PREDIKSI PROMPTING BERBASIS ROLE-PLAY MENGGUNAKAN MODEL DEEP LEARNING - Dalam bentuk buku karya ilmiah
FAJAR IBRAHIM

Informasi Umum

Kode

25.04.5724

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Deep Learning

Dilihat

11 kali

Informasi Lainnya

Abstraksi

Penelitian ini berfokus pada pengembangan sistem yang dapat menyusun <em>prompt</em> berbasis peran (<em>role-play</em>) secara otomatis. Latar belakang dari penelitian ini adalah proses penyusunan <em>prompt</em> secara manual memerlukan waktu dan kurang efisien jika dilakukan dalam skala besar. Untuk mengatasi hal tersebut, diusulkan pendekatan otomatis melalui prediksi model deep learning yang menghasilkan <em>prompt</em> dari kombinasi <em>zero-shot prompt</em> dan peran tertentu yang telah ditentukan sebelumnya. Dalam implementasinya, tiga model <em>deep learning</em> digunakan, yaitu <em>Recurrent Neural Network</em> (RNN), <em>Gated Recurrent Unit</em> (GRU), dan <em>Long Short-Term Memory</em> (LSTM). Masing-masing model dilatih menggunakan format data tiga komponen yang terdiri dari <em>zero-shot prompt, role,</em> dan <em>target prompt</em>. Model dilatih untuk menghasilkan <em>predicted prompt</em> yang sebisa mungkin menyerupai <em>target prompt</em> yang telah dibuat secara manual. Evaluasi dilakukan menggunakan dua metrik utama, yaitu BLEU score dan ROUGE score, untuk melihat tingkat kemiripan antara <em>predicted</em> <em>prompt</em> dan target <em>prompt</em>. Berdasarkan hasil pengujian, model LSTM memberikan hasil terbaik dengan skor BLEU sebesar 0,71, diikuti oleh GRU (0,69) dan RNN (0,67). Nilai ROUGE yang diperoleh, terutama pada ROUGE-1 dan ROUGE-L, juga menunjukkan kesesuaian isi dan struktur kalimat yang dihasilkan.

• CDK2MAB3 - Pembelajaran Mesin

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook