Deteksi Kecemasan Bahasa dalam Teks Bahasa Inggris Menggunakan BERT dan SVM - Dalam bentuk buku karya ilmiah

ROHMAD HIDAYAT

Informasi Umum

Kode

25.04.7022

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine - Learning

Dilihat

96 kali

Informasi Lainnya

Abstraksi

Abstrak- Bahasa asing dapat membangkitkan perasaan seperti takut, cemas, dan khawatir yang berdampak negatif pada interaksi pribadi, pendidikan, dan profesional. Karya ini menjelaskan bagaimana kecemasan bahasa dalam teks bahasa Inggris dapat dideteksi secara otomatis melalui dua paradigma pembelajaran mesin - dengan model Representasi Encoder Dua Arah yang disetel dengan baik dari Transformers (BERT) dan dengan pengklasifikasi Support Vector Machine (SVM). Sebuah dataset dikumpulkan menggunakan posting peserta dari kuesioner yang dilakukan dengan mahasiswa yang terdaftar secara aktif di program studi bahasa Inggris di Telkom University. Dataset tersebut terdiri dari 240 postingan yang menggambarkan kecemasan dan 83 postingan netral, dengan total 323 postingan peserta. Preprocessing melibatkan penghapusan URL HTML dan , perluasan kontraksi, normalisasi kasus, tokenisasi , lemmatization, stop-word filtering (di mana istilah domain dipertahankan), dan Random Over-Sampling untuk menyeimbangkan kelas. Untuk pipeline BERT, laju pembelajaran, ukuran batch, dan peluruhan bobot embedding yang telah dilatih sebelumnya dioptimalkan dalam 20 uji coba menggunakan Optuna. Urutan input dipotong atau dipadatkan menjadi 128 token . SVM dasar menerapkan vektorisasi TF-IDF dan parameter regularisasi yang dipilih dengan kernel linear menggunakan GridSearchCV, dan nilai optimal ditemukan dengan validasi silang untuk pengoptimalan dua tingkat. Setiap model dievaluasi sesuai dengan data uji dalam hal akurasi, presisi, recall, skor F1, dan dalam kasus masalah multi-kelas, baik versi makro maupun mikro dari ukuran-ukuran ini. Hasil penelitian menunjukkan bahwa BERT memiliki akurasi sebesar 0,85, sedangkan SVM memiliki akurasi sebesar 0,78. Indeks Istilah- kecemasan bahasa, bert, klasifikasi teks , model pembelajaran mendalam, svm