Hasil Pencarian  ::  Simpan CSV :: Kembali

"Frequently Asked Questions (FAQs) adalah dokumen (seperti di situs web) yang memberikan jawaban atas daftar pertanyaan umum yang mungkin ditanyakan pengguna mengenai subjek tertentu. Tokopedia adalah salah satu website e-commerce terbesar di Indonesia. Penelitian ini menyajikan konstruksi Knowledge Graph (KG) dengan data dari halaman FAQ Tokopedia. Penelitian ini mendemokan use cases yang memanfaatkan FAQ KG tersebut. Pendekatan penelitian ini melibatkan metode top- down dalam konstruksi KG, yang meliputi web scraping, part-of-speech (POS) tagging untuk mendapatkan kata benda, kata sifat, dan kata kerja dari FAQ, pembuatan ontologi kata kerja, dan pembuatan KG berbasiskan Resource Description Framework (RDF). Temuan-temuan utama mengungkapkan kemampuan baru seperti kueri untuk mencari FAQ berdasarkan suatu kata kerja dan sinonimnya, serta wawasan yang diperoleh dengan exploratory data analysis dan menggunakan kueri SPARQL. Temuan ini bisa meningkatkan layanan FAQ untuk e-commerce melalui pembuatan KG.

---

Frequently Asked Questions (FAQs) are documents (such as on a website) that give answers to a list of common questions that users may ask about a certain topic. Tokopedia is one of the largest e-commerce websites in Indonesia. This research presents the construction of a Knowledge Graph (KG) with data from Tokopedia's Frequently Asked Questions (FAQs) page. This research demonstrates use cases that utilize the FAQ KG. The research approach involves a top-down method in KG construction, which includes web scraping, part-of-speech (POS) tagging to obtain nouns, adjectives, and verbs from the FAQ, verb ontology generation, and Resource Description Framework (RDF)-based KG generation. The findings reveal new capabilities such as queries to search FAQs based on a verb and its synonyms, as well as insights gained by exploratory data analysis (EDA) and using SPARQL queries. These findings can improve FAQ services for e-commerce through KG generation."

"Dokumen peraturan perundang-undangan pada umumnya tersedia dalam bentuk PDFyang bersifat tidak machine-readable, sehingga data tidak dapat diproses secara otoma-tis dan dalam skala besar oleh komputer untuk dimanfaatkan dalam berbagai teknologi digital. Oleh karena itu diperlukan struktur data yang dapat memuat informasi peraturan perundang-undangan, beserta sistem yang melakukan konversi dari PDF menjadi struk-tur data tersebut. Dengan alasan tersebut, pada penelitian ini penulis mengembangkan Lex2KG, framework untuk mengonversi dokumen PDF peraturan perundang-undangan di Indonesia (Lex berasal dari Bahasa Latin yang berarti hukum) menjadi knowledge gra-ph. Knowledge graph (KG) adalah graph yang menggambarkan entitas dunia nyata be-serta keterkaitannya dan memberikan informasi terstruktur yang machine-readable. Pada penelitian ini KG dipilih dari berbagai struktur data yang tersedia karena KG terkate-gori sebagai 5-star data menurut 5-star deployment scheme for Open Data, yaitu data dengan jenis informasi paling bermanfaat, memberikan data dalam bentuk open license,terstruktur, tersedia dalam open format, menggunakan URI sebagai notasi data, dan dapat dihubungkan (linked) dengan data lain. KG peraturan perundang-undangan mengandung berbagai data terstruktur konten tekstual, struktur dokumen, seperti metadata, serta relasi antara peraturan seperti amendemen dan rujukan. Lex2KG memungkinkan pemanfaatan data peraturan perundang-undangan secara advanced, otomatis, dan dalam skala besar pada berbagai lingkup digital terutama pada industrsi hukum dan pengacara. Contoh pemanfaatan data dapat berupa search engine, sistem question answering, dan analisis statistik peraturan perundang-undangan. Menggunakan Lex2KG, penulis berhasil meng-onversi 784 undang-undang menjadi KG dengan ukuran total lebih dari 1,1 juta triple.Salah satu peraturan yang berhasil dikonversi adalah UU 11/2020 tentang Cipta Kerjayang kontennya bersifat relatif kompleks dan berukuran besar. Penulis juga menunjuk-an use case dari KG peraturan perundang-undangan yaitu chat bot sederhana, SPARQLquery, dan visualisasi peraturan perundang-undangan

