61 research outputs found
Automatic question generation (AQG) dari dokumen teks bahasa Indonesia berbasis information extraction menggunakan machine learning/ Basuki
No full textIV, 19 hal.: 29 c
Deteksi Topik Tentang Tokoh Publik Politik Menggunakan Latent Dirichlet Allocation (LDA)
No full textTwitter merupakan salah satu Social Networking yang memperbolehkan pengguna untuk mengirim dan membaca sebanyak 140 karakter. Berdasarkan survey sekitar 500 juta tweet tiap harinya yang dikirim melalui twitter. Data-data tersebut dapat berupa opini-opini publik mengenai politik, tokoh publik, makanan, dan lain sebagainya. Data tersebut akan diolah dengan teknik Topic Detection untuk menghasilkan suatu topik yang sedang marak dibicarakan masyarakat tentang tokoh publik politik. Permasalahan dalam penulisan ini yaitu, bagaimana mengekstraksi suatu tweet tentang tokoh publik politik dari pengguna Twitter. Data tweet yang diambil tentang tokoh publik politik diantaranya yaitu mengenai Joko Widodo, Basuki Tjahaja Purnama (Ahok), Anies Baswedan, Sandiaga Uno, dan Habib Rizieq Shihab. Dengan adanya data atau tweet tentang tokoh publik politik dapat diolah menggunakan metode Agglomerative untuk mengcluster tiap data yang akan digunakan sebagai topik acuan, LDA (Latent Dirichlet Allocation) yang akan berfungsi sebagai pemodelan topik dari tweet-tweet yang telah tercluster, serta TF-IDF untuk mengetahui tweet mana saja yang mengandung kata-kata dalam LDA yang akan dijadikan sebagai topik acuan. Sehingga akan menghasilkan deteksi topik yang relevan berdasarkan tweet mengenai tokoh publik politik
Upaya European Asylum Support Office (EASO) dalam Mengurangi Arus Imigran dari Jalur Laut Mediterania Tahun 2014-2016
Get PDFABSTRACT AGUNG SETIO NUGROHO, student number D0413005, research title EUROPEAN ASYLUM SUPPORT OFFICE (EASO) EFFORTS IN REDUCING IMMIGRANTS INFLUX THROUGH THE MEDITERRANEAN SEA LANE 2014-2016. International Relations Department, Faculty of Social and Political Sciences, Universitas Sebelas Maret, Surakarta. September 2017 The EU faces the problem of an unprecedented flood of immigrants. The Mediterranean Sea becomes a potential gateway, both for refugees and for irresponsible agents. Open borders offer not only greater opportunities in various fields but also cause new problems. The absence of consensus on immigrant handling shows that the EU has no spurs in addressing the internal state issues, especially in handling Immigrants entering Europe through Mediterranean Sea. This research aims to give a brief and general picture on how a regional organization, in this case European Union managed to work to secure its territory from threat and crisis using its special office working in the field of migrant management which is European Asylum Support Office (EASO). In order to answer the question about how European Union with its EASO managed to overcome Migrant Crisis and the problem caused by migrants in the year of 2014-2016, the author uses the concept of international migration and regional security. Then in analyzing these efforts the author uses the theory of Institutionalism. This qualitative research using literature review as data collection method. By the end of this research, the author came to a conclusion that the efforts done by the EASO has been able to reduce the influx of immigrants entering Europe through Mediterranean Sea Lane by 2014-2016 eventhough still need to be maximized. Keywords: Asylum, EASO, European Union, Migrant Crisis, Refuge
The Crucial Role of Citation Functions in The Technology-assisted Peer Review
Get PDF豊橋技術科学大学博士(工学)doctoral thesi
APLIKASI PENDISTRIBUSIAN ROKOK BERBASIS WEB DI PT PANAMAS MALANG ( Web Base Cigarets Distributed Application in PT. PANAMAS MALANG )
Get PDFPT PANAMAS merupakan suatu unit marketing yang memasarkan produk-produk rokok yang dihasilkan oleh PT SAMPOERNA. PT PANAMAS memiliki beberapa divisi, salah satunya adalah divisi distribusi yaitu divisi yang bertugas untuk mendistribusikan rokok kepada para direct selling (outlet). Untuk itu diperlukan suatu aplikasi yang dapat memberikan kecepatan dan kemudahan pengadministrasian data yang berkaitan dengan pendistribusian rokok.Aplikasi pendistribusian rokok pada berbasis web di PT PANAMAS merupakan suatu aplikasi pengolah data distribusi rokok. Dengan adanya aplikasi ini, dapat dengan mudah untuk mengetahui daerah mana saja yang potensial dalam artian memiliki persebaran yang baik, mempertimbangkan prestasi dari sales, mengetahui jenis rokok yang memiliki potensi bagus pada distrik tertentu.Aplikasi ini dibuat berdasarkan suatu analisa dan desain dengan metode terstuktur (waterfall). Proses imjplementasi sistem dilakukan dengan menggunakan bahasa pemrograman PHP Triad 2.11, MySQL Front sebagai Editor MySQL, Macromedia Dreamweaver sebagai editor HTML
