Penerapan long short-term memory untuk klasifikasi multi-label terjemahan Al-Qur’an dalam Bahasa Indonesia

Akbar, Ismail, Faisal, Muhammad ORCID: https://orcid.org/0000-0003-4884-7254 and Chamidy, Totok (2024) Penerapan long short-term memory untuk klasifikasi multi-label terjemahan Al-Qur’an dalam Bahasa Indonesia. JOINTECS (Journal of Information Technology and Computer Science), 7 (1). pp. 41-54. ISSN 2541-3619

Text 20186.pdf - Published Version Available under License Creative Commons Attribution Share Alike. Download (661kB)

Abstract

Mempelajari Al-Qur'an adalah salah satu ibadah yang sangat dianjurkan dalam Islam, dan memahami cara mengklasifikasikan ayat-ayatnya sangat penting. Pengelompokan ayat-ayat ini mempermudah pencarian dan mempelajari ayat-ayat terkait, karena setiap ayat dapat termasuk dalam satu atau lebih kategori yang berbeda. Penelitian ini bertujuan untuk mengembangkan model klasifikasi multi-label untuk teks terjemahan Al-Qur’an dalam bahasa Indonesia menggunakan Bi-Directional Long Short-Term Memory (Bi-LSTM) dan teknik word embedding Word2Vec dengan arsitektur Continuous Bag of Words (CBOW). Data yang digunakan berasal dari terjemahan resmi Kementerian Agama Republik Indonesia, khususnya dari Surah An-Nisa', Surah Al-Maidah, dan Surah Al-An'am, dengan total 461 ayat. Proses klasifikasi mempertimbangkan empat kategori utama: Tauhid, Ibadah, Akhlaq, dan Sejarah (Tarikh). Model diuji dengan berbagai skenario pembagian data dan dievaluasi menggunakan metrik akurasi, precision, recall, dan Hamming Loss. Hasil menunjukkan bahwa model Bi-LSTM dengan Word2Vec mencapai akurasi 70,21%, precision 64,31%, recall 61,13%, dan Hamming Loss 36,52%. Meskipun menunjukkan peningkatan signifikan, model ini masih menghadapi tantangan dalam mencapai akurasi yang lebih tinggi karena kompleksitas bahasa Al-Qur’an. Penelitian ini menyarankan penggunaan data yang lebih representatif, teknik embedding lain, dan arsitektur model yang lebih canggih untuk perbaikan lebih lanjut. Model ini diharapkan dapat mempermudah pembelajaran dan pemahaman Al-Qur’an secara lebih akurat dan efisien.

Item Type:	Journal Article
Keywords:	al-qur'an; verse classification; lstm; word embedding; translation
Subjects:	08 INFORMATION AND COMPUTING SCIENCES > 0806 Information Systems
Divisions:	Graduate Schools > Magister Programme > Graduate School of Informatics Engineering
Depositing User:	Muhammad Faisal
Date Deposited:	23 Aug 2024 08:27

Downloads

Origin of downloads

Actions (login required)

View Item