Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan knowledge graph serta penggunaannya meningkat secara masif akhir-akhir ini. Namun, pertumbuhan knowledge graph nyatanya tidak sebanding dengan kualitas data yang dimiliki. Sementara itu, aspek kelengkapan dalam kualitas data knowledge graph memiliki peranan penting dalam pemakaian data yang sesuai dengan kebutuhan. Sayang sekali, hingga saat ini belum ada penelitian tentang penggunaan SHACL dalam melakukan validasi kelengkapan data. Penelitian ini hadir dengan tujuan untuk membuat pola-pola kelengkapan berdasarkan kondisi knowledge graph beserta instance-nya. Penelitian ini mengidentifikasi enam pola kelengkapan yang sering muncul pada knowledge graph. Dari keenam pola kelengkapan tersebut, penelitian ini berhasil membuat 360.162 instance pola kelengkapan dalam bentuk SHACL shape. Pembuatan instance pola kelengkapan menggunakan lima pendekatan, yakni pendekatan manual, otomatis, spreadsheet, ontologi, dan statistik. Semua shape tersebut kemudian digunakan untuk melakukan validasi terhadap 928.310 entitas pada knowledge graph dunia nyata, yakni Wikidata dan DBpedia. Hasil validasi population, no-value, dan label and description completeness pada Wikidata dan DBpedia mencapai skor lebih dari 90%. Sementara itu, hasil validasi property dan interlinking completeness pada Wikidata dan DBpedia berada di rentang skor 60-70%. Terakhir, validasi schema completeness pada Wikidata dan DBpedia mencapai hasil 70-90%. Selain itu, penelitian ini menyediakan aplikasi web bernama SHACL on Completeness Knowledge (SoCK) untuk mengelola dan menyediakan pola kelengkapan beserta instance-nya.

---

The development of knowledge graphs and their use has increased massively recently. In fact, the growth of the knowledge graph is not proportional to the quality of the data it has. Meanwhile, the completeness aspect in the quality of the knowledge graph data has an essential role in the use of data according to needs. Unfortunately, nobody has previously done research on the use of SHACL in validating data completeness.Therefore, this research focused on identifying completeness patterns based on the condition of the knowledge graph and its instances. This study identified six completeness patterns that often appear in knowledge graphs. Of the six completeness patterns, this study successfully created 360.162 completeness pattern instances in the form of SHACL shape. The instantiation of the completeness pattern used five approaches, that is, manual, automated, spreadsheet, ontology, and statistical approaches. All these shapes are used to validate 928.310 entities in a real-world knowledge graph, namely Wikidata and DBpedia. Based on the population, no-value, and label and description completeness validation, the completeness of Wikidata and DBpedia reached a score of more than 90%. Moreover, the validation results of property and interlinking completeness stated that the Wikidata and DBpedia completeness are 60-70%. Finally, schema completeness validation on Wikidata and DBpedia reached 70-90%. In addition, this research provided a web application called SHACL on Completeness Knowledge (SoCK) to manage and accommodate completeness patterns and their instances."

"ABSTRAKPenentuan rute distribusi optimal menjadi kunci peningkatan efisiensi suatu rantai pasok. Mencari rute distribusi optimal yang termasuk kedalam jenis vehicle routing problem VRP dapat diselesaikan dengan membuat model dari seluruh batasan permasalahan yang ada dan mencari penyelesaiannya dengan objektif memimalkan jarak tempuh. Namun permasalahan lain muncul yakni peningkatan jumlah konstrain akan menambah kompleksitas penyelesaian model. Selain itu, beberapa batasan yang dinamis dan batasan yang tidak dapat teridentifikasi dapat membuat rute optimal yang diperoleh tidak sesuai dengan keadaan aktualnya. Dalam penelitian ini, metode historical based VRP HbVRP yang terdiri atas graph partitioning dan graph optimization digunakan untuk mengatasi permasalahan tersebut. Pada studi kasus yang dilakukan didapati metode HbVRP dapat membangun rute optimal dengan level kemiripan 97,98 terhadap rute aktual dan mereduksi total jarak yang semula sebesar 572,217 menjadi 120,913 dimana lebih baik dari metode yang telah ada.

