Hasil Pencarian  ::  Simpan CSV :: Kembali

"Bahasa daerah adalah bahasa yang digunakan sebagai penghubung pada masyarakat suatu daerah atau suatu kelompok masyarakat tertentu di samping bahasa utama, yaitu bahasa Indonesia. Keragaman bahasa daerah di Indonesia merupakan kekayaan budaya yang harus dipertahankan sepanjang zaman. Sayangnya, penggunaan bahasa daerah yang berkurang serta minimnya perhatian masyarakat pada digitalisasi bahasa daerah membuat bahasa daerah semakin terpinggirkan. Tak terkecuali pada bidang NLP, belum ada perkembangan signifikan dalam puluhan tahun terakhir yang melibatkan bahasa daerah sebagai subjek penelitian. Oleh karena itu, penelitian ini mencoba memberikan salah satu cara untuk meningkatkan kembali pelibatan bahasa daerah dalam penelitian khususnya NLP. Penelitian ini mencoba membangun korpus teks untuk sebanyak mungkin bahasa daerah di Indonesia menggunakan metode web crawling. Sistem melakukan crawling untuk mengumpulkan web berbahasa daerah sebanyak-banyaknya dan kontennya diambil dengan melakukan web scraping. Teks hasil scraping selanjutnya dinormalisasikan dan dilakukan language identification pada tiap kalimatnya. Kalimat dengan bahasa mayor seperti Indonesia dan Inggris dibuang, dan kalimat yang berbahasa daerah dipertahankan. Hasilnya adalah korpus teks untuk ratusan bahasa daerah di Indonesia. Harapannya hasil penelitian ini dapat menjadi batu loncatan penelitian bahasa daerah NLP di Indonesia selanjutnya.

---

Regional languages are languages used as a means of communication within a specific region or community, in addition to the main language, which is Indonesian. The diversity of regional languages in Indonesia is a cultural wealth that should be preserved throughout time. Unfortunately, the diminishing use of regional languages and the lack of attention given by society to the digitization of these languages have led to their marginalization. This holds true even in the field of Natural Language Processing (NLP), where there has been little significant development involving regional languages as research subjects in recent decades. Therefore, this study aims to provide a method to re-engage regional languages, particularly in NLP research. The research attempts to build a text corpus for as many regional languages in Indonesia as possible using web crawling methods. The system will crawl the web to collect regional language websites and extract their content through web scraping. The scraped texts will then undergo a normalization process and language identification process for each sentence. Sentences in major languages such as Indonesian and English will be discarded, while sentences in regional languages will be retained. The outcome of this research will be a text corpus for hundreds of regional languages in Indonesia. The hope is that the results of this study can serve as a stepping stone for the next NLP research on regional languages in Indonesia."

"Smart campus telah menjadi salah satu tren teknologi yang diterapkan di berbagai universitas. Salah satu layanan yang dihasilkan dari smart campus adalah layanan berbasis lokasi (LBS) yang dapat digunakan untuk berbagai kegunaan, seperti navigasi indoor. Implementasi LBS memerlukan teknologi indoor positioning system (IPS) agar dapat menentukan posisi seseorang secara akurat dalam lingkup suatu gedung atau ruangan (indoor). Salah satu metode yang populer digunakan dalam IPS adalah fingerprinting dengan teknik mengukur received signal strength indicator (RSSI) dan menggunakan teknologi penunjang Wi-Fi. Metode fingerprinting terdiri dari dua tahap, yaitu tahap pengumpulan data fingerprint (tahap offline) dan prediksi (tahap online). Proses pengumpulan fingerprint untuk tahap offline memiliki overhead yang sangat tinggi. Pada penelitian ini, tim penulis mengemukakan IPS berbasis semi-autonomous fingerprint collection untuk mengatasi overhead yang sangat tinggi tersebut dengan menerapkan konsep smart campus. Hasil evaluasi menunjukkan bahwa IPS yang dikembangkan dapat mengurangi overhead pengumpulan fingerprint manual sebanyak 550.550 data fingerprint, dengan tingkat accuracy IPS sebesar 52%. Dengan data training yang lebih banyak dan bervariasi yang digunakan untuk melatih model machine learning, hasil eksperimen menunjukkan bahwa performa IPS semi-autonomous fingerprint collection mampu bersaing dengan IPS manual fingerprint collection.

