Implementasi Algoritma Convolutional Neural Network dengan Arsitektur VGG-16 untuk klasifikasi gambar benda Bahasa Arab

Ramadhan, Iqbal Putra (2024) Implementasi Algoritma Convolutional Neural Network dengan Arsitektur VGG-16 untuk klasifikasi gambar benda Bahasa Arab. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (95kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (25kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (67kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (167kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (793kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (476kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (24kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (164kB) | Request a copy

Abstract

Bahasa Arab merupakan salah satu Bahasa yang sulit di pelajar. Dibutuhkan waktu 1320 jam intensif untuk mencapai level mahir. Maka dari itu media berperan aktif dalam meningkatkan pembelajaran dan pencapaian tujuan siswa, yang sangat menentukan keberhasilan dan efisiensi penyelenggaraan pendidikan terutama bagi murid sekolah yang masih sulit mempelajari pelajaran Bahasa Arab. Berdasarkan hal ini, dibutuhkan sebuah model klasifikasi yang dapat mengartikan objek ke dalam bahasa arab, sehingga metode pembelajaran lebih efisien dan variatif. Perancangan pada sistem ini menggunakan metode Convolutional Neural Network (CNN) sebagai pengolah data citra. Seluruh data penelitian menggunakan citra gambar sebagai data input dan output diantaranya adalah Meja, Pulpen, Kursi, Papan tulis, Jam, Orang, Handphone, Tanaman, Buku dan Tas. Seluruh data penelitian menggunakan 7.341 gambar dari objek kelas, data tersebut termasuk data training dan testing, dimana data training menggunakan 6085 gambar dan data uji menggunakan masing-masing 1256 gambar. Pada penelitian ini menggunakan 4 (empat) skenario pengujian dengan variasi parameter learning rate dan dropout. Variasi learning rate antara lain 0,001 dan 0,0001, sedangkan variasi dropout adalah 0,3 dan 0,5. Hasil pengujian dari seluruh skenario menunjukkan bahwa learning rate 0,001 dan dropout 0,5 memiliki nilai akurasi yang terbaik sebesar 90%. Nilai ini membuktikan bahwa algoritma CNN memiliki performansi yang baik dalam mendeteksi objek kelas.

Actions (login required)

View Item