TY  - GEN
CY  - UNIVERSITAS LAMPUNG
ID  - eprints88321
UR  - http://digilib.unila.ac.id/88321/
A1  - GADING, ARYA DWI CAHYO
Y1  - 2025/06/02/
N2  - 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.
PB  - FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM 
TI  - EVALUASI KINERJA HIBRIDA BERBASIS CNN UNTUK TUGAS
KLASIFIKASI SENTIMEN BERITA ONLINE
AV  - restricted
ER  -