Article Per Year (5 Year)
p-Index From 2020 - 2025
3.982
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering JUITA : Jurnal Informatika ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING JURNAL LENTERA : Kajian Keagamaan, Keilmuan dan Teknologi MIND (Multimedia Artificial Intelligent Networking Database) Journal TESLA: Jurnal Teknik Elektro Jurnal Tekinkom (Teknik Informasi dan Komputer) Jurnal Teknik Informatika (JUTIF) Almufi Jurnal Pengabdian kepada Masyarakat eProceedings of Engineering
Nur Ibrahim
Telkom University
Religion Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Social Sciences Other

Published : 60 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 60 Documents
Search

 2   3   4   5   6 
Evaluasi Optimizer pada Residual Network untuk Klasifikasi Klon Teh Seri GMB Berbasis Citra Daun USMAN, KOREDIANTO; PRATIWI, NOR KUMALASARI CAECAR; IBRAHIM, NUR; SYAHRIAN, HERI; RAHADI, VITRIA PUSPITASARI
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 9, No 4: Published October 2021
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v9i4.841

Abstract

ABSTRAKKomoditas teh berperan strategis terhadap pertumbuhan perekonomian Indonesia, salah satunya dari teh klon Gambung (GMB). Klon GMB memiliki beberapa karakter khas, dengan tingkat kemiripan morfologi yang sangat tinggi. Hal ini berdampak pada proses pengenalan klon GMB dilakukan melalui pengamatan visual oleh tenaga ahli sangat rentan terhadap kesalahan identifikasi. Sehingga, dalam penelitian ini dirancang suatu sistem identifikasi terhadap 11 klon teh seri GMB (GMB-1 hingga GMB-11) dengan menggunakan arsitektur ResNet101. Evaluasi sistem akan dilakukan dengan membandingkan tujuh algoritma optimizer yang berbeda, yaitu; Adam, SGD, RMSProp, AdaGrad, AdaMax, AdaDelta dan Nadam. Hasil pengujian menunjukkan bahwa Adam dan SGD memberikan nilai rata-rata presisi, recall dan F1-score terbaik. Selain itu, Adam memberikan nilai akurasi yang cenderung stabil sejak iterasi pertama. Metode yang diusulkan memberikan tingkat presisi, recall, F1-score sebesar 96% dan akurasi terbaik sebesar 97%.Kata kunci: klasifikasi daun teh, seri Gambung (GMB), CNN, ResNet101 ABSTRACTGambung (GMB) tea is one of the tea commodities that plays a key role in Indonesia's economic development. GMB clones have a number of distinguishing characteristics, including a high degree of morphological similarities. This has an impact on the process of identifying GMB clones through visual observation by experts who are subject to mistakes. In this study, ResNet101 architecture was used to create an identification scheme for 11 tea clones from the GMB series (GMB-1 to GMB-11). System evaluation will be carried out by comparing seven different optimizer; Adam, SGD, RMSProp, AdaGrad, AdaMax, AdaDelta, and Nadam. The test results indicate that Adam and SGD have the highest average accuracy, recall, and f1-score values. Adam also has an accuracy value that has remained consistent since the first iteration. The proposed method provides highest precision, recall, F1-score of 96% and accuracy of 97%.Keywords: tea leaves classification, GMB series, CNN, ResNet101
Optimasi Convolutional Neural Network dan K-Fold Cross Validation pada Sistem Klasifikasi Glaukoma FUADAH, YUNENDAH NUR; UBAIDULLAH, IBNU DAWAN; IBRAHIM, NUR; TALININGSING, FAUZI FRAHMA; SY, NIDAAN KHOFIYA; PRAMUDITHO, MUHAMMAD ADNAN
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 3: Published July 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i3.728

