Named Entity Recognition Untuk Data Review Tempat Wisata Dengan Metode “Bidirectional Encoder Representations From Transformers”

Abstract

Negara Indonesia merupakan negara yang menjadi salah satu tujuan wisata, biasanya wisatawan ketika akan mengunjungi tempat wisata akan mencari informasi terlebih dahulu. Informasi tersebut sangat lah penting untuk calon wisatawan, tetapi dengan adanya banyak sekali review tempat wisata akan memperlambat informasi yang ingin diketahui oleh calon wisatawan, sehingga tidak dapat langsung menemukan informasi yang diinginkan. Named Entity Recognition (NER) dapat digunakan untuk membantu menemukan informasi penting yang dibutuhkan dengan mendeteksi entitas yang terdapat dalam suatu teks. Tujuan dari penelitian ini adalah membangun model NER yang berguna untuk membantu mengidentifikasi informasi pada review tempat wisata, dan mengetahui parameter terbaik yang digunakan dalam membangun model, serta mengetahui performa model yang dibangun. Dalam penelitian ini, terdapat 7723 review tempat wisata dari beberapa tempat wisata yang berada di Indonesia. Kumpulan review tersebut dipecah menjadi 207.993 token kata. Kemudian katakata

yang telah dipecah akan diberi label entitas sesuai dengan kategori, beberapa kategori yaitu nama tempat wisata, nama lokasi, fasilitas, dan suasana. Selain dari kategori tersebut akan diberi label O yang berarti outside. Dalam proses membangun model NER ada beberapa langkah untuk mencapai tujuan penelitian ini, yaitu mengumpulkan dataset, ekstraksi fitur dengan word embedding yaitu WordPiece, pemodelan NER, evaluasi dan deteksi entitas. Dalam penelitian ini menggunakan metode Bidirectional Encoder Representations from Transformer (BERT). BERT dipilih karena metode BERT ini dirancang untuk melatih representasi dua arah dari teks yang tidak berlabel dengan bersama-sama mengkondisikan konteks dari kiri dan kanan di semua lapisan. BERT mencapai hasil seni dalam banyak tugas seperti menjawab pertanyaan, interferensi bahasa dan named entity recognition. Dari hasil metode BERT ini diperoleh, model yang telah dibangun mampu mendeteksi entitas dengan cukup baik, namun ada beberapa kesalahan dalam mendeteksi entitas. Dari scenario yang dibuat dalam penelitian ini, diperoleh model dengan rata-rata F1-Score sebesar 75%.