KLASIFIKASI JENIS WAYANG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DAN OPTIMASI ADAPTIVE MOMENT ESTIMATION (ADAM)

Imandayanti, Nur Eza (2025) KLASIFIKASI JENIS WAYANG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DAN OPTIMASI ADAPTIVE MOMENT ESTIMATION (ADAM). Undergraduate thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.

	Text (Cover) 18081010034_Cover.pdf Download (1MB)
	Text (Bab 1) 18081010034_Bab 1.pdf Download (133kB)
	Text (Bab 2) 18081010034_Bab 2.pdf Restricted to Registered users only until 4 February 2028. Download (601kB)
	Text (Bab 3) 18081010034_Bab 3.pdf Restricted to Registered users only until 4 February 2028. Download (316kB)
	Text (Bab 4) 18081010034_Bab 4.pdf Restricted to Registered users only until 4 February 2028. Download (1MB)
	Text (Bab 5) 18081010034_Bab 5.pdf Download (121kB)
	Text (Daftar Pustaka) 18081010034_Daftar Pustaka.pdf Download (137kB)

Abstract

Perkembangan teknologi memiliki peran penting dalam upaya pelestarian budaya, terutama dalam melestarikan seni tradisional seperti wayang. Wayang merupakan salah satu warisan budaya Indonesia yang telah mengalami penurunan minat sebesar 23,06% dalam kurun waktu 2018 hingga 2021. Sehingga, diperlukan pendekatan baru yang lebih modern untuk dapat menarik perhatian generasi muda. Penelitian ini bertujuan untuk mengembangkan sebuah sistem klasifikasi jenis wayang menggunakan convolutional neural network (CNN) dengan optimasi Adaptive Moment Estimation (ADAM) agar memberikan informasi yang lebih akurat mengenai jenis wayang dan meningkatkan akses pendidikan budaya melalui teknologi. Metode CNN dengan optimasi ADAM disinyalir dapat meningkatkan kemampuannya dalam analisis citra dan optimasi akurasi. Hasil penelitian menunjukkan bahwa optimasi ADAM mengikatkan hasil akurasi prediksi hingga 0,78 dalam 30 iterasi pelatihan dibandingan tanpa memiliki optimasi. Sistem ini dapat digunakan sebagai media pembelajaran interaktif untuk mengenal jenis wayang, termasuk wayang kulit, golek dan beber dengan performa yang baik.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Wahanani, Henni Endah	NIDN0022097811	henniendah.if@upnjatim.ac.id
Thesis advisor	Rizki, Agung Mustika	NIDN0025079302	agung.mustika.if@upnjatim.ac.id

Subjects:

Q Science > Q Science (General)
Q Science > QA Mathematics > QA76.87 Neural computers
T Technology > T Technology (General)

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

Nur Eza Imandayanti

Date Deposited:

05 Feb 2025 01:59

Last Modified:

05 Feb 2025 01:59

URI:

https://repository.upnjatim.ac.id/id/eprint/34606