---

Smart campus has become one of the technology trends applied in various universities. One of the services that arose due to smart campus is location-based service (LBS) which can be used for various purposes, such as indoor navigation. The implementation of LBS requires indoor positioning system (IPS) technology that determines a person's position accurately within the scope of a building or room (indoor). One of the popular methods used in IPS is fingerprinting by measuring received signal strength indicator (RSSI) and with the help of Wi-Fi technology. The fingerprinting method consists of two stages, namely the fingerprint data collection stage (offline stage) and the prediction stage (online stage). The fingerprint collection process for the offline stage has a very high overhead. In this research, the author team proposes a semi-autonomous fingerprint collection-based IPS to overcome the very high overhead using smart campus. The evaluation results show that the developed IPS can reduce the overhead of manual fingerprint collection by 550,550 fingerprint data, with an IPS accuracy level of 52%. With larger amount and more varied training data used to train the machine learning model, the experimental results show that the performance of the semi-autonomous fingerprint collection IPS can compete with the manual fingerprint collection IPS."

"Pertanyaan konsultasi pada sebuah forum daring perlu dijawab oleh dokter spesialis yang tepat agar jawaban yang diberikan akurat dan bermanfaat bagi pengguna yang bertanya. Terkait hal tersebut, penelitian ini membahas tentang pengembangan model yang dapat secara otomatis mengarahkan sebuah pertanyaan konsultasi kesehatan ke dokter dengan spesialisasi yang sesuai. Lebih jauh lagi, model yang dibangun merupakan model klasifikasi multi-label karena sebuah pertanyaan dapat terasosiasi dengan lebih dari satu spesialisasi. Penelitian ini dimulai dengan mengevaluasi keefektifan metode pemetaan berbasis aturan dalam memprediksi data yang dianotasi oleh pakar, dan diperoleh hasil yang menunjukkan tingkat keberhasilan yang cukup. Selanjutnya, dikembangkan sebuah model machine learning yang melakukan klasifikasi domain spesialis dokter. Pelatihan model dilakukan dengan berbagai metode, termasuk supervised, unsupervised, serta semi-supervised learning. Model terbaik ditemukan melalui metode domain adaptive pre-training dengan IndoBERT-large sebagai model acuan dan melibatkan unsupervised learning. Selain itu, model supervised learning juga digunakan dengan menggunakan model konvensional, dan hasilnya digunakan untuk analisis kontribusi dari fitur-fitur yang digunakan dalam klasifikasi. Terakhir, penelitian ini mengevaluasi kembali anotasi yang dilakukan oleh manusia dengan menggunakan kata kunci sebagai pendekatan untuk mengurangi kesalahan dalam dataset. Dengan pendekatan ini, berhasil ditemukan beberapa kesalahan anotasi pada dataset yang dianotasi oleh manusia.

---

The consultation questions on an online forum need to be answered by the appropriate specialist doctors to provide accurate and beneficial answers to the users asking the questions. In relation to this, this study discusses the development of a model that can automatically direct a health consultation question to a doctor with the corresponding specialization. Furthermore, the constructed model is a multi-label classification model because a question can be associated with more than one specialization. There are several issues addressed in this work. This research begins by evaluating the effectiveness of rule-based mapping methods in predicting data annotated by experts, and the results show a satisfactory level of success. Furthermore, a multi-label classification model is developed to classify the specialist domains of doctors. The model training is performed using various methods, including supervised learning, unsupervised learning, and semi-supervised learning. The best model is found through domain adaptive pre-training using IndoBERT-large as the reference model and involving unsupervised learning. Additionally, the supervised learning model is also used with a conventional model, and the results are used to analyze the contribution of the features used in the classification. Lastly, this research re-evaluates the annotations made by humans using keyword-based approaches to reduce errors in the dataset. With this approach, several annotation errors were successfully identified in the dataset annotated by humans."

