PENGARUHNAMED ENTITY RECOGNITIONDAN AUGMENTASI DATA TERHADAP KINERJA MODELDEEP LEARNINGDALAM KLASIFIKASI TEKS

NUR , ANNISA PUTRI REZKIA (2026) PENGARUHNAMED ENTITY RECOGNITIONDAN AUGMENTASI DATA TERHADAP KINERJA MODELDEEP LEARNINGDALAM KLASIFIKASI TEKS. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (79Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (9Mb) | Minta salinan
Preview	File PDF SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (4Mb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Penelitian ini bertujuan mengklasifikasikan teks berita pada dataset InaCOVED ke dalam kategorieventdannon-eventmenggunakan model MLP, CNN, dan LSTM. Augmentasi data berbasis penggantian sinonim melalui API Kateglo diterapkan untuk meningkatkan keseimbangan kelas, sementara NER berbasis BERT dan LLM dengan pendekatanpromptingdigunakan untuk mengekstraksi entitas penting (Person,Organization,Location, danDisease). Representasi teks dibentuk menggunakan Word2Vec dan KerasEmbeddingLayer, kemudian dievaluasi dengan metrikaccuracy,precision,recall,F1-score, dan ROC-AUC. Hasil terbaik diperoleh pada model CNN dengan KerasEmbeddingLayer dan NER berbasis LLM pada dimensi vektor 100 denganaccuracy0,9597,precision0,9442,recall 0,9772,F1-score0,9604, dan ROC-AUC 0,9888, yang menunjukkan bahwa metode ekstraksi entitas, representasi vektor, dan augmentasi data berpengaruh signifikan terhadap kinerja klasifikasi. Kata-kata kunci:NER, LLM, BERT, Augmentasi Data,Word Embedding, Klasifikasi Teks.

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika 500 ilmu pengetahuan alam dan matematika > 510 Matematika
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Matematika
Pengguna Deposit:	2602007417 Digilib
Date Deposited:	24 Apr 2026 04:10
Terakhir diubah:	24 Apr 2026 04:10
URI:	http://digilib.unila.ac.id/id/eprint/98598

Actions (login required)

Lihat Karya Akhir