Hasil Pencarian  ::  Simpan CSV :: Kembali

"Ulasan hotel online di era modern ini memiliki peran besar mengingat hotel merupakan faktor penentu daya saing sebuah daerah wisata, namun pemanfaatannya masih jarang ditemukan. Berkaitan dengan rencana pemerintah untuk meningkatkan kunjungan wisatawan ke Indonesia, penelitian ini mengaplikasikan text mining terhadap ulasan hotel online untuk menemukan pengetahuan yang bermanfaat dalam membangun sektor perhotelan sebagai bagian integral dalam industri pariwisata. Teknik klasifikasi teks digunakan untuk mendapatkan informasi sentimen yang terkandung dalam kalimat ulasan melalui analisis sentimen, serta teknik klasterisasi pada text summarization untuk menemukan kalimat representatif yang mampu menggambarkan keseluruhan isi ulasan. Percobaan dengan ulasan hotel di Labuan Bajo, Lombok, dan Bali menghasilkan luaran yang memuaskan, di mana akurasi model penggolong klasifikasi sebesar 78 dan Davies-Bouldin Index DBI sebesar 0.071 untuk proses klasterisasi. Luaran penelitian ini diharapkan mampu menggambarkan kondisi hotel di daerah wisata unggulan Indonesia sehingga dapat berkontribusi dalam peningkatan kualitas sektor perhotelan sebagai penunjang industri pariwisata di Indonesia.

---

In this modern era, online hotel reviews have a big role considering the hotel is one the aspects in determining the competitiveness in the tourist area, but its implementation is still rare. Regarding the government 39 s plan to increase tourist arrivals to Indonesia, this research utilized text mining towards online hotel reviews to find useful knowledge in building the hospitality sector as an integral part of the tourism industry. Text classification technique was used to obtain sentiment information contained in review sentences through sentiment analysis, as well as clustering technique as a part of text summarization to find representative sentences that are able to describe the entire contents of the review. Experiments with hotel reviews in Labuan Bajo, Lombok and Bali generated surprising outcomes, where the accuracy of classification model reaches 78 and the Davies Bouldin Index DBI of clustering algorithm strikes 0.071. The output of this research is expected to be able to describe the condition of the hotel in tourist area based on the different level of tourism development so that it can contribute to improving the quality of the hotel industry as well as supporting the tourism industry in Indonesia."

"ABSTRAKSkripsi ini menyajikan suntingan teks dan terjemahan dalam Naskah Bab Pasarean Bathangan koleksi FSUI dengan nomor naskah A. 38.04 yang ditulis oleh Raden Tanaya. Metode penelitian filologi yang digunakan adalah metode edisi naskah tunggal. Suntingan teks dilakukan dengan menerapkan edisi kritis atau edisi standar, dilengkapidengan ringkasan cerita dan pedoman alih aksara. Terjemahan dilakukan dengan menerapkan metode terjemahan secara harfiah. Teks berbentuk prosa ini menggunakanbahasa Jawa dan aksara Jawa. Teks ini menceritakan tentang penemuan mayat di daerah Bathangan, Surakarta yang diberi nama Kiyai Bathang yang diduga mayat tersebutadalah Raden Pabelan, putra dari Kiyai Tumenggung Mayang pada jaman karaton Pajang.

---

ABSTRACTThis thesis presents text editing and translation and manuscript of Bab Pasarean Bathangan (Bathangan grave). This manuscript was written by Raden Tanaya and collected by Faculty of Humanities, University Indonesia with number A 38.04. The researcher used philology method, especially single text editing. The text editing was done by implementing critical edition, summary and translation writing guidance as well. The translation used literal method. The text tells the story about the discovery of a corpse found in Bathangan, Surakarta, Central Java and it was written in Javanese tribe. The corpse was well-known as Kiyai Bathang. Kiyai Bathang was expended to be Raden Pabelan, the son of Kiyai Tumenggung Mayang of Pajang Kingdom"