"Sistem perolehan pertanyaan serupa diimplementasikan pada banyak situs tanya jawab, khususnya pada forum tanya jawab kesehatan. Implementasi dari sistem pencarian pertanyaan serupa dapat beragam seperti text based retriever dan neural ranker. Permasalahan utama dari neural ranker adalah kurangnya penelitian dalam bahasa indonesia untuk modelnya, khususnya untuk yang menggunakan BERT sebagai model untuk deteksi pertanyaan serupa. Pada penelitian ini akan dicari tahu sejauh apa neural re-ranker BERT dapat memperbaiki kualitas ranking dari text-based retriever jika diterapkan fine-tuning pada model. Model yang digunakan oleh penelitian berupa BERT dan test collection yang digunakan merupakan dataset forum kesehatan yang disusun oleh Nurhayati (2019). Untuk mengetahui sejauh mana model berbasis BERT dapat berguna untuk re-ranking, eksperimen dilakukan pada model pre-trained multilingualBERT, indoBERT, stevenWH, dan distilBERT untuk melihat model yang terbaik untuk di-fine-tune. Penelitian juga mengusulkan dua metode fine-tuning yakni attention mask filter dengan IDF dan freezed layer dengan melakukan freezing pada beberapa layer di dalam BERT. Model dan metode ini kemudian diuji pada beberapa skenario yang telah ditentukan. Hasil dari eksperimen menunjukkan bahwa re-ranker dapat meningkatkan kualitas text based retriever bila di-fine-tune dengan metode dan skenario tertentu.

"Indonesia kaya akan warisan budaya, salah satunya adalah aksara Pegon. Aksara ini merupakan sistem penulisan yang berkembang selama penyebaran Islam di nusantara. Warisan budaya ini adalah adaptasi dari aksara Arab yang sering digunakan oleh para ulama Islam dalam penulisan manuskrip di masa lalu. Namun, seiring dominasi aksara Latin di Indonesia, penggunaan aksara Pegon saat ini semakin berkurang, hanya pada kalangan tertentu, sehingga menyebabkan sedikitnya individu yang mampu membaca aksara Pegon. Oleh karena itu, transliterasi antara aksara Pegon ke Latin diperlukan. Penelitian ini berfokus pada pengembangan transliterasi menggunakan pendekatan berbasis data dengan model sequence-to-sequence, mengikuti pedoman transliterasi Arab-Latin dari Kementerian Agama tahun 1987, hasil Kongres Aksara Pegon 2022, dan SNI 9047:2023. Hasil penelitian menunjukkan bahwa pendekatan berbasis data menggunakan metode sequence-to-sequence mencapai akurasi 99.76% dan CER 0.010624 untuk dataset bahasa Sunda dengan model terbaik BiGRU-Att, akurasi 99.31% dan CER 0.029255 untuk dataset bahasa Jawa dengan model terbaik BiGRU-Att, dan akurasi 99.58% dan CER 0.020466 untuk dataset gabungan bahasa dengan model BiLSTM-Att. Dari hasil ini, dapat dikatakan bahwa hasil prediksi tergolong baik dengan nilai akurasi di atas 70%, nilai loss mendekati 0, dan nilai Character Error Rate (CER) mendekati 0 untuk semua dataset.

---

Indonesia, rich in cultural heritage, includes Pegon script, a writing system that evolved during the spread of Islam in the archipelago. This cultural heritage is an adaptation of the Arabic script often used by Islamic scholars in manuscript writing in the past. However, the current use of Pegon script is less popular compared to the past due to the dominance of the Latin script in Indonesia, resulting in few individuals being able to read Pegon script. Therefore, transliteration between Pegon and Latin scripts is necessary. The research concentrates on developing transliteration using a data-driven approach with sequence-to-sequence models, following the Arabic-Latin transliteration guidelines from the Ministry of Religious Affairs in 1987, the results of the Pegon Script Congress 2022, and SNI 9047:2023. The results show that the data-driven approach using the sequence- to-sequence method achieves an accuracy of 99.76% and a CER of 0.010624 for the Sundanese dataset with the best model BiGRU-Att, an accuracy of 99.31% and a CER of 0.029255 for the Javanese dataset with the best model BiGRU-Att, and an accuracy of 99.58% and a CER of 0.020466 for the combined language dataset with the BiLSTM-Att model. From these results, it can be said that the prediction results are classified as good with accuracy values above 70%, loss values close to 0, and Character Error Rate (CER) values close to 0 for all datasets."

