Named Entity Recognition Untuk Teks Bahasa Indonesia Menggunakan Support Vector Machine

Ramadhani, Iqbal (2020) Named Entity Recognition Untuk Teks Bahasa Indonesia Menggunakan Support Vector Machine. Other thesis, Universitas Komputer Indonesia.

Preview	Text 1. 10115025_IQBAL RAMADHANI_COVER.pdf - Published Version Download (36kB) | Preview
Preview	Text 19. 10115025_IQBAL RAMADHANI_LEMBAR PENGESAHAN.pdf - Published Version Download (873kB) | Preview
Preview	Text 17. 10115025_IQBAL RAMADHANI_SURAT KETERANGAN PUBLIKASI.pdf - Published Version Download (526kB) | Preview
Preview	Text 20. 10115025_IQBAL RAMADHANI_SURAT KETERANGAN ORISINALITAS.pdf - Published Version Download (10MB) | Preview
Preview	Text 4. 10115025_IQBAL RAMADHANI_KATA PENGANTAR.pdf - Published Version Download (48kB) | Preview
Preview	Text 5. 10115025_IQBAL RAMADHANI_DAFTAR ISI.pdf - Published Version Download (39kB) | Preview
Preview	Text 11. 10115025_IQBAL RAMADHANI_BAB 1.pdf - Published Version Download (32kB) | Preview
Preview	Text 12. 10115025_IQBAL RAMADHANI_BAB 2.pdf - Published Version Download (390kB) | Preview
	Text 13. 10115025_IQBAL RAMADHANI_BAB 3.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text 14. 10115025_IQBAL RAMADHANI_BAB 4.pdf - Published Version Restricted to Repository staff only Download (277kB) | Request a copy
Preview	Text 15. 10115025_IQBAL RAMADHANI_BAB 5.pdf - Published Version Download (28kB) | Preview
Preview	Text 10. 10115025_IQBAL RAMADHANI_DAFTAR PUSTAKA.pdf - Published Version Download (75kB) | Preview

Abstract

Pengenalan entitas bernama atau Named Entity Recognition (NER) merupakan sebuah topik keilmuan yang membahas pemrosesan bahasa alami dengan mengekstraksi informasi pada sebuah teks. NER juga merupakan komponen penting yang mendasari banyak aplikasi Natural Language Processing (NLP). Penelitian tentang NER sudah pernah dilakukan menggunakan beberapa metode seperti CRF, Naive Bayes, dan SVM. Penelitian NER pada metode SVM menghasilkan nilai performa f1-score sebesar 50% yang disebabkan karena hasil dari ekstraksi fitur yang digunakan. Sebelum tahap pelatihan dan pengujian dilakukan, list kata melalui tahap preprocessing, yaitu pemisahan kata dan label, case folding, pembentukan kamus, one hot encoding, ekstraksi fitur, kemudian penggabungan hasil one hot encoding dengan hasil ekstraksi fitur. Berdasarkan hasil pengujian yang telah dilakukan pada 9405 list kata, didapatkan nilai akurasi tertinggi sebesar 81% dengan recall sebesar 70%, precession 52%, dan f1-score sebesar 53%. Tingkat akurasi ini dipengaruhi oleh penggunaan metode one hot encoding yang tidak bisa membedakan ciri untuk data yang sama pada kelas yang berbeda.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	NER, One Hot Encoding, SVM
Subjects:	000_COMPUTER SCIENCE, INFORMATION & GENERAL WORKS. > 004_Data Processing & Computer Science
Divisions:	S1_SKRIPSI > FTIK_Teknik Informatika (01)
Depositing User:	Mrs. Calis Maryani
Date Deposited:	05 Sep 2020 06:08
Last Modified:	17 Sep 2020 04:41
URI:	http://elibrary.unikom.ac.id/id/eprint/2683

Actions (login required)

View Item