Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Informatics and Digital Expert (INDEX)
Adilal Mahbub, Luthfi
Unknown Affiliation
Computer Science & IT Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementasi Algoritma CNN Dalam Aplikasi Pengenalan Aksara Sunda Dewi Sri Mulyani, Evi; Mufizar, Teuku; Siti Sundari, Shinta; Akbar Kasyfurrahman, Muhammad; Adilal Mahbub, Luthfi; Ahmad Wakih, Agus
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1986

Abstract

Aksara sunda telah digunakan sejak zaman kerajaan-kerajaan Sunda kuno dan masih digunakan hingga saat ini dalam berbagai konteks budaya dan Pendidikan. Penelitian ini mengimplementasikan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNet V1 untuk pengenalan aksara Sunda dalam aplikasi berbasis Android. Aksara Sunda, sebagai bagian dari warisan budaya Indonesia, memerlukan perhatian khusus dalam proses pembelajaran dan pelestariannya. Dalam penelitian ini, kami mengembangkan model CNN yang dilatih menggunakan dataset gambar aksara Sunda, yang mencakup berbagai variasi dan gaya tulisan. Model MobileNet V1 dipilih karena efisiensinya dalam pemrosesan di perangkat mobile, memungkinkan inferensi cepat dengan penggunaan sumber daya yang minimal. Proses pelatihan dilakukan menggunakan teknik transfer learning, yang mempercepat konvergensi dan meningkatkan akurasi model. Hasil evaluasi menunjukkan bahwa model mencapai kinerja akurasi sebesar 90,37% dalam pengenalan aksara Sunda. Aplikasi ini dirancang untuk memberikan pengalaman interaktif bagi pengguna, terutama anak-anak, dalam belajar mengenali aksara Sunda dengan cara yang menyenangkan. Melalui implementasi ini dapat, diiharapkan dapat berkontribusi pada pelestarian budaya dan meningkatkan kesadaran masyarakat tentang pentingnya aksara Sunda. Temuan ini juga menunjukkan potensi penerapan CNN dalam bidang pendidikan, khususnya dalam konteks pembelajaran bahasa dan budaya lokal. Penelitian ini diharapkan dapat menjadi dasar untuk pengembangan lebih lanjut dalam aplikasi pendidikan berbasis teknologi.
Classification of Tasikmalaya batik motifs using convolutional neural networks Mufizar, Teuku; Sudiarjo, Aso; Dewi Sri Mulyani, Evi; Ahmad Wakih, Agus; Akbar Kasyfurrahman, Muhammad; Adilal Mahbub, Luthfi
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 14, No 4: August 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v14.i4.pp3287-3299

Abstract

This paper presents a study on the classification of traditional Tasikmalaya batik motifs using convolutional neural networks (CNN). The experiments revealed that the high complexity of batik motifs significantly impacted model performance, as the handling of each class influenced the overall results. Initial experiments with the original dataset demonstrated suboptimal performance, characterized by accuracy and validation curves indicating overfitting, with only 75% accuracy achieved at a learning rate of 0.001, a batch size of 32, and 50 epochs. To enhance performance, we implemented data segmentation, data augmentation, optimized the choice of the best optimizer, utilized an optimal architecture, and conducted hyperparameter tuning. The best-performing model was trained on data subjected to specific preprocessing for each class, using the Adam optimizer with hyperparameter tuning set to a learning rate of 0.001, a batch size of 32, and 50 epochs. In the hyperparameter tuning experiment with the visual geometry group network (VGGNet) architecture, it was shown that there is an improvement in the prediction of the kumeli class, achieving an accuracy of 100%.
Co-Authors Ahmad Wakih, Agus Akbar Kasyfurrahman, Muhammad Evi Dewi Sri Mulyani Shinta Siti Sundari Sudiarjo, Aso Teuku Mufizar