"Disertasi ini membicarakan tentang SeratLokapala Berdasarkan penelusuran naskah yang telah dilakukan, terdapat 20 naskah yang tergabung dalam keluarga korpus SeratLo kapala yang menjadiobyekpenelitian. Hal terpenting yang menjadi tujuan utama penelitian ini adalah membuat suntingan teks dan terjemahannya serta menjabarkan amanat yang terkandung di dalamnya. Setelah melalui kajian perbandingan naskah, akhirnya diputuskan bahwa Serat Lokapala pakualaman dengan kode naskah KBG 677 terpilih sebagai naskah suntingan didasarkan atas kondisi naskah yang masih lengkap dan bagus serta struktur teks yang cukup memadai untuk menelusuri amanat yang dikandungnya. Dalam Serat Lokapala KBG 677, didapati bahwa amanat teks yang dikandungnya adalah ajaran kesempurnaan milik Resi Wisrawa yang dikenal dengan ajaran sastra harjendranu. Setelah melalui telaah struktur teks, akhirnya dapat dijabarkan ajaran sastra harjendranu yang merupakan ajaran jalan keselamatan bagi raja yang meliputi ajaran tingkah laku yang utama, ajaran kesempurnaan hidup dan mati, serta ajaran olah batin untuk mencapai kesempurnaan.

---

The objective material of this research is Serat Lokapala manuscript. There are 20 manuscripts belonging to the Serat Lokapala corpus. The main purpose of this research is to makethe textedition and its translation. Besides that, understanding the message of the text is also becoming the most important purpose of this study. Through the comparative study of the manuscripts, at last, Serat LokapalaPakualaman, KBG 677, based on its better condition and structures, was selected to be the material of the text edition. It was found that the message belonging to the Serat LokapalaKBG 677 is the wise teaching owned by Resi Wisrawathat is popularly recognized as the perfection teaching called sastra harjendranu.After learning the structure of the text intensively, then, the points of the teaching sastra harjendranucan be described. The teachings are about the way of salvation to kings, including major teaching behaviors, teaching the perfection of life and death, and the inner teachings to achieve perfection."

"ABSTRAKPenelitian ini membahas peranan Dasarata Maharaja dan Sri Rama dalam HikayatSri Rama (HSR) dengan pendekatan aktan dan fungsi A.J. Greimas. Metode yangdilakukan dalam penelitian ini adalah edisi teks untuk membuat transliterasi dananalisis aktan dan fungsi untuk menganalisis teks HSR. Kesimpulan daripenelitian ini adalah Sri Rama menempati posisi “hero” dengan akhir cerita yangbahagia, sedangkan kisah Dasarata sebagai “alat” penjelmaan Mahabisnu (SriRama), kisahnya berakhir dengan tragedi.

---

ABSTRACTThis study discusses Dasarata Maharaja and Sri Rama role in Hikayat Sri Rama(HSR) with A.J. Greimas’s actant and function approach. The methods that use inthis study are text edition to make the transliteration and actant and functionanalysis to analyze the text. The conclusion of this study is Sri Rama takes “hero”position with a happy ending story, whereas Dasarata as a tool of Mahabisnu (SriRama) incarnation, his story ends in tragedy."

