PERBANDINGAN AKURASI METODE BIDIRECTIONAL LONG SHORT-TERM MEMORY (BILSTM) DAN BIDIRECTIONAL GATED RECURRENT UNIT (BIGRU) PADA PERINGKASAN TEKS ABSTRAKTIF ARTIKEL BERITA BERBAHASA INDONESIA

Fikri, Salsabila Lattifa (2024) PERBANDINGAN AKURASI METODE BIDIRECTIONAL LONG SHORT-TERM MEMORY (BILSTM) DAN BIDIRECTIONAL GATED RECURRENT UNIT (BIGRU) PADA PERINGKASAN TEKS ABSTRAKTIF ARTIKEL BERITA BERBAHASA INDONESIA. Diploma thesis, UPN "Veteran" Yogyakarta.

	Text COVER.pdf Download (378kB)
	Text ABSTRAK.pdf Download (188kB)
	Text PENGESAHAN PENGUJI.pdf Download (800kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (55kB)
	Text DAFTAR ISI.pdf Download (326kB)
	Text DAFTAR PUSTAKA.pdf Download (421kB)
	Text SKRIPSI FULL_SALSABILA LATTIFA FIKRI_123170084.pdf Restricted to Repository staff only Download (2MB)

Abstract

Peringkasan teks abstraktif merupakan salah satu bidang penelitian dalam
pengolahan bahasa alami (NLP). Berbeda dengan peringkasan ekstraktif yang hanya
mengandalkan pengambilan kalimat-kalimat penting dari teks asli, metode abstraktif
menciptakan ringkasan baru yang menggabungkan pemahaman mendalam dan pemrosesan
semantik untuk menghasilkan narasi yang lebih koheren dan alami. Menggunakan
peringkasan teks abstraktif membutuhkan perhitungan yang lebih dalam untuk menemukan
kesamaan di setiap kata untuk membuat ringkasan. Untuk itu diperlukan pendekatan deep
learning. Metode deep learning yang biasanya digunakan dalam masalah peringkasan teks
yaitu Bidirectional Long Short Term Memory (BiLSTM) dan Bidirectional Gated Recurrent
Unit (BiGRU). Dengan melihat hasil akurasi dari kedua metode, penelitian ini diharapkan
dapat mengetahui metode mana yang lebih akurat dalam melakukan peringkasan teks
abstraktif.
Penelitian ini membandingkan hasil akurasi ringkasan antara metode BiLSTM
(Bidirectional Long Short Term Memory) dan BiGRU (Bidirectional Gated Recurrent Unit)
dalam melakukan peringkasan teks abstraktif artikel berita berbahasa Indonesia dilihat dari
hasil ROUGE-1 dan ROUGE-2. Dataset yang digunakan adalah pasangan teks berita dan
ringkasannya yang berjumlah 10.000 data yang diperoleh dari hasil web scraping dari portal
berita online Liputan6.com.
Dari hasil pengujian, diperoleh hasil perbandingan akurasi ringkasan yang
menunjukkan jika model peringkasan teks abstraktif yang menggunakan metode BiGRU
dengan kombinasi hyperparameter yang berbeda yaitu epoch 50 dan batch size 64 memiliki
rata-rata akurasi ROUGE-1 sebesar 0.0588927 dan rata-rata akurasi ROUGE-2 sebesar
0.0151440 dimana akurasinya lebih tinggi dibandingkan peringkasan teks abstraktif yang
menggunakan metode BiLSTM. Model yang dibangun dengan metode BiLSTM dan BiGRU
sudah mampu menghasilkan prediksi kata sesuai dengan kata yang ada di artikel berita dan
ringkasan referensi namun masih terdapat repetisi kata pada hasil ringkasan dan ringkasan
masih belum mampu membentuk kalimat sesuai tata bahasa Indonesia.

Kata Kunci: Peringkasan Teks, Bidirectional Long Short Term Memory, Bidirectional Gated Recurrent Unit

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Peringkasan Teks, Bidirectional Long Short Term Memory, Bidirectional Gated Recurrent Unit
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	24 Jun 2024 04:32
Last Modified:	24 Jun 2024 04:32
URI:	http://eprints.upnyk.ac.id/id/eprint/39882

Actions (login required)

View Item