---

Most of the legal documents are available as PDF which is not machine-readable, which

means the data could not be processed automatically and in large scale by a computer

to be utilized in various digital technology. Therefore, we need a data structure that can

contain a legal information, and also a system which converts PDF into that structure. For

that reason, in this research, author developed Lex2KG, a framework wh converting legal

PDF documents in Indonesia (Lex comes from Latin which means law) into a Knowledge

Graph. A knowledge graph (KG) is a graph that describes real-world entities and their

relationships as machine-readable and structured information, and linkable to another KG

on different domain. In this research KG is choosen from various data structure available

because KG it categorized as 5-star data according to 5-star deployment scheme for Open

Data, which data comes with most beneficial information, available under an open licen-

se, structured, open format, uses URI to denote things, and linkable to other data. The

legal KG contains various kinds of structured data such as textual content, document stru-

ctures, metadata, and relations between law such as amendments and citations. Lex2KG

enables the advanced and automatic utilization of legal data on a large scale on a various

digital scope especially on legal industry and lawyer. The utilization could be in form

of search engine, question answering system, and statistics analytics for legals. Through

Lex2KG, author have successfully converted 784 Indonesian laws into a KG with a total

size of over 1.1 million triples. One of the regulation that was successfully converted was

Law 11/2020 on Job Creation, which the content is relatively complex and large. Author

also shows use cases of the legal KG for simple chatbots, SPARQL querying, and legal

visualizations."

"Ketidakseimbangan pengetahuan merupakan fenomena yang semakin menonjol seiring berjalannya waktu, teurtama dengan perkembangan Articial Intelligence dan Data Science. Salah satu open knowledge base yang mengalami fenomena ini adalah Wikidata. Ketidakseimbangan pengetahuan dapat menyebabkan banyak hal negatif, contohnya adalah data yang tidak akurat dan kesimpulan yang bias. Untuk membantu mengatasi ketidakseimbangan pengetahuan kami mengusulkan sebuah solusi menggunakan association analysis. Kami menyediakan framework yang dapat mengidentifikasi gap properties, yang dapat digunakan untuk mengidentifikasi akar dari ketidakseimbangan pengetahuan di dalam Wikidata class (e.g. computer scientists, sovereign states). Melalui gap property ratio, kami dapat menghitung level ketidakseimbangan pengetahuan dalam Wikidata class. Semakin tinggi gap property ratio maka semakin tinggi tingkat ketidakseimbangan pengetahuan dalam suatu kelas. Untuk memvalidasi framework yang kami buat, kami melakukan analisis ketidakseimbangan pengetahuan di 20 kelas Wikidata. Kami harap hasil dari riset ini dapat membantu kontributor Wikimedia dalam menyelesaikan fenomena ketidakseimbangan pengetahuan lebih cepat dan akurat.

---

Knowledge imbalances are a phenomenon that has become more and more prominent over the years, especially with the growth of AI and data science. Wikidata is one of the open knowledge bases having this phenomenon. The growing number of items in Wikidata is not followed by an even distribution to every group and community. This phenomenon may have multiple negative implications, such as data inaccuracy and biased conclusions. In order to help in addressing knowledge imbalances in Wikidata we propose an approach using association analysis. We provide a framework that can identify gap properties, useful to pinpoint the root causes of knowledge imbalances in Wikidata classes (e.g., computer scientists, sovereign states). Furthermore, through the gap property ratio, we can quantify the knowledge imbalance level within Wikidata classes. The higher the gap property ratio, the larger the knowledge imbalance is for that class. To further validate our framework we conduct a knowledge imbalance analysis on 20 Wikidata classes. We hope that the result of this research can help Wikimedia contributors in addressing the knowledge imbalance phenomenon in Wikidata more swiftly and accurately."

