WASIAT, Georgy Banny Rizky (2025) Klasifikasi Jawaban Generative AI Versus Jawaban Manusia Pada Teks Bahasa Indonesia Menggunakan Metode TF-IDF dan Support Vector Machine. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (171kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (348kB)
	Text 5. ABSTRAK.pdf Download (145kB)
	Text 6. ABSTRACT.pdf Download (104kB)
	Text 7. KATA PENGANTAR.pdf Restricted to Repository staff only Download (568kB) | Request a copy
	Text 9. DAFTAR ISI.pdf Download (158kB)
	Text 13. BAB I PENDAHULUAN.pdf Download (232kB)

Abstract

ABSTRAK
Perkembangan pesat Artificial Intelligence (AI) telah memberikan dampak signifikan pada
sektor pendidikan. Salah satu tantangan yang muncul adalah ketika peserta didik
memanfaatkan AI untuk menyelesaikan tugas, sehingga perbedaan antara jawaban hasil
kerja peserta didik dan jawaban Generative AI semakin sulit dibedakan. Hal ini
menimbulkan kekhawatiran di kalangan pendidik dan dapat mengurangi kompetensi
akademik peserta didik. Oleh karena itu, diperlukan metode yang mampu
mengklasifikasikan jawaban Generative AI versus jawaban manusia pada teks bahasa
Indonesia secara akurat. Hingga saat ini, penelitian tentang klasifikasi jawaban Generative
AI versus jawaban manusia masih jarang ditemukan, dan jika ada biasanya dilakukan pada
dataset teks berbahasa Inggris. Belum ada penelitian yang mengaplikasikan metode Term
Frequency-Inverse Document Frequency (TF-IDF) dan Support Vector Machine (SVM)
untuk mengklasifikasikan jawaban Generative AI versus jawaban manusia pada teks
berbahasa Indonesia. Penelitian ini menggunakan metode TF-IDF sebagai ekstraksi fitur
karena efektif dalam merepresentasikan fitur dasar yang cukup kuat untuk membedakan
kata-kata dengan bobot penting tanpa memerlukan sumber daya komputasi yang besar, serta
SVM sebagai metode klasifikasi karena terbukti robust dan fleksibel dalam menangani data
linear maupun non-linear. Tiga kernel pada SVM diuji yaitu Linear, Radial Basis Function
(RBF), dan Polynomial. Hasil penelitian menunjukkan bahwa klasifikasi jawaban
Generative AI dan jawaban manusia pada teks bahasa Indonesia menggunakan metode TF
IDF dan SVM memberikan hasil terbaik dengan kernel linear, menghasilkan rata-rata
akurasi K-Fold sebesar 0,9153 dan akurasi data uji sebesar 0,9125. Meskipun kernel RBF
dan polynomial memiliki rata-rata akurasi K-Fold yang lebih tinggi, yaitu 0,9347 untuk RBF
dan 0,936 untuk polynomial, keduanya mengalami penurunan akurasi pada data uji dengan
nilai yang sama, yaitu 0,8875. Oleh karena itu, model SVM dengan kernel linear dipilih
sebagai pilihan terbaik karena perbedaan akurasi yang relatif kecil antara rata-rata K-Fold
dan data uji Akurasi dipilih sebagai metrik utama dalam penelitian ini karena dataset yang
digunakan seimbang antar kelas.
Kata Kunci: Artificial Intelligence, Klasifikasi Teks, Support Vector Machine, TF-IDF,
Kernel

Actions (login required)

View Item