DETEKSI KESOPANAN MAHASISWA DALAM BERKOMUNIKASI KEPADA DOSEN MELALUI PESAN TEKS WHATSAPP MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM)

SIREGAR, AKBAR HASADI PUTRA (2023) DETEKSI KESOPANAN MAHASISWA DALAM BERKOMUNIKASI KEPADA DOSEN MELALUI PESAN TEKS WHATSAPP MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM). Undergraduate thesis, UNIMED.

[thumbnail of 4193250003_Cover.pdf] Text
4193250003_Cover.pdf

Download (23kB)
[thumbnail of 4193250003_Lembar_Pengesahan.pdf] Text
4193250003_Lembar_Pengesahan.pdf

Download (241kB)
[thumbnail of 4193250003_Abstrak.pdf] Text
4193250003_Abstrak.pdf

Download (6kB)
[thumbnail of 4193250003_Kata_Pengantar.pdf] Text
4193250003_Kata_Pengantar.pdf

Download (138kB)
[thumbnail of 4193250003_Daftar_Isi.pdf] Text
4193250003_Daftar_Isi.pdf

Download (47kB)
[thumbnail of 4193250003_BAB_I.pdf] Text
4193250003_BAB_I.pdf

Download (90kB)
[thumbnail of 4193250003_BAB_V.pdf] Text
4193250003_BAB_V.pdf

Download (6kB)
[thumbnail of 4193250003_Daftar_Pustaka.pdf] Text
4193250003_Daftar_Pustaka.pdf

Download (167kB)

Abstract

Perkembangan teknologi memungkinkan manusia untuk berkomunikasi langsung dari telepon genggam melalui Short Message Service (SMS), Email dan jejaring sosial seperti Instagram, Facebook, WhatsApp dan Telegram. WhatsApp sudah menjadi alat komunikasi yang biasa di dunia Pendidikan khususnya percakapan antara dosen dan mahasiswa. Adalah umum bagi mahasiswa untuk mewujudkan keinginan mereka melalui cara-cara yang memaksa. Ketika berkomunikasi dengan dosen, mahasiswa cenderung memaksa dan memberi perintah. Penelitian ini bertujuan untuk mengembangkan model deteksi kesopanan mahasiswa ketika berkomunikasi kepada dosen melalui pesan teks WhatsApp. Metode yang diterapkan adalah Long Short-Term Memory (LSTM), menggunakan kumpulan data berisi 848 pesan teks yang dikategorikan sebagai Sopan atau Tidak Sopan. Data ini dibagi menjadi dua bagian, yakni data latih (80%) dan data uji (20%). Hasil pelatihan menunjukkan model terbaik mendapatkan akurasi sebesar 87%, presisi 84%, recall 90%, dan f1-score sebesar 87%.

Item Type: Thesis (Undergraduate)
Keywords: Deteksi, Machine Learning, Deep Learning, Long-Short Term Memory
Subjects: Q Science > QA Mathematics > QA75.5 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Ilmu Komputer
Depositing User: Mrs Harly Christy Siagian
Date Deposited: 30 Jan 2025 07:02
Last Modified: 30 Jan 2025 07:02
URI: https://digilib.unimed.ac.id/id/eprint/59278

Actions (login required)

View Item
View Item