Abstract

ABSTRAKPada penelitian ini dilakukan perancangan arsitektur Convolutional Neural Network (CNN) yang terdiri dari 5 layer konvolusi dan 1-fully connected layer untuk mengklasifikasikan citra fundus kedalam kondisi normal, early, moderate, deep, dan ocular hypertension (OHT). Selanjutnya, model yang diusulkan dibandingkan dengan arsitektur AlexNet yang memiliki 5 layer konvolusi dan 3- fully connected layer. Data yang digunakan berupa citra fundus yang terdiri dari 3200 data latih, 800 data validasi, dan 1000 data uji. Optimasi model CNN dilakukan dengan melakukan pengujian hyperparameter yang terdiri dari learning rate, batch-size, epoch, dan optimizer. Selain itu, pada tahap training diimplementasikan 5-fold cross validation untuk seleksi model terbaik. Dengan model yang lebih sederhana dari AlexNet, model CNN usulan dapat memberikan performansi yang sama dengan arsitektur AlexNet yaitu akurasi 100%, presisi, recall, f1-score dan AUC score bernilai 1.Kata kunci: glaukoma, citra fundus, convolutional neural network (CNN), AlexNet ABSTRACTThis study proposes a Convolutional Neural Network with 5 convolutional layer and 1-fully connected layer to classify fundus images into normal, early, moderate, deep, and ocular hypertension (OHT) conditions. Furthermore, the proposed model is compared with the AlexNet architecture which has 5 convolution layers and 3- fully connected layers. The data used is a fundus image consisting of 3200 training data, 800 validation data, and 1000 test data. The optimization of the CNN model is performed by testing the hyperparameters consisting of learning rate, batch size, epoch, and optimizer. In addition, at the training stage, 5-fold cross validation is implemented to select the best model to be used in the test stage. With a simpler model from AlexNet, the proposed model provides 100% accuracy performance with precision values, recall, f1-score, and AUC score of 1.Keywords: glaucoma, fundus images, convolutional neural network (CNN), AlexNet
Pengklasifikasian Grade Telur Ayam Negeri menggunakan Klasifikasi K-Nearest Neighbor berbasis Android IBRAHIM, NUR; BACHERAMSYAH, TASYA FIKRIYAH; HIDAYAT, BAMBANG; DARANA, SJAFRIL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 6, No 2: Published May 2018
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v6i2.288

Abstract

ABSTRAKTelur ayam negeri yang dibeli oleh masyarakat Indonesia di toko swalayan, pasar, ataupun di peternakan memiliki grade yang berbeda-beda. Pada penelitian sebelumnya, telah dilakukan pembuatan sistem pengklasifikasian telur ayam dengan berbasis Windows, namun belum dapat digunakan secara praktis oleh masyarakat. Penelitian ini dilakukan agar masyarakat dapat menggunakannya di lapangan dalam mengklasifikasikan grade telur ayam negeri, dimana pengklasifikasian grade pada telur ayam negeri ini menggunakan klasifikasi KNearest Neighbor (K-NN) yang berbasis android. Berdasarkan hasil pengujian, sistem ini dapat mengklasifikasikan grade telur ayam negeri dengan tingkat akurasi sebesar 80% (dibandingkan menggunakan Haugh Unit Micrometer) menggunakan parameter layer 4 (grayscale), metode penghitungan jarak cosine, dan nilai k=1 dimana jumlah tetangga yang dibandingkan pada algoritma K-NN adalah 1.Kata kunci: K-NN, telur ayam negeri, android.ABSTRACTChicken eggs purchased by Indonesian people in supermarkets, markets, or farms have different grades. In the previous research, the classification system of chicken eggs has been done in the windows platform, but it cannot be used practically by the people. This research was made so the people can use it on the field to classify chicken eggs grade, using the classification of K-Nearest Neighbor (K-NN) based on android. Based on testing results of this system, can classify eggs grade chicken with an accuracy of 80% (compared with Haugh Unit Micrometer) using layer 4 (grayscale), cosine distance method, and value of k=1 which is the total of compared neighborhood in K-NN algorithm is 1.Keywords: K-NN, chicken egg, android.
Klasifikasi Grade Telur Ayam Negeri secara non- Invasive menggunakan Convolutional Neural Network IBRAHIM, NUR; SA’IDAH, SOFIA; HIDAYAT, BAMBANG; DARANA, SJAFRIL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 2: Published April 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i2.297

