Implementasi algoritma Convolutional Neural Network menggunakan arsitektur ResNet-50 untuk klasifikasi Asmaul Husna berbasis Citra

Ridho, Mohamad Rasyid (2023) Implementasi algoritma Convolutional Neural Network menggunakan arsitektur ResNet-50 untuk klasifikasi Asmaul Husna berbasis Citra. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (214kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (259kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (256kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (306kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (583kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (661kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (13MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (209kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (223kB) | Request a copy

Abstract

Asmaul Husna adalah nama-nama yang mulia dan sempurna, yang hanya dimiliki oleh Allah SWT. Nama-nama tersebut berjumlah 99. Nabi Muhammad SAW bersabda bahwa siapa saja yang menjaga Asmaul Husna, maka akan dimudahkan jalannya menuju surga. Sebagai umat muslim, sudah semestinya dapat mengindahkan anjuran tersebut untuk mengenal dan mengamalkan Asmaul Husna. Namun pada kenyataannya, masih banyak umat muslim di Indonesia yang belum mengetahui arti dari setiap nama Asmaul Husna. Untuk mengatasi masalah tersebut, maka dilakukan penelitian untuk membuat aplikasi pengenalan Asmaul Husna yang memanfaatkan citra sebagai input. Aplikasi ini menerapkan teknologi Klasifikasi Citra, yang merupakan bagian dari Kecerdasan Buatan dalam bidang Visi Komputer. Model yang dibangun pada aplikasi mengimplementasikan algoritma Convolutional Neural Network dengan menerapkan arsitektur ResNet-50. Penelitian ini menggunakan dataset yang terdiri dari 99 kelas, dengan total 4950 data citra. Penelitian ini melibatkan pengujian dengan variasi rasio pembagian dataset untuk data latih dan data uji, yaitu 60%:40%, 70%:30%, 80%:20%, dan 90%:10%. Setiap variasi rasio dilakukan pengujian sebanyak lima kali dengan menentukan nilai parameter penting, diantaranya yaitu learning rate, batch size, dan epoch. Hasil evaluasi menggunakan confusion matrix menunjukkan bahwa pengujian dengan kinerja terbaik diperoleh pada rasio pembagian dataset 90%:10%, menggunakan learning rate sebesar 0,0001, batch size sebanyak 32, dan epoch sebanyak 100. Model berhasil mencapai nilai akurasi, presisi, recall, dan f1-score sebesar 100%.

Actions (login required)

View Item