IMPLEMENTASI METODE FINE-TUNING BERBASIS LARGE LANGUAGE MODEL (LLM) LLAMA3 DALAM MEMBUAT TEKS INTERVENSI AFEKTIF

Calzy Akmal Indyramdhani, - (2025) IMPLEMENTASI METODE FINE-TUNING BERBASIS LARGE LANGUAGE MODEL (LLM) LLAMA3 DALAM MEMBUAT TEKS INTERVENSI AFEKTIF. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Teks intervensi afektif merupakan teks yang diberikan dengan tujuan meningkatkan motivasi peserta didik pada proses pembelajaran. Penelitian sebelumnya telah mengimplementasikan penerapan teks intervensi afektif pada aplikasi Emodu, namun, sistem yang digunakan belum dapat memberikan teks yang adaptif dan lebih bervariasi. Penelitian yang dilakukan mengusung penggunaan Large Language Model (LLM) berbasis Llama 3 sebagai metode untuk menghasilkan teks intervensi afektif yang lebih bervariasi serta tidak mengandalkan sebatas pada data yang ada melalui metode fine-tuning, yang bertujuan untuk melihat perbandingan kemampuan base model dan model yang telah melalui proses tersebut. Pendekatan ini memanfaatkan kemampuan Llama 3 dalam memahami struktur semantik kalimat serta menghasilkan kalimat serupa dengan makna yang mendekati data yang ada. Kualitas kalimat yang dihasilkan mencapai nilai rata-rata sebesar 6,8% lebih tinggi dibandingkan base model pada metrik ROUGE, dan 3,6% lebih tinggi dibanding base model pada metrik BERTScore. Temuan ini membuka peluang besar pada pemanfaatan LLM khususnya Llama 3 pada tugas Affective Text-generation (ATG) dan memberikan jalan pada pengembangan Artificial Intelligence (AI) pada bidang komputasi afektif. ----- Affective text intervention refers to text provided with the aim of enhancing students motivation during learning process. Past research has implemented the use of affective text intervention within Emodu application, however, the system was unable to deliver an adaptive and more varied text. This study proposes the utilization of Large Language Model (LLM) based on Llama 3 model as method to generate more varied affective text intervention without relying on existing data, achieved through fine-tuning method, which aims to compare the capabilities of the base model and the model that has undergone the process. This approach leverages Llama 3 ability to understand the semantic structure of sentences and generate sentences with similar context to the existing data. The quality of the generated sentences showed an average improvement of 6,8% over the base model in ROUGE metrics, and 3,6% higher in BERTScore metrics. These findings highlight the significant potential usage of LLMs, particularly Llama 3, within the domain of Affective Text-generation (ATG) and pave the way for advancements in Artificial Intelligence (AI) within the field of affective computing.

	Text S_RPL_2101569_Title.pdf Download (576kB)
	Text S_RPL_2101569_Chapter1.pdf Download (75kB)
	Text S_RPL_2101569_Chapter2.pdf Restricted to Staf Perpustakaan Download (719kB)
	Text S_RPL_2101569_Chapter3.pdf Download (417kB)
	Text S_RPL_2101569_Chapter4.pdf Restricted to Staf Perpustakaan Download (4MB)
	Text S_RPL_2101569_Chapter5.pdf Download (60kB)
	Text S_RPL_2101569_Appendix.pdf Restricted to Staf Perpustakaan Download (2MB)

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?hl=en&authuser=4&user=wKIycPkAAAAJ SINTA ID : 6681802 SINTA ID : 6681751
Uncontrolled Keywords:	Teks Intervensi Afektif, Komputasi Afektif, Affective Text-generation, Large Language Model (LLM) dan Llama 3; Affective Text Intervention, Affective Computing, Affective Text-generation, Large Language Model (LLM) and Llama 3
Subjects:	L Education > L Education (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	UPI Kampus cibiru > S1 Rekayasa Perangkaat Lunak
Depositing User:	Calzy Akmal Indyramdhani
Date Deposited:	05 Mar 2025 04:15
Last Modified:	05 Mar 2025 04:15
URI:	http://repository.upi.edu/id/eprint/130155

Actions (login required)

View Item