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	Text ABSTRAK.pdf Download (81kB) | Preview
	Text SKRIPSI FULL.pdf Restricted to Repository staff only Download (9MB) | Request a copy
Preview	Text SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (4MB) | Preview

Abstract

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.

Item Type:	Other
Subjects:	?? 500 ?? ?? 510 ??
Divisions:	Fakultas MIPA > Prodi Matematika
Depositing User:	2602007417 Digilib
Date Deposited:	24 Apr 2026 04:10
Last Modified:	24 Apr 2026 04:10
URI:	http://digilib.unila.ac.id/id/eprint/98598

Actions (login required)

View Item