EKSTRAKSI ENTITAS ORGANISASI DARI ARTIKEL BERITA POLITIK MENGGUNAKAN METODE BIDIRECTIONAL LONG SHORT TERM MEMORY DAN CONDITIONAL RANDOM FIELDS

Informasi politik menjadi semakin penting dalam kehidupan masyarakat di erarndigital, di mana berita politik, terutama artikel-artikel di Indonesia, berfungsirnsebagai dasar pemahaman terhadap isu-isu politik yang sedang berlangsung.rnNamun, derasnya arus informasi membuat pencarian dan analisis data tentangrnentitas organisasi politik secara manual menjadi sulit dan memakan waktu. Olehrnkarena itu, diperlukan prosedur otomatis yang efisien untuk mengekstraksi entitasrndari artikel berita politik di Indonesia. Named Entity Recognition (NER) adalahrnkomponen krusial dalam Natural Language Processing (NLP) yang bertujuanrnuntuk mengidentifikasi entitas seperti nama orang, organisasi, waktu, dan lokasirndalam teks. Penelitian ini bertujuan untuk mengembangkan metode ekstraksi entitasrnorganisasi menggunakan algoritma NER dengan metode Bidirectional Long ShortTerm Memory (BiLSTM) dan Conditional Random Fields (CRF) pada 1202 artikelrnberita politik Indonesia yang mencakup 5439 kalimat dan 125.954 kata. Wakturnkomputasi yang diperlukan untuk melatih model ini adalah 1665 detik, atau sekitarrn27,75 menit. Hasil penelitian menunjukkan bahwa model BiLSTM-CRF cukuprnbaik dalam mengekstraksi entitas organisasi dengan nilai Precision 85.16%, Recallrn68.05%, F1-Score 74.38%, dan Accuracy 98.71%.