Pattern recognition tulisan tangan huruf hijaiyah anak usia 4-5 tahun di Maqdis menggunakan metode Convolutional Neural Network (CNN)

Aziz, Galih Abdul (2023) Pattern recognition tulisan tangan huruf hijaiyah anak usia 4-5 tahun di Maqdis menggunakan metode Convolutional Neural Network (CNN). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (170kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (264kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (383kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (1MB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (3MB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (4MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (308kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Membaca dan memahami Al-Qur’an merupakan sebuah amalan istimewa terhadap kaum muslim yang bernilai ibadah dan pahala, namun sebahagian kaum muslim pada kenyataannya belum mampu menjadikan amalan yang sangat istimewa ini sebagai amalan hariannya. Rasulullah SAW bersabda, yang artinya, “Barangsiapa membaca satu huruf Al-Qur’an (kitabullah), maka baginya satu pahala kebaikan dan satu pahala kebaikan akan dilipat gandakan menjadi sepuluh kali lipat, aku tidak mengatakan ALIF LAAM MIIM itu satu huruf, akan tetapi ALIF satu huruf, LAM satu huruf dan MIM satu huruf” (HR. At Tirmidzi. Dengan menggunakan teknologi pattern recognition yang dapat mengenali tulisan tangan, penelitian ini mengusulkan suatu metode pengenalan tulisan huruf hijaiyah. Model deep learning dengan algoritma CNN (Convolutional Neural Network) digunakan untuk mengklasifikasikannya. Penelitian ini berhasil mengklasifikasi tulisan tangan huruf hijaiyah menggunakan Convolutional Neural Network (CNN) dengan akurasi yang didapat sebesar 88% dengan data train berjumlah 672 dan data validasi 168 dari berbagai epoch berbeda.

Actions (login required)

View Item