View/Open

Author
Marchel, Ferry Timoteus S

Date Published
31 Jul 2026

Advisor
Winda Yulita, M.Cs.,

Subject
Teknik Informatika

Publisher

Klasifikasi gender berdasarkan nama orang Indonesia memiliki tantangan yang kompleks akibat tingginya variasi ejaan, pengaruh budaya, serta meluasnya penggunaan nama uniseks. Pendekatan pemodelan tradisional sering kali menghadapi kompromi (trade-off ) antara kecepatan komputasi pada model statistik dan ketepatan prediksi pada model pembelajaran mendalam (deep learning). Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan model Hybrid MLE-BiLSTM guna mengklasifikasikan gender secara akurat, objektif, dan efisien. Arsitektur yang diusulkan menerapkan pendekatan dua tahap yang saling melengkapi. Tahap pertama memanfaatkan metode statistik Maximum Likelihood Estimate (MLE) sebagai filter awal (fast-path) untuk memproses prediksi nama-nama umum secara instan. Apabila skor probabilitas berada pada rentang ambigu antara 0,10 hingga 0,90 atau nama tidak dikenali di dalam sistem (Out-of-Vocabulary), model secara adaptif mengaktifkan mekanisme peralihan (fallback) menuju jaringan Bidirectional Long Short-Term Memory (BiLSTM) berbasis karakter (character-level) guna mengekstraksi pola morfologi secara mendalam. Berdasarkan hasil pengujian komparatif terhadap delapan model baseline, arsitektur hibrida ini terbukti sangat tangguh dengan mencapai tingkat akurasi keseluruhan sebesar 95,85

URI
https://repo.itera.ac.id/depan/submission/SB2607070020

Keyword
Hybrid Model Maximum Likelihood Estimate BiLSTM Klasifikasi Gender Nama Indonesia