DHEA PUTRI AFTARI, -
(2024)
PERBANDINGAN PERFORMA KLASIFIKASI
TERJEMAHAN AL-QUR’AN MENGGUNAKAN METODE
RANDOM FOREST DAN LONG SHORT TERM MEMORY.
Penerapan Algoritma Artificial Neural Network dan Economic Order Quantity dalam Memprediksi Persediaan Pengendalian BBM, 5 (3).
ISSN 2714-7150
Abstract
−Penelitian ini berfokus pada penggunaan Al-Qur'an sebagai sumber utama ajaran Islam dengan tujuan
mempermudah pemahaman umat Islam terhadap isinya. Untuk mencapai tujuan ini, dilakukan pengelompokan ayat
terjemahan Al-Qur'an melalui proses klasifikasi. Dua metode yang jarang digunakan untuk data terjemahan Al-Qur'an adalah
Random Forest (RF) dan Long Short Term Memory (LSTM), karena keduanya mampu mengolah data besar dan kompleks.
Data yang digunakan dalam penelitian ini adalah terjemahan Al-Qur'an yang telah diklasifikasikan ke dalam 15 topik oleh
penelitian sebelumnya, namun penelitian ini hanya berfokus pada 6 topik. Tujuan penelitian ini adalah membandingkan
kinerja RF dan LSTM dalam mengklasifikasikan terjemahan Al-Qur'an ke dalam 6 kategori berbeda. Hasil penelitian
menunjukkan bahwa pada kategori dakwah, LSTM secara konsisten mengungguli RF, dengan nilai F1-Score sebesar 57,3%
dan accuracy 96,8%, sedangkan RF memiliki F1-Score sebesar 49,4% dan accuracy 97,5%. Temuan ini menunjukkan bahwa
LSTM memiliki kinerja yang lebih baik, terutama dengan preprocessing yang tepat, penyetelan parameter optimal, dan data
yang seimbang. Penelitian ini memberikan wawasan penting dalam pengembangan model klasifikasi untuk teks terjemahan
Al-Qur'an, serta menekankan pentingnya proses preprocessing dan penyetelan parameter yang tepat.
Actions (login required)
 |
View Item |
