Implementasi Embedding from Language Models sebagai Feature Extractor dan Multilayer Perceptron untuk Klasifikasi Kategori Berita

Wenardi Hadinata, Jason (2021) Implementasi Embedding from Language Models sebagai Feature Extractor dan Multilayer Perceptron untuk Klasifikasi Kategori Berita. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	Text HALAMAN_AWAL.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (697kB)
Preview	Text DAFTAR_PUSTAKA.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (265kB) | Preview
Preview	Text BAB_I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (261kB) | Preview
Preview	Text BAB_II.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (478kB) | Preview
Preview	Text BAB_III.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (689kB) | Preview
	Text BAB_IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (820kB)
Preview	Text BAB_V.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (111kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (649kB)

Abstract

Berita adalah laporan setiap saat atau sesuatu yang menarik untuk pembacanya dan berita terbaik dinilai kemenarikannya bagi para pembaca. Penyebarluasan berbagai macam berita sekarang telah beralih ke digital, dimana proses pengelompokan berita diperlukan untuk memudahkan pembacanya. Embedding from Language Models (ELMo) memiliki bidirectional language model yang berfungsi untuk melakukan pengecekan dua arah membuat ELMo dapat merepresentasikan kata dengan baik dibandingkan dengan ektraksi fitur lainnya. Berdasarkan penelitian sebelumnya, Multilayer Perceptron (MLP) terbukti dapat memberikan hasil yang lebih baik dibandingkan dengan model lainnya. Berdasarkan latar belakang tersebut, penelitian dilakukan dengan menggunakan ELMo sebagai ekstraksi fitur dan Neural Network sebagai model klasifikasi yang diuji dengan beberapa skenario menggunakan hyperparameter dan dibandingkan dengan ekstraksi fitur lain. Dengan tujuh kategori yang ada pada data, nilai tertinggi yang diperoleh dengan menggunakan ELMo terletak pada pada nilai f1-score sebesar 0,863 untuk data testing dengan perbandingan pembagian data sebesar 70% data training dan 30% data testing.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Berita, Embedding from Language Models, Hyperparameter, Klasifikasi, Multilayer Perceptron
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.1 Programming, Programming Language
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	24 Aug 2021 15:24
Last Modified:	25 Aug 2023 00:41
URI:	https://kc.umn.ac.id/id/eprint/16338

Actions (login required)

View Item