Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk mengembangkan alat ekstraksi informasi yang efisien, akurat, dan interaktif untuk menganalisis teks berita menggunakan pendekatan gabungan antara LLM dan KG. Metode ini menggabungkan keunggulan kedua teknik tersebut untuk meningkatkan pemahaman dan ekstraksi informasi dari teks berita yang kompleks. Tujuannya adalah agar pembaca dapat memahami informasi yang terdapat pada teks berita dengan lebih interaktif. Penulis memanfaatkan LLM yang telah terlatih secara luas dalam memahami dan menghasilkan teks untuk mengidentifikasi informasi penting dalam teks berita, seperti entitas, sentimen, kutipan, relasi antar entitas, dan unsur 5W1H (Who, What, Where, When, Why, How), urutan kronologis kejadian, dan hubungan bagian-keseluruhan (mereology) dalam teks berita. Untuk mengekstraksi informasi tersebut, prompt dimodifikasi dengan menggunakan pendekatan one-shot prompting untuk memberikan konteks dan contoh kepada LLM dalam memahami teks berita. Kemudian, informasi yang diekstraksi divisualisasikan dalam bentuk KG yang merepresentasikan pengetahuan terstruktur tentang entitas dan hubungannya di dalam teks. Selain itu, penelitian melibatkan pembuatan sebuah website yang akan menyediakan antarmuka untuk sistem agar pengguna dapat melakukan analisis teks berita secara langsung dan interaktif. Evaluasi utama yang dilakukan pada penelitian ini adalah mengukur akurasi jawaban yang dihasilkan oleh LLM pada setiap bagian informasi yang diekstraksi dan bagaimana visualisasi KG yang baik untuk informasi yang didapat. Penelitian ini menunjukkan bahwa LLM mampu mengekstraksi informasi yang diinginkan dengan cukup akurat dan visualisasi KG dapat menyajikan informasi dengan lebih interaktif dan mudah dimengerti. Penelitian ini telah menunjukkan bahwa LLM dan KG dapat dimanfaatkan sebagai alat ekstraksi dan visualisasi informasi yang ada pada teks berita.

---

This research aims to develop an effective, interactive, and accurate information extraction tool for analyzing news texts using a combined approach between LLM and KG. This method combines the advantages of both techniques to improve the understanding and extraction of information from complex news texts. The goal is for readers to understand the information contained in the news text interactively. The author utilizes LLMs who have been extensively trained in understanding and generating texts to identify important information in news texts, such as entities, sentiments, quotes, relations between entities, and 5W1H (Who, What, Where, When, Why, How), chronological order of events, and part-whole relationships (mereology) elements in news texts. To extract that information, the prompt was modified by using a one-shot-prompting approach to provide context and examples to LLMs in understanding the news text. Then, the extracted information is used to build a KG that represents structured knowledge about entities and relationships in the text. In addition, the development plan involves creating a website that will provide an interface for this system to allow users to perform live and interactive news text analysis. The main evaluation conducted in this research is to measure the accuracy of the answers generated by LLM on each piece of information extracted and how good KG visualization is for the information obtained. This research shows that LLM is able to extract the desired information quite accurately and KG visualization can present information in a more interactive and easy to understand manner. This research has shown that LLM and KG can be used as information extraction and visualization tools in news texts."