Mohamad Farozi

Dalam penelitian ilmiah, proses identifikasi menemukan berbagai metode yang relevan dilakukan melalui analisis mendalam terhadap berbagai literatur. Analisis ini bertujuan untuk mengevaluasi kontribusi kebaruan penelitian sebelumnya serta mengekstrak informasi yang bernilai dari literatur yang telah ada. Sebagian besar portal repositori referensi literatur ilmiah menggunakan representasi teks yang menampilkan judul, abstrak dan kata kunci dokumen yang diambil. Namun hanya sedikit penelitian yang berfokus pada relevansi dan kesamaan berdasarkan subjek pada peta relevansi topik literatur dan memvisualisasikan ikhtisar topik ruang hasil pencarian sebagai kata kunci. Penelitian ini berfokus pada pengembangan model ekstraksi teks abstrak dari literatur ilmiah dengan menggunakan model machine learning. Dataset teks abstrak literatur ilmiah yang digunakan untuk ekstrasi informasi pada penelitian ini diperoleh dari Agregator Nasional Garuda. Model ekstraksi yang digunakan diantaranya Conditional Random Field (CRF), Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (Bi-LSTM) untuk membaca serta mengekstrak teks abstrak dari literatur ilmiah, sekaligus mengidentifikasi entitas penting dalam teks yang tidak terstruktur. Hasil penelitian menunjukkan bahwa model Bi-LSTM mampu memberikan performa yang baik dalam mengekstraksi entitas dari teks abstrak dengan nilai Precision, Recall, dan F1-Score dengan skor nilai 0.92 yang mengindikasikan kemampuannya dalam mengenali dan mengklasifikasikan entitas dengan akurasi tinggi serta mengekstraksi informasi dalam teks abstrak yang tidak terstruktur. Kata Kunci : Literatur Ilmiah, Ekstraksi Teks, Entitas, Machine Learning