Claim Missing Document
Check
Articles

Found 38 Documents
Search

IMPLEMENTASI REINFORCEMENT LEARNING UNTUK SUMMARIZATION PADA ARTIKEL BERITA DI INDONESIAMENGGUNAKAN MODEL TRANSFORMER Muhammad Alif Nasrulloh; Christian Sri Kusuma Aditya
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol. 8 No. 3 (2025): August 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v%vi%i.3152

Abstract

Abstract: This research aims to develop a Transformer-based text summarization model for Indonesian news articles and implement Reinforcement Learning to enhance summary quality. The research methodology involved using the Liputan6 dataset (Canonical subset), applying a T5-base model pre-trained with Supervised Fine-Tuning (SFT) on the same dataset, and subsequently optimizing it using the Reinforcement Learning algorithm Proximal Policy Optimization (PPO). Model performance was evaluated using the ROUGE-L metric. The results showed that the implementation of RL successfully increased the ROUGE-L F-measure score, from 0.314801 for the SFT-only model to 0.345324 for the SFT model with RL. This increase indicates an improvement in the longest common subsequence (LCS) similarity between the model-generated summaries and the reference summaries after optimization with RL. However, qualitative analysis of the generated summaries found that the RL model's summaries tended to be very short (often just one sentence) and omitted some important information present in the original articles. This suggests a limitation of the ROUGE-L metric, which focuses on lexical overlap, in fully capturing the semantic quality and completeness of the summary. Keyword: Reinforcement Learning; Transformer; Abstractive Summarization; Indonesian News Abstrak: Penelitian ini bertujuan untuk mengembangkan model peringkasan teks berbasis Transformer untuk artikel berita berbahasa Indonesia dan mengimplementasikan Reinforcement Learning guna meningkatkan kualitas ringkasan. Metodologi penelitian melibatkan penggunaan dataset Liputan6 (subset Canonical), penerapan model T5-base yang telah dilakukan Supervised Fine-Tuning (SFT) pada dataset yang sama, kemudian dioptimalkan menggunakan algoritma Reinforcement Learning, Proximal Policy Optimization (PPO). Evaluasi performa model dilakukan menggunakan metrik ROUGE-L. Hasil penelitian menunjukkan bahwa implementasi RL berhasil meningkatkan skor ROUGE-L F-measure, dari 0.314801 pada model SFT saja menjadi 0.345324 pada model SFT dengan RL. Peningkatan ini mengindikasikan adanya perbaikan dalam kesamaan urutan kata terpanjang (LCS) antara ringkasan hasil model dan ringkasan referensi setelah dioptimalkan dengan RL. Namun, analisis kualitatif terhadap ringkasan yang dihasilkan menemukan bahwa ringkasan hasil model RL cenderung sangat pendek (sering kali hanya satu kalimat) dan mengabaikan beberapa informasi penting yang ada di artikel asli. Hal ini menunjukkan adanya keterbatasan metrik ROUGE-L yang berfokus pada kesamaan leksikal dalam menangkap kualitas semantik dan kelengkapan ringkasan secara keseluruhan. Kata kunci: Reinforcement Learning; Transformer; Peringkasan Abstraktif; Berita                    Bahasa Indonesia
Prediksi Harga Emas Menggunakan Metode Time Series Long Short - Term Memory Neural Network Fatimah Defina Setiti Alhamdani; Gita Indah Marthasari; Christian Sri Kusuma Aditya
Jurnal Repositor Vol. 3 No. 4 (2021): Agustus 2021
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v3i4.31959

