Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem Ekstraksi Informasi yang sebelumnya telah dibuat menggunakan aturan untuk dapat melakukan standarisasi dokumen Undang-Undang ke dalam format XML. Karena aturan yang digunakan bersatu dengan sistem itu sendiri, maka sistem menjadi kurang adaptif. Oleh karena itu, modularisasi aturan yang dilakukan pada penelitian ini diharapkan mampu membuat sistem menjadi lebih adaptif. Adaptivitas sistem akan diuji dengan melakukan adaptasi ke jenis dokumen legal yang lain, yaitu Peraturan Pemerintah (PP). Hasil adaptasi SEI ke dokumen PP diujicobakan pada 201 dokumen PP dan 41 dokumen PP perubahan. Hasilnya menunjukkan kinerja sistem dalam melakukan standarisasi dokumen PP ke dalam format XML sebesar 99.47% dan dokumen PP perubahan sebesar 97.98%.

---

The previous Information Extraction System used rules to standardize Indonesian Act document into XML format. Because these rules still merged inside the system?s body, it caused problem in its adaptability. Because of that, this research trying to modularize these rules in order to increase system?s adaptability. System?s adaptability then will be tested by adapting the system to other type of Indonesian legal document, which is Government Regulation document. Adaptation result will be tested using 201 Government Regulation documents and 41 Replacement of the Government Regulation documents. The results show that the system?s accuracy to standardize Government Regulation documents is 99.47% and for Replacement of the Government Regulation documents is 97.98%."

"Dokumen legal Indonesia memiliki karakteristik yang membedakannya dengan dokumen umum. Karakteristik tersebut ada yang kasat mata seperti struktur penulisan dan ada pula yang tidak kasat mata seperti frekuensi kata dan sebaran kata dalam dokumen. Adanya karakteristik tersebut membuat perolehan informasi pada dokumen legal berbeda dengan dokumen teks biasa, misalnya isu pemanfaatan struktur dokumen legal sebagai unit perolehan informasi dan penggunaan stopwords khusus dokumen legal. Dalam penelitian tugas akhir ini, dikembangkan sistem perolehan informasi untuk dokumen legal Indonesia. Sistem yang dikembangkan mencakup tiga komponen utama dalam perolehan informasi, yakni pengindeksan, pencarian, dan pemeringkatan hasil. Pengindeksan dilakukan dengan menggunakan dua buah pendekatan: pengindeksan elemen terbesar dan pengindeksan elemen yang dianggap berharga sebagai unit perolehan informasi, yaitu elemen bab dan elemen pasal. Pendekatan ini diambil dengan tujuan memanfaatkan struktur penulisan pada dokumen legal. Untuk itu, dalam penelitian ini digunakan koleksi dokumen legal yang sudah ditandai dengan tag XML. Isu penggunaan stopwords khusus dokumen legal tidak ditangani dalam penelitian ini, mengingat kata-kata yang umum muncul dalam dokumen legal direpresentasikan dengan tag-tag XML. Sejumlah ujicoba dilakukan untuk mengevaluasi sejauh mana kinerja setiap jenis pendekatan. Data yang digunakan sebagai ujicoba adalah undang-undang Republik Indonesia yang diundangkan mulai tahun 1983 hingga 2009. Hasil ujicoba menunjukkan bahwa elemen terbesar, yakni elemen undang-undang merupakan unit perolehan informasi terbaik dibanding elemen bab dan elemen pasal. Sementara itu, elemen pasal merupakan elemen yang memiliki dokumen relevan terbanyak dalam hasil pencarian.

---

Indonesian legal documents have some characteristics that differs it from general documents. The characteristics can be classified into two types: characteristic that can be seen clearly and characteristic that can be detected only by using statistical linguistic methods. The structural writing of legal document is a subset of the first type characteristic while words frequency and words distribution among collection can be included into the second type. Existence of those characteristics made information retrieval in legal document has differences compare to retrieval in general text collection, such as using document structure as a retrieval unit and using special stopwords for legal document. In this undergraduate thesis, we developed information retrieval system for Indonesian legal document. The system employed three information retrieval main components: indexing, searching, and ranking. We used two approaches in indexing step: made biggest element and valuable element (chapter and article) as an indexing unit. The approaches taken have a purpose to exploit the structural writing of legal document. We used legal document which has been tagged with XML syntax to make it easier to afford the purpose. The issue of using special stopwords for document legal were omitted in this research because it has been replaced by XML syntax. Finally, we conducted some experiments to evaluate performance of each indexing types. We used Indonesian law documents which released from 1983 until 2009 as experiments data. We conclude that the biggest element is the best indexing unit among others. Beside that, we found that article element is the most frequent element which occur in search result lists."

