Tesis

Evaluasi kinerja model deep learning dalam klasifikasi penilaian kualitas proposisi peta konsep open-ended / Wahyu Styo Pratama

Abstrak
Penelitian ini menyelidiki kinerja 4 model klasifikasi-Feedforward Neural Network (FNN) Long Short-Term Memory (LSTM) Bidirectional LSTM (BiLSTM) dan Convolutional Neural Network (CNN)-dalam 2 teknik representasi teks yang berbeda yaitu Term Frequency-Inverse Document Frequency (TF-IDF) dan BERT. Penelitian ini menggunakan dataset yang terdiri dari 3.759 kata dari 690 proposisi yang diproses melalui case folding tokenisasi dan lemmatization untuk memastikan kualitas data. Hasilnya menunjukkan bahwa FNN mengungguli model-model lain dengan representasi TF-IDF mencapai akurasi 86 23% dan skor ROC 93 72%. Model LSTM dan BiLSTM menunjukkan akurasi yang lebih rendah yaitu 73 91% yang mengindikasikan adanya tantangan dalam menangkap nuansa dataset. Namun peningkatan kinerja yang signifikan terlihat pada representasi BERT terutama pada model BiLSTM yang mencapai akurasi 91 30% dan skor ROC 96 50%. CNN juga menunjukkan peningkatan yang besar dengan akurasi yang meningkat dari 16 67% menjadi 89 13% ketika menggunakan BERT. Temuan ini menggarisbawahi peran arsitektur model dan teknik representasi dalam mengoptimalkan kinerja klasifikasi dalam tugas-tugas pemrosesan bahasa alami. Penelitian ini diakhiri dengan saran untuk penelitian lebih lanjut termasuk penyempurnaan model eksplorasi representasi tambahan dan aplikasi dalam beragam dataset dan skenario dunia nyata.

Informasi Detail

DDC

Rt 621.3076 PRA e

Prodi

Universitas Negeri Malang. Program Studi Teknik Elektro, 2025.

Deskripsi Fisik

xiii, 47 lembar : ilus.

Bahasa

Indonesia

No Reg

00765/RT/25

Edisi

Tesis (Pascasarjana)--Universitas Negeri Malang. 2025

Subjek

1. TEKNIK ELEKTRO - PETA KONSEP
2. MODEL DEEP LEARNING
3. ELECTRICAL ENGINEERING - CONCEPT MAP

Pembimbing

1. Dr.eng Didik Dwi Prasetya, S.t., M.t.; 2. Triyanna Widiyaningtyas, M.t.

Lampiran Berkas