Abstract

Emas merupakan salah satu alat investasi populer dikalangan masyarakat yang tahan akan inflasi. Namun kegiatan investasi emas memiliki resiko berjenis data time series. Sehingga masyarakat perlu memilliki ilmu sebagai pegangan saat melakukan kegiatan investasi emas yaitu dengan memprediksi harga emas di masa depan untuk meminimalisasi resiko. Long Short-Term Memory merupakan turunan dari metode RNN yang dapat digunakan dalam memprediksi pada data time series. Penelitian ini bertujuan untuk memprediksi harga emas dari data time series per 1 hari yang telah dikumpulkan dari website harga-emas.org untuk mengetahui nilai error prediksi menggunakan metode LSTM. Analisis parameter yang dilakukan pada penelitian ini adalah jumlah neuron hidden, learning rate, dan epoch. Kombinasi parameter terbaik yang dihasilkan pada penelitian ini adalah 16 neuron hidden, learning rate 0.01, dan 100 epoch. Nilai terbaik yang dihasilkan pada penelitian ini adalah RMSE 9139,14318 dan MAPE 0,69794%. Perhitungan error MAPE terbaik pada penelitian ini dengan penelitian “Prediksi Harga Emas Menggunakan Feed Forward Neural Network dengan Metode Extreme Learning Machine” yang menghasilkan MAPE terbaik 0,8065%. Hasil tersebut menunjukkan bahwa error MAPE pada penelitian ini lebih baik daripada penelitian tersebut dan model yang terbentuk dapat dikatakan sangat bagus karena nilai MAPE terbaik yang dihasilkan dibawah 10%.
Analisis Sentimen Masyarakat Terhadap Konten Bahasa Isyarat Pada Media Sosial Tiktok Menggunakan RNN dan BERT Christian Sri Kusuma Aditya; Asfa Maghfiratunnisa
Jurnal Repositor Vol. 7 No. 2 (2025): Mei 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v7i2.33615

Abstract

Penelitian ini bertujuan untuk mengeksplorasi sentimen masyarakat terhadap konten bahasa isyarat di media sosial Tiktok menggunakan pendekatan deep learning dengan model RNN(LSTM) dan BERT. Data dikumpulkan, diproses, dan dilabelli untuk membentuk dataset yang digunakan dalam analisis. Hasil klasifikasi sentimen dari model RNN(LSTM) menunjukan tingkat akurasi sebesar 0.90%, menunjukan efektivitas model dalam membedakan sentimen antara dua kelas. Sementara itu, model BERT mencapai tingkat akurasi sebesar 0.80%, menunjukan kemampuan model dalam mengkalsifikasikan sentimen dari data yang diberikan. Penggabungan model RNN dan BERT menunjukan peningkatan kinerja dalam mengklasifikasikan sentimen, bahwa pendekatan gabungan dapat meingkatkan pemahaman model terhadap konten yang kompleks. Selain itu, kombinasi model BERT dengan RNN juga terbukti efektif dalam mengatasi kompleksitas analisis sentimen dalam konteks bahasa isyarat di media sosial. Evaluasi berkelanjutan dan validitas model yang melibatkan ahli dalam bahasa isyarat direkomendasikan untuk memastikan keberlanjutan dan validitas model yang dikembangkan. Penelitian ini diharapkan dapat memberikan kontribusi penting dalam memahami pengaruh media sosial terhadap pandangan masyarakat terhadap bahasa isyarat dan disabilitas pendengaran secara umum, serta memperkuat upaya menuju masyarakat yang lebih inklusif.
Klasifikasi Citra Burung Cendrawasih Menggunakan Metode Convolutional Neural Network Iriandi Riski Kusuma Putra; Christian Sri Kusuma Aditya
Jurnal Repositor Vol. 7 No. 2 (2025): Mei 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v7i2.34309

Abstract

Penelitian bertujuan untuk mengklasifikasikan citra burung cendrawasih menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-19. Burung cendrawasih, dengan keindahan bulu dan variasi jenis yang menarik, menjadi subjek penelitian ini untuk meningkatkan akurasi identifikasi melalui teknologi AI. Dataset yang digunakan terdiri dari 1785 citra yang mencakup lima jenis burung cendrawasih yang berbeda, yang diperoleh dari internet. Proses klasifikasi dilakukan dengan menerapkan teknik augmentasi data untuk mengatasi masalah overfitting dan underfitting. Metode penelitian melibatkan beberapa tahap, termasuk pengumpulan dataset, preprocessing, pembagian dataset, dan implementasi model CNN. Pengujian dilakukan dalam dua kali: tanpa augmentasi dan batch normalization, serta dengan augmentasi dan batch normalization. Hasil dari pengujian menunjukkan bahwa penggunaan augmentasi data dan batch normalization secara signifikan meningkatkan akurasi model dari 85% menjadi 97%. Dengan demikian, penelitian ini tidak hanya mengkonfirmasi efektivitas metode CNN dengan arsitektur VGG-19 dalam klasifikasi citra burung cendrawasih, tetapi juga memberikan kontribusi penting dalam upaya pelestarian burung cendrawasih melalui pengembangan sistem identifikasi otomatis. Penelitian ini diharapkan dapat menjadi dasar untuk penelitian lebih lanjut dalam bidang konservasi dan pengenalan citra berbasis teknologi AI.
Segmentasi dan Klasifikasi Gambar Citra pada Kanker Kulit Menggunakan Metode Convolutional Neural Network (CNN) dengan Arsitektur ResNet-50 Ferdy Yoga Permana; Christian Sri Kusuma Aditya; Didih Rizki Chandranegara
Jurnal Repositor Vol. 6 No. 4 (2024): November 2024
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v6i4.34415

