Analisis Genre pada Konten Situs Web Dongeng Anak Popmama.com Menggunakan Convolutional Neural Network

Arum Murdianingsih M.Pd(1*), Munsyi M.T(2)

(1) Universitas Lambung Mangkurat
(2) UIN Antasari Banjarmasin
(*) Corresponding Author

Sari


Penelitian ini bertujuan untuk mengetahui penerapan Convolutional Neural Network (CNN) dalam mengklasifikasikan jenis dongeng anak pada program digital. Data penelitian yang diambil dari sebuah situs web dongeng anak menjalani pemrosesan data awal (pre-processing) tekstual sebelum diinput ke dalam CNN. Model ini terdiri dari lapisan konvolusi, penggabungan, dan fully-connected, yang dilatih menggunakan validasi silang untuk meningkatkan kendala dalam mengidentifikasi genre. Model tersebut berhasil mengklasifikasikan dongeng ke dalam genre seperti fabel, legenda, dan mitos dengan akurasi 92%. Hal ini menunjukkan keefektifan perangkat seperti karakter dan pengaturan dalam prediksi. Hasil ini menunjukkan bahwa model CNN dapat meningkatkan pilihan rekomendasi konten pada situs web dongeng, sekaligus memberikan wawasan untuk perbaikan berkelanjutan dalam kualitas konten. Penelitian ini menegaskan potensi CNN sebagai alat klasifikasi teks yang kuat, menawarkan jalur menuju otomatisasi yang dapat memperkaya pengalaman edukasi dan hiburan anak-anak dalam lingkungan digital.


Teks Lengkap:

PDF

Referensi


-studie-manakova-5-28.pdf. (n.d.).

Alifuddin, M., Udu, S., & Anhusadar, L. (2022). PENDIDIKAN BERBASIS SASTRA LISAN (LUKISAN ANALITIK ATAS NILAI PEDAGOGI DALAM FOLKLOR ORANG WAKATOBI) (Education Based on Oral Literature (An Analytical Description of Pedagogical Values in Wakatobi People Folklore)). Kandai, 18(2), 207. https://doi.org/10.26499/jk.v18i2.2599

Dewi, N. P. S., & Sugito. (2022). Digital Fairy Tales: Children’s Literacy Development During the Covid-19 Pandemic. Indonesian Journal Of Educational Research and Review, 5(2), 295–306. https://doi.org/10.23887/ijerr.v5i2.49066

Kartika, R. E., Suyoto, S., & Khaq, M. (2023). Analysis of Educational Value in the Folklore of the Legend of the Crying Stone and the Learning Implementation Plan in Class V of Elementary School. QISTINA: Jurnal Multidisiplin Indonesia, 2(1), 91–97. https://doi.org/10.57235/qistina.v2i1.488

Lin, L., Xiong, M., Zhang, G., Kang, W., Sun, S., & Wu, S. (2023). A Convolutional Neural Network and Graph Convolutional Network Based Framework for AD Classification. Sensors, 23(4). https://doi.org/10.3390/s23041914

Manaswi, N. K. (2018). Convolutional Neural Networks BT - Deep Learning with Applications Using Python : Chatbots and Face, Object, and Speech Recognition With TensorFlow and Keras (N. K. Manaswi (Ed.); pp. 91–96). Apress. https://doi.org/10.1007/978-1-4842-3516-4_6

Musyaffa, A. A., Asiah, S., Rapiko, Fadhil, M., & Ubaidah, S. (2023). Digital Tales Media to Improve Reading Literacy for II Grade Elementary School Students. Jurnal Penelitian Dan Pengembangan Pendidikan, 7(1 SE-Articles), 101–906. https://doi.org/10.23887/jppp.v7i1.59886

Nath, S. D. (2023). Two Theoretical Frameworks of Folklore Studies and Two Selected Tales from the Collection of the Assamese Folktales Entitled Burhi Aair Sadhu: A Discursive Analysis. Pertanika Journal of Social Sciences and Humanities, 31(1), 25–40. https://doi.org/10.47836/PJSSH.31.1.02

Nugraha, R. A. (2022). Tradisi Tutur Lisan Dongeng di Era Digital oleh Orangtua Terhadap Anak di Kampung Kaum Kabupaten Cianjur. VISI PUSTAKA: Buletin Jaringan Informasi Antar Perpustakaan, 23(3), 171–184. https://doi.org/10.37014/visipustaka.v23i3.1082

Numanovich, A. I., & Abbosxonovich, M. A. (2020). THE ANALYSIS OF LANDS IN SECURITY ZONES OF HIGH-VOLTAGE POWER LINES (POWER LINE) ON THE EXAMPLE OF THE FERGANA REGION PhD of Fergana polytechnic institute, Uzbekistan PhD applicant of Fergana polytechnic institute, Uzbekistan. EPRA International Journal of Multidisciplinary Research (IJMR)-Peer Reviewed Journal, 2, 198–210. https://doi.org/10.36713/epra2013

Pajankar, A., & Joshi, A. (2022). Convolutional Neural Networks BT - Hands-on Machine Learning with Python: Implement Neural Network Solutions with Scikit-learn and PyTorch (A. Pajankar & A. Joshi (Eds.); pp. 261–284). Apress. https://doi.org/10.1007/978-1-4842-7921-2_14

Safitri, H. A., & Wulandari, M. D. (2023). Media dongeng digital untuk meningkatkan kecerdasan emosional siswa sekolah dasar. AULADUNA: Jurnal Pendidikan Dasar Islam, 10(1), 75–85.

T1. (n.d.).

Tressyalina, T., Noveria, E., Arief, E., Wulandari, E., & Ramadani, N. T. (2023). Need Analysis of Interactive E-Worksheet as a Source of Digital Learning based on Local Wisdom in Learning Folklore Texts. AL-ISHLAH: Jurnal Pendidikan, 15(2), 2605–2613. https://doi.org/10.35445/alishlah.v15i2.2884

Wasilewska, M., & Golenko, B. (2019). Convolutional neural network based vehicle classification. 2019 Signal Processing Symposium (SPSympo), 291–295. https://doi.org/10.1109/SPS.2019.8882050

Xiao, C., & Sun, J. (2021). Convolutional Neural Networks (CNN) BT - Introduction to Deep Learning for Healthcare (C. Xiao & J. Sun (Eds.); pp. 83–109). Springer International Publishing. https://doi.org/10.1007/978-3-030-82184-5_6




DOI: http://dx.doi.org/10.31602/tji.v15i1.13983

Refbacks

  • Saat ini tidak ada refbacks.


© 2019 Technologia   p-ISSN: 2086-6917    e-ISSN: 2656-8047

-------------------------------------------------------------------------------------------

This work is licensed under a Creative Commons Attribution 4.0 International License.