"Perkembangan LargeLanguageModel (LLM) terjadisecaracepatdanmengalami kemajuanyangsignifikan.HalinimendorongpenggunaandanpemanfaatanLLM pada berbagaibidang.Disisilain, KnowledgeGraph (KG) menyediakancarayang terstruktur danbermaknauntukmenyimpaninformasi.KGsudahbanyakdigunakan secara luasdiberbagaiaplikasi,sepertimesinpencari,sistemrekomendasi,dansistem penjawabpertanyaan.SalahsatupemanfaatanLLMdanKGyangmasihjarangadalah pada bidangjurnalistik,khususnyauntukmenganalisisdanmemvisualisasikanberita. Penelitian inibertujuanuntukmengembangkanalatekstraksiinformasiyangefisien, akurat, daninteraktifuntukmenganalisisteksberitamenggunakanpendekatangabungan antara LLMdanKG.Metodeinimenggabungkankeunggulankeduatekniktersebut untuk meningkatkanpemahamandanekstraksiinformasidariteksberitayangkompleks. Tujuannyaadalahagarpembacadapatmemahamiinformasiyangterdapatpadateks berita denganlebihinteraktif.PenulismemanfaatkanLLMyangtelahterlatihsecara luas dalammemahamidanmenghasilkanteksuntukmengidentifikasiinformasipenting dalam teksberita,sepertientitas,sentimen,kutipan,relasiantarentitas,danunsur5W1H (Who, What, Where, When, Why, How), urutankronologiskejadian,danhubungan bagian-keseluruhan(mereology) dalamteksberita.Untukmengekstraksiinformasiterse- but, prompt dimodifikasi denganmenggunakanpendekatan one-shot-prompting untuk memberikan konteksdancontohkepadaLLMdalammemahamiteksberita.Kemudian, informasi yangdiekstraksidivisualisasikandalambentukKGyangmerepresentasikan pengetahuan terstrukturtentangentitasdanhubungannyadidalamteks.Selainitu, penelitian melibatkanpembuatansebuahwebsiteyangakanmenyediakanantarmuka untuk sistemagarpenggunadapatmelakukananalisisteksberitasecaralangsungdan interaktif. Evaluasiutamayangdilakukanpadapenelitianiniadalahmengukurakurasi jawabanyangdihasilkanolehLLMpadasetiapbagianinformasiyangdiekstraksi dan bagaimanavisualisasiKGyangbaikuntukinformasiyangdidapat.Penelitianini menunjukkan bahwaLLMmampumengekstraksiinformasiyangdiinginkandengan cukup akuratdanvisualisasiKGdapatmenyajikaninformasidenganlebihinteraktif dan mudahdimengerti.PenelitianinitelahmenunjukkanbahwaLLMdanKGdapat dimanfaatkansebagaialatekstraksidanvisualisasiinformasiyangadapadateksberita.

---

The developmentoftheLargeLanguageModel(LLM)israpidlyoccurringandex- periencing significantprogress.ThisencouragestheuseandutilizationofLLMin variousfields.Ontheotherhand,KnowledgeGraph(KG)providesastructuredand meaningful waytostoreinformation.KGhasbeenwidelyusedinvariousapplications, such assearchengines,recommendationsystems,andquestionansweringsystems. One utilizationofLLMandKGthatisstillrarelyusedisinthefieldofjournalism, especially foranalyzingandvisualizingnews.Thisresearchaimstodevelopaneffective, interactive,andaccurateinformationextractiontoolforanalyzingnewstextsusing a combinedapproachbetweenLLMandKG.Thismethodcombinestheadvantages of bothtechniquestoimprovetheunderstandingandextractionofinformationfrom complexnewstexts.Thegoalisforreaderstounderstandtheinformationcontainedin the newstextinteractively.TheauthorutilizesLLMswhohavebeenextensivelytrained in understandingandgeneratingtextstoidentifyimportantinformationinnewstexts, such asentities,sentiments,quotes,relationsbetweenentities,and5W1H(Who,What, Where, When,Why,How),chronologicalorderofevents,andpart-wholerelationships (mereology) elementsinnewstexts.Toextractthatinformation,thepromptwasmodified by usingaone-shot-promptingapproachtoprovidecontextandexamplestoLLMsin understanding thenewstext.Then,theextractedinformationisusedtobuildaKGthat represents structuredknowledgeaboutentitiesandrelationshipsinthetext.Inaddition, the developmentplaninvolvescreatingawebsitethatwillprovideaninterfaceforthis system toallowuserstoperformliveandinteractivenewstextanalysis.Themain evaluationconductedinthisresearchistomeasuretheaccuracyoftheanswersgenerated by LLMoneachpieceofinformationextractedandhowgoodKGvisualizationisfor the informationobtained.ThisresearchshowsthatLLMisabletoextractthedesired information quiteaccuratelyandKGvisualizationcanpresentinformationinamore interactiveandeasytounderstandmanner.ThisresearchhasshownthatLLMandKG can beusedasinformationextractionandvisualizationtoolsinnewstexts."