Abstract

Kanker Kulit merupakan salah satu jenis kanker yang angka kejadiannya terus meningkat di seluruh dunia. Deteksi dini dan akurat sangat penting untuk meningkatkan peluang kesembuhan. Pada penelitian ini, mengembangkan sebuah sistem berbasis Convolutional Neural Network (CNN) dengan menggunakan arsitektur ResNet-50 untuk segmentasi dan klasifikasi gambar citra kanker kulit. Metode ini dipilih karena ResNet-50 memiliki kemampuan dalam mengatasi masalah degradasi akurasi pada jaringan yang sangat dalam melalui penggunaan residual learning. Penelitian ini melibatkan beberapa tahap utama, yaitu pengumpulan dan preprocessing data, pelatihan model CNN dengan arsitektur ResNet-50, serta evaluasi performa model. Data yang digunakan diambil dari Kaggle “Melanoma Skin Cancer Dataset Of 10000 Images” memiliki data sebanyak 10615 gambar didalamnya dibagi menjadi 2 kelas yaitu citra Malignant dan Benign. Preprocessing data meliputi augmentasi gambar dan normalisasi untuk meningkatkan kualitas data dan kinerja model. Hasil evaluasi menunjukkan bahwa model yang dikembangkan mampu mencapai akurasi tinggi dalam segmentasi dan klasifikasi gambar citra kanker kulit. Model ResNet-50 yang dilatih dalam penelitian ini berhasil mencapai akurasi sebesar 92.00%, precision 92%, recall 92%, dan F1-score 92% pada dataset pengujian. Temuan ini menunjukkan bahwa pendekatan berbasis CNN dengan arsitektur ResNet-50 efektif untuk tugas segmentasi dan klasifikasi kanker kulit, dan memiliki potensi besar untuk diterapkan dalam sistem diagnostik berbasis komputer di bidang medis.
Sistem Informasi Pengiriman Barang Pada PT Citra Abadi Cargo Menggunakan Metode Personal Extreme Programming (PXP) Bayu Agung Setiawan; Gita Indah Marthasari; Christian Sri Kusuma Aditya
Jurnal Repositor Vol. 6 No. 4 (2024): November 2024
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v6i4.34483

Abstract

Jasa pengiriman barang merupakan layanan yang diperuntukkan pada pengguna jasa untuk melakukan pengiriman baik itu dokumen maupun barang untuk dikirim ke alamat yang dituju. Pendistribusian barang biasa dilakukan oleh perusahaan yang bergerak dibidang transportasi khususnya pada jasa pengiriman barang, salah satunya yaitu PT. Citra Abadi Cargo. Saat ini, PT Citra Abadi Cargo dalam pencatatan data pengiriman masih dilakukan secara manual, hal ini mengakibatkan sering terjadi duplikasi data. pencatatan data pengiriman barang serta pembuatan laporan pengiriman barang menjadi salah satunya. Adapun hal yang membuat rentannya terjadi kesalahan pencatatan dengan menggunakan bukti pembayaran dan laporan pengiriman berupa kertas nota. Pencatatan yang kurang lengkap mengakibatkan keterlambatan pada proses pengiriman barang. Selain itu rawan terjadinya kehilangan data akibat keterlambatan pencatatan data barang yang akan dikirim sehingga memperlambat proses pembuatan laporan. Metode yang digunakan dalam penelitian ini adalah metode Personal Extreme Programming (PXP). Penelitian ini bertujuan untuk membangun sistem informasi pengiriman barang yang mampu memenuhi kebutuhan user khususnya pada PT Citra Abadi Cargo. Hasil dari penelitian ini dapat disimpulkan berdasarkan pengujian UAT (User Acceptance Test) sistem yang dibangun sesuai kebutuhan user dengan nilai rata – rata 77% yang termasuk dalam kategori baik. Estimasi waktu pengembangan sistem selama 17 hari berdasarkan perencanaan atau tahapan planning sebelumnya mendapat penambahan waktu pada iterasi 2 sebesar 7 hari. Sehingga total estimasi dalam pengerjaan sistem ini selama 22 hari.
Penerapan Hyperparameter Tuning Untuk Optimasi CNN Pada Perancangan Aplikasi Identifikasi Penyakit Cabai Kelvin Aprilio; Christian Sri Kusuma Aditya; Aminudin
Jurnal Repositor Vol. 7 No. 4 (2025): November 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v7i4.34752

Abstract

Objek Penelitian: Penelitian ini berfokus pada penerapan hyperparameter tuning untuk optimasi Convolutional Neural Network (CNN) dalam perancangan aplikasi identifikasi penyakit pada tanaman cabai. Masalah Penelitian: CNN seringkali mendapatkan akurasi yang rendah dan cenderung mengalami overfitting jika mengalami kekurangan jumlah data. Oleh karena itu, penelitian ini perlu meningkatkan akurasi CNN melalui optimasi hyperparameter untuk menurunkan kemungkinan overfitting. Metode Penelitian: Metode yang digunakan adalah CNN dengan arsitektur Mobile Net V3, dan hyperparameter tuning menggunakan grid search dan random search. Data diambil dari situs Kaggle yang berisi gambar penyakit tanaman cabai dengan lima label kelas. Tahapan penelitian meliputi pengumpulan data, preprocessing, pelatihan model, hyperparameter tuning, dan evaluasi model. Hasil Penelitian: Hasil penelitian menunjukkan bahwa random search memberikan akurasi tertinggi sebesar 82%, sementara grid search menghasilkan akurasi 80%. Aplikasi yang dirancang menggunakan model terbaik dikonversi ke format TensorFlow Lite dan diimplementasikan dalam bahasa pemrograman Kotlin dengan framework Jetpack Compose. Implikasi Hasil Penelitian: Aplikasi identifikasi penyakit cabai berbasis android ini diharapkan dapat membantu petani dalam mengidentifikasi dan menangani secara cepat dan tepat serangan penyakit dan hama pada tanaman cabai. Penggunaan hyperparameter tuning terbukti efektif dalam meningkatkan akurasi model CNN, sehingga dapat diadopsi dalam penelitian serupa untuk meningkatkan performa model dalam berbagai aplikasi deteksi penyakit tanaman lainnya.
Klasifikasi Berita Bahasa Indonesia dengan Recurrent Neural Network (RNN) Muh. Ridha Agam; Christian Sri Kusuma Aditya; Galih Wasis Wicaksono
Jurnal Repositor Vol. 7 No. 3 (2025): Agustus 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v7i3.34807

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi dokumen berita berbahasa Indonesia menggunakan Recurrent Neural Network (RNN). Dengan kemajuan teknologi informasi dalam satu dekade terakhir, media online telah menjadi sumber informasi utama bagi masyarakat, yang mengakibatkan perlunya mekanisme yang efisien untuk mengelola dan mengklasifikasikan konten berita yang terus bertambah setiap hari. Teknologi pembelajaran mesin, khususnya RNN, menjadi sangat penting dalam mengklasifikasikan dokumen berita berbahasa Indonesia karena kemampuannya dalam mempelajari ketergantungan waktu pada data sekuensial. Penelitian ini bertujuan untuk meningkatkan akurasi RNN dengan RNN dan juga melalui augmentasi data. Penelitian ini melibatkan beberapa tahapan utama, yaitu pengumpulan data melalui teknik scraping dari portal berita Kompas.com, preprocessing teks yang mencakup pembersihan, penyaringan, stemming, dan tokenisasi, augmentasi data menggunakan Back Translation, serta pelatihan model RNN. Augmentasi data dilakukan untuk mengatasi ketidakseimbangan kelas dalam dataset dan meningkatkan akurasi model. Hasil penelitian menunjukkan bahwa model RNN yang dilatih dengan augmentasi data menghasilkan peningkatan kinerja yang signifikan dibandingkan dengan metode konvensional seperti Naïve Bayes Classifier. Model RNN tanpa augmentasi mencapai akurasi 92%, sementara model RNN dengan augmentasi data mencapai akurasi 96%. Peningkatan ini juga terlihat pada metrik evaluasi lainnya seperti precision, recall, dan F1-Score
Analisis Sentimen Masyarakat Terhadap Generasi Z Dalam Dunia Kerja Pada Media Sosial Twitter Menggunakan Metode Naïve Bayes Vita Amalia Herlinda; Christian Sri Kusuma Aditya; Didih Rizki Chandranegara
Jurnal Repositor Vol. 6 No. 4 (2024): November 2024
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v6i4.35461

Abstract

Generasi Z, yang lahir antara tahun 1996 sampai 2010, kini mulai memasuki dunia kerja dan dikenal sebagai "Digital Natives" karena kedekatan mereka dengan teknologi dan media sosial seperti Twitter. Mereka aktif berbagi pemikiran dan pengalaman melalui Twitter, yang telah menjadi platform utama untuk diskusi terbuka dan berbagi perspektif. Penelitian ini menggunakan metode Naïve Bayes untuk menganalisis sentimen tweet terkait Generasi Z dalam dunia kerja, dengan memanfaatkan pelabelan lexicon Inset. Hasil penelitian menunjukkan bahwa pelabelan lexicon mencapai akurasi 76%. Selanjutnya, uji coba dilakukan dengan pendekatan pelabelan manual yang menghasilkan akurasi 87%, menunjukkan perbedaan yang signifikan dibandingkan pelabelan lexicon. Uji coba juga melibatkan pengaruh stopword dalam tahapan preprocessing, di mana hasil menunjukkan pelabelan lexicon tanpa stopword mencapai akurasi 96% dan pelabelan manual tanpa stopword mencapai 90%. Hal ini menunjukan sensitivitas yang tinggi dari model berbasis lexicon terhadap penggunaan stopword dan potensi untuk meningkatkan variasi term dalam analisis sentimen Generasi Z di dunia kerja melalui Twitter.
Analisis Sentimen Ulasan Fitur Music Aplikasi Instagram Pada Google Play Store Menggunakan Metode Convolutional Neural Network (CNN) Arolina Rinardi; Christian Sri Kusuma Aditya; Didih Rizki Chandranegara
Jurnal Repositor Vol. 6 No. 4 (2024): November 2024
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v6i4.35462

Abstract

Aplikasi Instagram merupakan sebuah medsos (media social) untuk berkomunikasi dari berbagai kalangan yang memiliki banyak fitur, khususnya fitur music. Pengguna berhak untuk menuangkan kritik ataupun saran dalam bentuk ulasan teks berkaitan cara kerja aplikasi Instagram pada Google Play Store. Dari masalah tersebut dapat dirumuskan masalah mengidentifikasi ulasan tentang fitur music Aplikasi Instagram yang mengandung sentiment negatif dan positif yang diambil pada Google Play Store dengan Teknik web screpping. Ulasan yang diambil untuk menjadi sebuat dataset sejumlah 2.260. Dataset dikumpulkan dan dilakukan pemberian label secara manual sejumlah 2.042 data negatif dan 218 data positif. Selain itu, penelitian ini bertujuan untuk mengukur perfoma model dengan menggunakan metode Convolutional Neural Network (CNN). Mengukur Tingkat performa model dengan menggunakan 2 percobaan yang masing-masing memiliki 2 skenario model. Hal yang membedakan kedua percobaan terletak pada hyperparameter yang digunakan pada model. Percobaan pertama scenario pertama memiliki nilai filters 32,16,8 dan scenario kedua 256,128,32 menggunakan nilai 32 sebagai nilai random state (K-Fold), 50 epoch dan 20 batch size. Percobaan kedua scenario pertama memiliki nilai filters 64,32,16 dan 128,64,32 untuk nilai filters scenario kedua, nilai 42 random state (K-Fold), 80 epoch dan 32 batch size. Hasil percobaan pertama model pertama dan kedua yaitu 93% dan 92%, sedangkan percobaan kedua model pertama dan kedua yaitu 97% dan 95%.