Analisis Dynamic Memory Networks pada Question Answering System : Studi kasus sejarah hidup Rasulullah Shallallalhu 'alaihi wa sallam

Halim, Muhafidz Ahmad (2022) Analisis Dynamic Memory Networks pada Question Answering System : Studi kasus sejarah hidup Rasulullah Shallallalhu 'alaihi wa sallam. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (139kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (28kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (121kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (217kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (337kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (628kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (27kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (147kB) | Request a copy

Abstract

Question Answering System (QAS) adalah sistem yang dapat memberikan kutipan jawaban dari pertanyaan yang diberikan oleh manusia dengan menggunakan bahasa alami. QAS menjadi solusi dari search engine biasa yang hanya dapat menampilkan dokumen yang relevan tanpa memberi kutipan jawaban secara langsung. Salah satu metode yang dapat digunakan untuk membangun QAS adalah Dynamic Memory Networks (DMN) yang merupakan framework berbasis neural network untuk tugas QAS. Terdapat hyperparameter yang perlu diatur untuk membuat model DMN. Penelitian ini menjalankan model DMN dengan tiga jenis data yang dibedakan pada panjang konteksnya dan variasi nilai hyperparameter ukuran hidden state, jumlah episode, dan learning rate. Jenis pertanyaan yang digunakan adalah pertanyaan factoid. Hasil yang diperoleh menunjukan bahwa panjang konteks sangat mempengaruhi kemampuan model dalam menjawab pertanyaan. Diperoleh hasil akurasi tertinggi pada data single adalah 96%, data multiple 87%, dan data wikipedia 83%. Selain itu, akurasi juga dipengaruhi oleh beberapa hyperparameter. Perbedaan nilai learning rate dapat memberikan akurasi yang signifikan, ukuran hidden state yang terlalu kecil dapat memberikan akurasi yang kecil, dan jumlah episode dapat memberikan pengaruh pada akurasi yang signifikan pada konteks yang panjang. Lalu ukuran hidden state dan jumlah episode yang banyak dapat mengakibatkan waktu training semakin panjang. Kemudian dari segi penurunan loss ketika training, nilai learning rate memiliki pengaruh yang signifikan, ukuran hidden state yang besar menyebabkan penurunan loss lebih fluktuatif, dan jumlah episode 1 memberikan penurunan loss yang lebih cepat dibandingkan jumlah episode 3 dan 5. Dalam hasil penelitian ini, akurasi paling tinggi pada semua data diperoleh dengan jumlah episode 1. Sehingga ini menjadi kelebihan karena dapat diperoleh akurasi yang tinggi namun dengan waktu training yang singkat.

Actions (login required)

View Item