"Indonesia adalah negara hukum yang memiliki berbagai jenis peraturan perundang-undangan (dokumen legal). Dokumen legal tersebut telah mencapai jumlah yang sangat banyak. Jumlah yang banyak dan keragaman jenis dokumen legal yang ada menyebabkan proses pencarian, penelusuran, dan pembandingan menjadi hal yang tidak mudah untuk dilakukan. Kesulitan-kesulitan ini disebabkan dokumen-dokumen tersebut masih ditulis dengan bahasa alami tanpa ada struktur penulisan yang standar. Kesulitan lain adalah dalam melihat keterkaitan antar dokumen legal tersebut untuk mengetahui apakah terjadi pertentangan di antaranya. Pengembangan Sistem Ekstraksi Informasi (SEI) dapat menjadi solusi dalam pembuatan standardisasi dokumen legal. SEI ini mengotomatisasi pengubahan dokumen Undang-Undang (UU), baik dokumen UU perubahan maupun dokumen UU non-perubahan, dalam format teks menjadi dokumen UU dalam format XML. Selain itu, sistem ini juga dapat memproses dokumen XML untuk mencari informasi keterkaitan suatu UU dengan dokumen legal lain, baik yang kekuatan hukumnya lebih tinggi maupun yang kekuatan hukumnya sama. Informasi keterkaitan tersebut kemudian disajikan dalam bentuk graf berarah. SEI ini dikembangkan dengan menggunakan pendekatan knowledge engineering, yaitu dengan membuat aturan-aturan berdasarkan informasi kontekstual yang terdapat dalam dokumen. SEI ini diujicobakan pada 200 dokumen UU non-perubahan dan 38 dokumen UU perubahan. Hasilnya menunjukkan bahwa sistem dapat melakukan pembentukan struktur umum UU dengan ketepatan sebesar 99.43% untuk UU non-perubahan dan 97.05% untuk UU perubahan."

"Resolusi koreferensi merupakan suatu proses yang dilakukan untuk mengetahui hubungan antara suatu entitas bernama atau kata ganti dengan entitas bernama lainnya dalam suatu teks. Hubungan tersebut dapat diketahui berdasarkan informasi kelas kata, kelas nama, kesamaan karakter penyusun kata, dan letak entitas bernama atau kata ganti tersebut dalam suatu teks. Penelitian ini membandingkan penerapan resolusi koreferensi menggunakan pendekatan machine learning dengan metode decision tree, maximum entropy, dan association rules. Penelitian dilakukan untuk mengetahui metode mana yang lebih baik untuk diaplikasikan pada tugas resolusi koreferensi untuk Bahasa Indonesia. Selain itu penelitian ini dilaksanakan untuk mengetahui efektifitas penggunaan fitur pada resolusi koreferensi untuk Bahasa Indonesia. Tujuan lainnya adalah mengetahui berapakah jumlah dokumen pelatihan yang diperlukan untuk masing-masing metode sehingga sistem memberikan hasil yang optimal. Uji coba dilakukan menggunakan 500 dokumen yang dikumpulkan dari Kompas Online (www.kompas.com). Secara umum, nilai recall metode decision tree lebih tinggi dari metode yang lain. Hasil uji coba memperlihatkan bahwa association rules menghasilkan kinerja yang paling baik dengan F-measure sebesar 81,36% yang diamati pada jumlah dokumen pelatihan 300 dan menggunakan semua fitur. Metode decision tree mencapai kestabilan pada jumlah dokumen 50. Metode maximum entropy mencapai kestabilan pada jumlah dokumen 70, sedangkan metode association rules mencapai kestabilan saat jumlah dokumen 90. Pada metode decision tree dan maximum entropy, kombinasi fitur minimum yang memberikan hasil terbaik adalah kombinasi fitur yang berhubungan dengan kesamaan karakter penyusun frase. Sedangkan untuk metode association rules, kombinasi fitur yang berhubungan dengan kesamaan karakter penyusun frase dan kombinasi fitur kelas nama merupakan kombinasi yang memberikan hasil terbaik."

"Penelitian mengenai sistem penilai jawaban esai sudah pernah dilakukan dengan metode Latent Semantic Analysis (LSA). Salah satu keterbatasan yang dialami adalah keterbatasan dokumen training untuk mengoptimalkan hasil LSA. Dengan keterbatasan tersebut penggunaan Vector Space Model (VSM) dapat dipertimbangkan. Penelitian ini membandingkan LSA dan VSM untuk menilai jawabanbentuk esai serta meneliti pengaruh pemotongan imbuhan dan perluasan kunci jawaban terhadap efektifitas sistem. Uji coba dilakukan dengan 13 soal esai dengan 42 peserta ujian. Secara keseluruhan, rata-rata korelasi nilai VSM-manusia lebih tinggi dari LSA-manusia.

