Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Kerangka Hibrida Meta-pembelajaran Semantik dan CRF untuk Meningkatkan Pengenalan Entitas Bernama Few-shot Bahasa Indonesia

Rektorat UDINUS 2026 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2026
Tujuan
Nomor
70c82210-3bb8-442a-b130-dcaf651e2a55
Terbit
2026-10-30

Universitas Dian Nuswantoro (UDINUS), melalui kegiatan yang melibatkan Nurchim, Muljono, Edi Noersasongko, Ahmad Zainul Fanani, dan Deshinta Arrova Dewi sebagai peserta, membahas tantangan Few-shot Named Entity Recognition (FS-NER) untuk bahasa Indonesia. Kegiatan ini berfokus pada identifikasi penyebutan entitas ketika data berlabel yang tersedia sangat terbatas. Dalam sumber, kondisi tersebut dikaitkan dengan bahasa yang memiliki sumber daya rendah dan kaya secara morfologis, termasuk bahasa Indonesia. Kegiatan ini juga mengkaji penurunan kinerja model NER berbasis transformer dalam kondisi supervisi yang jarang, ketidakseimbangan label yang tinggi, dan ambiguitas semantik.

Kegiatan tersebut mengusulkan kerangka semantic meta-learning BIO-CRF untuk Indonesian FS-NER. Pendekatan ini mengintegrasikan episodic meta-learning, pembelajaran prototipe pada tingkat span yang diperkaya secara semantik, dan decoding Conditional Random Field yang dibatasi oleh BIO. Stabilitas prototipe ditingkatkan melalui penggabungan representasi span berbasis data dengan informasi semantik teks label. Decoding pada tingkat urutan digunakan untuk mempertahankan konsistensi struktural. Kerangka ini juga memasukkan rare-entity boosting dan pembelajaran berbobot kelas untuk menangani distribusi entitas long-tail yang umum ditemukan dalam korpus bahasa Indonesia.

Eksperimen ekstensif dilakukan pada dataset NER bahasa Indonesia yang heterogen. Pendekatan yang diusulkan dibandingkan dengan baseline metric-based, episodic fine-tuning, dan label-semantic prompting pada pengaturan K-shot 10, 20, dan 50. Pada kondisi paling terbatas, yaitu K = 10, kerangka tersebut mencapai F1-score sebesar 82,14% dan mempertahankan peningkatan kinerja yang stabil ketika ukuran support meningkat. Sumber menyatakan bahwa hasil ini menunjukkan generalisasi semantik yang efektif, bukan ketergantungan pada tambahan data berlabel.

Studi ablation dan analisis signifikansi statistik mengonfirmasi kontribusi yang saling melengkapi dari semantic fusion, episodic meta-learning, dan decoding CRF. Dengan demikian, kegiatan ini membentuk tolok ukur untuk Indonesian FS-NER dan menunjukkan efektivitas penggabungan pemodelan semantik dengan inferensi terstruktur dalam pelabelan urutan dengan sumber daya rendah. Dalam kaitannya dengan tujuan yang dinyatakan, UDINUS memosisikan kegiatan ini sebagai penelitian yang mengembangkan dan mengevaluasi kerangka komputasional untuk teknologi bahasa Indonesia.

Rujukan https://www.scopus.com/pages/publications/105030379682?origin=resultslist