PENERAPAN METODE INDONESIAN BIDIRECTIONAL ENCODER REPRESENTATION FROM TRANSFORMER (INDOBERT) UNTUK KLASIFIKASI GENRE FILM BERDASARKAN DESKRIPSI

RAMADHANI, HASHFI (2025) PENERAPAN METODE INDONESIAN BIDIRECTIONAL ENCODER REPRESENTATION FROM TRANSFORMER (INDOBERT) UNTUK KLASIFIKASI GENRE FILM BERDASARKAN DESKRIPSI. Other thesis, UPN Veteran Yogyakarta.

	Text HASHFI RAMADHANI_COVER.pdf Download (105kB)
	Text HASHFI RAMADHANI_ABSTRAK.pdf Download (54kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (386kB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (337kB)
	Text HASHFI RAMADHANI_DAFTAR ISI.pdf Download (92kB)
	Text HASHFI RAMADHANI_DAFTAR PUSTAKA.pdf Download (145kB)
	Text HASHFI RAMADHANI FULL SKRIPSI.pdf Restricted to Repository staff only Download (2MB)

Abstract

Film merupakan kumpulan gambar bergerak yang direkam menggunakan kamera
dan diproyeksikan ke layar untuk memberikan ilusi gerakan. Film menjadi sarana hiburan
serta media kounikasi visual yang mampu menyampaikan cerita dan pesan kepada audiens.
Setiap film dapat diklasifikasikan ke dalam berbagai genre berdasarkan tema, gaya, serta
unsur naratif yang terkandung di dalamnya, seperti drama, komedi, fiksi ilmiah, horor, aksi,
dan romantis. Untuk membantu penonton dalam memilih film sesuai preferensi mereka
dapat dilakukan melalui klasifikasi genre film berdasarkan deskripsi.
Pada penelitian ini mengusulkan penerapan metode Indonesian Bidirectional
Encoder Representation from Transformer (IndoBERT). Hasil dari representasi IndoBERT
digunakan sebagai inpur ke dalam model Bidirectional Long Short-Term Memory
(BiLSTM) dan Convolutional Neural Network (CNN). Data penelitian diperoleh dari dataset
IMDB Synopsis Indonesian Movies yang terdiri dari 1005 data dengan lima kategori genre:
Drama, Laga, Komedi, Horor, dan Romantis.
Berdasarkan hasil penelitian menunjukkan fine tuning IndoBERT dengan BiCNN
mendapatkan hasil nilai accuracy 91,37%, nilai precision 91,80%, nilai recall 91% dan Fl
score 91% dengan batch size 16 learning rate 3e-5 dan epoch 50. Sedangkan pada IndoBERT
base memiliki nilai accuracy 88%, precision 87.60%, recall 88.20%, dan F1-Score 88%
dengan epoch 50. Hasil ini membuktikan bahwa penggunaan IndoBERT dengan arsitektur
BiLSTM-CNN dapat meningkatkan kinerja akurasi klasifikasi genre film berdasarkan
deskripsi.
Kata Kunci: Film, Genre Film, IndoBERT, BiLSTM, CNN, Klasifikasi Genre Film.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Film, Genre Film, IndoBERT, BiLSTM, CNN, Klasifikasi Genre Film.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Eko Suprapti
Date Deposited:	23 Jun 2025 01:39
Last Modified:	23 Jun 2025 01:39
URI:	http://eprints.upnyk.ac.id/id/eprint/42772

Actions (login required)

View Item