Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tujuan penelitian tugas akhir ini adalah membangun sistem yang menghasilkan bahasa alami dari representasi semantik leksikal dengan menggunakan pendekatan chart generation. Penelitian tugas akhir ini dibatasi pada bahasa alami yang dihasilkan berupa kalimat deklaratif dalam bahasa Indonesia. Pendekatan chart generation secara mudahnya merupakan kebalikan dari chart parsing, metode yang digunakan untuk membentuk representasi semantik dari sebuah bahasa alami. Aturan tata bahasa dan semantik leksikal yang digunakan dalam penelitian ini adalah penyesuaian dari aturan tata bahasa dan semantik leksikal yang dirancang oleh Mahendra dalam penelitian sebelumnya (Mahendra, 2008). Perancangan konsep chart generation dan implementasinya merupakan penyesuaian dari rancangan konsep poetry generator yang dirancang oleh Manurung dalam penelitiannya (Manurung, 1999).Implementasi penelitian tugas akhir ini menggunakan bahasa pemrograman Prolog dikarenakan banyaknya penelitian terkait yang menggunakan bahasa pemrograman tersebut. Evaluasi penelitian tugas akhir ini dilakukan dengan pengujian terhadap performa sistem NLG, baik sebagai sebuah sistem tunggal, maupun sebagai bagian dari sistem tanya jawab yang dikembangkan sebelumnya (Larasati, 2007) (Mahendra, 2008). Pengujian dilakukan dengan cara memberikan beragam masukan semantik leksikal kepada sistem. Hasil penelitian tugas akhir ini baru bisa menghasilkan bahasa alami yang sah berdasar semantik leksikal yang bersesuaian. Diharapkan pada penelitian-penelitian berikutnya, dapat dikembangkan banyak hal dari hasil penelitian ini."

"Sistem tanya jawab merupakan salah satu tugas dalam domain natural language processing (NLP) yang sederhananya bertugas untuk menjawab pertanyaan sesuai konteks yang pengguna berikan ke sistem tanya jawab tersebut. Sistem tanya jawab berbahasa Indonesia sebenarnya sudah ada, namun masih memiliki performa yang terbilang kurang baik. Penelitian ini bereksperimen untuk mencoba meningkatkan performa dari sistem tanya jawab berbahasa Indonesia dengan memanfaatkan natural language inference (NLI). Eksperimen untuk meningkatkan sistem tanya jawab berbahasa Indonesia, penulis menggunakan dua metode, yaitu: intermediate-task transfer learning dan task recasting sebagai verifikator. Dengan metode intermediate-task transfer learning, performa sistem tanya jawab berbahasa Indonesia meningkat, hingga skor F1-nya naik sekitar 5.69 dibandingkan tanpa menggunakan pemanfaatan NLI sama sekali, dan berhasil mendapatkan skor F1 tertinggi sebesar 85.14, namun, peningkatan performa dengan metode intermediate-task transfer learning cenderung tidak signifikan, kecuali pada beberapa kasus khusus model tertentu. Sedangkan dengan metode task recasting sebagai verifikator dengan parameter tipe filtering dan tipe perubahan format kalimat, performa sistem tanya jawab berbahasa Indonesia cenderung menurun, penurunan performa ini bervariasi signifikansinya. Pada penelitian ini juga dilakukan analisis karakteristik pasangan konteks-pertanyaan-jawaban seperti apa yang bisa dijawab dengan lebih baik oleh sistem tanya jawab dengan memanfaatkan NLI, dan didapatkan kesimpulan bahwa: performa sistem tanya jawab meningkat dibandingkan hasil baseline-nya pada berbagai karakteristik, antara lain: pada tipe pertanyaan apa, dimana, kapan, siapa, bagaimana, dan lainnya; kemudian pada panjang konteks ≤ 100 dan 101 ≤ 150; lalu pada panjang pertanyaan ≤ 5 dan 6 ≤ 10; kemudian pada panjang jawaban golden truth ≤ 5 dan 6 ≤ 10; lalu pada keseluruhan answer type selain law dan time; terakhir pada reasoning type WM, SSR, dan MSR.

