Hasil Pencarian  ::  Simpan CSV :: Kembali

"Manajemen Fakultas Ilmu Komputer Universitas Indonesia (Fasilkom UI) memiliki kebutuhan akan data alumni dalam jumlah yang cukup besar. Data yang dibutuhkan juga beragam dan ditujukan untuk berbagai kepentingan, diantaranya adalah kepentingan akreditasi akademik serta kerja sama akademik. Sayangnya, data alumni yang tersimpan pada Sistem Informasi Akademik NextGeneration (SIAKNG) sebagai sumber data utama sudah tidak lagi up-to-date dan tidak dapat diperbarui secara mandiri oleh alumni terkait. Untuk mengatasi masalah tersebut, sebuah sistem alumni berbasis website bernama ILUNI12 Channel dikembangkan. Akan tetapi, berdasarkan wawancara yang dilakukan kepada Manajemen Fasilkom UI, saat ini sistem masih memiliki kekurangan dan belum dapat memenuhi kebutuhan mereka. Selain Manajemen Fasilkom UI, pengurus ILUNI Fasilkom UI dan para alumni sendiri juga mengalami kesulitan dalam memperoleh data alumni untuk kebutuhan mereka. Penelitian ini ditujukan untuk mengembangkan solusi atas permasalahan yang dialami dengan menggunakan agile methodology sebagai metodologi penelitian. Penelitian ini mengidentifikasi masalah dan kebutuhan menggunakan metode kualitatif. Masalah yang diidentifikasi dikelompokkan menjadi dua masalah utama, yaitu masalah terkait data gathering dan data retrieval. Berdasarkan masalah-masalah tersebut, penelitian ini mengajukan proposal solusi serta rancangan solusi dari aspek teknis. Melalui rancangan solusi tersebut, penelitian ini berhasil mengimplementasi solusi berupa fitur-fitur data gathering dan data retrieval pada sistem ILUNI12 Channel. Penelitian ini kemudian mengevaluasi solusi dengan melakukan usability testing serta user acceptance testing kepada satu pihak manajemen dan lima orang alumni. Hasil kuesioner system usability scale memiliki nilai rata-rata 85.83 dengan grade scale B. Grade ini menunjukkan bahwa desain dari fitur-fitur yang diimplementasi sudah dapat diterima dengan baik oleh pengguna. Selain itu, responden penelitian juga menyatakan bahwa fitur-fitur yang diimplementasi sudah dapat memenuhi kebutuhan dan menyelesaikan masalah yang dihadapi.

---

The Management of the Faculty of Computer Science, University of Indonesia (Fasilkom UI) has a need for a large amount of alumni data. The data required are varied and are intended for various purposes, including the interests of academic accreditation and academic cooperation. Unfortunately, the alumni data stored in the NextGeneration Academic Information System (SIAK-NG) as the main data source are no longer up-to-date and cannot be updated independently by the alumni. To solve this problem, a website-based alumni system called ILUNI12 Channel was developed. However, based on interviews conducted with Management of Fasilkom UI, the current system still has shortcomings and has not been able to meet their needs. Apart from Management of Fasilkom UI, ILUNI Fasilkom UI administrators and alumni themselves also experienced difficulties in obtaining alumni data for their needs. This research is aimed at developing solutions to the problems experienced by using agile methodology as a research methodology. This study identifies problems and needs using qualitative methods. The identified problems are grouped into two main problems, namely problems related to data gathering and data retrieval. Based on these problems, this research proposes a solution proposal as well as a solution design from the technical aspect. Through this solution design, this research succeeded in implementing a solution in the form of data gathering and data retrieval features on the ILUNI12 Channel system. This research then evaluates the solution by conducting usability testing and user acceptance testing on one management and five alumni. The results of the system usability scale questionnaire have an average score of 85.83 with a B grade scale. This grade indicates that the design of the implemented features has been well received by users. In addition, research respondents also stated that the features that were implemented were able to solve the problems at hand."

"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.

"Penelitian ini bertujuan untuk meningkatkan efektivitas model Temu-kembali Informasi di bidang hukum dengan memanfaatkan metode Term Expansion. Latar belakang penelitian ini didasarkan pada kebutuhan praktisi hukum akan sistem yang dapat melakukan pencarian informasi secara otomatis dan efisien dalam database dokumen hukum yang besar dan kompleks. Pendekatan yang diusulkan dalam penelitian ini menggunakan arsitektur Cascade-Ranking Model, yang terdiri dari dua tahapan utama: Sparse Retrieval Model untuk pencarian awal dan algoritma Re-ranking untuk penyusunan ulang hasil pencarian. Penelitian ini berfokus pada eksplorasi kinerja Sparse Retrieval Model melalui penerapan teknik Term Expansion, yang mencakup Query Expansion dan Document Expansion. Query Expansion dilakukan dengan berbagai pendekatan, termasuk non-contextual word embedding, contextual word embedding dengan BERT, dan Local Analysis. Document Expansion melibatkan penambahan prediksi query yang relevan ke dalam dokumen untuk meningkatkan kecocokan dengan query pengguna. Hasil dari eksperimen menunjukkan bahwa tidak ada skenario yang secara mutlak unggul dalam semua metrik evaluasi yang digunakan. Beberapa skenario menunjukkan keunggulan dalam satu metrik tertentu namun mengalami penurunan pada metrik lainnya. Pada salah satu skenario berhasil meningkatkan R@20 dari 0,896 menjadi 0,906, selain itu pada skenario lainnya berhasil meningkatkan metrik P@5 dari 0,186 menjadi 0,192. Selain itu, pada skenario yang menggunakan stopword dengan konteks hukum untuk melakukan filter terhadap kata yang ingin diekspansi dengan word embedding, berhasil meningkatkan R@20 dari 0,896 menjadi 0,916 dan mendapatkan p-value sebesar 0,045. P-value yang dibawah 0,05 ini berarti terjadi peningkatan yang signifikan pada skenario tersebut. Meskipun dapat meningkatkan beberapa metrik, Query Expansion tidak selalu meningkatkan efektivitas Sparse Retrieval Model secara signifikan, terutama karena kurang presisinya kata yang diekspansi dan keterbatasan vocabulary model embedding yang digunakan. Penggunaan BERT untuk kontekstual checking juga belum memberikan hasil yang optimal.

