ANALISA PERFOMA ALGORTIMA JARINGAN SYARAF TIRUAN DALAM KLASIFIKASI KARAKTER HIRAGANA

Ibnu Utomo Wahyu Mulyono, Yupie Kusumawati, Ajib Susanto

Abstract


Penelitian ini memfokuskan pada pengembangan sebuah aplikasi inovatif berbasis jaringan saraf tiruan untuk mendukung pembelajaran karakter Hiragana dalam konteks pembelajaran bahasa Jepang. Kurangnya alat bantu pembelajaran yang efisien dan interaktif dalam memahami karakter Hiragana menjadi kendala utama, dan untuk mengatasi masalah ini, kami mengusulkan sebuah aplikasi yang menggunakan jaringan saraf tiruan. Konsep dasar jaringan saraf tiruan, yang mirip dengan fungsi otak manusia, memungkinkan aplikasi ini untuk mengklasifikasikan karakter Hiragana dengan akurasi tinggi. Pengembangan aplikasi melibatkan langkah-langkah seperti pengumpulan dataset karakter Hiragana yang sudah diberi label, preprocessing data, pemilihan dan konfigurasi arsitektur jaringan saraf tiruan, serta pelatihan dan evaluasi model. Hasil pengujian menggunakan tiga optimizer (Adam, SGDM, dan RMSP) menunjukkan performa yang baik, dengan akurasi di atas 87% dan nilai F1-score mencapai 95% dengan penggunaan optimizer Adam. Disarankan untuk menggunakan optimizer Adam dalam pengembangan model ini. Untuk penelitian mendatang, peningkatan jumlah data pelatihan dan eksplorasi hyperparameter lainnya perlu dipertimbangkan guna meningkatkan performa model secara signifikan. Hasil penelitian ini diharapkan dapat memberikan solusi efektif dalam memperkaya pengalaman pembelajaran bahasa Jepang, terutama dalam memahami karakter-karakter Hiragana dengan lebih efisien.

Full Text:

PDF

References


Amalia, N., Wahyu Hidayat, E., Putra Aldya, A., & Siliwangi Jl Siliwangi No, U. (2020). Pengenalan Aksara Sunda Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Dan Deteksi Tepi Canny (Vol. 5, Issue 1).

Harunasari, S. Y., & Halim, N. (2021). Gegar Bahasa pada Program Pertukaran Mahasiswa Indonesia di Jepang: Sebuah Studi Kasus. Diglosia: Jurnal Kajian Bahasa, Sastra, Dan Pengajarannya, 4(4), 401–412. https://doi.org/10.30872/diglosia.v4i4.212

Kim, S. C., & Cho, Y. S. (2022). Predictive System Implementation to Improve the Accuracy of Urine Self-Diagnosis with Smartphones: Application of a Confusion Matrix-Based Learning Model through RGB Semiquantitative Analysis. Sensors, 22(14). https://doi.org/10.3390/s22145445

Nugroho, N. E. W., & Harjoko, A. (2021). Transliteration of Hiragana and Katakana Handwritten Characters Using CNN-SVM. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 15(3), 221. https://doi.org/10.22146/ijccs.66062

Oktavianti, A. C., Setiawan, A. B., & Shofia, N. (n.d.). Pengenalan Pola Karakter Aksara Jawa Menggunakan Metode Perceptron Aplikasi Carakan.

Sumber, P., Menuju, D., Madani, M., Lokal, B., Umam, C., Lekso,), & Handoko, B. (n.d.). Convolutional Neural Network (Cnn) Untuk Identifkasi Karakter Hiragana Convolutional Neural Network (Cnn) For Hiragana Character Identification 1).

Tsanya, N. T., Wardana, A. N., & Effendy, N. (2022). Deteksi Osilasi Kontrol pada Proses Industri dengan Menggunakan Jaringan Saraf Tiruan-Review (Vol. 16, Issue 3). https://jurnaleeccis.ub.ac.id/

Umam, C., Andi Krismawan, D., & Raad Ali, R. (2021). CNN for Image Identification of Hiragana Based on Pattern Recognition. In Journal of Applied Intelligent System (Vol. 6, Issue 2).

Willyanto, A., Alamsyah, D., & Irsyad, H. (2021). Identifikasi Tulisan Tangan Aksara Jepang Hiragana Menggunakan Metode CNN Arsitektur VGG-16. Jurnal Algoritme, 2(1), 1–11.

Yuliani, P., Elizabeth, R., Hesti, I., Nindia, A., Program, R., Bahasa, S., & Jepang, K. (2021). Pengenalan Platform Minato Sebagai Media Pembelajaran Huruf Dan Kosakata Bahasa Jepang.

Ziaee, A., & Çano, E. (2022). Batch Layer Normalization A new normalization layer for CNNs and RNNs. ACM International Conference Proceeding Series, 40–49. https://doi.org/10.1145/3571560.3571566




DOI: https://doi.org/10.30998/semnasristek.v8i01.7134

Refbacks

  • There are currently no refbacks.


Prosiding Semnas Ristek indexed by: