<![CDATA[Text-to-SQL memungkingkan penggunaan bahasa alami untuk mendapatkan informasi dari database. Melalui pendekatan ini, pengguna non teknis tidak perlu memahami sintaks SQL untuk melakukan query database. Penelitian ini mengusulkan pendekatan berbasis Bidirectional Long Short-Term Memory (BiLSTM) untuk mengklasifikasikan jenis operasi Data Manipulation Language (DML), seperti SELECT, INSERT, UPDATE, dan DELETE, pada kalimat ber-bahasa Indonesia. Pendekatan dibangun dengan merepresentasikan kalimat sebagai urutan vektor kata menggunakan word embedding, lalu diproses oleh arsitektur BiLSTM untuk menangkap konteks sek-uensial dua arah. Dataset berisi 1600 kalimat dari tiga domain utama: pendidikan, e-commerce, dan layanan publik. Setiap kalimat telah dia-notasi sesuai dengan operasi DML yang terkandung. Hasil evaluasi menunjukkan bahwa model BiLSTM mencapai akurasi sebesar 93% dan F1-score sebesar 92%. Analisis per label mengungkapkan bahwa model sangat efektif mengenali operasi SELECT dan INSERT, namun sedikit kesulitan membedakan UPDATE dan DELETE. Penelitian ini menunjukkan bahwa pendekatan BiLSTM mampu mengklasifikasi-kan tipe DML secara efektif dan efisien dalam konteks bahasa Indo-nesia.]]>
Copyrights © 2024
