Implementasi Pre-trained Convolutional Neural Network dan Gated Recurrent Unit untuk Kode Generator User Interface Berbasis Website

Ghofar Alhasyim, Abdul (2023) Implementasi Pre-trained Convolutional Neural Network dan Gated Recurrent Unit untuk Kode Generator User Interface Berbasis Website. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (589kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (158kB) | Preview
Preview	PDF BAB_I.pdf Download (138kB) | Preview
Preview	PDF BAB_II.pdf Download (552kB) | Preview
Preview	PDF BAB_III.pdf Download (650kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
Preview	PDF BAB_V.pdf Download (165kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (436kB)

Abstract

Dengan perkembangan teknik pengembangan perangkat lunak yang semakin pesat, metode pengembangan secara tradisional mulai terlihat keterbatasan dan ketidakefisienannya dengan masalah umum seperti siklus pengembangan yang lama serta pekerjaan yang repetitif. Telah banyak pendekatan untuk melakukan otomasi penulisan kode dengan berbagai jenis input. Salah satunya diterapkan dengan menggunakan input gambar pada Pix2Code. Pix2code menggunakan pendekatan dengan menerapkan framework encoder-decoder. Dimana scratch CNN disusun untuk mengekstrak fitur gambar yang kemudian ditranslasikan menggunakan LSTM ke dalam DSL kode. Pix2code mampu melakukan translasi gambar ke kode dengan baik namun penggunaan scratch CNN dan LSTM memerlukan waktu pelatihan yang cukup lama. Mengingat proses implementasi desain website mempunyai berbagai jenis style diperlukan kecepatan untuk melakukan pelatihan agar model dapat disesuaikan dengan styling yang developer gunakan. Sehingga penelitian ini bertujuan mengimplementasikan model pre- trained Xception, EfficientNetV2B0, EfficientNetV2M untuk ekstraksi fitur gambar dan GRU sebagai translasi kode untuk mengurangi lama waktu pelatihan. Didapatkan bahwa model EfficientNetV2B0 GRU adalah model dengan waktu pelatihan tersingkat dibandingkan empat model lainnya. Sementara Xception GRU menjadi model paling robust ketika diuji dengan kompleksitas data yang berbeda.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Pix2code, Otomasi Kode Generator, Pre-trained CNN, GRU.
Subjects:	?? TK7885-7895 ??
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	28 Jun 2023 09:48
Last Modified:	28 Jun 2023 10:48
URI:	https://kc.umn.ac.id/id/eprint/25517

Actions (login required)

View Item