Salim, Ahmad Nur (2019) Slot Filling untuk Language Understanding dalam Sistem Dialog pada E-Commerce dengan Arsitektur Bidirectional Long Short-Term Memory-Conditional Random Fields (Domain: Ponsel Pintar). Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211540000003-Undergraduate_Theses.pdf Download (1MB) | Preview |
Abstract
Saat ini teknologi informasi telah diadopsi dalam berbagai bidang, salah satunya adalah di bidang perdagangan hingga muncullah istilah e-commerce (perdagangan elektronik). Dengan potensi pertumbuhan pelanggan yang bergitu cepat, layanan customer service dapat menjadi suatu tantangan tersendiri pada e-commerce. Pelanggan dapat dengan mudah mengakses layanan e-commerce dari mana saja dan kapan saja. Hal ini dapat menjadi masalah apabila layanan e-commerce mengandalkan customer service konvensional dimana dengan bertambahnya jumlah pelanggan, kebutuhan tenaga untuk customer service juga meningkat . Salah satu cara untuk mengatasi masalah ini adalah dengan melakukan otomasi layanan customer service dengan memanfaatkan sistem dialog (dialogue system). Dalam sebuah dialogue system berbasis teks terdapat sebuah komponen yang disebut Language Understanding (LU). Komponen ini berfungsi untuk menganalisa teks masukan yang didapatkan agar dapat dimengerti oleh sistem. Salah satu tugas dari LU adalah untuk secara otomatis mengisi sebuah set slot untuk membentuk bingkai semantik. Tugas tersebut biasa disebut dengan istilah slot filling. Slot filling merupakan salah satu masalah sequence tagging. Salah satu metode untuk menyelesaikannya adalah dengan menggunakan Bidirectional Long Short-Term Memory-Conditional Random Fields (Bidirectional LSTM-CRF). Bidirectional LSTM-CRF menggabungkan kemampuan Bidirectional LSTM untuk menggunakan feature dari masukan sebelum dan sesudahnya dan kemampuan untuk mendapatkan informasi pada tingkat kalimat dari CRF. Model ini memiliki performa yang baik untuk menyelesaikan masalah sequence tagging. Hasil dari penelitian ini didapatkan kesimpulan bahwa arsitektur BiLSTM-CRF memiliki performa dari arsitektur neural network lain yang digunakan dalam pengujian dengan nilai f-measure sebesar 80.2%. Dalam masalah slot filling yang merupakan salah satu jenis sequence tagging akurasi bukan merupakan ukuran yang tepat untuk menguji performa jika terjadi ketidakseimbangan pada jumlah label yang ada.
=================================================================================================================================
Nowadays information technology has been adopted in various fields, one of which is in the field of trade until the term e-commerce (electronic commerce) appears. With the potential of fast customer growth, customer service can be a challenge for e-commerce. Customers can easily access e-commerce services from anywhere and anytime. This can be a problem if e-commerce services rely on conventional customer service where as the number of customers increases, the requirements for customer services also increase. One way to overcome this problem is to automate customer service services using dialogue system. In a text-based dialogue system there is a component called Language Understanding (LU). This component serves to analyze the input text obtained so that it can be understood by the system. One of the tasks of LU is to automatically fill in a set of slots to form a semantic frame. The task is commonly referred to as slot filling. Slot filling is one of the sequence tagging problems. One method to solve it is by using Bidirectional Long Short-Term Memory-Conditional Random Fields (Bidirectional LSTM-CRF). Bidirectional LSTM-CRF combines the Bidirectional LSTM ability to use features from past and future input and the ability to get information at the sentence level from the CRF. This model has a good performance for solving sequence tagging problems. The results of this study are the conclusion that the BiLSTM-CRF architecture has better performance compared to other neural network architectures used in testing with f-measure value of 80.2%. In the problem of slot filling which is one type of sequence tagging, accuracy is not the right measurement to test performance if there is an imbalance in the number of labels.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSSI 658.88 Sal s-1 2019 |
| Uncontrolled Keywords: | Dialogoue System, Sequence Tagging, Slot Filling, Bidirectional Long Short-Term Memory-Conditional Random Fields. |
| Subjects: | Q Science > QA Mathematics > QA336 Artificial Intelligence |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Ahmad Nur Salim |
| Date Deposited: | 30 Sep 2024 08:28 |
| Last Modified: | 30 Sep 2024 08:28 |
| URI: | http://repository.its.ac.id/id/eprint/64477 |
Actions (login required)
 |
View Item |