Implementasi Recurrent Neural Network Pada Kasus Aplikasi Tanya Jawab
Total View This Week0
Total View This Week0
Institusion
Universitas Komputer Indonesia
Author
Subagja, Muhammad Aldy
Subject
004_Data Processing & Computer Science
Datestamp
2019-10-03 08:31:53
Abstract :
Sistem tanya jawab sudah banyak diterapkan dengan menggunakan kata kunci (rule-based). Ketergantungan pada kata kunci tersebut sering menghasilkan jawaban yang tidak tepat jika kata kuncinya tidak sesuai. Sebagai solusinya diterapkan metode machine learning pada penelitian ini, dengan melakukan analisis penerapan Recurrent Neural Network (RNN) pada sistem tanya jawab berbahasa Indonesia. Data set yang digunakan terdiri dari data latih sebanyak 80 pasang pertanyaan dan jawaban, dan data uji sebanyak 20 pertanyaan. Sebelum pelatihan RNN dilakukan, setiap pertanyaan pada data set tersebut melewati tahap preprocessing yang terdiri dari tahap Case Folding, Filtering, Tokenization, Removing Stopword, dan fitur ekstraksi Term Frequency-Inverse Document Frequency yang kemudian melewati tahap Normalization. Setiap jawaban pun melewati tahap preprocessing, yaitu yang terdiri dari pemberian label setiap jawaban yang unik, dan mengubahnya dalam bentuk vektor dengan metode one-hot encoding. Hasil preprocessing tersebut yang selanjutnya diproses pada pelatihan RNN. Model RNN yang digunakan, yaitu many-to-one, sehingga keluaran yang dihasilkan hanya satu. Pengujian yang dilakukan dari pengimplementasian RNN pada sistem tanya jawab berbahasa Indonesia menunjukan bahwa sistem berhasil menemukan jawaban yang sesuai dengan pertanyaan, dengan persentase keberhasilan sebesar 70%. Kesimpulanya adalah sistem tanya jawab dengan implementasi RNN dapat digunakan dan dikembangkan lebih lanjut dengan memperbesar data set untuk meningkatkan akurasinya.
Sistem tanya jawab sudah banyak diterapkan dengan menggunakan kata kunci (rule-based). Ketergantungan pada kata kunci tersebut sering menghasilkan jawaban yang tidak tepat jika kata kuncinya tidak sesuai. Sebagai solusinya diterapkan metode machine learning pada penelitian ini, dengan melakukan analisis penerapan Recurrent Neural Network (RNN) pada sistem tanya jawab berbahasa Indonesia. Data set yang digunakan terdiri dari data latih sebanyak 80 pasang pertanyaan dan jawaban, dan data uji sebanyak 20 pertanyaan. Sebelum pelatihan RNN dilakukan, setiap pertanyaan pada data set tersebut melewati tahap preprocessing yang terdiri dari tahap Case Folding, Filtering, Tokenization, Removing Stopword, dan fitur ekstraksi Term Frequency-Inverse Document Frequency yang kemudian melewati tahap Normalization. Setiap jawaban pun melewati tahap preprocessing, yaitu yang terdiri dari pemberian label setiap jawaban yang unik, dan mengubahnya dalam bentuk vektor dengan metode one-hot encoding. Hasil preprocessing tersebut yang selanjutnya diproses pada pelatihan RNN. Model RNN yang digunakan, yaitu many-to-one, sehingga keluaran yang dihasilkan hanya satu. Pengujian yang dilakukan dari pengimplementasian RNN pada sistem tanya jawab berbahasa Indonesia menunjukan bahwa sistem berhasil menemukan jawaban yang sesuai dengan pertanyaan, dengan persentase keberhasilan sebesar 70%. Kesimpulanya adalah sistem tanya jawab dengan implementasi RNN dapat digunakan dan dikembangkan lebih lanjut dengan memperbesar data set untuk meningkatkan akurasinya.
File :
UNIKOM_MUHAMMAD ALDY SUBAGJA_COVER.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_LEMBAR PENGESAHAN.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_BAB 5.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_DAFTAR PUSTAKA.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_JURNAL DALAM BAHASA INDONESIA.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_JURNAL DALAM BAHASA INGGRIS.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_SURAT KETERANGAN PUBLIKASI.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_SURAT KETERANGAN ORISINALITAS.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_KATA PENGANTAR.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_DAFTAR ISI.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_BAB 1.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_BAB 2.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_BAB 3.pdf
UNIKOM_MUHAMMAD ALDY SUBAGJA_BAB 4.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