Abstract

ABSTRAKTelur ayam negeri merupakan salah satu sumber protein yang banyak dikonsumsi masyarakat Indonesia. Untuk menjaga kualitas telur ayam negeri yang beredar di Indonesia, diperlukan sistem yang mampu mengidentifikasi grade telur ayam dan mudah digunakan oleh masyarakat. Penelitian sebelumnya telah mengembangkan sistem pengklasifikasian grade telur ayam negeri secara invasive dengan tingkat akurasi 80%, namun sistem ini membutuhkan sampel telur yang dipecahkan sehingga setiap sampel telur tersebut tidak dapat disimpan dalam waktu lama. Oleh karena itu, penelitian ini mengembangkan sistem klasifikasi grade telur ayam tanpa perlu memecahkan sampel telur ayam (non-invasive). Dengan menggunakan metode Convolutional Neural Network (CNN), sistem mampu mengidentifikasi grade telur ayam negeri pada tingkat akurasi 85,86% dengan arsitektur LeNet-5, optimizer Adam, learning rate 0,001, dan epoch 50.Kata kunci: telur ayam negeri, non-invasive, convolutional neural network, LeNet-5 ABSTRACTLocal Chicken egg are one of the sources of protein that is widely consumed by the people of Indonesia. To maintain the quality of local chicken egg in the market, a system that can identified chicken egg’s grade and easy to use is needed. Previous research has developed an invasive chicken egg’s grade classification system with 80% accuracy. However, the system required egg sample to be cracked so the egg sample can’t be stored for too long. This research develop a non-invasive chicken egg’s grade classification system, which doesn’t require egg sample to be cracked. By using Convolutional Neural Network (CNN), system can identified chicken egg’s grade at 85,86% accuracy with LeNet-5 architecture, Adam optimizer, learning rate 0,001, and epoch 50.Keywords: local chicken egg, non-invasive, convolutional neural network, LeNet-5
Compressive Sensing Audio Watermarking dengan Metode LWT dan QIM SAFITRI, IRMA; IBRAHIM, NUR; YOGASWARA, HERLAMBANG
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 6, No 3: Published September 2018
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v6i3.405

Abstract

ABSTRAKPenelitian ini mengembangkan teknik Compressive Sensing (CS) untuk audio watermarking dengan metode Lifting Wavelet Transform (LWT) dan Quantization Index Modulation (QIM). LWT adalah salah satu teknik mendekomposisi sinyal menjadi 2 sub-band, yaitu sub-band low dan high. QIM adalah suatu metode yang efisien secara komputasi atau perhitungan watermarking dengan menggunakan informasi tambahan. Audio watermarking dilakukan menggunakan file audio dengan format *.wav berdurasi 10 detik dan menggunakan 4 genre musik, yaitu pop, classic, rock, dan metal. Watermark yang disisipkan berupa citra hitam putih dengan format *.bmp yang masing-masing berukuran 32x32 dan 64x64 pixel. Pengujian dilakukan dengan mengukur nilai SNR, ODG, BER, dan PSNR. Audio yang telah disisipkan watermark, diuji ketahanannya dengan diberikan 7 macam serangan berupa LPF, BPF, HPF, MP3 compression, noise, dan echo. Penelitian ini memiliki hasil optimal dengan nilai SNR 85,32 dB, ODG -8,34x10-11, BER 0, dan PSNR ∞.Kata kunci: Audio watermarking, QIM, LWT, Compressive Sensing. ABSTRACTThis research developed Compressive Sensing (CS) technique for audio watermarking using Wavelet Transform (LWT) and Quantization Index Modulation (QIM) methods. LWT is one technique to decompose the signal into 2 sub-bands, namely sub-band low and high. QIM is a computationally efficient method or watermarking calculation using additional information. Audio watermarking was done using audio files with *.wav format duration of 10 seconds and used 4 genres of music, namely pop, classic, rock, and metal. Watermark was inserted in the form of black and white image with *.bmp format each measuring 32x32 and 64x64 pixels. The test was done by measuring the value of SNR, ODG, BER, and PSNR. Audio that had been inserted watermark was tested its durability with given 7 kinds of attacks such as LPF, BPF, HPF, MP3 Compression, Noise, and Echo. This research had optimal result with SNR value of 85.32 dB, ODG value of -8.34x10-11, BER value of 0, and PSNR value of ∞.Keywords: Audio watermarking, QIM, LWT, Compressive Sensing.
Deteksi Parasit Plasmodium pada Citra Mikroskopis Hapusan Darah dengan Metode Deep Learning PRATIWI, NOR KUMALASARI CAECAR; IBRAHIM, NUR; FU’ADAH, YUNENDAH NUR; RIZAL, SYAMSUL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 9, No 2: Published April 2021
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v9i2.306

