Raafi, Muhamad (2020) Named Entity Recognition Untuk Teks Bahasa Indonesia Dengan Elman Recurrent Neural Network. Other thesis, Universitas Komputer Indonesia.
|
Text
1. 10115102_MUHAMAD RAAFI_COVER.pdf - Published Version Download (35kB) | Preview |
|
|
Text
19. 10115102_MUHAMAD RAAFI_PENGESAHAN.pdf - Published Version Download (282kB) | Preview |
|
|
Text
17. 10115102_MUHAMAD RAAFI_SURAT KETERANGAN PUBLIKASI.pdf - Published Version Download (93kB) | Preview |
|
|
Text
20. 10115102_MUHAMAD RAAFI_ORISINALITAS.pdf - Published Version Download (220kB) | Preview |
|
|
Text
4. 10115102_MUHAMAD RAAFI_KATA PENGANTAR.pdf - Published Version Download (82kB) | Preview |
|
|
Text
5. 10115102_MUHAMAD RAAFI_DAFTAR ISI.pdf - Published Version Download (74kB) | Preview |
|
|
Text
11. 10115102_MUHAMAD RAAFI_BAB 1.pdf - Published Version Download (70kB) | Preview |
|
|
Text
12. 10115102_MUHAMAD RAAFI_BAB 2.pdf - Published Version Download (169kB) | Preview |
|
Text
13. 10115102_MUHAMAD RAAFI_BAB 3.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy |
||
Text
14. 10115102_MUHAMAD RAAFI_BAB 4.pdf - Published Version Restricted to Repository staff only Download (532kB) | Request a copy |
||
|
Text
15. 10115102_MUHAMAD RAAFI_BAB 5.pdf - Published Version Download (33kB) | Preview |
|
|
Text
10. 10115102_MUHAMAD RAAFI_DAFTAR PUSTAKA.pdf - Published Version Download (99kB) | Preview |
Abstract
Named Entity Recognition (NER) merupakan salah satu sub tugas yang ada pada Information Retrieval. NER untuk kasus Bahasa Indonesia sudah beberapa kali dilakukan menggunakan beberapa metode seperti, CRF, HMM, dan bi-LSTM. Pada peneltian ini digunakan metode Elman Recurrent Neural Network (ERNN), karena metode ini menggunakan informasi dari kata sebelumnya untuk memprediksi kata saat ini. Penelitian tentang NER menggunakan ERNN sudah pernah dilakukan tetapi untuk kasus Bahasa Indonesia masih belum dilakukan. Terdapat tahap-tahap yang dilakukan dalam pembangunan sistem NER dengan ERNN untuk kasus Bahasa Indonesia yaitu preprocessing (penyusunan kalimat, case folding, pembangunan kamus, one-hot encoding, ekstraksi spelling fitur, dan penggabungan vektor akhir), training NER dengan ERNN dan testing dengan ERNN. Penelitian ini terbagi menjadi dua skenario yaitu pengujian parameter dan performa. Pengujian parameter akan dilakukan pada 12 skenario pengujian menggunakan 26.183 kata pada data training dan pengujian parameter menggunakan 9.406 kata pada data testing. Penelitian ini memperoleh performa F1 Score sebesar 88.91% dan akurasi sebesar 88.63%.
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Named Entity Recognition, Bahasa Indonesia, Elman Recurrent Neural Network. |
Subjects: | 000_COMPUTER SCIENCE, INFORMATION & GENERAL WORKS. > 005_Computer Programming, Programs & Data |
Divisions: | S1_SKRIPSI > FTIK_Teknik Informatika (01) |
Depositing User: | Mrs. Calis Maryani |
Date Deposited: | 25 Nov 2020 03:42 |
Last Modified: | 25 Nov 2020 03:42 |
URI: | http://elibrary.unikom.ac.id/id/eprint/2911 |
Actions (login required)
View Item |