Implementasi model convolutional neural network MobileNetV2 untuk fitur deteksi objek pada aplikasi pembelajaran anak tuna wicara

Darmawan, Ghani (2026) Implementasi model convolutional neural network MobileNetV2 untuk fitur deteksi objek pada aplikasi pembelajaran anak tuna wicara. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (142kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (142kB) | Preview
Preview	Text (SKBEBASPLAGIARISM) 3_keterangan bebas plagiarism.pdf Download (352kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftar isi.pdf Download (216kB) | Preview
Preview	Text (BAB I) 5_bab I.pdf Download (384kB) | Preview
	Text (BAB II) 6_bab II.pdf Restricted to Registered users only Download (741kB)
	Text (BAB III) 7_BAB III.pdf Restricted to Registered users only Download (4MB)
	Text (BAB IV) 8_bab IV.pdf Restricted to Registered users only Download (4MB)
	Text (BAB V) 9_bab V.pdf Restricted to Registered users only Download (205kB)
	Text (DAFTAR PUSTAKA) 10_daftar pustaka.pdf Restricted to Registered users only Download (223kB)
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (356kB)

Abstract

Penelitian ini mengembangkan aplikasi pembelajaran interaktif berbasis mobile untuk membantu anak tunawicara dalam mempelajari dan mengidentifikasi objek sehari-hari, menggunakan model Convolutional Neural Network (CNN) MobileNetV2 sebagai inti deteksi objek berbasis citra dengan keluaran berupa teks yang ditampilkan dalam bentuk kartu pembelajaran kosa kata yang menarik. Metodologi yang digunakan adalah CRISP-DM, dengan dataset sebanyak 11.125 gambar dari 21 kategori objek berdasarkan 7 Kebiasaan Anak Indonesia Hebat, yang setelah proses data cleaning berkurang menjadi 11.006 gambar dan dibagi dalam tiga varian rasio train-validation-test (70:15:15, 80:10:10, dan 60:20:20) dengan penerapan transfer learning melalui fine-tuning pada MobileNetV2 yang telah dilatih pada ImageNet. Varian 3 dengan rasio 60:20:20 terpilih sebagai model terbaik, mencapai akurasi test set 91,70% dan F1-score 91,86%, diimplementasikan menggunakan TensorFlow Lite berukuran 2,71 MB dengan waktu inferensi ratarata 35,16 ms, dan berhasil meraih skor usability yang sangat tinggi berdasarkan evaluasi terhadap 9 anak tunawicara dan 5 guru pendamping, yakni mean Smileyometer 4,33 serta overall USE Questionnaire 6,42 dari skala 7 (91,71%), membuktikan bahwa aplikasi ini efektif meningkatkan pemahaman objek dan motivasi belajar anak tunawicara melalui antarmuka multimedia yang interaktif dan responsif.

Actions (login required)

View Item