---

Research in automated essay scoring system has been done using Latent Semantic Analysis (LSA) method. One of the limitations is the lack of training documents to optimize LSA results. Regarding such limitation, the use of Vector Space Model (VSM) can be considered. This research aims to compare LSA and VSM to score essay answer and to investigate the effect of stemming and query expansion toward the effectiveness of the system. Experiments are done with 13 problems with 42 test participants. Overall results show that average correlation of score between VSM-human is higher than LSA-human."

"Indonesia adalah negara hukum yang memiliki beberapa peraturan perundang-undangan (dokumen legal) sebagai panduan bagi masyarakat untuk bersikap dan bertingkah laku dalam kehidupan berbangsa dan bernegara. Dokumen legal yang dibentuk oleh lembaga berwenang telah mencapai jumlah yang sangat besar. Setiap tahunnya pemerintah sering sekali melakukan perubahan terhadap suatu undang-undang, sehingga apabila kita menemukan suatu undang-undang kita sulit untuk mengetahui apakah undang-undang tersebut merupakan versi terakhir atau bukan. Kesulitan-kesulitan ini disebabkan belum adanya sistem yang bisa melakukan otomatisasi untuk mengetahui sejarah perubahan undang-undang. Pengembangan Sistem Informasi Rekapitulasi Dokumen Perundang-undangan di Indonesia ini dapat menjadi solusi untuk mengetahui apakah suatu dokumen undang-undang merupakan versi terakhir atau bukan.Sistem ini melakukan otomatisasi dalam pencarian keterkaitan antar dokumen dengan memproses dokumen berbasis XML, sehingga sejarah perubahan undang-undang dapat diketahui. Informasi sejarah perubahan undang-undang tersebut disajikan dalam bentuk graf berarah. Sistem informasi rekapitulasi dokumen perundang-undangan di Indonesia ini dikembangkan dengan menggunakan pendekatan knowledge engineering, yaitu dengan membuat aturan-aturan berdasarkan informasi kontekstual yang terdapat dalam dokumen. Sistem informasi rekapitulasi dokumen perundang-undangan di Indonesia ini diujicobakan pada 472 dokumen undang-undang dan 784 pasal. Hasilnya menunjukkan bahwa sistem dapat menampilkan sejarah perubahan undang-undang dengan ketepatan sebesar 99.6% untuk dokumen undang-undang dan 99.2% untuk dokumen pasal.Indonesia is a country that has some legal regulations (legal document) as a guide for its society to behave and conduct oneself in the life of a nation and state. Legal documents established by the authorized institutions has been produced in a very large number. Each year the government make changes to a law, that make it difficult for us to know whether the law is in the latest version. These difficulties are caused by the non-existance of a system that can perform an automation to find out the changes for the law. The Development of Information System for Recapitulation of Legislation Documents in Indonesia, could be a solution for the document to determine whether a law is in the newest version.

This system automates a relation between documents by processing an XML-based document, so that history of changes in the law can be found. The history information is presented in the form of a directed graf. The information system for the law documents recapitulation is developed using the knowledge engineering approach, which is to create rules based on contextual information contained in the document. Information System for Recapitulation of Legislation Document in Indonesia has been tested on 472 documents the laws and Article 784. The result shows that the system can display the history of the law changes with accuracy of 99.6% for the documents the laws and 99.2% for the document section."

"Indonesia adalah negara hukum yang memiliki banyak peraturan perundangundangan (dokumen legal). Hingga saat ini, dokumen legal yang telah dihasilkan olehlembaga pembuat undang-undang semakin banyak, namun jumlah dokumen yang semakin bertambah tidak didukung oleh pengelolaan dan penyimpanan dokumen yang baik dan terstruktur. Pengelolaan dan penyimpanan dokumen yang kurang baik dan tidak terstruktur menyebabkan terjadinya kesulitan dalam pencarian, penelusuran keterkaitan antar dokumen, ataupun perbandingan muatan antar dokumen legal.Untuk menjawab tantangan tersebut, maka diperlukan sebuah standar struktur dokumen legal sehingga dapat dibuat suatu sistem pengelolaan dokumen legal yang dapat mempermudah proses pencarian, perbandingan dan sebagainya. Pembuatan standar struktur dokumen dapat dilakukan dengan mengubah dokumen menjadi format yang lebih terstruktur (format XML).Pembuatan sistem untuk strukturisasi dokumen legal sudah pernah dikembangkan sebelumnya dengan menerapkan pendekatan knowledge engineering, yaitu dengan membuat aturan-aturan berdasarkan informasi kontekstual. Namun sistem tersebut belum mampu menangani semua jenis dokumen undang-undang yang memiliki perbedaan struktur. Oleh karena itu, dibutuhkan sebuah sistem yang mampu mempelajari dokumen-dokumen yang sudah terstruktur dalam format XML sehingga dapat melakukan strukturisasi dokumen legal yang belum dapat ditangani oleh sistem knowledge engineering. Undang-Undang Republik Indonesia (UU) dijadikan dokumen yang diujicobakan pada sistem. Hasil dari uji coba sistem menunjukkan bahwa sistem dapat melakukan pembentukan struktur umum dari dokumen UU dengan ketepatan sebesar 83.178%."

