<![CDATA[Abstrak Bahasa merupakan sebuah keahlian yang dipakai oleh kita manusia untuk berkomunikasi antar satu dengan lainnya, bahasa juga mempunyai sistemnya sendiri yang ada agar proses komunikasi antar satu individu dengan individu lainnya berjalan dengan lancar. Setiap bahasa tentunya memiliki logat ataupun dialeknya masing-masing mungkin dari cara berbicaranya maupun sistem penulisannya. Untuk mengenali bahasa yang digunakan pada setiap daerah dibutuhkan sistem yang bisa mengenali dialekdialek yang ada pada daerah tersebut. Pada penelitian ini menggunakan metode Deep Learning Recurrent Neuaral Network. Dari hasil penelitian yang dilakukan, dengan nilai parameter tertentu didapatkan akurasi sebesar 72.9%. Setelah didapatkan akurasi tersebut, dilakukan pengujian dengan mengganti salah satu dari nilai parameter yang terdapat pada sistem, sehingga mendapatkan hasil akurasi sebesar 74%. Dari pengujian tersebut dapat disimpulkan bahwa semakin besar parameter epoch yang dimasukan dan data latih yang banyak akan menghasilkan akurasi yang lebih baik Kata kunci : Neural Network, Deep Learning Abstract Language is a skill used by us humans to communicate with each other, the language also has its own system that exist for the communication process between one individual with other individuals running smoothly. Each language must have its own dialect or as much as possible from the way it speaks and the writing system. To recognize the language used in each region required a system that can recognize dialects that exist in the area. In this study case using Deep Learning Recurrent Neural Network method. From the results of research conducted, with the value of certain parameters obtained accuracy of 72.9%. After obtaining the accuracy, tested by replacing one of the parameter values found in the system, so get the accuracy of 74%. From these tests it can be concluded that the larger the epoch and the many training data will produce better accuracy. Keywords: Artificial Intelligence, Neural Network, Artificial Neural Networks]]>
