PENGKLASIFIKASIAN TERJEMAHAN HADIST MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

• RASENDA
• 14002279

---

ABSTRAK

ABSTRAK

 

Nama                 : Rasenda

NIM                  : 14002279

Program Studi   : Ilmu Komputer

Jenjang              : Strata Dua (S2)

Konsentrasi       : Data Mining

Judul                 : “Pengklasifikasian Terjemahan Hadist Menggunakan Artificial Neural Network”

 

Pada kitab hadist Bukhari dan Muslim terdapat 7008 kalimat hadist, dari 7008 kalimat hadist tersebut belum diketahui suatu hadist termasuk dalam kategori  larangan atau perintah. Dengan melakukan pengklasifikasian, akan memudahkan pembaca untuk memahami hadist tersebut. Pengklasifikasian hadist dilakukan dengan beberapa tahapan, antara lain: pre-processing text, penggunaan feature word vector, dan permodelan arsitektur neural network dengan multilayer perceptron. Penggunaan layer pada neural network dan ekstraksi feature dengan word vector terbukti memberikan hasil yang baik untuk pengklasifikasian hadist. Hasil penelitian menunjukan tingkat akurasi yang cukup tinggi yaitu sebesar 97,72% dengan menggunakan dua layer dan 256 neurons, menjadikan penelitian ini dapat digunakan untuk klasifikasi hadist yang sangat baik.

 

Kata kunci: Klasifikasi, Neural Network, Multilayer Perceptron, Hadist

KATA KUNCI

ARTIFICIAL NEURAL NETWORK

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

 

[1]      A. Kusumaningrum and S. Al-faraby, “Klasifikasi Informasi , Anjuran dan Larangan pada Hadits Shahih Bukhari menggunakan Metode Support Vector Machine .,” vol. 4, no. 3, pp. 5014–5023, 2017.

[2]      M. Ghufran and S. Al Faraby, “Penerapan Particle Swarm Optimization Pada Feedforward Neural Network Untuk Klasifikasi Teks Hadis Bukhari Terjemahan Bahasa Indonesia,” vol. 2, no. 4, pp. 165–173, 2018.

[3]      E. Riviera, R. Jasin, and S. Al-faraby, “Klasifikasi Anjuran , Larangan dan Informasi pada Hadis Sahih Al-Bukhari berdasarkan Model Unigram menggunakan Artificial Neural Network ( ANN ),” vol. 4, no. 3, pp. 4683–4694, 2017.

[4]      U. Nuha and N. Rochmawati, “Klasifikasi Kesahihan Hadits Berdasarkan Perawi Hadits Menggunakan Principal Component Analysis ( PCA ) dan Backpropagation Neural Network ( BPNN ),” vol. 01, pp. 138–143, 2019.

[5]      M. Yuslan and A. Bakar, “Multi-Label Topic Classification of Hadith of Bukhari ( Indonesian Language translation ) using Information Gain and Backpropagation Neural Network,” 2018 Int. Conf. Asian Lang. Process., pp. 344–350, 2018.

[6]      S. Al Faraby, E. Riviera, and R. Jasin, “Classification of hadith into positive suggestion, negative suggestion, and information,” 2018.

[7]      H. M. Abdelaal, B. R. Elemary, and H. A. Youness, “Classification of Hadith According to Its Content Based on Supervised Learning Algorithms,” IEEE Access, vol. 7, pp. 152379–152387, 2019.

[8]      I. Najiyah, S. Susanti, D. Riana, and M. Wahyudi, “Hadith Degree Classification for Shahih Hadith Identification Web Based.”

[9]      H. M. Abdelaal and H. A. Youness, “Hadith Classification using Machine Learning Techniques According to its Reliability,” vol. 22, no. 3, pp. 259–271, 2019.

[10]    F. Heimerl and M. Gleicher, “Interactive Analysis of Word Vector Embeddings,” vol. 37, no. 3, 2018.

[11]    I. Vuli and A. Korhonen, “Injecting Lexical Contrast into Word Vectors by Guiding Vector Space Specialisation,” pp. 137–143, 2018.

