OPTIMALISASI Bi-LSTM DENGAN GENETIC ALGORITHM UNTUK MENDETEKSI ENTITAS LOKASI DAN WAKTU PADA DATA TEKS BAHASA INDONESIA TENTANG KEBAKARAN HUTAN

Dzulhijjah, Dwi Ahmad (2024) OPTIMALISASI Bi-LSTM DENGAN GENETIC ALGORITHM UNTUK MENDETEKSI ENTITAS LOKASI DAN WAKTU PADA DATA TEKS BAHASA INDONESIA TENTANG KEBAKARAN HUTAN. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 22.55.2321 Dwi Ahmad Dzulhijjah.pdf Download (5MB)

Abstract

Kebakaran hutan merupakan bencana yang sering terjadi di Indonesia dan menimbulkan dampak yang signifikan. Deteksi dini lokasi dan waktu kebakaran hutan sangat penting untuk upaya penanggulangan yang efektif. Penelitian ini bertujuan untuk meningkatkan akurasi deteksi entitas lokasi dan waktu pada data teks bahasa Indonesia tentang kebakaran hutan dengan mengoptimalkan model Bidirectional Long Short-Term Memory (Bi-LSTM) menggunakan algoritma genetika (GA). Model Bi-LSTM dilatih pada data teks yang telah di anotasi dengan entitas lokasi dan waktu. Algoritma GA digunakan untuk mengoptimalkan hyperparameter model Bi-LSTM, seperti units, dropout, embedding dimension, learning rate, batch size, epoch, layer, dan regularisasi kernel. Eksperimen dilakukan dengan empat skema, skema 1 hyperparameter default, skema 2 dengan populasi 10 dan generasi 25 dengan total 250 evaluasi, skema 3 dengan 25 populasi dan 50 generasi serta 1250 evaluasi, dan skema 4 dengan 50 populasi dan 20 generasi dengan total 1000 evaluasi. Hasil penelitian secara eksperimental menunjukkan bahwa optimasi model Bi-LSTM dengan GA dapat meningkatkan akurasi deteksi entitas lokasi dan waktu pada data teks bahasa Indonesia tentang kebakaran hutan. Skema 4 menghasilkan performa terbaik dengan F1 Score 0.965 dan Loss 0.165, yang lebih tinggi dibandingkan Skema 3 dengan F1 Score 0.963 dan Loss 0.151, Skema 2 dengan F1 Score 0.946 dan Loss 0.242, dan Skema 1 (Default) dengan F1 Score 0.937 dan Loss 0.158. Walaupun pada uji coba hasil hyperparameter selanjutnya memiliki hasil berbeda, namun secara konsisten hyperparameter yang dioptimasi memiliki keunggulan lebih baik daripada secara default, hal ini dibuktikan dengan uji K-Fold Cross Validation dengan K=5 dan K=10 menunjukkan peningkatan rata-rata F1 Score dan Loss pada skema optimasi dibandingkan skema nonoptimasi.

Actions (login required)

View Item