---

The question-answering system is one of the tasks within the domain of natural language processing (NLP) that, in simple terms, aims to answer questions based on the context provided by the user to the question-answering system. While there is an existing Indonesian question-answering system, its performance is considered somewhat inadequate. This research conducts experiments to improve the performance of the Indonesian question answering system by utilizing natural language inference (NLI). In order to enhance the Indonesian question-answering system, the author employs two methods: intermediate task transfer learning and task recasting as verifiers. Using the intermediate-task transfer learning method, the performance of the Indonesian question-answering system improves significantly, with an increase of approximately 5.69 in F1 score compared to not utilizing NLI at all, achieving the highest F1 score of 85.14. However, the performance improvement with the intermediate-task transfer learning method tends to be non-significant, except in certain specific cases and particular models. On the other hand, employing the task recasting method as a verifier with filtering parameter type and sentence format change type leads to a decline in the performance of the Indonesian question-answering system, with the significance of this performance decrease varying. Additionally, this research conducts an analysis on the characteristics of context-question-answer pairs that can be better answered by the question-answering system utilizing NLI. The findings conclude that the question-answering system’s performance improves compared to its baseline across various characteristics, including different question types such as what, where, when, who, how, and others. Furthermore, it improves with context lengths ≤ 100 and 101 ≤ 150, question lengths ≤ 5 and 6 ≤ 10, as well as answer lengths (golden truth) ≤ 5 and 6 ≤ 10. Additionally, it performs better in overall answer types excluding law and time, and lastly, in reasoning types WM, SSR, and MSR."

"Penelitian ini bertujuan untuk mengembangkan sistem chatbot yang mampu menjawab pertanyaan seputar akademik Teknik Komputer UI. Sistem ini memanfaatkan teknologi Large Language Model (LLM) Komodo-7B yang telah di-fine-tuning dengan teknik Low-Rank Adaptation (LoRA) dan diintegrasikan dengan Retrieval Augmented Generation (RAG). Dataset Ultrachat yang diterjemahkan ke Bahasa Indonesia digunakan untuk fine-tuning model Komodo-7B, sementara dokumen PDF Kurikulum Teknik Komputer UI 2020 v4 digunakan sebagai sumber informasi untuk model RAG.Pengujian performa model Komodo-7B menunjukkan bahwa LoRA efektif dalam meningkatkan kemampuan model dalam memahami dan menghasilkan teks percakapan Bahasa Indonesia. Namun, pengujian performa chatbot menggunakan dua dataset pertanyaan, yaitu dataset custom yang dihasilkan menggunakan Giskard dan API ChatGPT, dan dataset Fathurrahman Irwansa yang telah diadaptasi, menunjukkan bahwa sistem chatbot masih memiliki ruang untuk peningkatan. Tingkat akurasi yang rendah pada kedua dataset (32% pada dataset custom dan 24,1% pada dataset Fathur) mengindikasikan bahwa sistem retrieval yang digunakan kurang akurat dalam menemukan konteks yang relevan. Meskipun demikian, ketika model RAG dapat mengambil konteks yang relevan, model Komodo-7B menunjukkan akurasi yang cukup tinggi (80% pada dataset custom dan 91,29% pada dataset Fathur, dihitung dari jumlah ketika kedua Komodo-7B dan konteks benar, kemudian dibagi dengan jumlah ketika konteks benar).Hasil penelitian menunjukkan bahwa model Komodo-7B memiliki potensi yang baik untuk digunakan pada sistem chatbot jika dikombinasikan dengan sistem retrieval yang lebih akurat. Penelitian ini memberikan kontribusi dalam pengembangan sistem chatbot berbasis LLM untuk menjawab pertanyaan seputar akademik, dan membuka peluang untuk penggunaan yang lebih luas di lingkungan Universitas Indonesia.

