SARI, Laily Novita (2025) Klasifikasi Teks Buatan Manusia Versus Generative AI Menggunakan Convolutional Neural Network dengan Pengaturan Hyperparameter. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (33kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (478kB)
	Text 4. KATA PENGANTAR.pdf Download (751kB)
	Text 6. ABSTRAK.pdf Download (7kB)
	Text 7. ABSTRACT.pdf Download (5kB)
	Text 8. DAFTAR ISI.pdf Download (39kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (23kB)

Abstract

ABSTRAK
Artificial Intelligence (AI) yang semakin berkembang banyak digunakan dalam berbagai
sektor, termasuk pendidikan. Namun, penggunaannya di dunia akademik menimbulkan
kekhawatiran terkait plagiarisme, keadilan nilai, dan integritas akademik. Penelitian yang
ada telah mengembangkan model klasifikasi menggunakan classical machine learning
serta deep learning yang advance. Penelitian tersebut dinilai masih kurang optimal dalam
membedakan teks buatan manusia dan generative AI, sehingga hadir penelitian lain yang
menggunakan Convolutional Neural Network (CNN) sebagai alternatif yang lebih
sederhana namun efektif untuk menangkap pola teks. Di sisi lain, penelitian yang telah ada
masih menggunakan hyperparameter default. Maka dari itu, penelitian ini bertujuan
melakukan pengaturan hyperparameter untuk meningkatkan akurasi model. Hasil
eksperiman penelitian ini menunjukkan bahwa penggunaan embedding indoBERT lebih
baik daripada ekstraksi fitur menggunakan TF-IDF dengan akurasi sekitar 95,09%.
Selanjutnya, model yang hyperparameter-nya telah diatur menggunakan kombinasi
learning rate 0,01 dan batch size 32 memiliki performa yang lebih baik dengan akurasi
mencapai 95,85%. Temuan ini menunjukkan bahwa embedding dengan indoBERT dan
pengaturan hyperparameter pada CNN efektif dalam membedakan teks buatan manusia
dan generative AI.
Kata kunci : Teks Buatan Manusia, Generative AI, IndoBERT, Pengaturan
Hyperparameter, Convolutional Neural Network

Actions (login required)

View Item