"Framework Lex2KG dibuat untuk mengekstraksi dokumen PDF peraturan perundang-undangan menjadi dokumen KG berbentuk RDF triple. Setelah pemeriksaan, framework masih memiliki permasalahan pada tahapan ekstraksinya mengakibatkan kurangnya kualitas KG pada aspek kualitas accuracy dan completeness. Sehingga dilakukan perbaikan framework Lex2KG untuk menghindari permasalahan yang muncul dan dibutuhkan sistem lain untuk menjaga dan meningkatkan kualitas. Pada penelitian dilakukan analisis serta perbaikan framework Lex2KG yaitu peningkatan jumlah dokumen yang dapat terekstraksi menjadi KG sehingga dapat mengekstraksi 1353 dokumen Undang-Undang (UU) dan 963 dokumen mempunyai Jumlah Pasal yang lengkap. Sementara itu, framework Lex2KG sebelum perbaikan hanya dapat mengekstraksi 784 dokumen dan 563 dokumen. Selain mengekstraksi dokumen UU, pada penelitian ini framework Lex2KG dapat mengekstraksi 3864 dari 4758 dokumen Peraturan Pemerintah (PP) menjadi data KG. Penelitian ini juga membuat SHACL shape untuk memvalidasi data KG sehingga ditemukan 60 dokumen UU yang tidak memiliki judul dikarenakan perbedaan format penulisan pada dokumen PDF nya. Untuk memahami dan menganalisis data Legal KG, dibuat kode visualisasi data KG. Visualisasi ini berbentuk statistik dan graph. Penulis juga membuat dataset yang berisikan pertanyaan beserta jawabannya untuk menjaga kualitas aplikasi Legal VA menggunakan sumber data hasil ekstraksi Lex2KG guna memastikan kualitas jawaban yang dikembalikan oleh aplikasi Legal VA akurat dan sesuai.

---

The Lex2KG framework was created to extract PDF documents of laws and regulations into KG documents in the form of triple RDF. After inspection, the framework still has problems at the extraction stage resulting in a lack of KG quality in terms of accuracy and completeness. So that the Lex2KG framework is improved to avoid problems that arise and other systems are needed to maintain and improve quality. In the research, an analysis and improvement of the Lex2KG framework was carried out, namely increasing the number of documents that could be extracted into KG so that 1353 Law documents were extracted and 963 documents had a complete number of articles. Meanwhile, the Lex2KG framework before the repair could only extract 784 documents and 563 documents. In addition to extracting law documents, in this study the Lex2KG framework was able to extract 3,864 out of 4,758 Government Regulation (PP) documents into KG data. This study also created a SHACL shape to validate KG data so that 60 UU documents were found that did not have titles due to differences in the writing format of the PDF documents. To understand and analyze Legal KG data, a KG data visualization code is generated. This visualization is in the form of statistics and graphs. The author also creates a dataset containing questions and answers to maintain the quality of the Legal VA application using data sources extracted from Lex2KG to ensure the quality of the answers returned by the Legal VA application are accurate and appropriate."