---

This research aims to develop a chatbot system capable of answering questions regarding the academic curriculum of Computer Engineering at Universitas Indonesia. The system utilizes the Komodo-7B Large Language Model (LLM), fine-tuned with Low-Rank Adaptation (LoRA) and integrated with Retrieval Augmented Generation (RAG). The Ultrachat dataset, translated into Indonesian, is used for fine-tuning the Komodo-7B model, while the 2020 v4 Computer Engineering Curriculum PDF document serves as the information source for the RAG model. Performance evaluation of the Komodo-7B model demonstrates that LoRA effectively enhances the model's ability to understand and generate Indonesian text. However, chatbot performance testing using two question datasets, a custom dataset generated using Giskard and the ChatGPT API, and the Fathur dataset adapted from prior research, reveals that the chatbot system still has room for improvement. The low accuracy on both datasets (32% on the custom dataset and 24.1% on the Fathur dataset) indicates that the retrieval system employed is not sufficiently accurate in finding relevant context. Nevertheless, when the RAG model successfully identifies relevant context, the Komodo-7B model exhibits relatively high accuracy (80% on the custom dataset and 91.29% on the Fathur dataset, calculated from the total of when Komodo-7B and the context are both correct, then divided by the total of when the context is correct). The research findings suggest that the Komodo-7B model holds significant potential for chatbot systems when combined with a more accurate retrieval system. This study contributes to the development of LLM-based chatbot systems for answering academic-related questions and opens up opportunities for broader applications within Universitas Indonesia."

"Tujuan penelitian dalam tugas akhir ini adalah membangun sistem yang menghasilkan representasi semantik dengan metode syntax-driven semantic analysis untuk kalimat deklaratif Bahasa Indonesia yang dibangun berdasarkan aturan-aturan tata bahasa kalimat deklaratif pada pengurai sintaks atau parser. Aturan tata bahasa yang digunakan adalah aturan tata bahasa yang telah dikembangkan pada penelitian sebelumnya. Aturan-aturan tata bahasa diubah terlebih dahulu menjadi bentuk backus-naur form atau yang lebih khususnya definite clause grammar.Representasi semantik dibangun dari lexical semantic kata yang ditemukan pada kalimat masukan dan semantic attachment rule, yang menggunakan lambda calculus notation, yang terdapat pada tiap aturan tata bahasa pada parser. Representasi semantik yang dihasilkan adalah dalam bentuk subset dari first order predicate calculus. Representasi semantik tersebut diterapkan pada sebuah sistem perolehan informasi yaitu sebuah sistem tanya jawab.Sistem tanya jawab ini mendapat masukan berupa kalimat dalam bahasa alami yang kemudian dicari representasi semantiknya dan disimpan ke dalam sebuah basis data yang menjadi knowledge base dari sistem. Sistem dapat mencari jawaban yang sesuai dengan pertanyaan yang diajukan dalam bahasa alami dengan cara mencari representasi semantik pertanyaan yang diajukan dan dicocokkan dengan fakta yang terdapat dalam basis data.Implementasi pada penelitian ini, yaitu pengembangan sistem yang menghasilkan representasi semantik dan sistem tanya jawab, dilakukan dengan menggunakan bahasa pemrograman Prolog. Pemrosesan teks dilakukan dengan menggunakan bahasa pemrograman PERL. Sistem yang menghasilkan representasi semantik dengan metode syntax-driven semantic analysis untuk kalimat deklaratif sudah dibangun. Penerapan hasil representasi semantik tersebut pada bidang perolehan informasi yaitu tanya jawab dapat dilakukan."

