Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Knowledge graphs grow more prominent year after year. With the development of knowledge graphs, an aspect to take note of is the knowledge wealth of knowledge graphs. Knowledge wealth could be said as the amount of information stored within a knowledge graph. The richness of knowledge wealth in a knowledge graph could heighten the quality of a knowledge graph and vice versa. There have not been many tools to analyze knowledge wealth in knowledge graphs and the ones that exist have limitations in the way they analyze knowledge wealth. We propose a Python framework to analyze knowledge wealth and imbalance for RDF knowledge graphs. The framework can help with doing large scale analysis on knowledge graphs and see how knowledge wealth is distributed within a knowledge graph. To evaluate the framework, this study includes large-scale analysis on several different knowledge graphs. We hope that the result of this framework can help others in analyzing knowledge wealth within various knowledge graphs. ......Dengan perkembangannya knowledge graph, salah satu aspek penting yang perlu diperhatikan adalah knowledge wealth atau kekayaan informasi yang terdapat pada suatu knowledge graph. Kayanya knowledge wealth dalam suatu knowledge graph dapat menandakan tingginya kualitas suatu knowledge graph dan sebaliknya. Belum terdapat banyak alat (tool) untuk menganalisis knowledge wealth dalam knowledge graph dan alat yang sudah ada memiliki limitasi dalam menganalisis. Penelitian ini mengusulkan sebuah framework Python untuk menganalisis knowledge wealth dan knowledge imbalance dalam RDF knowledge graph. Framework ini membantu untuk melakukan analisis skala besar pada knowledge graph dan melihat persebaran knowledge wealth pada knowledge graph tersebut. Untuk mengevaluasi framework ini, dilakukan studi kasus berskala besar pada beberapa knowledge graph. Diharapkan hasil dari penelitian ini dapat membantu dalam meneliti knowledge wealth pada knowledge graph.

Abstrak :
Sustainable Development Goals (SDGs) merupakan suatu rencana aksi global yang disepakati oleh para pemimpin negara di dunia, guna mengakhiri kemiskinan, mengurangi kesenjangan dan melindungi lingkungan. SDGs berisi 17 Tujuan dan 169 Target yang diharapkan dapat dicapai pada tahun 2030. Di Indonesia, SDGs mulai diterapkan pada tahun 2015. Penelitian ini melibatkan 34 Provinsi sebagai sampel dengan tahun pengamatan 2015-2016. Analisis regresi berganda digunakan dalam pengujian hipotesis dengan data pencapaian SDGs hasil scoring penulis dan Alisjahbana, et al. (2018) sebagai variabel dependen. Pada penelitian ini didapatkan hasil yaitu Luas wilayah, Satuan Kerja Perangkat Daerah dan Pendapatan Asli Daerah yang mewakili karakteristik pemerintah daerah berpengaruh terhadap SDGs. ......The Sustainable Development Goals (SDGs) is a global action plan approved by world leaders, to put an end to poverty, diminish social discrepancies, and protect the environment. The SDGs contain 17 objectives and 169 targets that are expected to be achieved by 2030. Indonesia began to implement SDGs in 2015. This study involved 34 provinces as the samples with the observation period of 2015 – 2016. Multiple regression analysis was used for testing the hypothesis by having a result of scoring the accomplishment of Sustainable Development Goals. The result obtained by this study is the characteristic of local government presented by region size, number of the regional work units, and local own-source revenue impacting the accomplishment of SDGs.

