RIZMAH ZAKIAH NUR AHMAD, - (2025) PERBANDINGAN PERFORMA RANDOM FOREST DAN LONG SHORT-TERM MEMORY DALAM KLASIFIKASI TEKS MULTILABEL TERJEMAHAN HADITS BUKHARI. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 5 (3). pp. 862-874. ISSN ISSN(P): 2797-2313 | ISSN(E): 2775-8575

Preview	Text (JURNAL ARTIKEL) FILE TUGAS AKHIR WATERMARK - RIZMAH ZAKIAH NUR AHMAD TEKNIK INFORMATIKA.pdf - Published Version Download (4MB) | Preview
Preview	Text (PERSETUJUAN PUBLIKASI MAHASISWA) SURAT SERAH SIMPAN KARYA - RIZMAH ZAKIAH NUR AHMAD TEKNIK INFORMATIKA.pdf - Published Version Download (385kB) | Preview
Preview	Text (PERSETUJUAN PUBLIKASI DOSEN) FORM PERSETUJUAN PUBLIKASI - RIZMAH ZAKIAH NUR AHMAD TEKNIK INFORMATIKA.pdf - Published Version Download (577kB) | Preview

Abstract

Hadits merupakan fondasi utama kedua dalam Islam, yang memandu umat Islam dalam menafsirkan nilai-nilai Islam dan mengimplementasikannya secara nyata dalam berbagai aspek kehidupan. Salah satu perawi hadits yang paling dihormati adalah Imam Bukhari, yang dikenal dengan ketelitian dan ketegasannya dalam memilih hadits-hadits yang otentik. Penelitian ini menggunakan data dari terjemahan hadis dari Sahih Bukhari ke dalam bahasa Indonesia yang telah diklasifikasikan ke dalam tiga kategori utama, yaitu anjuran, larangan, dan informasi. Untuk mengidentifikasi karakteristik masing-masing kategori, klasifikasi teks dilakukan dengan menggunakan dua metode populer, yaitu Random Forest (RF) dan Long Short-Term Memory (LSTM), yang dikenal efektif dalam memproses data teks berskala besar dan kompleks. Tujuan dari penelitian ini adalah untuk menguji perbedaan kinerja antara kedua metode tersebut dalam mengelompokkan hadis yang datanya telah lengkap. Hasil evaluasi menunjukkan bahwa metode RF mencapai akurasi tertinggi sebesar 89,48%, sedikit lebih unggul dari LSTM yang memperoleh 88,52%. Kedua metode mencatat nilai Hamming Loss yang sama, yaitu 0,1048 (89,52%). Temuan ini menunjukkan bahwa kelengkapan dan kualitas data hadis Bukhari berkontribusi dalam meningkatkan akurasi klasifikasi dengan memberikan konteks dan variasi yang lebih baik untuk model.

Actions (login required)

View Item