Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal eProceedings of Engineering
Siti Sa’adah
Telkom University
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pengukuran Topik pada LinkedIn Telkom University dengan Metode Probabilistic Latent Semantic Analysis (PLSA) Nanda Firmansyah; Donni Richasdy; Siti Sa’adah
eProceedings of Engineering Vol 10, No 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak- Saat ini, media sosial sangat diharapkan manusia untuk mencari atau memberi info. LinkedIn merupakan salah satu media sosial yang digunakan untuk saling bertukar informasi secara terbuka. LinkedIn adalah suatu wadah media sosial yang menampung identitas asal pengguna tersebut, sehingga orang yg membutuhkan info tadi dapat mencari ataupun mengunjungi akun profil yg diperlukan sesuai dengan informasinya. Universitas Telkom menggunakan media sosial LinkedIn untuk memberitahu apa saja berita yg terdapat di Universitas Telkom. Terdapat banyak informasi serta topik yang dibahas pada profil LinkedIn Universitas Telkom. Dipenelitian ini dilakukan pengukuran topik pada LinkedIn Universitas Telkom menggunakan metode Probabilistic Latent Semantic Analysis (PLSA). Pengukuran topik ini dilakukan supaya mengetahui efektifitas pengukuran topik di LinkedIn Universitas Telkom dan dengan adanya PLSA pula diketahui apa saja topik yg dibahas pada profil LinkedIn Universitas Telkom. Kemudian dilakukan juga pengukuran perbandingan pengukuran dengan adanya stemming dan stopword. Dari analisis yg dilakukan semakin banyak topik yang diterapkan semakin bagus nilai dari perhitungan log-likehood yg didapat. Dan dari pengukuran yang dilakukan, adanya penerapan stopword dan stemming adalah kondisi terbaik daripada tidak adanya stemming ataupun stopword.Kata kunci- pengukuran topik, universitas telkom, linkedin, probabilistic latent semantic.
Implementasi Metode Bidirectional LSTM-CRF untuk Ekstraksi Entitas Organisasi pada Berita yang Terafiliasi Telkom University Andika Aroman; Donni Richasdy; Siti Sa’adah
eProceedings of Engineering Vol 10, No 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak- Dalam Natural Language Processing (NLP), Teknologi Named Entity Recognition (NER) merupakan salah satu bagian dari metode NLP dan banyak dipergunakan seperti ekstraksi informasi, pencarian informasi, terjemahan mesin dan sistem penjawab pertanyaan dan lain-lain, sehingga penelitian ini berfokus pada ekstraksi informasi. Named Entity Recognition (NER) memiliki tujuan utama mengidentifikasi nama entitas dengan makna khusus dalam teks, terutama nama pribadi, lokasi, organisasi, waktu dan entitas-entitas lainnya. Sumber data yang digunakan adalah teks berita berbahasa Indonesia yang dilabelin secara manual dengan menggunakan beberapa tag, yaitu nama pribadi, lokasi, organisasi dan waktu. Oleh karena itu, penelitian ini menggunakan metode Bidirectional LSTM-CRF. Bidirectional LSTM memanfaatkan pra-konteks(konteks sebelumnya) dan pasca-konteks(konteks sesudahnya) dengan memproses data dari dua arah yang kemudian diklasifikasikan menggunakan CRF. Pada penelitian ini, terdapat beberapa proses yang dilakukan, yaitu preprocessing(case folding, filtering, tokenization), labeling, word2vec, training, testing dan proses terakhir evaluasi. Hasil penelitian ini menunjukkan bahwa metode Bidirectional LSTM-CRF untuk sistem NER terhadap teks bahasa Indonesia memperoleh hasil f1-score untuk entitas organisasi sebesar 86%. Hasil ini didasarkan pada tiga skenario pengujian, yaitu mengatur word embedding dimensions, units dan batch sizes. Kata kunci- named entity recognition, natural language processing, bidirectional LSTM-CRF
Co-Authors Andika Aroman Donni Richasdy Nanda Firmansyah