Detection of Bias in Machine Learning Models for Predicting Deaths Caused by COVID-19
Get PDFThe COVID-19 pandemic has significantly impacted global health, resulting in numerous fatalities and presenting substantial challenges to national healthcare systems due to a sharp increase in cases. Key to managing this crisis is the rapid and accurate identification of COVID-19 infections, a task that can be enhanced with Machine Learning (ML) techniques. However, ML applications can also generate biased and potentially unfair outcomes for certain demographic groups. This paper introduces a ML model designed for detecting both COVID-19 cases and biases associated with specific patient attributes. The model employs Decision Tree and XGBoost algorithms for case detection, while bias analysis is performed using the DALEX library, which focuses on protected attributes such as age, gender, race, and ethnicity. DALEX works by creating an "explainer" object that represents the model, enabling exploration of the model\u27s functions without requiring in-depth knowledge of its workings. This approach helps pinpoint influential attributes and uncover potential biases within the model. Model performance is assessed through accuracy metrics, with the Decision Tree algorithm achieving the highest accuracy at 99% following Bayesian hyperparameter optimization. However, high accuracy does not ensure fairness, as biases related to protected attributes may still persist
IMPLEMENTASI ALGORITMA CONDITIONAL RANDOM FIELDS UNTUK PART OF SPEECH TAGGING BAHASA MADURA
Get PDFPenelitian ini berfokus pada penerapan Conditional Random Fields (CRF) untuk Part of Speech (POS) Tagging dalam bahasa Madura. Mengingat keterbatasan sumber daya pemrosesan bahasa alami (NLP) untuk bahasa daerah, khususnya bahasa Madura, studi ini bertujuan untuk mengembangkan model POS tagging yang akurat. Dataset yang digunakan berisi 73.051 kata yang dikumpulkan dari berbagai sumber, seperti media sosial, artikel, dan percakapan sehari-hari. Data ini melalui tahapan pra-pemrosesan, termasuk pembersihan, tokenisasi, dan pelabelan manual dengan kategori POS yang mencakup 15 jenis tag. Model CRF dilatih menggunakan fitur morfologis dan kontekstual untuk mengenali pola linguistik dalam bahasa Madura. Model ini mencapai akurasi yang kompetitif sebesar 95%, yang menunjukkan kemampuannya dalam menangkap pola linguistik bahasa Madura secara efektif. Model ini berkinerja baik dalam kategori POS umum seperti kata benda (NN), kata kerja (VB), dan kata sifat (JJ), dengan F1-score sebesar 0,96 untuk kata benda dan 0,89 untuk kata kerja. Namun, tantangan muncul pada kategori yang lebih jarang seperti Foreign Word (FW) dan Adverb (RB), terutama disebabkan oleh variasi dialek dan penggunaan kata serapan. Penelitian ini memberikan kontribusi penting dalam pengembangan sumber daya NLP untuk bahasa daerah dan dapat digunakan dalam berbagai aplikasi seperti penerjemahan otomatis, asisten virtual, serta pelestarian bahasa Madura. Penelitian mendatang disarankan memperluas dataset dan mengeksplorasi model berbasis neural network untuk lebih meningkatkan kinerja POS tagging.Penelitian ini berfokus pada penerapan Conditional Random Fields (CRF) untuk Part of Speech (POS) Tagging dalam bahasa Madura. Mengingat keterbatasan sumber daya pemrosesan bahasa alami (NLP) untuk bahasa daerah, khususnya bahasa Madura, studi ini bertujuan untuk mengembangkan model POS tagging yang akurat. Dataset yang digunakan berisi 73.051 kata yang dikumpulkan dari berbagai sumber, seperti media sosial, artikel, dan percakapan sehari-hari. Data ini melalui tahapan pra-pemrosesan, termasuk pembersihan, tokenisasi, dan pelabelan manual dengan kategori POS yang mencakup 15 jenis tag. Model CRF dilatih menggunakan fitur morfologis dan kontekstual untuk mengenali pola linguistik dalam bahasa Madura. Model ini mencapai akurasi yang kompetitif sebesar 95%, yang menunjukkan kemampuannya dalam menangkap pola linguistik bahasa Madura secara efektif. Model ini berkinerja baik dalam kategori POS umum seperti kata benda (NN), kata kerja (VB), dan kata sifat (JJ), dengan F1-score sebesar 0,96 untuk kata benda dan 0,89 untuk kata kerja. Namun, tantangan muncul pada kategori yang lebih jarang seperti Foreign Word (FW) dan Adverb (RB), terutama disebabkan oleh variasi dialek dan penggunaan kata serapan. Penelitian ini memberikan kontribusi penting dalam pengembangan sumber daya NLP untuk bahasa daerah dan dapat digunakan dalam berbagai aplikasi seperti penerjemahan otomatis, asisten virtual, serta pelestarian bahasa Madura. Penelitian mendatang dimasa depan memperluas dataset dan mengeksplorasi model berbasis neural network untuk lebih meningkatkan kinerja POS tagging.