"Perolehan informasi adalah salah satu bidang di ilmu komputer yang bertujuan untuk membantu menemukan informasi tertentu di antara banyak informasi yang tersedia. Sistem tanya jawab adalah satu topik pada bidang perolehan informasi, di mana informasi yang diperlukan direpresentasikan dalam suatu kueri berbentuk kalimat tanya dan menghasilkan jawaban singkat.Penelitian ini menghasilkan sistem tanya jawab bilingual di mana pertanyaan diberikan dalam Bahasa Indonesia dan jawaban dihasilkan dalam Bahasa Inggris. Kueri yang digunakan adalah 190 pertanyaan Bahasa Indonesia dari topik tanya jawab Cross Language Information Retrieval (CLEF) 2006 yang terdiri dari pertanyaan fakta dan definisi. Koleksi dokumen yang digunakan adalah koleksi koran berbahasa Inggris: Glasgow Herald dan Los Angeles Times.Untuk menemukan jawaban dari pertanyaan, pertama-tama sistem tanya jawab melakukan analisis terhadap teks pertanyaan untuk menentukan jenis jawaban yang diperlukan. Kemudian pertanyaan diterjemahkan ke Bahasa Inggris menggunakan ToggleText. Setelah itu pertanyaan yang telah berbahasa Inggris dijadikan kueri ke Lemur Toolkit untuk mendapatkan sekumpulan cuplikan dokumen dari koleksi dokumen yang relevan terhadap pertanyaan.Bila pertanyaan bertipe fakta, maka semua entitas bernama dikumpulkan dari cuplikan-cuplikan dokumen tersebut untuk menjadi kandidat jawaban. Terdapat empat penilaian untuk memilih satu jawaban di antara para kandidat tersebut: frekuensi kemunculan kandidat jawaban yang diperoleh dari search engine; urutan dokumen yang diperoleh dari sistem perolehan informasi; jarak antarkata (Average Distance Weight); dan bobot kata kandidat jawaban.Bila pertanyaan bertipe definisi maka perolehan jawaban dilakukan dengan mengekstrak frasa kata benda dari tiap cuplikan dokumen yang berisi kata-kata pertanyaan. Hasil evaluasi menunjukkan bahwa sistem tanya jawab ini berhasil mencapai ketepatan jawaban sebesar 14%."

"Universitas Indonesia terdiri dari dua belas fakultas yang memiliki sistem perkuliahan yang beragam jenisnya. Dibutuhkan suatu sistem informasi yang handal untuk dapat membantu sistem akademik yang telah berjalan saat ini. Selama ini, pihak universitas maupun masing-masing fakultas telah berusaha untuk mengembangkan sistem informasi akademik yang handal bagi masing-masing fakultas. Akan tetapi sistem informasi akademik tersebut seperti sistem SIAK Client Server, SIAK Online, maupun SIAK FEUI dirasakan masih kurang mengakomodasi kebutuhan universitas maupun fakultas. Masih ada fungsi-fungsi yang belum diterapkan atau diterapkan kurang tepat, skema basis data yang masih kurang memadai dan kurang fleksibel, serta banyaknya informasi yang tidak bisa dihasilkan secara tepat baik waktu maupun kandungan datanya adalah beberapa contoh dari masalah yang ada pada sistem-sistem saat ini.Proyek mahasiswa ini bertujuan untuk melakukan pengembangan awal suatu sistem informasi akademik yang baru untuk mengatasi kelemahan dan kekurangan sistem yang ada saat ini. Sistem yang baru ini diharapkan memiliki fitur-fitur yang diperlukan, seperti mendukung integrasi UI melalui pengelolaan data akademik mahasiswa, memungkinkan administrasi akademik dilakukan secara terpusat oleh Registrar pada Direktorat Pendidikan, dan memiliki kesesuaian rancangan dan fasilitas untuk berinteraksi secara transparan dengan subsistem-subsistem lain dalam sistem informasi Universitas Indonesia. Hasil dari proyek mahasiswa ini adalah adanya suatu definisi requirement yang jelas, rancangan sistem maupun basis data dan framework sebagai dasar implementasi sistem informasi akademik selanjutnya."