Abstrak :
Seiring dengan pesatnya perkembangan volume data, kebutuhan akan data yang machine-readable tidak bisa dihindari. Akibatnya, penggunaan struktur data knowledge graph semakin populer. Dengan perkembangannya, aspek kualitas dari sebuah knowledge graph perlu diperhatikan, salah satunya adalah knowledge wealth: kekayaan informasi yang terdapat pada suatu knowledge graph. Tingginya knowledge wealth dalam suatu knowledge graph dapat menandakan tingginya kualitas suatu knowledge graph; sebaliknya, tingkat knowledge wealth yang rendah mengindikasikan buruknya kualitas suatu knowledge graph. Namun, belum terdapat cara formal yang mendefinisikan knowledge wealth dan bagaimana mengukurnya serta menganalisisnya. Penelitian ini mengusulkan sebuah framework untuk menganalisis knowledge wealthdan tingkat knowledge imbalance dalam RDF knowledge graph dengan melihat bagaimana knowledge wealth dari sebuah kelas entitas tersebar pada knowledge graph tersebut menggunakan pengukuran statistika dan bantuan visualisasi. Selain itu, framework ini juga membantu untuk mengidentifikasi grup-grup entitas berdasarkan tingkat kekayaan di dalam kelasnya, menemukan bentuk distribusi yang paling mendekati distribusi knowledge wealth, melakukan pengelompokkan kelas-kelas entitas berdasarkan bentuk distribusi knowledge wealth, hingga mendeteksi bias pada sebuah knowledge graph. Untuk mengevaluasi framework ini, dilakukan studi kasus pada beberapa kelas entitas di Wikidata. Diharapkan hasil dari penelitian ini dapat membantu dalam meneliti knowledge wealth pada knowledge graph serta dimanfaatkan untuk mengoptimalkan usaha pengeditan dan pengembangan proyek knowledge graph oleh para kontributornya. ......Along with the rapid development of data volumes, the need for machine-readable data is inevitable. As a result, the use of knowledge graph data structures becomes more popular. With its development, quality aspects of a knowledge graph need to be considered, one of which is knowledge wealth: the amount of information contained in a knowledge graph. A high level of knowledge wealth in a knowledge graph may indicate the high quality of a knowledge graph; conversely, a low level of knowledge wealth can be a sign of poor quality of a knowledge graph. However, there is no formal way to define knowledge wealth and how to measure and analyze it. This study proposes a framework to analyze knowledge wealth and the level of knowledge imbalance in the RDF knowledge graph by seeing how the knowledge wealth of an entity class is spread over the knowledge graph using statistical measures and visualization. In addition, this framework also helps to identify entity groups based on the level of wealth in their class, finds the best theoretical distribution that fits best to knowledge wealth distribution, performs clustering on classes based on the shape of knowledge wealth distribution, and detects bias in a knowledge graph. To evaluate this framework, some use cases were conducted on several classes on Wikidata. It is hoped that the results of this study can assist in researching knowledge wealth in the knowledge graph and be used to optimize the efforts of editing and developing knowledge graph projects by the contributors.

Abstrak :
Ketidakseimbangan pengetahuan merupakan fenomena yang semakin menonjol seiring berjalannya waktu, teurtama dengan perkembangan Articial Intelligence dan Data Science. Salah satu open knowledge base yang mengalami fenomena ini adalah Wikidata. Ketidakseimbangan pengetahuan dapat menyebabkan banyak hal negatif, contohnya adalah data yang tidak akurat dan kesimpulan yang bias. Untuk membantu mengatasi ketidakseimbangan pengetahuan kami mengusulkan sebuah solusi menggunakan association analysis. Kami menyediakan framework yang dapat mengidentifikasi gap properties, yang dapat digunakan untuk mengidentifikasi akar dari ketidakseimbangan pengetahuan di dalam Wikidata class (e.g. computer scientists, sovereign states). Melalui gap property ratio, kami dapat menghitung level ketidakseimbangan pengetahuan dalam Wikidata class. Semakin tinggi gap property ratio maka semakin tinggi tingkat ketidakseimbangan pengetahuan dalam suatu kelas. Untuk memvalidasi framework yang kami buat, kami melakukan analisis ketidakseimbangan pengetahuan di 20 kelas Wikidata. Kami harap hasil dari riset ini dapat membantu kontributor Wikimedia dalam menyelesaikan fenomena ketidakseimbangan pengetahuan lebih cepat dan akurat. ......Knowledge imbalances are a phenomenon that has become more and more prominent over the years, especially with the growth of AI and data science. Wikidata is one of the open knowledge bases having this phenomenon. The growing number of items in Wikidata is not followed by an even distribution to every group and community. This phenomenon may have multiple negative implications, such as data inaccuracy and biased conclusions. In order to help in addressing knowledge imbalances in Wikidata we propose an approach using association analysis. We provide a framework that can identify gap properties, useful to pinpoint the root causes of knowledge imbalances in Wikidata classes (e.g., computer scientists, sovereign states). Furthermore, through the gap property ratio, we can quantify the knowledge imbalance level within Wikidata classes. The higher the gap property ratio, the larger the knowledge imbalance is for that class. To further validate our framework we conduct a knowledge imbalance analysis on 20 Wikidata classes. We hope that the result of this research can help Wikimedia contributors in addressing the knowledge imbalance phenomenon in Wikidata more swiftly and accurately.