---

ABSTRACTDetermination of optimal distribution route becomes the key to increase efficiency of a supply chain. Looking for an optimal distribution route that belongs to the type of vehicle routing problem VRP can be solved by modeling the entire boundary of the problem and finding the solution with the objective of minimizing the total distance. The increase in the number of constraints will add to the complexity of the completion of the model. In addition, some dynamic constraints and unidentifiable boundaries can make the optimal route obtained not in accordance with actual circumstances. In this study, historical based VRP HbVRP method consisting of graph partitioning and graph optimization are used to solve the problem. In the case study, HbVRP method can build optimal route with 97.98 similarity level to the actual route and reduce the total distance from 572.217 to 120.913 which is better than existed method."

"Peraturan perundang-undangan baru di Indonesia dapat mengganti, menghapus, atau menambahkan aturan yang sudah berlaku sehingga setiap warga Indonesia memiliki tanggung jawab untuk mengetahui aturan terbaru saat hendak digunakan. Laman pengumpulan informasi ini sudah ada di laman pemerintah resmi seperti peraturan.go.id. Akan tetapi ada informasi yang tidak mudah dicari seperti isi pasal terbaru pada doku- men yang telah diubah oleh dokumen lain. Sekarang, sudah ada informasi peraturan perundang-undangan yang disimpan dalam knowledge graph (KG)-sebuah basis data terstruktur berbentuk kumpulan entitas dan relasi layaknya sebuah graf- bernama LexID KG (Muninggar & Krisnadhi, 2023). Ditambah lagi, LexID QA (Handi, 2023), yaitu sebuah sistem tanya jawab hukum dengan informasinya dari LexID KG, menangani masalah ini tetapi dengan memaksakan struktur inputnya. Menurut Jain, Kumar, Kota, dan Patel (2018) kebebasan membuat input (free-text) merupakan tur bagus karena seakan-akan sedang berinteraksi dengan manusia. Oleh karena itu, penelitian ini berusaha untuk menyelesaikan permasalahan pemaksaan struktur input pada LexID QA dengan beralih ke model machine learning pipeline. Model pipeline-nya tersusun dari model klasi kasi pertanyaan bebas ke kueri SPARQL, sebuah bahasa untuk mengambil informasi dari KG, dan model NER untuk mengambil informasi entitas penting seperti judul dokumen yang dicari pada pertanyaan bebasnya. Kedua model ini berbasiskan BERT (Bidirectional Encoder Representations from Transformers) (Devlin, Chang, Lee, & Toutanova, 2018). Hasil dari model klasi kasi mencapai nilai sempurna pada dataset baru yang dibuat pada penelitian ini. Kemudian, hasil dari model pipeline-nya juga mencapai nilai makro-akurasi sebesar 0.949 pada dataset yang sama.

---

New laws and regulations in Indonesia can modify, repeal, or adding to existing rules so that every Indonesian citizen has responsibility to know the latest rules when utilizing them. This collection of information is available on of cial government websites such as peraturan.go.id. However, there is information that not easy to nd, such as the contents of latest articles in the documents that have been modi ed by another document. Currently, there is regulatory information stored in a knowledge graph (KG)-a database structured in the form of a collection of entities and relationships like a graph- called LexID KG (Muninggar & Krisnadhi, 2023). Additionally, LexID QA (Handi, 2023), a legal question and answer system with information from LexID KG, addresses this problem but forcing its input structure. According to Jain et al. (2018), free-text input is a good feature because it feels like communication with humans. Therefore, this research trying to solve the problem of forcing input structures in LexID QA by transitioning to a machine learning pipeline model. The pipeline model is composed of free question classi cation model to query SPARQL, a language for retrieving information from KG, and NER model to extracting important entity such as legal title in the free-text input. Both model are based on BERT (Bidirectional Encoder Representations from Transformers) (Devlin et al., 2018). The classi cation model achieved a perfect score on the new dataset created in this research. Furthermore, the pipeline model achieved a macro-accuracy score of 0.949 on the same dataset."