"Replikasi adalah proses penyalinan dan pemeliharaan objek database, seperti tabeltabel, dalam banyak database yang membentuk suatu sistem database terdistribusi. Perubahan-perubahan yang dilakukan pada satu tempat dicatat dan disimpan secara lokal sebelum diteruskan dan diterapkan pada setiap lokasi lain. Sistem Informasi Akademik New Generation(SIAK-NG) yang diimplementasikan saat ini akan menghadapi banyak tantangan dalam hal kinerja, bandwidth, dan ketersediaan data seiring dengan bertambahnya jumlahmahasiswa Universitas Indonesia dan kebutuhan mereka untuk mengakses informasi melalui sistem informasi tersebut.Pada tulisan ini penulis berusaha mengkaji tentang kemungkinan penggunaan replikasi pada Sistem Informasi Akademik New Generation untuk meningkatkan kinerjanya dari sisi ketersediaan dan konsistensi data. Pembahasan dimulai dengan landasan teori mengenai apa sebenarnya yang dimaksud dengan replikasi pada Oracle, kemudian mengkaji keunggulan dan kerugian dari masing-masing tipe environment replikasi yang ada, dan terakhir membahas tipe environment replikasi mana yang dirasakan paling cocok untuk diimplementasikan pada database sistem informasi SIAK-NG. Berdasarkan pembahasan dan ujicoba yang telah dilakukan dapat disimpulkan bahwa penerapan environment replikasi yang paling cocok untuk diterapakan pada database SIAK-NG adalah menggunakan Replikasi Multimaster Asinkronus."

"Interkoneksi merupakan hal yang tidak bisa dihindari oleh suatu operator telekomunikasi demi terbangunnya suatu hubungan komunikasi. Konsekuensinya, ketersediaan jaminan interkoneksi yang reliable antar operator, baik pada skala lokal, nasional, regional maupun internasional merupakan prasyarat mutlak keberlangsungan beragam jenis layanan telekomunikasi. Munculnya teknologi Next Generation Network (NGN) yang merupakan integrasi jaringan telekomunikasi yang berbasis Internet Protokol (IP) atau paket. merupakan salah satu hal yang harus menjadi perhatian dalam pengaturan bisnis interkoneksi. Dalam PERMENKOMINFO Nomor:08/Per/M.KOMINFO/02/2006 yang mengatur tentang interkoneksi hanya memetakan kondisi eksisting interkoneksi saat ini ke dalam perhitungan cost based, sehingga belum mengatur tentang konsep-konsep interkoneksi untuk mengantisipasi munculnya fenomena NGN. Oleh karena itu kajian ini dilakukan untuk menganalisa isu dan permasalahan yang timbul terkait dengan sistem pentarifan interkoneksi pada era NGN di Indonesia, yaitu dengan melakukan studi banding dan menggunakan hasil-hasil penelitian sebelumnya yang telah dilakukan oleh operator, konsultan maupun vendor di negara lain. Terdapat beberapa model perhitungan tarif interkoneksi dalam NGN yaitu Bill and Keep, Calling Party Network Pays maupun Receiving Party Network Pays. Dan selanjutnya dalam mendukung perkembangan operator telekomunikasi maka intervensi regulator dalam pengaturan interkoneksi sebaiknya dibatasi, penentuan sistem pentarifan interkoneksi diserahkan sepenuhnya kepada kesepakatan masingmasing operator.

---

Interconnection is a mandatory for any telecommunication operators to enable a good communication system. As a consequence, a reliable interconnection service guarantee inter operators whether on scale of local, national wide or even international is an unconditional prerequisite to set up various telecommunication services. Appearance of Next Generation Network (NGN) as an integrated telecommunication network based on Internet Protocol (IP) or packet should take in to consideration on interconnection business regulation. PERMENKOMINFO number 08/Per/M.KOMINFO/02/2006 on the subject of interconnection, only provide current interconnection system into cost based tariff and not including interconnection consept as an anticipation of NGN implementation.

This study is done to analyze any issues related to interconnection charging system on Next Generation Network in Indonesia. This subject is carried on by doing benchmarking and adopting earlier researches done by operators, consultant and vendors in various countries. There are such models on calculating tariff for NGN, for instance Bill and keep, calling party network pay and receiving party network pays. Furthermore, in order to support inflating telecommunication operator, the involvement of regulator on interconnection business should be necessary limited, it is pleased that interconnection charging system should be given away to operators in a matter of business agreement."