Pengembangan Model Named Entity Recognition Untuk Pengenalan Entitas Pada Data Obat Indonesia

Abstract

Dalam beberapa tahun terakhir Named Entity Recognition (NER) menjadi teknik penting dalam pengolahan ekstraksi informasi pada berbagai macam domain. Penelitian NER dengan pendekatan deep learning menjadi state-of-the-art saat ini dan semakin terus dikembangkan. Di bawah domain medis, penelitian ini bertujuan untuk mengekstrak entitas produk obat, kandungan obat, dan komposisi obat yang digunakan sebagai kategori untuk mengklasifikasikan entitas yang diekstraksi. Kontribusi utama penelitian ini terletak pada pengembangan arsitektur model NER dan evaluasi model. Penelitian ini menggunakan data obat indonesia sebagai objek penelitian dan metode yang digunakan adalah Convolutional Neural Network–Bidirectional Gated Recurrent Unit (CNN-BiGRU). Pada arsitektur model, CNN digunakan untuk mengektraksi fitur karakter pada tiap kata dan BiGRU digunakan untuk menangkap informasi secara dua arah dengan tujuan mendapatkan konteks kata yang lebih baik sehingga klasifikasi entitas lebih optimal. Pada proses pelatihan model dilakukan dengan delapan hyperparameter berbeda untuk mendapatkan model terbaik. Berdasarkan hasil pengujian, hasil akurasi terbaik didapatkan pada model dengan pengaturan hyperparameter yaitu CNN kernel size adalah 7, CNN filter adalah 50, CNN layer adalah 1, GRU unit adalah 200 dan GRU layer adalah 1. Dengan hasil akurasi yang didapatkan pada F1-Score sebesar 87%. Pada hasil perbandingan menunjukkan bahwa model CNN-BiGRU memiliki nilai training loss dan validation loss yang lebih rendah dibandingkan model CNNBiLSTM.

Pada training time menunjukkan proses pelatihan pada model CNN-BiGRU memiliki training time lebih cepat dibandingkan model CNN-BiLSTM.