PENERAPAN OPTIMASI CONVOLUTION NEURAL NETWORK (CNN) MENGGUNAKAN ADAPTIVE MOMENT ESTIMATION (ADAM) UNTUK IDENTIFIKASI SHOROF DALAM KOSA KATA BAHASA ARAB

Fadilah, Nasikhatin (2023) PENERAPAN OPTIMASI CONVOLUTION NEURAL NETWORK (CNN) MENGGUNAKAN ADAPTIVE MOMENT ESTIMATION (ADAM) UNTUK IDENTIFIKASI SHOROF DALAM KOSA KATA BAHASA ARAB. Other thesis, UPN "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Download (123kB)
	Text COVER.pdf Download (120kB)
	Text DAFTARISI.pdf Download (77kB)
	Text DAFTARPUSTAKA.pdf Download (127kB)
	Text PENGESAHAN PEMBIMBING .pdf Download (278kB)
	Text FULLBANGEET_NASIKHATINFADILAH.pdf Restricted to Repository staff only Download (2MB)

Abstract

vii
ABSTRAK
Pemahaman dalam bahasa Arab akan menjadi lebih mudah dengan menguasai salah
satu kaidah gramatikal yaitu kaidah shorof. Kaidah shorof merupakan kaidah yang mengatur
perubahan kata kerja dalam suatu kalimat sebelum kata tersebut tergabung oleh kata lain.
Manfaat kaidah shorof yaitu untuk menjaga lisan agar tidak salah dalam pengucapan tiap
kata atau kalimat dan mencegah kesalahan didalam penulisan. Namun bagi pelajar yang baru
mempelajari bahasa Arab akan mengalami kesulitan untuk mengidentifikasi suatu kata kerja
dalam bahasa Arab yang telah mengalami perubahan kata sesuai waktu, jumlah subjek, dan
jenis subjek. Oleh karena itu diperlukannya teknologi komputer untuk membantu
identifikasi shorof (yaitu: madhi, mudhori, amr, masdar, fa’il, maf’ulbih, dan zaman makan)
dalam kosa kata baha Arab tersebut dengan bantuan computer vision untuk proses
pengolahan citra perubahan kata sebagai identifikasi shorof, salah satunya menggunakan
Convolition Neural Network (CNN). Jaringan saraf CNN merupakan metode deep learning
yang mengadopsi kinerja neuron otak manusia dan proses konvolusi berfungsi untuk
mengidentifikasi gambar. CNN ini didukung dengan optimasi Adaptive Momentum
Estimation (Adam) untuk mendapatkan model yang optimal dengan akurasi tinggi. Optimasi
Adam merupakan pengembangan dari optimasi yang sudah ada yaitu Stochatic gradient
descent (SGD), AdaGard, dan RMSprop. Pengujian kombinasi hyperparameter digunakan
untuk mendapatkan model terbaiknya dari banyaknya percobaan yang dilakukan.
Arsitektur CNN terbaik adalah model yang optimal dari hasil pengujian
hyperparameter dengan optimasi adam. Implementasi hyperparameter dengan kombinasi
convolution layer, batch size, jumlah epoch, dan algoritma optimasi adam. Pemilihan model
terbaik berdasarkan hasil pengujian kombinasi hyperparameter yaitu model yang memiliki
nilai akurasi tertinggi dan loss paling rendah. Penelitian ini melakukan kombinasi pengujian
sebanyak 12 kali jenis model yang telah dirancang.
Confusion Matrix digunakan untuk menghitung performa akurasi pada model CNN
pada proses pengujian model. Hasil pengujian dengan confusion matrix memperoleh
kombinasi hyperparameter optimal yaitu 5 convolution layer, 2 dense layer, nilai batch size
berjumlah 32, epoch sebanyak 50, dan optimasi adam yang menghasilkan nilai akurasi
sebanyak 99,87% serta nilai loss sebanyak 1,74%.
Kata kunci : citra shorof, hyperparameter, CNN, Optimasi adam, Identifikasi shorof

Item Type:	Thesis (Other)
Uncontrolled Keywords:	citra shorof, hyperparameter, CNN, Optimasi adam, Identifikasi shorof
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	11 Apr 2023 03:01
Last Modified:	11 Apr 2023 03:01
URI:	http://eprints.upnyk.ac.id/id/eprint/34469

Actions (login required)

View Item