---

This research aims to improve the effectiveness of Information Retrieval models in the legal field by utilizing Term Expansion methods. The background of this research is based on the need of legal practitioners for a system that can automatically and efficiently search for information in large and complex legal document databases. The proposed approach in this research uses a Cascade-Ranking Model architecture, which consists of two main stages: a Sparse Retrieval Model for initial searches and a Re-ranking algorithm for reordering search results. This study focuses on exploring the performance of the Sparse Retrieval Model through the application of Term Expansion techniques, which include Query Expansion and Document Expansion. Query Expansion is conducted using various approaches, including non-contextual word embedding, contextual word embedding with BERT, and Local Analysis. Document Expansion involves adding predicted relevant queries into the documents to enhance their match with user queries.The results of the experiments show that no scenario is absolutely superior in all evaluation metrics used. Some scenarios show advantages in one particular metric but experience a decline in others. In one scenario, the R@20 metric was successfully increased from 0.896 to 0.906, while in another scenario, the P@5 metric was increased from 0.186 to 0.192. Additionally, in a scenario that used legal context stopwords to filter the words to be expanded with word embedding, R@20 was increased from 0.896 to 0.916, achieving a p-value of 0.045. This p-value below 0.05 indicates a significant improvement in that scenario. Although some metrics improved, Query Expansion did not always significantly enhance the effectiveness of the Sparse Retrieval Model, primarily due to the imprecision of the expanded words and the limitations of the embedding model’s vocabulary used. The use of BERT for contextual checking also did not yield optimal results."

"Volume data hukum yang dihasilkan semakin besar setiap harinya. Oleh karena itu, kebutuhan akan sistem otomatis dan semi-otomatis, seperti sistem temu-balik informasi meningkat. Sistem temu-balik informasi dokumen hukum membantu praktisi hukum menemukan dokumen yang relevan dengan cepat dan efisien. Terkait hal tersebut, penelitian ini mengeksplorasi penggunaan model neural re-ranker pada sistem temu-balik informasi dokumen hukum dalam bahasa Inggris dan bahasa Indonesia. Tidak hanya itu, penelitian ini juga membahas beberapa pendekatan untuk meningkatkan efektivitas proses fine-tune dari model neural re-ranker. Model neural re-ranker dikembangkan untuk melakukan pengurutan ulang terhadap hasil pencarian awal yang didapat dari model pencocokan teks BM25. Implementasi ini menggunakan beberapa model neural re-ranker seperti BERT, IndoBERT, mBERT, dan XLM-RoBERTa yang melalui proses fine-tune. Hasil eksperimen menunjukkan bahwa model neural re-ranker BERT, IndoBERT, dan mBERT dapat meningkatkan performa dari sistem temu-balik informasi dokumen hukum yang sebelumnya hanya memanfaatkan model berbasis pencocokan teks seperti TF-IDF dan BM25. Peningkatan ini terlihat dari Skor Mean Average Percision (MAP) yang meningkat dari 0,760 menjadi 0,834 pada salah satu skenario yang dilakukan. Hal ini menunjukkan kinerja keseluruhan sistem temu-balik informasi yang lebih baik pada berbagai kueri. Sementara itu, pendekatan berupa pembekuan lapisan encoder berguna untuk meningkatkan efektifitas dari implementasi dari sistem temu-balik informasi yang memanfaatkan model neural re-ranker.

---

The volume of legal data produced is getting bigger every day. Therefore, the need for automated and semi-automatic systems, such as information retrieval systems, is increasing. Legal document information retrieval systems help legal practitioners find relevant documents quickly and efficiently. In this regard, this research explores the use of the neural re-ranker model in a legal document information retrieval system in English and Indonesian. Not only that, this research also discusses several approaches to increase the effectiveness of the fine-tune process of the neural re-ranker model. A neural re-ranker model was developed to re-rank the initial search results obtained from the BM25 text matching model. This implementation uses several neural re-ranker models such as BERT, IndoBERT, mBERT, and XLM-RoBERTa which go through a fine-tune process. Experimental results show that the neural re-ranker models BERT, IndoBERT, and mBERT can improve the performance of legal document information retrieval systems that previously only utilized text matching-based models such as TF-IDF and BM25. This improvement can be seen from the Mean Average Percision (MAP) score which increased from 0,760 to 0,834 in one of the scenarios carried out. This indicates better overall performance of the information retrieval system on various queries. Meanwhile, the approach of freezing the encoder layer is useful for increasing the effectiveness of the implementation of an information retrieval system that utilizes the neural re-ranker model."