Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas tentang implementasi text sequence classification menggu- nakan data pesan pengguna asli dari perusahaan e-commerce Indonesia, untuk meningkatkan performa chatbot perusahaan dalam memprediksi intent. Problem yang menjadi fokus dalam skripsi ini adalah bagaimana cara untuk menggunakan konteks-konteks yang ada pada pesan pengguna di awal sesi untuk memprediksi intent dari pesan pengguna yang ada di akhir sesi. Skripsi ini bekerja sama dengan salah satu perusahaan ecommerce di Indonesia dan menggunakan data dari percaka- pan antara pengguna dan chatbot yang dimiliki perusahaan. Setelah eksplorasi data dilakukan, ditemukan bahwa terdapat ketidakseimbangan pada data sehingga di- gunakan focal loss agar model dapat memprediksi dengan baik intent-intent yang memiliki data sedikit. Selain itu, data juga diaugmentasi, yakni pesan-pesan peng- guna dalam sesi percakapan yang sama digabungkan agar konteks pada pesan per- tama dapat digunakan untuk memprediksi intent pada pesan selanjutnya. Penelitian ini juga bereksperimen dengan model LSTM dan Bi-LSTM, serta menggunakan attention layer untuk memilih data yang lebih penting daripada yang lain. Hasil penelitian menunjukkan bahwa model yang diajukan pada akhir penelitian berhasil menyaingi model perusahaan yang sebelumnya. Selain itu, penulis juga melakukan analisis kesalahan dan menemukan bahwa model memiliki performa yang rendah ketika memprediksi beberapa intent, hal ini disebabkan oleh adanya kesamaan kan- dungan kata pada intent-intent tersebut, sehingga model mengalami kesulitan mem- bedakan intent-intent tersebut.

---

This thesis talks about the implementation of text sequence classification on real user message data of an e-commerce company in Indonesia. It aims in improving the company’s chatbot performance in predicting intents. The problem that is the main focus of this thesis is how to use the contexts in the user’s message at the beginning of the session to predict the intent of the user’s message at the end of the session. This thesis collaborates with an e-commerce company in Indonesia and uses data from conversations between users and the company’s chatbot. After exploring the data, it was found that there is an imbalance in the data so that focal loss is used so that the model can predict well the intents that have little data. In addition, the data is also augmented, where user messages in the same conversation session are combined so that the context of the first message can be used to predict the intent of the next message. This work also includes experiments on the use of LSTM and Bi-LSTM models, and used the attention layer to select data that are more important than others. The experiment result shows that the proposed model is successful in competing with the company’s past model. In addition, the author also conducted an error analysis where it was found that the model has low performance when predicting a number of particular intents, this is due to the similarity of the wording of the intents and because of that, the model has difficulty in distinguishing the intents."

"Indonesia merupakan negara maritim terbesar di dunia dengan banyak sekali ikan yang hidup di perairan Indonesia Hal ini membuat sektor perikanan Indonesia memiliki banyak ancaman. Illegal, unreported, unregulated (IUU) fishing adalah salah satu permasalahan yang memiliki dampak yang cukup signifikan karena membuat kerugian yang cukup besar di sektor perikanan Indonesia. Untuk mencegah permasalahan tersebut, sudah banyak solusi yang diajukan, salah satunya adalah penerapan kuota untuk operasi penangkapan ikan serta pemasangan kamera pengawas, namun solusi tersebut belum memiliki dampak yang signifikan dalam mengurangi dan mencegah terjadinya IUU fishing. Oleh karena itu, penelitian ini dilakukan untuk mengembangkan sistem deteksi jenis ikan hasil tangkapan. Sistem dirancang menggunakan konsep object detection dan instance segmentation yang merupakan sebuah bidang dari machine learning, menggunakan toolbox MMDetection dengan algoritma Faster R-CNN dan GFL untuk metode object detection dan algoritma Mask R-CNN untuk metode instance segmentation. Dimana sistem tersebut merupakan model kecerdasan buatan yang dapat melakukan pendeteksian ikan untuk melakukan pengawasan terhadap jumlah ikan yang ditangkap oleh nelayan sehingga IUU fishing dapat berkurang secara signifikan. Sistem terbaik dari penelitian ini dihasilkan menggunakan model instance segmentation yang mendapatkan nilai mAP @50 0,758, besar F1-Score 0,761, dan membutuhkan waktu untuk pelatihan selama 7 jam 32 menit. Selain itu, model tersebut juga mendapatkan akurasi yang lebih baik sebanyak 20% dari perbandingan dengan model object detection.

---

Indonesia, as the world's largest maritime country, is home to a vast variety of fish species in its waters. This reality poses numerous threats to Indonesia's fisheries sector. One significant challenge is illegal, unreported, and unregulated (IUU) fishing, which has considerable detrimental effects and causes substantial losses to the Indonesian fisheries industry. Several solutions have been proposed to address this problem, including the implementation of fishing quotas and the installation of surveillance cameras. However, these solutions have not yielded significant impacts in reducing and preventing IUU fishing. Hence, this research aims to develop a fish species detection system. The system is designed based on the concepts of object detection and instance segmentation, which are subfields of machine learning. The research utilizes the MMDetection toolbox with the Faster R-CNN and GFL algorithms for object detection, as well as the Mask R-CNN algorithm for instance segmentation. This artificial intelligence-based system enables the detection of captured fish to monitor the quantity of fish caught by fishermen, thereby significantly reducing IUU fishing. The research's best-performing system employs the instance segmentation model, achieving an mAP@50 score of 0.758, an F1-Score of 0.761, and requires a training time of 7 hours and 32 minutes. Moreover, this model also demonstrates a 20% improvement in accuracy compared to the object detection model."