GADING, ARYA DWI CAHYO (2025) EVALUASI KINERJA HIBRIDA BERBASIS CNN UNTUK TUGAS KLASIFIKASI SENTIMEN BERITA ONLINE. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM , UNIVERSITAS LAMPUNG.
|
Text
1. ABSTRAK - ABSTRACT.pdf Download (22kB) | Preview |
|
![[img]](http://digilib.unila.ac.id/style/images/fileicons/text.png) |
Text
2. SKRIPSI FULL.pdf Restricted to Repository staff only Download (3MB) | Request a copy |
|
|
Text
3. SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (2MB) | Preview |
Abstract
CNN merupakan model deep learning yang efektif dalam mengekstraksi fitur pada data teks. Namun, CNN memiliki kelemahan dalam memahami konteks jangka panjang dan kurang sensitif terhadap urutan kata. Dalam penelitian ini, model CNN dihybridisasi dengan model machine learning untuk meningkatkan performa model. Model LSTM dan BiLSTM dipilih karena memiliki kemampuan memori jangka panjang serta sensitivitas terhadap urutan kata. Selain itu, model machine learning lainnya seperti TF-IDF, Word2Vec, dan BERT digunakan untuk menambahkan fitur yang berguna dalam ekstraksi data teks. Pada pengujian model, matriks akurasi, presisi, recall, F1-score, dan AUC-ROC digunakan. Hasil evaluasi dari semua model dibandingkan untuk mengetahui pengaruh dimensi vektor dan memperoleh model terbaik. Dari hasil evaluasi, ditemukan bahwa model RoBERTa-CNNBiLSTM memiliki performa terbaik dengan nilai akurasi 98,18%, presisi 98,19%, recall 98,18%, F1-score 98,18%, dan AUC-ROC 99,86%. Selain itu, diketahui bahwa dimensi vektor 38 memberikan performa paling unggul. Hasil ini menunjukkan bahwa model deep learning yang dihybridisasi, khususnya CNN, efektif dalam meningkatkan performa model. Kata-kata kunci: CNN, LSTM, BiLSTM, Word2Vec, TF-IDF, RoBERTa, Berita Online, NLP.
| Item Type: | Other |
|---|---|
| Subjects: | ?? 500 ?? ?? 510 ?? |
| Divisions: | Fakultas MIPA > Prodi Matematika |
| Depositing User: | 2301477595 . Digilib |
| Date Deposited: | 11 Jun 2025 07:10 |
| Last Modified: | 11 Jun 2025 07:10 |
| URI: | http://digilib.unila.ac.id/id/eprint/88321 |
Actions (login required)
 |
View Item |