Abstract

ABSTRAKParasit plasmodium merupakan makhluk protozoa bersel satu yang menjadi penyebab penyakit malaria. Plasmodium ini dibawa melalui gigitan nyamuk anopheles betina. Dalam World Malaria Report 2015 menyatakan bahwa malaria telah menyerang sedikit 106 negara di dunia. Di Indonesia sendiri, Papua, NTT dan Maluku merupakan wilayah dengan kasus positif malaria tertinggi. Malaria telah menjadi masalah yang serius, sehingga keberadaan sistem diagnosa otomatis yang cepat dan handal sangat diperlukan untuk proses perlambatan penyeberan dan pembasmian epidemi. Dalam penelitian ini akan dirancang sistem yang mampu mendeteksi parasit malaria pada citra mikroskopis darah menggunakan arsitekur Convolutional Neural Network (CNN) sederhana. Hasil pengujian menunjukkan bahwa metode yang diusulkan memberikan presisi dan recall sebesar 0,98 dan f1-score sebesar 0,96 serta akurasi 95,83%.Kata kunci: parasit, malaria, convolutional neural network, citra mikroskopis ABSTRACTPlasmodium parasites are single-celled protozoan creatures that cause malaria. Plasmodium is carried through the bite of a female Anopheles mosquito. The World Malaria Report 2015 states that malaria has attacked at least 106 countries in the world. In Indonesia itself, Papua, NTT and Maluku are the regions with the highest positive cases of malaria. Malaria has become a serious problem, so the existence of a fast and reliable automatic diagnosis system is indispensable for the process of slowing down the spread and eliminating the epidemic. In this study, a system capable of detecting malaria parasites in microscopic images of blood will be designed using a simple Convolutional Neural Network (CNN) architecture. The test results show that the proposed method provides precision and recall of 0,98, f1-values of 0.96 and accuracy of 95,83%.Keywords: parasites, malaria, convolutional neural network, microscopic image
Deep Learning untuk Klasifikasi Diabetic Retinopathy menggunakan Model EfficientNet RIZAL, SYAMSUL; IBRAHIM, NUR; PRATIWI, NOR KUMALASARI CAESAR; SAIDAH, SOFIA; FU’ADAH, RADEN YUNENDAH NUR
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 8, No 3: Published September 2020
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v8i3.693

Abstract

ABSTRAKDiabetic Retinopathy merupakan penyakit yang dapat mengakibatkan kebutaan mata yang disebabkan oleh adanya komplikasi penyakit diabetes melitus. Oleh karena itu mendeteksi secara dini sangat diperlukan untuk mencegah bertambah parahnya penyakit tersebut. Penelitian ini merancang sebuah sistem yang dapat mendeteksi Diabetic Retinopathy berbasis Deep Learning dengan menggunakan Convolutional Neural Network (CNN). EfficientNet model digunakan untuk melatih dataset yang telah di pre-prosesing sebelumnya. Hasil dari penelitian tersebut didapatkan akurasi sebesar 79.8% yang dapat mengklasifikasi 5 level penyakit Diabetic Retinopathy.Kata kunci: Diabetic Retinopathy, Deep Learning, CNN, EfficientNet, Diabetic Classification ABSTRACTDiabetic Retinopathy is a diseases which can cause blindness in the eyes because of the complications of diabetes mellitus. Therefore, an early detection for this diseases is very important to prevent the diseases become severe. This research builds the system which can detect the Diabetic Retinopathy based on Deep Learning by using Convolutional Neural Network (CNN). EfficientNet model is used to trained the dataset which have been pre-prossed. The result shows that the system can clasiffy the 5 level of Diabetic Retinopathy with accuracy 79.8%. Keywords: Diabetic Retinopathy, Deep Learning, CNN, EfficientNet, Diabetic Classification
CCTV – Sistem Monitoring Berbasis Iot Sebagai Pemantau Keadaan di Area Stasiun Kelompok Nelayan Putri Kembar, Desa Tanjungjaya, Pandeglang, Banten Ibrahim, Nur; RIzal, Syamsu; Nur Fu'adah, R. Yunendah
Almufi Jurnal Pengabdian Kepada Masyarakat Vol 5 No 1: Juni (2025)
Publisher : Yayasan Almubarak Fil Ilmi

