PERBANDINGAN FITUR EKSTRAKSI GLOVE DAN FASTTEXT MENGGUNAKAN METODE LONG-SHORT TERM MEMORY

Asrawi, Hannan (2024) PERBANDINGAN FITUR EKSTRAKSI GLOVE DAN FASTTEXT MENGGUNAKAN METODE LONG-SHORT TERM MEMORY. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.55.2149 Hannan Asrawi.pdf Download (3MB)

Abstract

Klasifikasi teks adalah salah satu bidang dari Neural Language Processing. Beberapa dari teknik dan metode dalam menyelesaikan masalah dalam NLP pada dasarnya bergantung pada kemunculan atau frekuensi kata-kata. Algoritma LSTM memiliki kelebihan dalam prediksi time series, atau prediksi data lainnya. fitur ekstraksi Glove mempelajari penyematan kata yang mengkodekan rasio probabilitas kemunculan bersama antara dua kata sebagai perbedaan vektor. FastText mempelajari representasi kata dengan mempertimbangkan informasi subword. Penelitian ini bertujuan untuk menggunakan penerapan algoritma LSTM, dikombinasikan dengan fitur ekstraksi Glove dan FastText yang akan diklasifikasikan menggunakan algoritma LSTM menggunakan dataset 20 Newsgroup. yang mana dari kedua fitur tersebut akan dibandingkan seberapa berpengaruhnya algoritma LSTM dalam mengklasifikan teks. Kedua fitur ekstraksi dipilih karena mampu menangkap konteks di sekitar kata-kata serta implikasi semantik, sintaksis, dan sekuensial. Evaluasi kinerja dari setiap scenario diukur menggunakan akurasi, presisi recall, f-score. Performa fitur ekstraksi FastText yang diklasifikasikan dengan LSTM lebih unggul dibandingkan dengan Glove, yaitu dengan hasil akurasi sebesar : 0.9523, presisi : 0.9651, recall: 0.9519, dan F1 Score : 0.9676. dan fitur ekstraksi Glove mendapatkan hasil nilai akurasi : 0.9562, presisi : 0.9701, recall : 0.9485 dan F1 Score : 0.9701. Perbedaan dari kedua fitur tidak begitu signifikan, yang menunjukkan kedua fitur ekstraksi memiliki kinerja yang sangat kompetitif.

Actions (login required)

View Item