KLASIFIKASI DIMENSI KUALITAS PADA INDUSTRI PAKAIAN MENGGUNAKAN METODE DEEP LEARNING BERT UNTUK MENDETEKSI KUALITAS PRODUK SEBAGAI UPAYA MENGURANGI LIMBAH

NADHIF DITERTIAN GIRAWAN

Informasi Dasar

209 kali
23.04.3841
006.312
Karya Ilmiah - Skripsi (S1) - Reference

Waktu pemakaian yang singkat pada pakaian disebabkan oleh menurunnya kualitas produk, sehingga banyak pakaian yang terbuang karena tidak sesuai dengan keinginan pasar. Akibatnya adalah penumpukan limbah pakaian. Melalui pengembangan produk dengan mengintegrasikan manajemen kualitas, serta memanfaatkan ulasan konsumen pada platform e-commerce data diharapkan menghasilkan produk yang memiliki kualitas sesuai dengan dimensi kualitas produk pakaian yaitu material, construction, color, finishing, durability. Penelitian ini bertujuan untuk megklasifikasi kualitas pakaian berdasarkan dimensinya. Hal ini adalah upaya untuk mengurangi jumlah limbah pakaian dengan meningkatkan kualitas produk khususnya pakaian berdasarkan ulasan yang diberikan oleh konsumen. Model BERT dan RoBERTa dipilih untuk melakukan tugas klasifikasi multi-label, lalu dibandingkan performanya untuk mengetahui model yang memiliki performa terbaik. Subjek penelitian ini adalah konsumen platform Amazon yang telah membuat ulasan terkait produk pakaian. Hasil dari penelitian menunjukkan bahwa model RoBERTa lebih unggul dalam melakukan klasifikasi multi label ditunjukan dengan hasil Macro F1-Score sebesar 0.87.

Subjek

BIG DATA
DEEP LEARNING,

Katalog

KLASIFIKASI DIMENSI KUALITAS PADA INDUSTRI PAKAIAN MENGGUNAKAN METODE DEEP LEARNING BERT UNTUK MENDETEKSI KUALITAS PRODUK SEBAGAI UPAYA MENGURANGI LIMBAH
 
 
Indonesia

Sirkulasi

Rp. 0
Rp. 0
Tidak

Pengarang

NADHIF DITERTIAN GIRAWAN
Perorangan
Andry Alamsyah
 

Penerbit

Universitas Telkom, S1 Manajemen (Manajemen Bisnis Telekomunikasi & Informatika)
Bandung
2023

Koleksi

Kompetensi

  • EBI3B4 - BIG DATA AND DATA ANALYTICS

Download / Flippingbook

 

Ulasan

Belum ada ulasan yang diberikan
anda harus sign-in untuk memberikan ulasan ke katalog ini