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

Abstract

Program pengabdian masyarakat ini bertujuan untuk meningkatkan keamanan dan efisiensi operasional nelayan di Desa Tanjungjaya, Pandeglang, Banten, melalui penerapan sistem monitoring menggunakan CCTV berbasis Internet of Things (IoT). Teknologi ini menawarkan solusi inovatif dalam monitoring keamanan di stasiun pantai, dengan jangkauan yang luas dan biaya operasional yang rendah. Program ini mencakup beberapa tahap kunci: pelatihan penggunaan teknologi, implementasi perangkat, dan evaluasi hasil. Pelatihan awal melibatkan workshop dan seminar untuk memperkenalkan teknologi CCTV berbasis IoT kepada nelayan, diikuti dengan sesi praktis mengenai cara menginstal dan menggunakan perangkat. Peserta dilatih untuk memanfaatkan fitur-fitur utama, seperti monitoring di area stasiun kapal secara real-time guna meningkatkan keamanan di area stasiun kapal. Teknologi IoT memungkinkan monitoring jarak jauh menggunakan lebih dari satu perangkat smartphone. Implementasi teknologi dilakukan dengan memasang perangkat CCTV berbasis IoT di stasiun pantai. Dukungan teknis dan pemeliharaan perangkat diberikan untuk memastikan keberlangsungan penggunaan teknologi. Evaluasi berkala dilakukan untuk menilai efektivitas sistem dalam meningkatkan keamanan di area stasiun kapal. Program ini diharapkan dapat meningkatkan kemampuan dalam mengurangi risiko kehilangan barang-barang di stasiun kapal, dan mendukung pengelolaan sumber daya perikanan yang lebih baik. Selain itu, diharapkan juga dapat mempromosikan adopsi teknologi digital di komunitas pesisir untuk meningkatkan kualitas hidup dan kesejahteraan nelayan.
Perancangan Sistem Deteksi Tuberkulosis Menggunakan Metode Yolov8 Yasman, Fudhla Ramadhana; Fauzi, Hilman; Ibrahim, Nur
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Tuberkulosis (TBC) masih menjadi salah satu masalah kesehatan utama di Indonesia, khususnya di wilayah dengan keterbatasan tenaga medis. Deteksi dini menggunakan citra x-ray merupakan pendekatan yang efektif untuk mendukung diagnosis, namun terbatasnya jumlah dokter radiologi menjadi kendala tersendiri. Penelitian ini mengembangkan sistem deteksi tuberkulosis berbasis aplikasi desktop yang mengintegrasikan algoritma YOLOv8 dengan input citra x-ray dari webcam. Model YOLOv8 dilatih menggunakan dataset tiga kelas (Normal, Pneumonia, TBC) dan dievaluasi berdasarkan metrik precision, recall, dan mAP@50. Hasil pelatihan menunjukkan performa fine-tuned yang optimal dengan precision sebesar 0,942, recall sebesar 0,936, dan mAP@50 sebesar 0,543. Sistem ini dirancang untuk berjalan secara lokal tanpa instalasi kompleks, menjadikannya praktis untuk digunakan di fasilitas layanan primer. Pengujian menunjukkan sistem mampu mendeteksi citra x-ray secara real-time pada jarak 40–60 cm dengan hasil visual berupa bounding box. Evaluasi oleh dokter spesialis paru menunjukkan tingkat kesesuaian tinggi antara hasil model dan interpretasi medis. Meskipun dibutuhkan peningkatan dalam membedakan pneumonia dan TBC, sistem ini menunjukkan potensi sebagai alat bantu skrining dini yang efektif dan adaptif. Kata kunci— Tuberkulosis, YOLOv8, Deep Learning, Sistem Deteksi
Klasifikasi Tulisan Tangan Bahasa Arab Menggunakan Teknik Yolo Firdaus, Muhammad Ilham Zuhruf; Saidah, Sofia; Ibrahim, Nur
