Pengembangan Modul U-Tapis untuk Mengoreksi Kesalahan Penggunaan Tanda Baca Menggunakan Long Short-Term Memory

Zoe Putri Sukonco, Andrea (2025) Pengembangan Modul U-Tapis untuk Mengoreksi Kesalahan Penggunaan Tanda Baca Menggunakan Long Short-Term Memory. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (2MB)
	PDF BAB_I.pdf Download (213kB)
	PDF BAB_II.pdf Download (473kB)
	PDF BAB_III.pdf Download (606kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (703kB)
	PDF BAB_V.pdf Download (228kB)
	PDF DAFTAR_PUSTAKA.pdf Download (218kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (401kB)

Abstract

Penelitian ini mengembangkan U-Tapis, sebuah sistem otomatis yang dirancang untuk mendeteksi dan mengoreksi kesalahan tanda baca berdasarkan kaidah Ejaan Yang Disempurnakan (EYD) edisi kelima. Sistem ini terdiri dari dua tahapan utama: tahap deteksi kesalahan tanda baca yang dibangun menggunakan arsitektur Recurrent Neural Network (RNN), serta tahap koreksi kesalahan yang mengandalkan arsitektur Long Short-Term Memory (LSTM). Model RNN terbukti efektif dalam mengidentifikasi posisi kesalahan dengan tingkat akurasi mencapai 92%. Selanjutnya, kesalahan yang terdeteksi dikoreksi secara otomatis oleh model LSTM, yang mampu menangkap ketergantungan jangka panjang dalam data sekuensial dan menghasilkan prediksi koreksi yang lebih akurat, dengan akurasi koreksi mencapai 86%. Dataset yang digunakan dalam penelitian ini terdiri dari 10.000 artikel dari situs Tribunnews.com dengan total 96.674 kalimat, yang telah melalui tahap prapemrosesan seperti tokenisasi. Model LSTM dirancang sebagai model klasifikasi biner dan dilatih menggunakan teknik optimasi berbasis pencarian acak untuk mendapatkan konfigurasi parameter terbaik. Temuan ini menunjukkan bahwa pendekatan berbasis Deep Learning dan Natural Language Processing (NLP) pada U-Tapis memiliki potensi besar dalam mendukung proses editorial, meningkatkan konsistensi penggunaan tanda baca, serta mengurangi intervensi manual dalam penyuntingan teks secara signifikan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Zoe Putri Sukonco, Andrea (00000059793)
Contributors:	Vasty Overbeek, Marlinda
Keywords:	LSTM, NLP, RNN, Tanda Baca, U-Tapis
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	09 Sep 2025 07:35
URI:	https://kc.umn.ac.id/id/eprint/40320

Actions (login required)

View Item