis olah gerak kapal MV. Aquagenie saat berlabuh jangkar di Yeosu Anchorage, Korea Selatan, serta mengevaluasi faktor-faktor penyebab insiden jangkar larat yang terjadi. Kapal sebagai sarana transportasi laut tidak terlepas dari risiko operasional, terutama saat menghadapi kondisi cuaca buruk, arus, dan angin kencang. Penelitian ini menggunakan metode deskriptif kualitatif dengan teknik pengumpulan data melalui observasi langsung, wawancara mendalam, dan analisis dokumentasi. Hasil penelitian menunjukkan bahwa insiden jangkar larat yang dialami MV. Aquagenie pada 25 Juli 2023 disebabkan oleh beberapa faktor utama, yaitu pemilihan lokasi labuh yang kurang tepat, panjang rantai jangkar yang tidak memadai, serta kelalaian dalam dinas jaga saat cuaca mulai memburuk. Kapal berlabuh di area outer anchorage (D-1) tanpa bantuan pandu, dengan kondisi awal cuaca yang baik. Namun, cuaca kemudian berubah drastis dengan kecepatan angin mencapai ±35 knot, menyebabkan jangkar tidak mampu menahan kapal sehingga kapal mengalami pergeseran posisi (larat). Sebagai langkah mitigasi, penelitian ini merekomendasikan pelatihan khusus bagi awak kapal, peningkatan koordinasi dalam dinas jaga, serta pengawasan rutin terhadap kondisi jangkar dan peralatan pendukung selama kapal berlabuh jangkar.
Analisis Perbandingan Kinerja Algoritma Bi-LSTM dan Bi-GRUuntuk Klasifikasi Intensi Adzra Fathina, Salma; Sari, Yuita Arum; Muh. Arif Rahman
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 08 (2026): Agustus 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penerapan asisten virtual pada layanan publik membutuhkan kemampuan klasifikasi intensi yang cepat dan akurat untuk memahami maksud dari pertanyaan warga. Tantangan utama pada data teks layanan publik adalah penggunaan bahasa yang tidak baku serta variasi panjang kalimat yang beragam. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Bidirectional Long Short-Term Memory (Bi-LSTM) dan Bidirectional Gated Recurrent Unit (Bi-GRU) dalam mengenali intensi berbahasa Indonesia, baik dari segi akurasi prediksi maupun efisiensi waktu komputasi. Sebanyak 2.000 baris data kueri yang terbagi ke dalam empat kelas intensi digunakan dalam pelatihan model, dimana data tersebut dihasilkan melalui teknik augmentasi Few-Shot Prompting menggunakan Large Language Model (LLM). Evaluasi dilakukan menggunakan metrik pengujian klasifikasi serta pencatatan waktu latih dan waktu inferensi. Hasil penelitian menunjukkan bahwa model Bi-LSTM unggul dengan tingkat akurasi mencapai 99%, sedangkan Bi-GRU mendapatkan akurasi sebesar 95%. Penurunan metrik pada model Bi-GRU sangat dipengaruhi oleh kelemahan retensi memori saat memproses kata kunci penentu yang letaknya berjauhan di dalam kalimat. Dari segi komputasi, Bi-GRU terbukti lebih efisien pada saat  proses pelatihan dengan memakan waktu 7,62 detik dibandingkan Bi-LSTM yang membutuhkan 28,04 detik. Meskipun demikian, kedua arsitektur tersebut mencatatkan waktu inferensi yang sangat cepat dan setara, yaitu berkisar 1,7 milidetik per sampel teks. Pengujian tambahan pada data kueri baru yang tidak baku membuktikan bahwa penerapan normalisasi teks dengan kamus slang sangat membantu Bi-LSTM dalam mempertahankan akurasi hingga 100%. Temuan dari penelitian ini menyimpulkan bahwa Bi-LSTM merupakan pilihan yang lebih optimal untuk diimplementasikan pada sistem chatbot interaktif karena mampu menyeimbangkan akurasi tinggi dan kecepatan respons secara real-time.
Co-Authors Adzra Fathina, Salma Dewi Yanti Liliana Egbert Edward Djajasasana Solimun, Solimun Yuita Arum Sari