Named Entity Recognition Pada Resep Makanan Dengan Metode Bidirectional Long Short-Term Memory Dan Bidirectional Encoders Representations From Transformers

Abstract

Dalam kehidupan kita sehari-hari makanan merupkan hal yang sangat penting. Resep Masakan merupakan panduan bagi seseorang dalam mengolah bahan makanan menjadi hidangan yang dapat disajikan. Namun sebagian orang menanggap bagian bahan dalam resep masakan tidak penting. Informasi bahan resep masakan sendiri dapat membantu orang dalam beberapa skenario seperti estimasi biaya dalam belanja dan estimasi nutrisi dalam makanan. Named Entity Recognition (NER) dapat digunakan untuk menemukan informasi penting yang diinginkan dengan lebih mudah dengan mendeteksi entitas pada suatu teks. Tujuan penelitian ini adalah membuat model NER untuk membantu mengidentifikasi entitas pada resep masakan dan mengetahui performa model yang dibangun. Terdapat 3999 resep masakan yang didapatkan dari website Kaggle. Resep yang terkumpul akan dipecah menjadi 196.696 token kata. Kemudian token- token tersebut akan dilabeli sesuai dengan kategorinya, yaitu nama bahan makanan, bumbu masakan dan alat. Selain kategori yang sudah disebutkan, maka token akan diberi label O (outside). Untuk mencapai tujuan penelitian, peneliti menggunakan lima langkah penelitian, yaitu mengumpulkan dataset, preprocessing, ekstraksi fitur dengan word embedding berupa Word2Vec, pemodelan NER, evaluasi dan deteksi entitas serta menggunakan metode Bidirectional Long Short-Term Memory (BiLSTM) dan Bidirectional Encoder Representaions from Transformers (BERT) pada pemodelannya. Dari hasil yang telah diperoleh, model yang dihasilkan mampu memprediksi entitas dengan baik, yaitu menghasilkan 77,9% untuk model BiLSTM dan 99,4% untuk model BERT. Namun, masih ditemukan beberapa kesalahan dalam mendeteksi entitas, seperti misalnya model masih salah dalam mengidentifikasi entitas yang harusnya dilabeli bahan tetapi justru dilabeli bumbu. Dari skenario-skenario model yang telah diuji, diperoleh model BERT yang memiliki rata-rata F1-Score tertinggi sebesar 94,4%, dibandingkan model BiLSTM yang memiliki rata-rata F1-Score tertinggi sebesar 77,9%.