Ekstraksi Entitas Orang yang Terafiliasi Telkom University menggunakan Long Short-Term Memory (LSTM) pada Artikel Berita Terkait

Teks berita merupakan teks yang berisikan suatu informasi mengenai suatu kejadian yang disampaikan secara tertulis maupun tidak. Dalam teks berita tersebut terdapat banyak informasi yang tidak terstruktur dan membuat orang kesulitan untuk mengetahui entitas apa saja yang terdapat dalam teks berita tersebut. Untuk mengatasi permasalahan tersebut dilakukan ekstraksi informasi yang berguna untuk mendapatkan entitas informasi dalam bentuk teks yang terstruktur. Pada penelitian ini dilakukan ekstraksi informasi menggunakan metode Long Short-Term Memory (LSTM) pada sebuah data berita terkait Telkom University. Oleh karena itu, pada penelitian ini dilakukan pembangunan sistem ekstraksi informasi dengan berfokus pada entitas Orang menggunakan metode Long Short-Term Memory (LSTM). Hasil pengujian mendapatkan nilai F1 Score sebesar 81% dengan tuning parameter word embedding size sebesar 256, banyak batch sebesar 32, banyak epoch sebesar 150, banyak dropout sebesar 0.1, dan layer pada LSTM sebesar 1.