Hasil Pencarian  ::  Simpan CSV :: Kembali

"Ekstraksi informasi merupakan sebuah tahap awal dari proses analisis data tekstual. Ekstraksi informasi diperlukan untuk mendapatkan informasi dari data tekstual sehingga dapat digunakan untuk proses analisis seperti misalnya klasifikasi dan kategorisasi. Data tekstualsangat dipengaruhi oleh bahasa, jika sebuah data tekstual berbahasa Arab maka karakter yang digunakan adalah karakter arab.Knowledge dictionary merupakan sebuah kamus yang dapat digunakan untuk mengekstraksi informasi dari data tekstual. Informasi yang diekstraksi menggunakan knowledge dictionary adalah konsep.Knowledge dictionary biasanya dibangun secara manual oleh seorang pakar yang tentunya membutuhkan waktu yang lama dan spesifik untuksetiap masalah. Pada penelitian ini diusulkan sebuah metode untuk membangun knowledge dictionary secara otomatis. Pembentukanknowledge dictionary dilakukan dengan cara mengelompokkan kalimat yang memiliki konsep yang sama, dengan asumsi kalimat yang memiliki konsep yang sama akan memiliki nilai simi laritas yang tinggi. Konsep yang telah diekstraksi dapat digunakan sebagai fitur untuk proses komputasi berikutnya misalnya klasifikasi ataupun kategorisasi.Dataset yang digunakan dalam penelitian ini adalah dataset teks Arab. Hasil ekstraksi diuji dengan menggunakan mesin klasifikasidecision tree dan didapatkan nilai presisi tertinggi 71,0% dan nilai recall tertinggi 75,0%.

---

AbstractInformation extraction is an early stage of a process of textual data analysis. Information extraction is required to get information from textual data that can be used for process analysis, such as classification and categorization. A textual data is strongly influenced by the language. Arabic is gaining a significant attention inmany studies because Arabic language is very different from others, and in contrast to other languages, tools and research on the Arabic language is still lacking. The information extracted using the knowledgedictionary is a concept of expression. A knowledge dictionary is usually constructed manually by an expert and this would take a long time and is specific to a problem only. This paper proposed a method for automatically building a knowledge dictionary. Dictionary knowledge is formed by classifying sentences having the same concept, assuming that they will have a high similarity value. The concept that has been extracted can be used as features for subsequent computational process such as classification or categorization. Dataset used in this paper was the Arabic text dataset. Extraction result was tested by using a decision tree classification engine and the highest precision value obtained was 71.0% while the highest recall value was 75.0%. "

"Peningkatan jumlah data teks digital membuat manusia membutuhkan mekanisme untuk mengembalikan teks yang efektif dan efisien. Salah satu mekanisme untuk mengembalikan teks adalah dengan pemeringkatan teks. Tujuan dari pemeringkatan teks adalah menghasilkan daftar teks yang terurut berdasarkan relevansinya dalam menanggapi permintaan kueri pengguna. Pada penelitian ini, penulis menggunakan Bidirectional Encoder Representations from Transformers (BERT) untuk membangun model pemeringkatan teks berbahasa Indonesia. Terdapat 2 cara penggunaan BERT untuk pemeringkatan teks, yaitu BERT untuk klasifikasi relevansi dan BERT untuk menghasilkan representasi vektor dari teks. Pada penelitian ini, 2 cara penggunaan BERT tersebut terbagi menjadi 4 model, yaitu BERTCAT, BERTDOT, BERTDOTHardnegs, BERTDOTKD. Penggunaan BERT memberikan peningkatan kualitas pemeringkatan teks bila dibandingkan dengan model baseline BM25. Peningkatan kualitas pemeringkatan teks tersebut dapat dilihat dari nilai metrik recriprocal rank (RR), recall (R), dan normalized discounted cumulative gain (nDCG).

---

The increase in the amount of digital text data has led humans to require mechanisms for effectively and efficiently retrieving text. One mechanism for text retrieval is text ranking. The goal of text ranking is to generate a list of texts sorted based on their relevance in response to user query requests. In this study, the author uses Bidirectional Encoder Representations from Transformers (BERT) to build a text ranking model for the Indonesian language. There are 2 ways to use BERT for text ranking, namely BERT for relevance classification and BERT for generating vector representations of text. In this study, these 2 ways of using BERT are divided into 4 models, namely BERTCAT, BERTDOT, BERTDOTHardnegs, BERTDOTKD. The use of BERT improves the quality of text ranking compared to the baseline BM25 model. The improvement in the quality of text ranking can be seen from the values of the reciprocal rank (RR), recall (R), and normalized discounted cumulative gain (nDCG) metrics."

"Penelitian ini bertujuan menelaah penerapan sistem informasi manajemen yang efektif dalam menunjang peningkatan pelayanan konsumen di Perusahaan Daerah Air Minum Kotamadya Bandung. Kajiannya diorientasikan untuk memperoleh temuan dari sistem informasi manajemen yang saat ini diterapkan dalam mekanisme pelayanan konsumen, sehingga dapat dikemukakan pemikiran konseptual untuk mewujudkan sistem informasi manajemen yang lebih efektif dalam menunjang peningkatan pelayanan konsumen. Penelitian dilakukan atas dasar survei deskriptif analitis, yakni untuk mengidentifikasi kondisi sebenarnya, sehingga dapat menggambarkan faktual mengenai tingkat efektivitas sistem informasi manajemen yang ada dalam upaya meningkatkan pelayanan konsumen di PDAM Kotamadya Bandung. Sistem Informasi Manajemen sebagai independent variable, secara operasional diukur dari indikator: komponen fisik; fungsi pengolahan data; fungsi keluaran informasi bagi pemakai; jaringan kerja informasi; pemenuhan kebutuhan informasi pada fungsi operasional, kegiatan manajemen, dan jenis pengambilan keputusan; serta struktur sistem informasi berdasarkan fungsi organisasi dan pengendalian manajemen. Sedang pelayanan konsumen sebagai dependent variable, diukur dari penilaian atas kualitas pelayanan, menurut dimensi: tangible; reliability; responsiveness; assurance; dan empathy. Penentuan sampel berpedoman pada Nomogram Harry King, dengan tingkat kepercayaan 90% besarnya sampel adalah 7,5% dari populasi, sehingga sampel Pegawai: 7,5% x 925= 69 responden. Sedangkan sampel konsumen diambil secara area sampling dan setiap wilayah diambil 30 sehingga besarnya sampel konsumen 120 responden. Jawaban responden dibuat tabulasi distribusi frekuensi guna mencari nilai persentase untuk diinterpretasikan secara kualitatif. Berdasarkan hasil analisis diperoleh kesimpulan tingkat efektivitas sistem informasi manajemen dalam mendukung peningkatan pelayanan konsumen di PDAM Kotamadya Bandung, secara umum ternyata masih termasuk dalam klasifikasi kurang baik. Sehingga perlu pembenahan disain berbagai subsistem fungsional untuk mewujudkan efektivitas jaringan informasi guna memperlancar setiap tahap dan bagian kegiatan dalam proses pelayanan konsumen. Hal tersebut dibuktikan pula dengan penilaian konsumen terhadap kualitas pelayanan PDAM Kotamadya Bandung yang secara umum masih dinilai termasuk dalam klasifikasi kurang baik."