"Chatbot sebagai asisten virtual yang digunakan oleh suatu instansi dapat memberikan manfaat bagi penggunanya. Dengan adanya chatbot, pengguna dapat berbicara langsung kepada chatbot melalui pesan singkat, yang kemudian sistem secara spontan mengidentifikasi intent pesan tersebut dan merespons dengan tindakan yang relevan. Sayangnya, cakupan pengetahuan chatbot terbatas dalam menangani pesan oleh pengguna yang semakin bervariasi. Dampak utama dari adanya variasi tersebut adalah adanya perubahan pada komposisi label intent. Untuk itu, penelitian ini berfokus pada dua hal. Pertama, pemodelan topik untuk menemukan intent dari pesan pengguna yang belum teridentifikasi intent-nya. Kedua, pemodelan topik digunakan untuk mengorganisasi intent yang sudah ada dengan menganalisis hasil keluaran model topik. Setelah dianalisis, terdapat dua kemungkinan fenomena perubahan komposisi intent yaitu: penggabungan dan pemecahan intent, dikarenakan terdapat noise saat proses anotasi dataset orisinal. Pemodelan topik yang digunakan terdiri dari Latent Dirichlet Allocation (LDA) sebagai model baseline dan dengan model state-of-the-art Top2Vec dan BERTopic. Penelitian dilakukan terhadap dataset salah satu e-commerce di Indonesia dan empat dataset publik. Untuk mengevaluasi model topik digunakan metrik evaluasi coherence, topic diversity dan topic quality. Hasil penelitian menunjukkan model topik BERTopic dan Top2Vec menghasilkan nilai topic quality 0.036 yang lebih baik dibandingkan model topik LDA yaitu -0.014. Terdapat pula pemecahan intent dan penggabungan intent yang ditemukan dengan analisis threshold proporsi.

---

Chatbot, as a virtual assistant used by an institution, can provide benefits for its users. With a chatbot, users can speak directly to the chatbot via a short message, which then the system spontaneously identifies the intent of the message and responds with the relevant action. Unfortunately, the scope of chatbot knowledge is limited in handling messages by an increasingly varied user. The main impact of this variation is a change in the composition of the intent label. For this reason, this research focuses on two things. First, topic modeling to find intents from user messages whose intents have not been identified. Second, topic modeling is used to organize existing intents by analyzing the output of the topic model. After being analyzed, there are two possible phenomena of changing intent composition: merging and splitting intents because there is noise during the annotation process of the original dataset. The topic modeling used consists of Latent Dirichlet Allocation (LDA) as the baseline model and the state-of-the-art Top2Vec and BERTopic models. The research was conducted on one dataset of e-commerce in Indonesia and four public datasets. The evaluation metrics of coherence, topic diversity, and topic quality were used to evaluate the topic model. The results showed that the BERTopic and Top2Vec topic models produced a topic quality value of 0.036, better than the LDA topic model, which was -0.014. There are also intent splitting and intent merging found by proportion threshold analysis."

"Knowledge graphs grow more prominent year after year. With the development of knowledge graphs, an aspect to take note of is the knowledge wealth of knowledge graphs. Knowledge wealth could be said as the amount of information stored within a knowledge graph. The richness of knowledge wealth in a knowledge graph could heighten the quality of a knowledge graph and vice versa. There have not been many tools to analyze knowledge wealth in knowledge graphs and the ones that exist have limitations in the way they analyze knowledge wealth. We propose a Python framework to analyze knowledge wealth and imbalance for RDF knowledge graphs. The framework can help with doing large scale analysis on knowledge graphs and see how knowledge wealth is distributed within a knowledge graph. To evaluate the framework, this study includes large-scale analysis on several different knowledge graphs. We hope that the result of this framework can help others in analyzing knowledge wealth within various knowledge graphs.

---

Dengan perkembangannya knowledge graph, salah satu aspek penting yang perlu diperhatikan adalah knowledge wealth atau kekayaan informasi yang terdapat pada suatu knowledge graph. Kayanya knowledge wealth dalam suatu knowledge graph dapat menandakan tingginya kualitas suatu knowledge graph dan sebaliknya. Belum terdapat banyak alat (tool) untuk menganalisis knowledge wealth dalam knowledge graph dan alat yang sudah ada memiliki limitasi dalam menganalisis. Penelitian ini mengusulkan sebuah framework Python untuk menganalisis knowledge wealth dan knowledge imbalance dalam RDF knowledge graph. Framework ini membantu untuk melakukan analisis skala besar pada knowledge graph dan melihat persebaran knowledge wealth pada knowledge graph tersebut. Untuk mengevaluasi framework ini, dilakukan studi kasus berskala besar pada beberapa knowledge graph. Diharapkan hasil dari penelitian ini dapat membantu dalam meneliti knowledge wealth pada knowledge graph.

