Klasifikasi Ayat Al-Quran Terjemahan Bahasa Inggris Menggunakan Long Short Term Memory dan Bidirectional Long Short Term Memory
Abstract
Abstrak— Di dalam Al-Quran terdapat kandungan ayat yang berbeda-beda, maka sangatlah penting untuk memahami ayat Al-Quran. Al-Quran terdiri atas 30 juz, 144 surat, 6236 ayat, dan 77845 kata. Banyak ayat dan kata yang terdapat pada Al-Quran, untuk mempermudah umat muslim dalam mempelajari ayat maka perlu dilakukan pengklasifikasian terhadap ayat Al-Quran. Pada penelitian ini dilakukan klasifikasi multi label ayat Al-Quran berdasarkan topik-topik yang ada. Perancangan sistem dilakukan dengan menggunakan dua metode yaitu convolutional long short term memory (C-LSTM) dan bidirectional long short term memory (Bi-LSTM) yang mampu mengklasifikasikan ayat kedalam kelompoknya masing-masing. C-LSTM mampu mengungguli Bi-LSTM pada hampir setiap skenario. Nilai hamming loss terbaik yang diberikan C-LSTM sebesar 0.09985, dan BiLSTM 0.10122 pada skenario 90% data latih dan dropout.
Kata Kunci— Klasifikasi, Multi Label, Recurrent Neural Network, Long Short Term Memory, Convolutional Neural Network, Bidirectional Long Short Term Memory, Hamming loss.
References
REFERENSI
Y. Luan and S. Lin,
Classification Based on CNN and LSTM.=
V. Rianti Aldefi and S. al Faraby,
Multi-label pada Terjemahan Al-Quran Berbahasa Inggris
Menggunakan Recurrent Neural Network (RNN).=
P. Parikh et al.,
Accounts of Sexism using a Neural Framework,= Oct. 2019,
[Online]. Available: http://arxiv.org/abs/1910.04602
Y. Widhiyasana, T. Semiawan, I. Gibran, A.
Mudzakir, and M. R. Noor,
Short-Term Memory untuk Klasifikasi Teks Berita Bahasa
Indonesia (Convolutional Long Short-Term Memory
Implementation for Indonesian News Classification),= 2021.
Quranic Arabic Text Arabic Natural Language Processing
View project Dependency Graph and Metrics for Defects
Prediction View project A Topical Classification of Quranic
Arabic Text,= 2013. [Online]. Available:
https://www.researchgate.net/publication/258282937
Universitas Telkom, Multimedia University, and
Institute of Electrical and Electronics Engineers, A Multilabel Classification on Topics of Quranic Verses in English
Translation Using Tree Augmented Naive Bayes.
S. Fauziah Lestari and S. al Faraby,
Multi-label pada Terjemahan Al-Quran Berbahasa Inggris
Menggunakan Convolutional Neural Networks.=
M. Dong, Universitas Telkom, Chinese and
Oriental Languages Information Processing Society,
Institute of Electrical and Electronics Engineers. Indonesia
Section. Computer Society Chapter, and Institute of
Electrical and Electronics Engineers, Multi-Label Topic
Classification of Hadith of Bukhari (Indonesian
Languagetranslation) using Information Gain and
Backpropagation Neural Network.
T. Mikolov, K. Chen, G. Corrado, and J. Dean,
Space,= Jan. 2013, [Online]. Available:
http://arxiv.org/abs/1301.3781
T. Mikolov, K. Chen, G. Corrado, and J. Dean,
their Compositionality.=
I. Goodfellow, Y. Bengio, and A. Courville, Deep
learning. MIT press, 2016.
J. Brownlee, Long short-term memory networks
with python: develop sequence prediction models with deep
learning. Machine Learning Mastery, V1.5., vol. 1. 2017.
W. Lu, J. Li, Y. Li, A. Sun, and J. Wang,
vol. 2020, 2020, doi: 10.1155/2020/6622927.
A. Graves,
Recurrent Neural Networks.=