"Penelitian ini mengeksplorasi efektivitas penggunaan neural rerankers yang telah dilatih sebelumnya dalam meningkatkan kinerja model berbasis text matching seperti BM25 untuk digunakan dalam deteksi pertanyaan duplikat pada consumer health forum. Studi ini juga meneliti metode agregasi hasil reranking dari berbagai neural rerankers untuk menghasilkan performa yang lebih baik dibandingkan penggunaan reranker individual. Metode reranking pertama menggunakan BM25, diikuti oleh reranking kedua menggunakan model neural seperti cross-encoder/ms-marco-MiniLM-L-12-v2, paraphrase-MiniLM-L6-v2, dan lainnya. Tahap ketiga melibatkan teknik rank fusion seperti Borda Fuse, Condorcet, dan Weighted Combsum. Hasil menunjukkan bahwa kombinasi reranking dengan neural reranker secara signi kan meningkatkan efektivitas model BM25, terutama saat menggunakan teknik rank fusion yang lebih canggih seperti Weighted Combsum. Studi ini menyarankan bahwa agregasi hasil reranking dapat mengatasi kelemahan individual reranker dan memberikan hasil yang lebih konsisten dan efektif. Penelitian ini membuka jalan untuk eksplorasi lebih lanjut dalam optimisasi kombinasi model untuk pencarian informasi yang lebih akurat dan e sien.

---

This study explores the effectiveness of using pre-trained neural rerankers in improving the performance of text matching based models such as BM25 for use in duplicate question detection in textitconsumer health forum. This study also examines the method of aggregating reranking results from various neural rerankers to produce better performance than using individual rerankers. The rst reranking method used BM25, followed by the second reranking using neural models such as cross-encoder/ms-marco-MiniLM-L-12-v2, paraphrase-MiniLM-L6-v2, and others. The third stage involves rank fusion techniques such as BordaFUSE, Condorcet, and Weighted COMBSUM. Results show that the combination of reranking with neural rerankers signi cantly improves the effectiveness of the BM25 model, especially when using more advanced rank fusion techniques such as Weighted COMBSUM. This study suggests that aggregation of reranking results can overcome the weaknesses of individual rerankers and provide more consistent and effective results. This research paves the way for further exploration in model combination optimization for more accurate and ef cient information retrieval."

"Indonesia kaya akan warisan budaya, salah satunya adalah aksara Pegon. Aksara ini merupakan sistem penulisan yang berkembang selama penyebaran Islam di nusantara. Warisan budaya ini adalah adaptasi dari aksara Arab yang sering digunakan oleh para ulama Islam dalam penulisan manuskrip di masa lalu. Namun, seiring dominasi aksara Latin di Indonesia, penggunaan aksara Pegon saat ini semakin berkurang, hanya pada kalangan tertentu, sehingga menyebabkan sedikitnya individu yang mampu membaca aksara Pegon. Oleh karena itu, transliterasi antara aksara Pegon ke Latin diperlukan. Penelitian ini berfokus pada pengembangan transliterasi menggunakan pendekatan berbasis data dengan model sequence-to-sequence, mengikuti pedoman transliterasi Arab-Latin dari Kementerian Agama tahun 1987, hasil Kongres Aksara Pegon 2022, dan SNI 9047:2023. Hasil penelitian menunjukkan bahwa pendekatan berbasis data menggunakan metode sequence-to-sequence mencapai akurasi 99.76% dan CER 0.010624 untuk dataset bahasa Sunda dengan model terbaik BiGRU-Att, akurasi 99.31% dan CER 0.029255 untuk dataset bahasa Jawa dengan model terbaik BiGRU-Att, dan akurasi 99.58% dan CER 0.020466 untuk dataset gabungan bahasa dengan model BiLSTM-Att. Dari hasil ini, dapat dikatakan bahwa hasil prediksi tergolong baik dengan nilai akurasi di atas 70%, nilai loss mendekati 0, dan nilai Character Error Rate (CER) mendekati 0 untuk semua dataset.