[12]    S. Park, J. Byun, S. Baek, Y. Cho, and A. Oh, “Subword-level Word Vector Representations for Korean,” pp. 2429–2438, 2018.

[13]    Z. Jianqiang, G. U. I. Xiaolin, and Z. Xuejun, “Deep Convolution Neural Networks for Twitter Sentiment Analysis,” IEEE Access, vol. 6, pp. 23253–23260, 2018.

[14]    H. Chang et al., “Efficient Graph-based Word Sense Induction by Distributional Inclusion Vector Embeddings,” 2017.

[15]    Puspitaningrum, Jaringan Saraf Tiruan. 2006.

[16]    A. F. Agarap, “Deep Learning using Rectified Linear Units (ReLU),” no. 1, pp. 2–8, 2018.

[17]    S. N. Alfisahrin, “Komparasi Algoritma C4.5, Naive Bayes dan Neural Network Untuk Memprediksi Penyakit Jantung,” Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri, 2014.

[18]    F. Gorunescu, “Data mining: Concepts, models and techniques,” Intell. Syst. Ref. Libr., 2011.

[19]    M. Bramer, Principle of Data Mining Second Edition. London, Inggris: Springer, 2013.

[20]    K. Hastuti, “Analisis komparasi algoritma klasifikasi data mining untuk prediksi mahasiswa non aktif,” Semin. Nas. Teknol. Inf. Komun. Terap., 2012.

[21]    H. M and S. M.N, “A Review on Evaluation Metrics for Data Classification Evaluations,” Int. J. Data Min. Knowl. Manag. Process, vol. 5, no. 2, pp. 01–11, 2015.

[22]    F. A. Yusup, M. A. Bijaksana, and A. F. Huda, “ScienceDirect Narrator ’ s Name Recognition with Support Vector Machine for Narrator ’ s Name Recognition with Support Vector Machine for Indexing Indonesian Hadith translations Indexing Indonesian Hadith translations,” Procedia Comput. Sci., vol. 157, pp. 191–198, 2019.

[23]    S. Rahifah, M. Najib, N. A. Rahman, and N. K. Ismail, “Comparative Study of Machine Learning Approach on Malay Translated Hadith Text Classification based on Sanad,” vol. 00066, pp. 1–9, 2017.

[24]    A. F. Huda, Q. U. Safitri, and F. A. Setiawati, “Algoritma Clustering untuk Seleksi Ciri pada Kategorisasi Terjemah Hadits,” pp. 619–625, 2018.

[25]    A. S. Wahyuningsih and D. Nurdiana, “Aplikasi Pencarian dan Pembelajaran Hadist Pada Kitab Riyadhus Shalihin Berbasis Mobile,” vol. 05, no. September, pp. 21–26, 2016.

[26]    N. F. Rozi, E. M. K, M. Kom, N. R. M, and S. Kom, “Identifikasi Jenis Hadits Menggunakan Beberapa Kombinasi Metode Learning,” 2008.

[27]    H. Fauzan and S. Al-faraby, “Pengklasifikasian Topik Hadits Terjemahan Bahasa Indonesia Menggunakan Latent Semantic Indexing dan Support Vector Machine,” vol. 2, no. 4, pp. 131–139, 2018.

[28]    H. F. Siregar and Y. H. Siregar, “Perancangan Aplikasi Komik Hadist Berbasis Multimedia,” vol. 2, no. 2, pp. 113–121, 2018.

[29]    Jarvis. E. D, Güntürkün. O, Bruce. L, Csillag. A, Karten. H, Kuenzel. W and Striedter. G, “Avian brains and a new understanding of vertebrate brain evolution. Nature Reviews Neuroscience,” 6(2), 151-159, 2005.

[30]     Krieger. C, “Neural Networks in Data Mining,” 1996.

[31]     Fausett. D. W. and Fulton. C. T, “Large least squares problems involving Kronecker products. SIAM Journal on Matrix Analysis and Applications,” 15(1), 219-227, 1996.