"

"Tidak dapat dipungkiri bahwa teknologi semakin berkembang dan inovasi baru terus bermunculan. ChatGPT merupakan salah satunya; dan menjadi buah bibir di awal tahun 2023. Teknologi ini dapat melayani aktivitas tanya-jawab yang membuat pengguna dapat merasa telah melakukan percakapan dengan manusia lainnya, alih-alih dengan mesin. Kemampuan ChatGPT bersumber dari model GPT yang digunakannya. Selaku large language model, GPT dapat memproses banyak teks untuk memproduksi teks lainnya. Walaupun secara umum dapat memberikan jawaban yang memadai, saat berurusan dengan domain yang spesifik, misalnya legal, ChatGPT memberikan jawaban yang kurang memuaskan. Penelitian ini dilakukan untuk mengatasi hal tersebut dengan menyisipkan konteks atau kepingan informasi yang spesifik kepada model melalui suatu prompt (in-context learning). Karena domain legal menjadi fokus penelitian ini, maka teks yang akan diproses berasal dari dokumen peraturan perundang-undangan. Penelitian ini diawali dengan preliminary research, sehingga diidentifikasi permasalahan yang telah dijabarkan. Kemudian, dilanjutkan dengan perancangan serta pengembangan dua sistem tanya-jawab yang menggunakan dua framework LlamaIndex dan LangChain. Sebelum mengembangkan sistem, peneliti mempersiapkan terlebih dahulu data/teks yang perlu diekstrak dari dokumen peraturan perundang-undangan. Pengembangan sistem dilakukan secara iteratif dan evaluasi diadakan pada setiap iterasi. Evaluasi dilakukan secara kualitatif dengan menggunakan human judgement serta secara kualitatif dengan menggunakan metrik ROUGE dan SAS. Hasil akhir evaluasi menunjukkan bahwa kedua sistem tersebut baik dalam menjawab pertanyaan terkait definisi dan substansi pada domain legal. Selain itu, dilakukan juga perbandingan hasil evaluasi terhadap ChatGPT dan ditemukan bahwa kedua sistem unggul. Penelitian ini telah menunjukkan bahwa teknologi GPT dapat dimanfaatkan pada domain spesifik, yaitu legal, melalui kedua sistem yang dibuat.

---

It cannot be denied that technology is constantly advancing and new innovations continue to emerge. ChatGPT is one of them and has become the talk of the town in early 2023. This technology can facilitate question-and-answer interactions that make users feel like they are having a conversation with another human rather than a machine. This capability of ChatGPT is derived from the GPT model it uses. As a large language model, GPT can process a large amount of text to generate new text. Although it generally provides adequate answers, when dealing with specific domains such as legal matters, ChatGPT may give unsatisfactory responses. This research was conducted to overcome this issue by incorporating specific context or pieces of information into the model through a prompt (in-context learning). As the legal domain is the focus of this research, the text to be processed are Indonesian legal regulatory documents. The research begins with preliminary research. It is then followed by the design and development of two question-and-answer systems using two frameworks: LlamaIndex and LangChain. Before developing the systems, the researcher first prepares the data/text that needs to be extracted from the legal documents. The system development is carried out iteratively and evaluations are conducted at each iteration. The evaluations are performed qualitatively using human judgment and quantitatively using ROUGE and SAS metrics. The final evaluation results indicate that both systems perform well in answering questions related to definitions and substance in the legal domain. Additionally, a comparison of the evaluation results with ChatGPT shows that both systems outperform it. This research has demonstrated that GPT technology can be utilized in specific domains, namely legal, through the two developed systems."

