Pemodelan Named Entity Recognition Pada Artikel Wisata Dengan Metode Bidirectional Long Short-Term Memory Dan Conditional Random Fields

Abstract

Pada proses perencanaan perjalanan wisata, calon wisatawan umumnya melakukan pencarian destinasi wisata terlebih dahulu. Pencarian tersebut kerap kali dilakukan melalui internet dengan bantuan mesin pencari, salah satu caranya adalah dengan membaca artikel yang tersedia. Proses menemukan informasi yang relevan pada artikel-artikel tersebut adakalanya membutuhkan waktu yang tidak sedikit karena harus membaca satu per satu artikel. Named Entity Recognition (NER) dapat digunakan untuk mendeteksi entitas tertentu pada suatu teks yang akan membantu pengguna untuk menemukan informasi yang diinginkan. Tujuan penelitian ini adalah membuat pemodelan NER yang akan membantu dalam pendeteksian tempat wisata di suatu artikel. Artikel yang digunakan adalah artikel berbahasa Inggris dari internet. Terdapat 92 artikel yang sudah dikumpulkan dan dipecah menjadi 183.507 token kata. Token-token tersebut selanjutnya diberi label sesuai jenisnya masing- masing. Tempat wisata akan digolongkan menjadi heritage, natural, dan purpose. Token selain tempat wisata akan diberi label O (outside). Penelitian ini menggunakan StratifiedKFold untuk membagi dataset, serta ekstraksi fitur menggunakan word embedding dengan teknik Word2Vec, dan gabungan metode Bidirectional Long Short-Term Memory (BiLSTM) dan Conditional Random Fields (CRF) pada pemodelannya. Berdasarkan hasil yang diperoleh, model yang dihasilkan mampu mendeteksi beberapa entitas tempat wisata, namun dalam pendeteksiannya masih ditemukan banyak kesalahan. Dari beberapa skenario model yang diuji, rata-rata F1-Score tertinggi yang dihasilkan sebesar 75,25%.