Rekomendasi kata pengganti berbasis frekuensi kata, K-Means, dan OpenAI untuk mendukung literasi baca anak Disleksia

Muthmainnah, Aisyah (2026) Rekomendasi kata pengganti berbasis frekuensi kata, K-Means, dan OpenAI untuk mendukung literasi baca anak Disleksia. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (238kB) | Preview
Preview	Text 2_abstrak.pdf Download (327kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (998kB) | Preview
Preview	Text 4_daftarisi.pdf Download (324kB) | Preview
Preview	Text 5_bab1.pdf Download (375kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (613kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (492kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (301kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (325kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Kemampuan membaca merupakan keterampilan literasi dasar yang sangat penting bagi perkembangan anak, namun anak dengan disleksia memiliki kesulitan dalam membaca dan memahami teks bacaan karena penggunaan kosakata yang sulit, abstrak, dan panjang. Penelitian ini bertujuan untuk mengembangkan sebuah metode simplifikasi kosakata Bahasa Indonesia guna mendukung literasi baca anak disleksia usia 7-12 tahun. Pendekatan yang diusulkan yaitu kombinasi antara analisis statistik berbasis frekuensi kata dengan algoritma clustering K-Means untuk mengidentifikasi tingkat kesulitan kata. Frekuensi kata digunakan sebagai indikator familiaritas kosakata, sementara algoritma K-Means mengelompokkan kata ke dalam klaster “mudah” dan “sulit” secara unsupervised. Terhadap kosakata yang teridentifikasi sulit, sistem menggunakan GPT-3.5 Turbo untuk memberikan rekomendasi kata pengganti yang lebih sederhana tanpa mengubah makna utama teks. Metodologi penelitian yang digunakan yaitu Knowledge Discovery in Database (KDD) yang meliputi tahap selection, preprocessing, transformation, data mining, dan evaluation. Hasil penelitian menunjukkan bahwa K-Means mampu mengelompokkan 3.695 kosakata ke dalam dua klaster dengan nilai Silhouette Score sebesar 0,7594 dan Davies–Bouldin Index sebesar 0,3626. Pada proses rekomendasi, sebanyak 1.510 kata (63,1%) menghasilkan kata pengganti yang lebih pendek dan lebih mudah dipahami, dengan sebagian besar rekomendasi memiliki nilai semantic similarity di atas 0,70. Hasil tersebut menunjukkan bahwa metode yang dikembangkan mampu mengidentifikasi kosakata sulit dan menghasilkan rekomendasi kata yang lebih sederhana dengan tetap mempertahankan keterkaitan makna.

Actions (login required)

View Item