"Seiring berjalannya waktu, tuntutan akan informasi yang relevan dan akurat semakin meningkat secara signifikan. Knowledge graph telah muncul sebagai framework untuk menyimpan dan mengorganisir data, serta menangkap hubungan antara entitas dan konsep. Memahami konsep knowledge wealth dalam knowledge graph sangat penting karena memberikan wawasan tentang kelimpahan informasi dan kedalaman pengetahuan yang dapat diakses dan dimanfaatkan. Tujuan dari penelitian ini adalah menganalisis pertumbuhan knowledge wealth dan memprediksi perkembangannya di masa depan. Penelitian ini menggunakan data yang diperoleh langsung dari Wikidata yang mencakup periode tahun 2012 hingga 2022. Statistik deskriptif dan uji kecocokan digunakan untuk menganalisis pertumbuhan knowledge wealth, sementara berbagai teknik pemodelan digunakan untuk memprediksi dan dibandingkan hasilnya. Temuan dari penelitian ini berkontribusi pada pemahaman yang lebih baik tentang pertumbuhan knowledge wealth dalam knowledge graph dan memberikan wawasan berharga untuk melakukan identifikasi dan karakterisasi pertumbuhan knowledge wealth.

---

As time progresses, the demand for relevant and accurate information has significantly increased. Knowledge graphs have emerged as a framework for storing and organizing data, capturing relationships between entities and concepts. Understanding the concept of knowledge wealth within a knowledge graph is crucial as it provides insights into the abundance of information and the depth of accessible knowledge. The objective of this study is to analyze the growth of knowledge wealth and forecast its future development. The study utilizes data directly obtained from Wikidata spanning the years 2012 to 2022. Descriptive statistics and goodness-of-fit tests are used to analyze the growth of knowledge wealth, while various modeling techniques are employed to predict and compare the results. The findings of this research contribute to a better understanding of knowledge growth within knowledge graphs and provide valuable insights for identifying and characterizing the growth of knowledge wealth."

"ProWD adalah suatu aplikasi yang memberi informasi dengan memvisualisasikan ketimpangan pengetahuan pada Wikidata, salah satu basis pengetahuan yang paling populer di web. Dalam pelaksanaannya, terdapat beberapa aspek penting yang perlu diperhatikan sehingga ProWD dapat menyampaikan wawasan tentang ketimpangan pengetahuan dengan efektif. Skripsi ini mengeksplorasi aspek UI/UX pada ProWD dengan pendekatan User-Centered Design dan teori visualisasi data. Perumusan solusi desain alternatif pada ProWD dilakukan dengan melakukan sesi wawancara dan usability testing pada target pengguna, serta memanfaatkan alat-alat desain untuk menghasilkan redesain antarmuka ProWD. Hasil redesain tersebut selanjutnya diimplementasikan menjadi sebuah aplikasi web yang dapat diakses pada http://prowd.id/. Evaluasi dari hasil redesain ProWD menunjukkan kenaikan signifikan pada nilai System Usability Scale sebesar 27 poin secara keseluruhan, dengan hasil User Experience Questionnaire yang juga menunjukkan kenaikan pada tiap skala yang diukur dengan perubahan terbesar pada skala perspicuity sebesar 1.81 poin dan attractiveness sebesar 1.7 poin. Lebih lanjut lagi, terjadi peningkatan sebesar 25.9% pada success rate aplikasi secara keseluruhan dengan peningkatan rata-rata sebesar 3.56% pada average task completion time. Umpan balik kualitatif dari sesi usability testing juga dipaparkan pada skripsi ini untuk memberi wawasan yang lebih kaya terhadap redesain yang dilakukan.

---

ProWD is an application which provides information through visualizing the knowledge imbalance on Wikidata, one of the most popular knowledge bases on the web. In the process of creating a product, there are several aspects which needs to be kept in mind to be able to deliver the insights on knowledge imbalance effectively. This thesis explores the UI/UX aspect of ProWD using the User Centered Design approach and data visualization theories. Alternative design solutions for ProWD are formulated through conducting interviews and usability testing sessions with the target users, while utilizing the design tools to produce a redesign for ProWD’s interface. The redesign is then implemented into a web application which can be accessed on http://prowd.id/. The evaluation of ProWD’s redesign shows a significant increase of 27 points on the application’s System Usability Scale, with the results of the User Experience Questionnaire showing an increase on each scale with the largest increase of 1.81 points on perspicuity and 1.7 points on attractiveness. Furthermore, an overall increase of 25.9% can be seen on the Success Rate with an average increase of 3.56% on the average task completion time. The qualitative feedback from the usability testing sessions are also elaborated within this thesis to provide a richer insight on the implemented redesign."