Kata Kunci: Pemrosesan Bahasa Alami, Conditional Random Fields, POS Tagging, Bahasa Madura, Pelestarian Bahasa Daerah
Implementation of Conditional Random Fields Algorithm for Part of Speech Tagging in Madurese Language
No full textPenelitian ini berfokus pada penerapan Conditional Random Fields (CRF) untuk Part of Speech (POS) Tagging dalam bahasa Madura. Mengingat keterbatasan sumber daya pemrosesan bahasa alami (NLP) untuk bahasa daerah, khususnya bahasa Madura, studi ini bertujuan untuk mengembangkan model POS tagging yang akurat. Dataset yang digunakan berisi 73.051 kata yang dikumpulkan dari berbagai sumber, seperti media sosial, artikel, dan percakapan sehari-hari. Data ini melalui tahapan pra-pemrosesan, termasuk pembersihan, tokenisasi, dan pelabelan manual dengan kategori POS yang mencakup 15 jenis tag. Model CRF dilatih menggunakan fitur morfologis dan kontekstual untuk mengenali pola linguistik dalam bahasa Madura. Model ini mencapai akurasi yang kompetitif sebesar 95%, yang menunjukkan kemampuannya dalam menangkap pola linguistik bahasa Madura secara efektif. Model ini berkinerja baik dalam kategori POS umum seperti kata benda (NN), kata kerja (VB), dan kata sifat (JJ), dengan F1-score sebesar 0,96 untuk kata benda dan 0,89 untuk kata kerja. Namun, tantangan muncul pada kategori yang lebih jarang seperti Foreign Word (FW) dan Adverb (RB), terutama disebabkan oleh variasi dialek dan penggunaan kata serapan. Penelitian ini memberikan kontribusi penting dalam pengembangan sumber daya NLP untuk bahasa daerah dan dapat digunakan dalam berbagai aplikasi seperti penerjemahan otomatis, asisten virtual, serta pelestarian bahasa Madura. Penelitian mendatang disarankan memperluas dataset dan mengeksplorasi model berbasis neural network untuk lebih meningkatkan kinerja POS tagging
The Quality Assist: A Technology-Assisted Peer Review Based on Citation Functions to Predict the Paper Quality
No full textThis study aims to develop a prediction model for paper quality assessment to support technology-assisted peer review. The prediction technique is intended to reduce the review burden, which is becoming a critical issue in today’s paper submission process. However, most existing works on this topic were built by involving the reviewers’ comments, which is considered unfair and inapplicable for reducing the review burden. Therefore, our prediction method relies only on features extracted from the paper to address this issue. The method covers three tasks as follows: two are classification tasks and one is a regression task. The classification tasks predict the final review decision (accepted-rejected) and estimate the paper quality (good-poor), while a regression task predicts the review scores. Additionally, the classification and regression tasks are implemented using three main features i.e., citing sentence features developed based on the labeling scheme of citation functions, regular sentence features created by applying the label of citation functions to non-citation text, and reference-based features constructed by identifying the source of citations. Furthermore, the classification experiments on the dataset obtained from the International Conference on Learning Representations 2017–2020 showed that our methods are more effective in the good-poor task than the accepted-rejected task by demonstrating the best accuracy of 0.75 and 0.73, respectively. Moreover, we also reached a satisfactory recall of 0.99 using only the citing sentence features to obtain as many good papers as possible in the good-poor task. Our regression experiments indicate that the best result in predicting the average review score is higher than the individual review score by showing Root Mean Square Error (RMSE) of 1.34 and 1.71, respectively
Transfer Learning Approaches for Non-Organic Waste Classification: Experiments Using MobileNet and VGG-16
No full textThis paper develops machine learning (ML) models for classifying non-organic waste automatically. The goal is to support more effective waste management by increasing recycling rates, reducing landfill use, and minimizing environmental impact. The ML models proposed in this paper classify 20 types of non-organic waste collected from the internet, which consists of 2,552 instances. Our experiments reveal several key findings. First, MobileNet, which achieved 86% accuracy, outperforms VGG-16, which reaches only 72% accuracy. Second, both models show good classification performances in classifying glass bottles, toothbrushes, and cigarette butts. Third, both models suffer from misclassification in visually similar categories, especially when it comes to paper-based waste like books, cardboard, foam packaging, and carton packaging. Fourth, MobileNet has difficulty detecting plastic packaging, carton packaging, and books, while VGG-16 exhibits higher misclassification rates for foam packaging, cardboard, and newspapers. These results pose a further critical development of the model to classify non-organic waste with similar textures and shapes. Moreover, it presents the urgency of improving the model to distinguish visually similar waste materials. Considering the number of labels used in this paper compared with existing studies, the findings demonstrate the competitiveness of our models for non-organic waste classification
- …
