PERBANDINGAN ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK GOOGLENET, ALEXNET, VGG-16, LENET-5 DALAM PENGENALAN POLA TULISAN TANGAN ARAB

Muhammad Ilham, Darmawan (2023) PERBANDINGAN ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK GOOGLENET, ALEXNET, VGG-16, LENET-5 DALAM PENGENALAN POLA TULISAN TANGAN ARAB. S1 thesis, Universitas Mataram.

[img] Text
Laporan_TA 2_F1D016056_Muhammad Ilham Darmawan.pdf
Restricted to Repository staff only

Download (1MB)

Abstract

Bahasa Arab merupakan salah satu bahasa yang banyak digunakan oleh masyarakat di dunia dan menjadi salah satu bahasa Internasional. Bahasa Arab mulai dipelajari dari jenjang sekolah dasar hingga perguruan tinggi. Bahasa Arab bukan bahasa si penutur asli yang biasa digunakan karena untuk mempelajari huruf Arab dapat dilakukan dengan cara mengenali pola tulisan tangan bahasa Arab. Untuk memudahkan dalam pengenalan bahasa Arab digunakan sebuah algoritma machine learning, dan artificial Neural Network (ANN) adalah salah satu algoritma machine learning yang memiliki kemampuan dalam mengenali bentuk dan pola suatu tulisan tangan dan jenis model ANN yang terdiri dari banyak lapisan disebut sebagai Multi-Layer Perceptron (MLP) yang dapat mengklasifikasikan secara akurat data yang sudah dipelajari sebelumnya dan jumlah data yang klasifikasikan tidak terlalu besar. Convolution neural network (CNN) merupakan pengembangan lain dari Multi-Layer Perceptron (MLP) yang digunakan untuk meningkatkan akurasi pengenalan tulisan Arab. Convolution neural network (CNN) didesain untuk mengolah data dua dimensi dalam bentuk citra. Dari 5 studi literatur yang menggunakan metode convolution neural network ditemukan bahwa akurasi data antara 78,10% - 99,00%. Adapun penelitian ini menggunakan metode convolution neural network dengan membandingkan lima arsitektur GoogleNet, AlexNet, VGG-16, dan LeNet-5 untuk melakukan pengenalan pola pada tulisan tangan aksara Arab. Penelitian ini terbagi menjadi dua tahap, yaitu pelatihan (training) dan pengujian (testing). Data yang digunakan dalam penelitian ini berupa 8.400 aksara Arab (28 huruf Arab), yang terdiri dari 6720 citra untuk data latih dan 1680 citra untuk data uji sedangkan untuk data uji masing-masing huruf Arab memiliki 60 citra. Tujuan dari penelitian ini untuk meningkatkan akurasi dari penelitian sebelumnya dalam pengenalan tulisan tangan Arab menggunakan dataset.

Item Type: Thesis (S1)
Keywords (Kata Kunci): bahasa Arab, Convolution Neural Network, GoogleNet, AlexNet, VGG-16, LeNet-5.
Subjects: T Technology > TD Environmental technology. Sanitary engineering
Divisions: Fakultas Teknik
Depositing User: Meike Megawati
Date Deposited: 30 Jan 2023 23:06
Last Modified: 30 Jan 2023 23:06
URI: http://eprints.unram.ac.id/id/eprint/34901

Actions (login required)

View Item View Item