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 persen dan skor F1 (F1-Score) sebesar 95,80 persen. Integrasi ini juga berhasil meminimalkan selection bias yang ditandai dengan nilai Gender Bias Error (GBE) yang mendekati netral, yakni 0,0019. Pengujian pada berbagai skenario, termasuk dataset pengujian utama (unseen data) dan dataset uniseks, menunjukkan bahwa model tidak hanya mampu mempertahankan akurasi tinggi di atas 95 persen, tetapi juga memangkas waktu inferensi secara signifikan sebesar 4,94 detik dibandingkan dengan penggunaan model BiLSTM murni sebesar 6,99 pada rekapitulasi keseluruhan hasil pengujian. Secara saintifik, arsitektur Hybrid MLE-BiLSTM berhasil menyinergikan efisiensi komputasi instan dan analisis pola sekuensial untuk memecahkan keraguan pada entitas nama yang bersifat ambigu.

URI
https://repo.itera.ac.id/depan/submission/SB2609110017

Keyword
Hybrid Model Maximum Likelihood Estimate BiLSTM Klasifikasi Gender Nama Indonesia