Riza, Muhamad Taufiq (2023) Lightweight Convolutional Neural Network for Khat Naskhi and Riq'ah Classification. S1 Undergraduate thesis, Universitas Darussalam Gontor.
![[img]](https://repo.unida.gontor.ac.id/style/images/fileicons/text.png)
Abstract
Tulisan Arab memiliki berbagai jenis khat yang kompleks dan berbeda satu sama lain. satu dengan yang lain, sehingga membutuhkan klasifikasi yang tepat untuk mengidentifikasi jenis khat yang digunakan. Penelitian ini menggunakan metode klasifikasi Lightweight Convolutional Neural Network (CNN) untuk mengidentifikasi jenis khat Naskhi dan Riq'ah pada dataset tulisan Arab. Hasil evaluasi menunjukkan bahwa model klasifikasi ini memiliki akurasi sebesar 98,75% pada data training dan 100% pada data validasi, dengan waktu pemrosesan yang relatif cepat yaitu 2s 375ms/langkah lebih cepat dibandingkan penelitian sebelumnya dengan rata-rata akurasi 91,87% dan waktu pemrosesan 3s 465ms/step. sehingga model dapat diimplementasikan dengan baik pada sistem yang membutuhkan kecepatan pemrosesan data yang tinggi dan juga perangkat yang memiliki keterbatasan sumber daya. Hasil ini menunjukkan bahwa model klasifikasi menggunakan Lightweight CNN dapat digunakan sebagai alternatif dalam mengklasifikasikan jenis tulisan Arab, terutama dalam mengenali jenis-jenis khat tertentu seperti Naskhi dan Riq'ah. Selanjutnya, penelitian ini dapat dikembangkan dengan menggunakan dataset yang lebih besar dan lebih beragam, serta dievaluasi dan dibandingkan dengan model klasifikasi lain untuk untuk meningkatkan performa model dalam mengenali jenis tulisan Arab yang lebih kompleks.
Statistics Downloads of this Document
 |
View Item |