IMPLEMENTASI MODEL BIDIRECTIONAL LONG SHORT-TERM MEMORY UNTUK KLASIFIKASI KALIMAT ARTIFICIAL INTELLIGENCE DENGAN WORD EMBEDDING WORD2VEC, GLOVE, DAN FASTTEXT

Perkembangan Artificial Intelligence (AI) membuat teks semakin sulit untuk
dibedakan dari tulisan mansuia, terutama pada bahasa Indonesia. Kondisi ini
menimbulkan hambatan dalam mendeteksi teks yang dihasilkan AI agar tidak
disalahgunakan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi
kalimat AI dan manusia menggunakan model Bidirectional Long Short-Term Memory
(Bi-LSTM) dengan tiga metode word embedding yaitu Word2Vec, GloVe, dan FastText.
Pengumpulan data diperoleh dari berita kompas yang bersumber dari Kaggle dan kalimat
AI yang diperoleh melalui parafrase menggunakan model GPT-2. Data diproses
menggunakan tahapan data cleaning, penghapusan stopwords, stemming, dan tokenisasi.
Model Bi-LSTM kemudian dilatih dan dievaluasi berdasarkan metrik akurasi, presisi,
recall, dan f1-score. Hasil eksperimen menunjukkan bahwa model Bi-LSTM dengan
FastText memberikan performa terbaik dengan akurasi sebesar 67% meskipun masih
terdapat indikasi overfitting sehingga model memiliki keterbatasan generalisasi data yang
bersumber dari luar data pelatihan. Hasil dari model ini juga dapat digunakan pada web
berbasis streamlit dalam mengidentifikasi kalimat AI.
Kata kunci: Artificial Intelligence, Klasifikasi Kalimat, Bi-LSTM, Word Embedding