"Text clustering adalah teknik pengelompokan teks sehingga teks di dalam kelompok yang sama memiliki tingkat similaritas yang lebih tinggi satu sama lain dibandingkan dengan teks pada kelompok yang berbeda. Proses pengelompokkan teks secara manual membutuhkan waktu dan sumber daya yang banyak sehingga digunakan machine learning untuk melakukan pengelompokan secara otomatis. Representasi dari teks perlu diekstraksi sebelum dimasukkan ke dalam model machine learning. Metode yang umumnya digunakan untuk mengekstraksi representasi data teks adalah TFIDF. Namun, metode TFIDF memiliki kekurangan yaitu tidak memperhatikan posisi dan konteks penggunaan kata. Model BERT adalah model yang dapat menghasilkan representasi kata yang bergantung pada posisi dan konteks penggunaan suatu kata dalam kalimat. Penelitian ini menganalisis kinerja model BERT sebagai metode representasi data teks dengan membandingkan model BERT dengan TFIDF. Selain itu, penelitian ini juga mengimplementasikan dan membandingkan kinerja metode ekstraksi dan normalisasi fitur yang berbeda pada representasi teks yang dihasilkan model BERT. Metode ekstraksi fitur yang digunakan adalah max dan mean pooling. Sementara itu, metode normalisasi fitur yang digunakan adalah identity, layer, standard, dan min-max normalization. Representasi teks yang diperoleh dimasukkan ke dalam 4 algoritma clustering berbeda, yaitu k-means clustering, eigenspace-based fuzzy c-means, deep embedded clustering, dan improved deep embedded clustering. Kinerja representasi teks dievaluasi dengan menggunakan metrik clustering accuracy, normalized mutual information, dan adjusted rand index. Hasil simulasi menunjukkan representasi data teks yang dihasilkan model BERT mampu mengungguli representasi yang dihasilkan TFIDF pada 28 dari 36 metrik. Selain itu, implementasi ekstraksi dan normalisasi fitur yang berbeda pada model BERT memberikan kinerja yang berbeda-beda dan perlu disesuaikan dengan algoritma yang digunakan.

---

Text clustering is a task of grouping a set of texts in a way such that text in the same group will be more similar toward each other than to those from different group. The process of grouping text manually requires significant amount of time and labor. Therefore, automation utilizing machine learning is necessary. Text representation needs to be extracted to become the input for machine learning models. The common method used to represent textual data is TFIDF. However, TFIDF cannot consider the position and context of a word in a sentence. BERT model has the capability to produce text representation that incorporate position and context of a word in a sentence. This research analyzed the performance of BERT model as a text representation method by comparing it with TFIDF. Moreover, various feature extraction and normalization methods are also applied in text representation from BERT model. Feature extraction methods used are max and mean pooling. On the other hand, feature normalization methods used are identity, layer, standard, and min-max normalization. Text representation obtained become an input for 4 clustering algorithms, k-means clustering, eigenspace-based fuzzy c-means, deep embedded clustering, and improved deep embedded clustering. Performance of text representations in text clustering are evaluated utilizing clustering accuracy, normalized mutual information, and adjusted rand index. Simulation results showed that text representation obtained from BERT model outperforms representation from TFIDF in 28 out of 36 metrics. Furthermore, different feature extraction and normalization produced varied performances. The usage of these feature extraction and normalization must be altered depending on the text clustering algorithm used."

"Information retrieval of text document requires a method that is able to restore a number of documents that have high relevance according to the user's request. One important step in the process is a text representation of the weighting process. The use of LCS in Tf-Idf weighting adjustments considers the appearance of the same order of words between the query and the text in the document. There is a very long document but irrelevant cause weight produced is not able to represent the value relevance of documents. This research proposes the use of LCS which gives weight to the word order by considering long documents related to the average length of documents in the corpus. This method is able to return a text document effectively. Additional features of word order by normalizing the ratio of the overall length of the document to the documents in the corpus generate values of precision and recall as well as the method of Tasi et al.Sistem temu kembali dokumen teks membutuhkan metode yang mampu mengembalikan sejumlah dokumen yang memiliki relevansi tinggi sesuai dengan permintaan pengguna. Salah satu tahapan penting dalam proses representasi teks adalah proses pembobotan. Penggunaan LCS dalam penyesuaian bobot Tf-Idf mempertimbangkan kemunculan urutan kata yang sama antara query dan teks di dalam dokumen. Adanya dokumen yang sangat panjang namun tidak relevan menyebabkan bobot yang dihasilkan tidak mampu merepresentasikan nilai relevansi dokumen. Penelitian ini mengusulkan penggunaan metode LCS yang memberikan bobot urutan kata dengan mempertimbangkan panjang dokumen terkait dengan rata-rata panjang dokumen dalam korpus. Metode ini mampu melakukan pengembalian dokumen teks secara efektif. Penambahan fitur urutan kata dengan normalisasi rasio panjang dokumen terhadap keseluruhan dokumen dalam korpus menghasilkan nilai presisi dan recall yang sama baiknya dengan metode Tasi dkk."