TUADA, Salsabila (2025) Klasifikasi kategori hukuman tindak pidana Berdasarkan dokumen riwayat putusan pengadilan Mahkamah agung menggunakan fine-tuning Hierarchical bert dengan BiLSTM-Attention Gated Mechanism. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (160kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (321kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (444kB)
	Text 4. KATA PENGANTAR.pdf Download (624kB)
	Text 6. ABSTRAK.pdf Download (78kB)
	Text 7. ABSTRACT.pdf Download (63kB)
	Text 8. DAFTAR ISI.pdf Download (100kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (159kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (105kB)

Abstract

Dokumen riwayat putusan Mahkamah Agung biasanya memiliki struktur teks yang
panjang dan terdiri dari berbagai bagian penting, sehingga diperlukan sebuah metode yang
efektif untuk menangani teks panjang dan mengkategorikan jenis hukuman pidana.
Penelitian ini mengusulkan pendekatan klasifikasi berbasis fine-tuning model Hierarchical
BERT, serta penggabungannya dengan arsitektur BiLSTM-Attention Gated Mechanism.
Pendekatan sebelumnya yang menggunakan word embbeding Word2Vec dan
dikombinasikan dengan berbagai metode deep learning dinilai kurang optimal karena
Word2Vec tidak mempertimbangkan konteks kata dalam kalimat. Dalam studi ini,
dilakukan ekperimen tiga teknik pooling, yaitu CLS pooling, mean pooling, dan max
pooling untuk representasi fitur dari output BERT. Hasil menunjukkan bahwa CLS pooling
memberikan performa terbaik pada kedua model. Model fine-tuning Hierarchical BERT
menghasilkan akurasi sebesar 80,25%, sementara model fine-tuning Hierarchical BERT
dengan BiLSTM-Attention Gated Mechanism mencapai akurasi tertinggi sebesar 82,57%.
Performa ini menunjukkan peningkatan yang signifikan dibandingkan dengan pendekatan
sebelumnya seperti Word2Vec dengan BiLSTM dan Attention yang mencapai akurasi
65,81% maupun penelitian dengan metode Hierarchical BERT dan mean pooling yang
mencapai akurasi 79,88%. Keberhasilan peningkatan akurasi ini tidak hanya dipengaruhi
oleh desain arsitektur, tetapi juga strategi fine-tuning yang disesuaikan dengan karakteristik
dokumen hukum Indonesia. Meskipun penambahan lapisan BiLSTM dan Attention Gated
Mechanism tidak memberikan akurasi yang besar, namun metode ini tetap berkontribusi
dalam memperkuat pemahaman konteks dan relasi antar segmen dalam dokumen panjang
Kata kunci: BERT, BILSTM, dokumen hukum, hyperparameter, prediksi lama hukuman

Actions (login required)

View Item