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Tulisan tangan dalam bahasa Arab memiliki tantangan tersendiri dalam proses pengenalan otomatis karena bentuk hurufnya yang kompleks, bersambung, serta adanya variasi gaya penulisan individu. Permasalahan ini menjadi penting untuk dipecahkan terutama dalam konteks digitalisasi dokumen dan aplikasi pendidikan berbasis teknologi. Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi tulisan tangan bahasa Arab dengan memanfaatkan teknik You Only Look Once (YOLO), sebuah pendekatan object detection berbasis deep learning yang dikenal karena kecepatannya dalam mengenali objek secara real-time. Penelitian ini dibatasi pada deteksi huruf-huruf tunggal dalam tulisan tangan, bukan pada pengenalan kata utuh atau kalimat. Metode yang digunakan melibatkan beberapa tahap utama, dimulai dari pengumpulan dataset tulisan tangan bahasa Arab yang telah dilabeli secara manual. Selanjutnya dilakukan proses pelatihan model menggunakan arsitektur YOLOv9 dengan menyesuaikan parameter agar optimal terhadap karakteristik huruf Arab. Model dilatih untuk mendeteksi dan mengklasifikasikan huruf secara individu dalam gambar tulisan tangan. Setelah pelatihan, dilakukan evaluasi menggunakan metrik seperti mean Average Precision (mAP), presisi, dan recall untuk mengukur performa sistem. Dalam proses ini juga dilakukan augmentasi data untuk meningkatkan generalisasi model terhadap berbagai bentuk tulisan tangan. Hasil dari penelitian ini menunjukkan bahwa penggunaan YOLO efektif dalam mendeteksi tulisan tangan huruf Arab dengan akurasi yang cukup tinggi, terutama dalam kondisi pencahayaan dan latar belakang yang bervariasi. Sistem yang dikembangkan mampu melakukan deteksi secara cepat dan akurat, serta memiliki potensi untuk dikembangkan lebih lanjut dalam aplikasi OCR (Optical Character Recognition) untuk bahasa Arab. Penelitian ini diharapkan dapat menjadi langkah awal dalam pengembangan sistem pengenalan tulisan tangan Arab yang lebih kompleks di masa depan. Kata kunci— YOLO, Tulis tangan, OCR, Bahasa Arab
Co-Authors Abdul Hafiz Suherman Adhi Irianto Mastur, Adhi Irianto Afifah Amatulla Suaib Andrean David Chrismadandi Anindita Fitriani Annisa Adlina Mulyaningrum Annisa Bianca Hayuningtyas Ari Ashari Jaelani Asyraf Fakhri AZIZAH AULIA RAHMAN BACHERAMSYAH, TASYA FIKRIYAH Bambang Hidayat Bambang Hidayat Begita Wahyuningtyas Carudin, Carudin Citra Marshela Danish Ario Wirawan Denis Ramadana Efri Suhartono Eka Wulandari Fajar Dwi Septria Fanny Oksa Salindri Faturachman Faturachman Fiky Yosef Supratman Firdaus, Muhammad Ilham Zuhruf Frisnanda Aditya Galuh Lintang Permatasari Gelar Budiman HAFIZHANA, YASQI HANAFI, FANIESA SAUFANA Heri Syahrian Heri Syahrian, Heri Hilman Fauzi, Hilman Hurianti Vidya Ibnu Da’wan Salim Ubaidah Ilva Herdayanti Inung Wijayanto Iqbal Afriadi Irma Safitri Iwan Iwut Tritoasmoro Iwan Iwut Tritosmoro Jangkung Raharjo Kevin Aglianry KHAERUDIN SALEH Koredianto Usman Krisma Asmoro Ledya Novamizanti LESTARY, GITA AYU Mas, Muhammad Sabri Muh, Ipnu Udjie Hasiru Muh. Gazali Saleh Muhammad Khais Prayoga Muhammad Rizqi Rahmawan Muthia Syafika Haq, Muthia Syafika Nabila Herman Nasywan Azrial Fariqin NOR CAECAR KUMALASARI Nor Kumalasari Caecar Pratiwi Nur Fu'adah, R. Yunendah PRAMUDITHO, MUHAMMAD ADNAN PRATIWI, NOR KUMALASARI CAESAR R. Yunendah Nur Fu’adah Rahma Nur Auliasari Ramadhan Prasetya Dahlan Ramdhan Nugraha Reyhan Ivandhani Reza Yudistira Rezki Diar Amelia Rita Magdalena Rita Purnamasari Rustam Sa’idah, Sofia Satrio Ardhimasetyo SISLY DESTRI AGUSTIN Sjafril Darana SOFIA SAIDAH SY, NIDAAN KHOFIYA Syamsu Rizal Syamsul Rizal Syamsul Rizal Syifa Maliah Rachmawati TALININGSING, FAUZI FRAHMA UBAIDULLAH, IBNU DAWAN Vidiya Rossa Atfira Vidya, Hurianti Vitria Puspitasari Rahadi Vitria Puspitasari Rahadi WIDIANTO, MOCHAMMAD HALDI Yasman, Fudhla Ramadhana YOGASWARA, HERLAMBANG Yusup, Dadang