---

Indonesia, rich in cultural heritage, includes Pegon script, a writing system that evolved during the spread of Islam in the archipelago. This cultural heritage is an adaptation of the Arabic script often used by Islamic scholars in manuscript writing in the past. However, the current use of Pegon script is less popular compared to the past due to the dominance of the Latin script in Indonesia, resulting in few individuals being able to read Pegon script. Therefore, transliteration between Pegon and Latin scripts is necessary. The research concentrates on developing transliteration using a data-driven approach with sequence-to-sequence models, following the Arabic-Latin transliteration guidelines from the Ministry of Religious Affairs in 1987, the results of the Pegon Script Congress 2022, and SNI 9047:2023. The results show that the data-driven approach using the sequence- to-sequence method achieves an accuracy of 99.76% and a CER of 0.010624 for the Sundanese dataset with the best model BiGRU-Att, an accuracy of 99.31% and a CER of 0.029255 for the Javanese dataset with the best model BiGRU-Att, and an accuracy of 99.58% and a CER of 0.020466 for the combined language dataset with the BiLSTM-Att model. From these results, it can be said that the prediction results are classified as good with accuracy values above 70%, loss values close to 0, and Character Error Rate (CER) values close to 0 for all datasets."

"Dalam era digital saat ini, banyaknya data finansial yang melimpah dan tidak berlabel menimbulkan tantangan dalam pemilihan teknik pendeteksian outlier (outlier detection) yang optimal. Penelitian ini bertujuan untuk menangani tantangan tersebut dengan membandingkan model unsupervised outlier detection pada data sintetis yang dirancang untuk meniru karakteristik data finansial nyata. Sebagai studi kasus, penelitian ini menggunakan data Laporan Harta Keuangan Penyelenggara Negara (LHKPN) tahun 2022. Proses penelitian mencakup pengumpulan data, pemrosesan, pembuatan data sintetis, pengujian sepuluh algoritma outlier detection, dan penerapan model terbaik pada data LHKPN tahun 2022. Dari proses ini, model Median Absolute Deviation (MAD) dengan threshold 7.8 teridentifikasi sebagai yang paling efektif pada data sintetis yang meniru data LHKPN. Penelitian ini juga menemukan hyperparameter terbaik untuk model lain dan melakukan analisis skor outlier pada data nyata. Hasilnya memberikan wawasan baru dan menunjukkan potensi investigasi lanjutan dalam outlier detection pada data finansial tidak berlabel, dengan pendekatan yang menyeluruh mulai dari analisis distribusi data hingga pengujian model pada data sintetis dan asli.

---

In the current digital era, the abundance of unlabeled financial data poses challenges in selecting optimal outlier detection techniques. This research aims to address these challenges by comparing unsupervised outlier detection models on synthetic data, designed to mimic real financial data characteristics. Using 2022 data from the Laporan Harta Keuangan Penyelenggara Negara (LHKPN) as a case study, the research process includes data collection, processing, creating synthetic data, testing 10 outlier detection algorithms, and applying the most effective model, identified as Median Absolute Deviation (MAD) with a threshold of 7.8, on synthetic data based on LHKPN data. The study also finds the best hyperparameters for other models and conducts real data outlier score analysis, providing new insights and demonstrating further investigation potential in outlier detection for unlabeled financial data."

"Pejabat pengelola informasi dan dokumentasi atau PPID adalah sistem layanan informasi publik yang dimiliki oleh Kementerian Luar Negeri RI atau Kemlu RI. PPID bertugas melaksanakan kegiatan penyimpanan, pendokumentasian, penyediaan, dan pelayanan informasi publik. PPID merupakan implementasi Undang-Undang No. 14 Tahun 2008 tentang Keterbukaan Informasi Publik (UU KIP). Website PPID Kementerian Luar Negeri dapat diakses melalui tautan berikut https://e-ppid.kemlu.go.id/. Tetapi berdasarkan evaluasi singkat terhadap desain antarmuka website PPID Kemlu RI masih terdapat kekurangan pada aspek user experience. Berdasarkan landasan desain yang kami pakai yaitu Shneiderman's Eight Golden Rules of Interface Design masih terdapat kekurangan dalam poin offer informative feedback, cater to universal usability, strive for consistency. Adanya penelitian ini ditujukan untuk memperdalam pemahaman mengenai permasalahan yang dirasakan oleh pengguna. Dari pemahaman tersebut akan diberikan output berupa desain alternatif website PPID Kemlu RI yang di desain dengan pendekatan User Centered Design (UCD). Selain itu, terdapat pula evaluasi desain antarmuka atau User Interface (UI) dan usability dengan metode usability testing dan contextual interview. Penelitian ini menghasilkan rancangan desain antarmuka yang memiliki skor evaluasi yang baik, dengan rata-rata success rate pada usability testing sebesar 97,8%. Penelitian ini kemudian ditutup dengan saran yang dapat diterapkan pada penelitian selanjutnya.

---

The information and documentation management officer or PPID is a public information service system owned by the Indonesian Ministry of Foreign Affairs or the Indonesian Ministry of Foreign Affairs. PPID is tasked with carrying out storage, documentation, provision and service of public information. PPID is an implementation of Law no. 14 of 2008 concerning Openness of Public Information (UU KIP). The PPID Ministry of Foreign Affairs website can be accessed via the following link https://e- ppid.kemlu.go.id/. However, based on a brief evaluation of the interface design of the Indonesian Ministry of Foreign Affairs' PPID website, there are still deficiencies in the user experience aspect. Based on the design basis that we use, namely Shneiderman's Eight Golden Rules of Interface Design, there are still deficiencies in the points of offering informative feedback, catering to universal usability, striving for consistency. This research is aimed at deepening understanding of the problems felt by users. From this understanding, output will be provided in the form of an alternative design for the Indonesian Ministry of Foreign Affairs' PPID website which is designed using a User Centered Design (UCD) approach. Apart from that, there is also an evaluation of the interface design or User Interface (UI) and usability using the usability testing and contextual interview methods. This research produced an interface design that had a good evaluation score, with an average success rate in usability testing of 97.8%. This research then closes with suggestions that can be applied in further research."

"Pejabat pengelola informasi dan dokumentasi atau PPID adalah sistem layanan informasi publik yang dimiliki oleh Kementerian Luar Negeri RI atau Kemlu RI. PPID bertugas melaksanakan kegiatan penyimpanan, pendokumentasian, penyediaan, dan pelayanan informasi publik. PPID merupakan implementasi Undang-Undang No. 14 Tahun 2008 tentang Keterbukaan Informasi Publik (UU KIP). Website PPID Kementerian Luar Negeri dapat diakses melalui tautan berikut https://e-ppid.kemlu.go.id/. Tetapi berdasarkan evaluasi singkat terhadap desain antarmuka website PPID Kemlu RI masih terdapat kekurangan pada aspek user experience. Berdasarkan landasan desain yang kami pakai yaitu Shneiderman's Eight Golden Rules of Interface Design masih terdapat kekurangan dalam poin offer informative feedback, cater to universal usability, strive for consistency. Adanya penelitian ini ditujukan untuk memperdalam pemahaman mengenai permasalahan yang dirasakan oleh pengguna. Dari pemahaman tersebut akan diberikan output berupa desain alternatif website PPID Kemlu RI yang di desain dengan pendekatan User Centered Design (UCD). Selain itu, terdapat pula evaluasi desain antarmuka atau User Interface (UI) dan usability dengan metode usability testing dan contextual interview. Penelitian ini menghasilkan rancangan desain antarmuka yang memiliki skor evaluasi yang baik, dengan rata-rata success rate pada usability testing sebesar 97,8%. Penelitian ini kemudian ditutup dengan saran yang dapat diterapkan pada penelitian selanjutnya.

---

The information and documentation management officer or PPID is a public information service system owned by the Indonesian Ministry of Foreign Affairs or the Indonesian Ministry of Foreign Affairs. PPID is tasked with carrying out storage, documentation, provision and service of public information. PPID is an implementation of Law no. 14 of 2008 concerning Openness of Public Information (UU KIP). The PPID Ministry of Foreign Affairs website can be accessed via the following link https://e- ppid.kemlu.go.id/. However, based on a brief evaluation of the interface design of the Indonesian Ministry of Foreign Affairs' PPID website, there are still deficiencies in the user experience aspect. Based on the design basis that we use, namely Shneiderman's Eight Golden Rules of Interface Design, there are still deficiencies in the points of offering informative feedback, catering to universal usability, striving for consistency. This research is aimed at deepening understanding of the problems felt by users. From this understanding, output will be provided in the form of an alternative design for the Indonesian Ministry of Foreign Affairs' PPID website which is designed using a User Centered Design (UCD) approach. Apart from that, there is also an evaluation of the interface design or User Interface (UI) and usability using the usability testing and contextual interview methods. This research produced an interface design that had a good evaluation score, with an average success rate in usability testing of 97.8%. This research then closes with suggestions that can be applied in further research."