<![CDATA[Named Entity Recognition (NER) merupakan salah satu tugas penting dalam Natural Language Processing (NLP) yang bertujuan untuk mengidentifikasi dan mengklasifikasikan entitas bernama seperti orang, lokasi, dan organisasi di dalam teks. Tantangan utama dalam penerapan NER pada bahasa Indonesia, khususnya pada data media sosial, terletak pada penggunaan bahasa tidak baku, singkatan, dan keberadaan noise teks. Penelitian ini mengusulkan penerapan model Bidirectional Long Short-Term Memory yang dikombinasikan dengan Conditional Random Field (BiLSTM-CRF) untuk melakukan NER pada teks bahasa Indonesia yang bersumber dari Twitter/X. Dataset yang digunakan berasal dari Kaggle dengan skema pelabelan BIO dan dibagi ke dalam data latih, validasi, dan uji. Tahapan penelitian meliputi preprocessing teks, pembangunan model BiLSTM-CRF, serta evaluasi performa menggunakan metrik precision, recall, dan F1- score. Hasil eksperimen menunjukkan bahwa model BiLSTM-CRF mampu mengenali entitas bernama dengan performa yang baik dan stabil pada data uji, sehingga pendekatan ini efektif untuk menangani karakteristik teks media sosial berbahasa Indonesia. Penelitian ini diharapkan dapat menjadi referensi bagi pengembangan sistem NER bahasa Indonesia pada data informal.]]>
Copyrights © 2025
