Implementasi model XLM-ROBERTA pada Question Answering Dataset SQUAD 2.0

Firmansyah, Muhamad Rizal (2023) Implementasi model XLM-ROBERTA pada Question Answering Dataset SQUAD 2.0. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (82kB) | Preview
Preview	Text 2_abstrak.pdf Download (100kB) | Preview
Preview	Text 3_daftarisi.pdf Download (135kB) | Preview
Preview	Text 4_bab1.pdf Download (340kB) | Preview
	Text 5_bab2.pdf Restricted to Registered users only Download (410kB) | Request a copy
	Text 6_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 7_bab4.pdf Restricted to Registered users only Download (3MB) | Request a copy
	Text 8_bab5.pdf Restricted to Registered users only Download (50kB) | Request a copy
	Text 9_daftarpustaka.pdf Restricted to Registered users only Download (120kB) | Request a copy

Abstract

Banyaknya informasi yang tersedia di internet berupa teks menyebabkan suatu masalah information overload muncul. Pengguna internet di era 4.0 mungkin merasa terlalu banyak informasi yang tersedia, sehingga sulit bagi mereka untuk memproses dan menyimpan pengetahuan secara efektif. Sistem Question Answering dapat membantu pembelajar di era 4.0 dengan cepat dan akurat mendapatkan informasi yang mereka butuhkan dari banyak informasi yang tersedia. Dengan memanfaatkan teknologi natural language processing khususnya Question Answering ekstraksi pengetahuan dari informasi yang berjumlah banyak dapat menjadi lebih cepat dan akurat. Metode yang digunakan untuk pembangunan model Question Answering yaitu CRISP-DM lalu model yang digunakan yaitu XLM-RoBERTa sebagai pre-trained model yang akan dibangun menjadi model Question Answering. Data yang digunakan untuk pelatihan adalah Stanford Question Answering Dataset atau SQuAD 2.0 versi ukuran kecil dan besar. Tujuan penelitian ini adalah untuk menerapkan dan mengukur kinerja model XLM - RoBERTa pada Question Answering pada dataset bahan ajar berupa data validasi SQuAD 2.0, dan data sejarah UIN dengan hasil yang diperoleh berhasil mendapatkan kinerja optimal nya yang mencapai rata-rata recall 71.3%, precision 70.1%, 68.4% dan accuracy 63.5%.

Actions (login required)

View Item