"Resolusi koreferensi merupakan salah satu tugas dalam ekstraksi informasi yang bertujuan untuk mengenali hubungan identitas antar frase-frase yang terdapat pada teks dokumen. Pasangan frase yang memiliki hubungan identitas memiliki arti bahwa pasangan frase tersebut merujuk kepada entitas yang sama. Penelitian ini bertujuan untuk melihat sejauh mana metode association rules dapat digunakan pada resolusi koreferensi. Sistem resolusi koreferensi dikembangkan dengan pendekatan machine learning. Metode machine learning yang diterapkan pada sistem adalah association rules. Association rules untuk resolusi koreferensi dalam penelitian ini dibuat berdasarkan informasi kelas kata, kelas nama, kesamaan karakter penyusun frase, serta letak atau posisinya dalam dokumen. Sistem diimplementasikan menggunakan bahasa pemrograman Java. Hasil uji coba menunjukkan bahwa metode association rules dapat digunakan untuk menyelesaikan tugas resolusi koreferensi. Uji coba dilakukan pada artikel-artikel media massa online dari Republika dan dapat diperoleh F-measure hingga 79,68%."

"Pengenalan entitas bernama merupakan tugas dasar dalam sistem ekstraksi informasi untuk mengenali entitas nama, entitas waktu, dan entitas bilangan. Entitas nama meliputi nama organisasi, nama orang, dan nama lokasi. Pengenalan entitas bernama dilakukan dengan menggunakan aturan yang dibentuk dari sekumpulan fitur suatu kata pada metode association rules. Pencocokan fitur-fitur kata dengan aturan dapat dilakukan dengan dua cara, exact match dan partial match. Pada partial match, digunakan nilai similarity yang merepresentasikan kesamaan suatu fitur-fitur kata dengan aturan. Fitur-fitur yang digunakan dalam penelitian ini dibagi menjadi empat bagian. Fitur pertama merupakan informasi orthographical suatu token (term feature), fitur kedua berisi informasi orthographical token sebelum dan sesudah (neighbourhood feature), fitur ketiga berisi informasi token dalam suatu daftar (list feature),dan fitur keempat berisi informasi global suatu token (global feature). Dokumen yang digunakan pada penelitian ini berjumlah 160 dokumen dengan perbandingan 100 dokumen untuk pelatihan dan 60 dokumen untuk pengujian. Dokumen-dokumen tersebut diperoleh dari koran online berbahasa Indonesia, yaitu Kompas dan Republika. Uji coba dilakukan pada beberapa kombinasi penggunaan keempat fitur di atas, variasi nilai similarity dari 0,1 sampai 0,9 pada partial match, dan variasi jumlah dokumen pelatihan dari 10 dokumen sampai 100 dokumen dengan penambahan jumlah dokumen sebanyak 10 dokumen. Jumlah dokumen pengujian yang digunakan berjumlah 60 dokumen. Hasil uji coba menunjukkan bahwa sistem dapat mengenali entitas bernama dengan nilai F-measure tertinggi 43,34% dengan menggunakan term feature, neighbourhood feature, dan list feature dengan nilai similarity 0,7 pada metode partial match dengan menggunakan 100 dokumen pelatihan."

"Penelitian ini mengembangkan sistem pengenalan entitas bernama pada teks dokumen berbahasa Indonesia menggunakan pendekatan machine learning. Metode dalam machine learning yang digunakan adalah association rules. Entitas yang dikenali pada penelitian ini adalah entitas nama orang, nama organisasi dan nama lokasi. Aturan-aturan untuk mengenali suatu entitas dibuat berdasarkan informasi morfologi dan kelas kata yang digunakan sebagai fitur term/token yang ingin dikenali. Suatu term dapat mempunyai satu fitur (fitur tunggal) atau banyak fitur (fitur berganda). Fitur berganda dapat dibuat berdasarkan informasi morfologi, informasi kelas kata dan gabungan keduanya. Uji coba sistem dilakukan pada beberapa kombinasi penggunaan informasi morfologi dan kelas kata dalam aturan. Hasil uji coba menunjukkan bahwa sistem dapat melakukan pengenalan entitas bernama dengan F-measure tertinggi sebesar 79.39%. Hasil ini diperoleh dengan aturan pengenalan entitas bernama yang dibuat berdasarkan gabungan informasi morfologi dan kelas kata."