%A FIKRI ALAM MUHAMMAD
%T FITUR EKSTRAKSI NEURAL NET UNTUK OPTIMALISASI
PERFORMA MLP PADA TUGAS KLASIFIKASI SENTIMEN
%X MLP adalah model pembelajaran mendalam yang dianggap memiliki banyak kelemahan dibandingkan dengan model lainnya. Hal ini didasarkan pada keterbatasan
MLP dalam menyelesaikan tugas-tugas kompleks dan seringnya terjadi overfitting
terutama ketika dihadapkan dengan data berdimensi tinggi. Namun, MLP memiliki kelebihan dalam hal penggunaan sumber daya yang lebih efisien dibandingkan
model lainnya. Meskipun tidak lebih unggul dari model lain, MLP masih dapat
bersaing dan membutuhkan waktu pelatihan yang lebih singkat. Alasan inilah yang
mendasari penelitian ini. Tujuan dari penelitian ini adalah untuk meningkatkan kinerja model MLP dalam tugas klasifikasi sentimen dengan menambahkan lapisan jaringan saraf seperti CNN, LSTM, dan BiLSTM untuk ekstraksi fitur. Evaluasi model yang diusulkan menggunakan metrik akurasi, presisi, recall, F1-score,
dan ROC-AUC. Hasil penelitian menunjukkan bahwa penambahan fitur ekstraksi
menggunakan model jaringan saraf tiruan berhasil meningkatkan performa MLP
sebesar 1% pada kategori akurasi, presisi, recall, F1-score, dan berhasil meningkatkan ROC-AUC sebesar 0.06% sampai 4%.
Kata-kata kunci: MLP, pembelajaran mendalam, jaringan saraf, optimalisasi performa
%C UNIVERSITAS LAMPUNG
%D 2025
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
%L eprints88810