"Dokumen peraturan perundang-undangan pada umumnya tersedia dalam bentuk PDFyang bersifat tidak machine-readable, sehingga data tidak dapat diproses secara otoma-tis dan dalam skala besar oleh komputer untuk dimanfaatkan dalam berbagai teknologi digital. Oleh karena itu diperlukan struktur data yang dapat memuat informasi peraturan perundang-undangan, beserta sistem yang melakukan konversi dari PDF menjadi struk-tur data tersebut. Dengan alasan tersebut, pada penelitian ini penulis mengembangkan Lex2KG, framework untuk mengonversi dokumen PDF peraturan perundang-undangan di Indonesia (Lex berasal dari Bahasa Latin yang berarti hukum) menjadi knowledge gra-ph. Knowledge graph (KG) adalah graph yang menggambarkan entitas dunia nyata be-serta keterkaitannya dan memberikan informasi terstruktur yang machine-readable. Pada penelitian ini KG dipilih dari berbagai struktur data yang tersedia karena KG terkate-gori sebagai 5-star data menurut 5-star deployment scheme for Open Data, yaitu data dengan jenis informasi paling bermanfaat, memberikan data dalam bentuk open license,terstruktur, tersedia dalam open format, menggunakan URI sebagai notasi data, dan dapat dihubungkan (linked) dengan data lain. KG peraturan perundang-undangan mengandung berbagai data terstruktur konten tekstual, struktur dokumen, seperti metadata, serta relasi antara peraturan seperti amendemen dan rujukan. Lex2KG memungkinkan pemanfaatan data peraturan perundang-undangan secara advanced, otomatis, dan dalam skala besar pada berbagai lingkup digital terutama pada industrsi hukum dan pengacara. Contoh pemanfaatan data dapat berupa search engine, sistem question answering, dan analisis statistik peraturan perundang-undangan. Menggunakan Lex2KG, penulis berhasil meng-onversi 784 undang-undang menjadi KG dengan ukuran total lebih dari 1,1 juta triple.Salah satu peraturan yang berhasil dikonversi adalah UU 11/2020 tentang Cipta Kerjayang kontennya bersifat relatif kompleks dan berukuran besar. Penulis juga menunjuk-an use case dari KG peraturan perundang-undangan yaitu chat bot sederhana, SPARQLquery, dan visualisasi peraturan perundang-undangan

---

Most of the legal documents are available as PDF which is not machine-readable, which

means the data could not be processed automatically and in large scale by a computer

to be utilized in various digital technology. Therefore, we need a data structure that can

contain a legal information, and also a system which converts PDF into that structure. For

that reason, in this research, author developed Lex2KG, a framework wh converting legal

PDF documents in Indonesia (Lex comes from Latin which means law) into a Knowledge

Graph. A knowledge graph (KG) is a graph that describes real-world entities and their

relationships as machine-readable and structured information, and linkable to another KG

on different domain. In this research KG is choosen from various data structure available

because KG it categorized as 5-star data according to 5-star deployment scheme for Open

Data, which data comes with most beneficial information, available under an open licen-

se, structured, open format, uses URI to denote things, and linkable to other data. The

legal KG contains various kinds of structured data such as textual content, document stru-

ctures, metadata, and relations between law such as amendments and citations. Lex2KG

enables the advanced and automatic utilization of legal data on a large scale on a various

digital scope especially on legal industry and lawyer. The utilization could be in form

of search engine, question answering system, and statistics analytics for legals. Through

Lex2KG, author have successfully converted 784 Indonesian laws into a KG with a total

size of over 1.1 million triples. One of the regulation that was successfully converted was

Law 11/2020 on Job Creation, which the content is relatively complex and large. Author

also shows use cases of the legal KG for simple chatbots, SPARQL querying, and legal

visualizations."