Prediksi Kode Kelompok Klasifikasi Baku Lapangan Usaha Indonesia (KBLI) Dengan Deep Learning

Artayasa, ketut (2025) Prediksi Kode Kelompok Klasifikasi Baku Lapangan Usaha Indonesia (KBLI) Dengan Deep Learning. Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2129101002-COVER.pdf
Download (3MB)
[img] Text (ABSTRAK)
2129101002-ABSTRAK.pdf - Submitted Version
Download (200kB)
[img] Text (BAB 1 PENDAHULUAN)
2129101002-BAB 1 PENDAHULUAN.pdf
Download (322kB)
[img] Text (BAB 2 KAJIAN TEORI)
2129101002-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (533kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2129101002-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (491kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2129101002-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2129101002-BAB 5 KESIMPULAN.pdf
Restricted to Repository staff only
Download (275kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2129101002-DAFTAR PUSTAKA.pdf
Download (211kB)
[img] Text (LAMPIRAN)
2129101002-LAMPIRAN.pdf
Download (281kB)

Abstract

Klasifikasi Baku Lapangan Usaha Indonesia (KBLI) adalah pengklasifikasian aktivitas ekonomi di Indonesia yang menghasilkan produk atau output baik berupa barang maupun jasa yang disusun berdasarkan lapangan usaha. KBLI mengelompokkan kegiatan ekonomi ke dalam struktur yang konsisten dan saling berhubungan berdasarkan konsep, definisi, prinsip, dan tata cara pengklasifikasian yang telah disepakati secara internasional. Penentuan kode KBLI sering kali menghadapi tantangan, seperti variasi interpretasi deskripsi usaha, ketidaksesuaian bahasa, dan proses manual yang tidak efisien serta rentan terhadap kesalahan. Sistem pencarian KBLI saat ini masih menggunakan exact matching key, sehingga sangat tergantung dengan ketepatan kata kunci, ditambah lagi bahwa kata kunci yang sama ada di beberapa KBLI yang berbeda. Penentuan kode KBLI terutama kode 5-digit menjadi tantangan tersendiri, karena kode harus dicari yang sesuai dengan deskripsi usaha atau aktivitas ekonomi, selain membutuhkan waktu, juga dituntut kehati-hatian agar tidak salah dalam menentukan kode KBLI yang sesuai. Menyadari pentingnya kesesuaian isian kode KBLI, penelitian ini mengajukan prediksi kode kelompok KBLI 5-digit dengan model deep learning. Melalui model yang dikembangkan pada penelitian ini diharapkan dapat memprediksi berdasarkan konteks input deskripsi aktivitas ekonomi dan produknya berada pada kelompok klasifikasi KBLI yang sesuai, penelitian dilakukan dengan melakukan hyperparameter fine-tuning pada model IndoBERT yang sudah memahami konteks Bahasa Indonesia, pada penelitian ini juga dilakukan augmentasi sinonim pada dataset dengan sampel dibawah 20, yang bertujuan untuk mengatasi masalah jumlah sampel kelas yang tidak seimbang, sekaligus diharapkan dapat meningkatkan akurasi.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Klasifikasi, KBLI, IndoBERT, IndoBERTkbli
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: Ketut Artayasa
Date Deposited: 12 Aug 2025 12:35
Last Modified: 12 Aug 2025 12:35
URI: http://repo.undiksha.ac.id/id/eprint/26254

Actions (login required)

View Item View Item