---
title: Zeronine
url: https://rone.dev/id/projects/zeronine
description: Gambar sebuah karakter; empat model konvolusi membacanya, dalam Latin atau Arab.
language: id-ID
updated: 2026-09-27
translations:
  en: https://rone.dev/projects/zeronine
---

# Zeronine

Gambar sebuah karakter; empat model konvolusi membacanya, dalam Latin atau Arab.

[Proyek](https://rone.dev/id/projects) / [AI](https://rone.dev/id/projects/category/ai)

Riset · Dimulai 2024 · 0 Bintang GitHub · 0 Fork

Aplikasi Django di sekeliling empat jaringan konvolusi Keras: angka Latin, alfanumerik Latin dengan enam puluh dua kelas, angka Arab, dan dua puluh delapan huruf abjad Arab. Anda menggambar di kanvas dan model yang sesuai mengembalikan prediksinya.

## Fakta proyek

|           |                                                        |
| --------- | ------------------------------------------------------ |
| Status    | Riset                                                  |
| Kategori  | AI                                                     |
| Dimulai   | 2024                                                   |
| Peran     | Pelatihan dan pembangunan                              |
| Teknologi | Python, Django, TensorFlow, Keras                      |
| Lisensi   | GPL-3.0                                                |
| Tautan    | [Kode sumber](https://github.com/ridwaanhall/zeronine) |

## Sekilas

Empat model, empat dataset, satu antarmuka. Masing-masing berupa tumpukan konvolusi kecil — tiga blok konvolusi dan pooling menuju kepala dropout dan dense — dilatih di notebook, diekspor, lalu dimuat dari disk saat impor sehingga sebuah permintaan tidak pernah membayar biaya pelatihan maupun pemuatan.

Memisahkan modelnya menurut aksara dan menurut himpunan kelas alih-alih melatih satu pengklasifikasi besar menjaga tiap ruang keluaran tetap kecil dan tiap confusion matrix tetap terbaca, dan itu lebih penting daripada jumlah parameter mentah pada skala ini.

## Prapemrosesan adalah tempat bug bersarang

Kedua model Arab memerlukan masukannya diputar sembilan puluh derajat dan dicerminkan mendatar sebelum inferensi, karena itulah orientasi yang dipakai dataset sumbernya menyimpan glifnya. Melewatkannya dan modelnya tetap mengembalikan prediksi yang meyakinkan — hanya saja yang salah, tanpa galat di mana pun untuk ditunjuk.

Karena itu masing-masing dari keempat model punya jalur prapemrosesannya sendiri: resolusi targetnya sendiri, perataannya sendiri, normalisasinya sendiri. Semuanya dibiarkan sebagai empat fungsi terpisah alih-alih satu fungsi berparameter, karena perbedaan di antara merekalah yang justru perlu dilihat pembaca.

<CardGroup cols={2}>
  <Card title="Sebelumnya: Neural Network from Scratch" href="https://rone.dev/id/projects/neural-network-from-scratch">
    MNIST dengan akurasi validasi 97,9%, setiap lapis dan gradiennya ditulis di NumPy.
  </Card>

  <Card title="Berikutnya: Ant Colony Optimization" href="https://rone.dev/id/projects/ant-colony-optimization">
    Persoalan travelling salesman, diselesaikan jejak feromon dalam tujuh puluh tujuh baris.
  </Card>
</CardGroup>