5. Information Extraction and Named Entity Recognition
Information Information
Extraction and Extraction and
Named Entity Named Entity Recognition Recognition Tim Teaching Tim TeachingInformation Extraction Information Extraction
Information extraction (IE) systems Information extraction (IE) systems
Menemukan dan memahami bagian Menemukan dan memahami bagian tertentu yang relevan dalam teks yang tertentu yang relevan dalam teks yang
tidak terstruktur tidak terstruktur
Mengumpulkan informasi dari banyak Mengumpulkan informasi dari banyak kumpulan teks kumpulan teks
Menghasilkan sebuah Menghasilkan sebuah representasi representasi
informasi yang relevan dan terstruktur: informasi yang relevan dan terstruktur :
Relasi (seperti dalam database) Relasi (seperti dalam database)
Information Extraction Information Extraction
Information extraction (IE) systems Information extraction (IE) systems
Tujuan: Tujuan:
1. Membuat informasi menjadi lebih
1. Membuat informasi menjadi lebih
terorganisir dengan baik sehingga terorganisir dengan baik sehingga berguna untuk manusia berguna untuk manusia
2. Informasi ditampilkan dalam sebuah Informasi ditampilkan dalam sebuah
2.
format yang tepat secara format yang tepat secara semantic semantic sehingga memungkinkan dilakukan sehingga memungkinkan dilakukan inferensi inferensi pada tahap selanjutnya oleh pada tahap selanjutnya oleh
Information Extraction Information Extraction
IE systems mengekstrak informasi yang terstruktur, jelas dan faktual dari yang terstruktur, jelas dan faktual dari teks yang tidak terstruktur teks yang tidak terstruktur
IE systems mengekstrak informasi
Singkatnya : Siapa melakukan apa ke siapa, Singkatnya : Siapa melakukan apa ke siapa, kapan dan di mana? kapan dan di mana?
Information Extraction Information Extraction
Tugas yang sering dilakukan pada IE: Tugas yang sering dilakukan pada IE:
Mengidentifkasi entitas nama Mengidentifkasi entitas nama Mengidentifkasi relasi antar entitas Mengidentifkasi relasi antar entitas Memasukkan ke database dengan format tertentu Memasukkan ke database dengan format tertentu
Tugas yang lain: Tugas yang lain:
Mengekstraksi Kejadian
Mengekstraksi Kejadian Membuat Template Otomatis dari informasi dalam teks Membuat Template Otomatis dari informasi dalam teks dsb dsb
Manfaat dan Aplikasi: natural language Manfaat dan Aplikasi: natural language
Information Extraction Information Extraction
Information Extraction Information Extraction
Contoh,
Mengumpulkan data pemasukan, laba, pimpinan, kantor dsb dari laporan perusahaan
Kantor Pusat BHP Billiton Limited, dan kantor utama BHP Billiton Group, terletak di Melbourne, Australia.
Kantor Pusat(“BHP Biliton Limited”, “Melbourne, Australia”)
Mempelajari interkasi produk obat dari
Contoh,
Mengumpulkan data pemasukan, laba, pimpinan, kantor dsb dari laporan perusahaan
Kantor Pusat BHP Billiton Limited, dan kantor utama BHP Billiton Group, terletak di Melbourne, Australia.
Kantor Pusat(“BHP Biliton Limited”, “Melbourne, Australia”)
Mempelajari interkasi produk obat dari
Information Extraction Information Extraction
Low Level IE Low Level IE
Contoh Low Level IE, deteksi event
pada Apple mail atau Gmail Biasanya berbasis pada regular Contoh Low Level IE, deteksi event pada Apple mail atau Gmail
Biasanya berbasis pada regular
Low Level IE Low Level IE
web? web? Kalau manusia pasti tahu kalau ini adalah buku,
Kalau manusia pasti tahu kalau ini adalah buku, Need this price Title A book, Not a toy
web? web? A book, Not a toy
Judul tidak dituliskan secara eksplisit sebagai Judul tidak dituliskan secara eksplisit sebagai
web? web? Title
Judul tidak dituliskan secara eksplisit sebagai Judul tidak dituliskan secara eksplisit sebagai
web? web? Need this price
Untuk harga – ada banyak harga yang ditampilkan,
Untuk harga – ada banyak harga yang ditampilkan,
How is IE useful? How is IE useful?
Background: Background: Plain text Plain text advertisements advertisements
Mengkestrak Mengkestrak
informasi dari iklan di informasi dari iklan di koran lalu diformat koran lalu diformat menjadi seperti di menjadi seperti di samping. samping.
Lalu bisa ditulis lagi Lalu bisa ditulis lagi dengan menggunakan dengan menggunakan format lain tapi format lain tapi informasinya tetap informasinya tetap
How is IE useful? How is IE useful?
Mengambil informasi alamat rumah di web secara
Mengambil informasi alamat rumah di web secara
How is IE useful? How is IE useful?
Mengambil informasi alamat rumah di web secara
Mengambil informasi alamat rumah di web secara
Retrieval Retrieval
Information Retrieval
Information Retrieval
User Query -> Teks/dokumen yang relevan Pendekatan: keyword matching Query generality : full
Information Extraction Analisis Linguistic yang ditargetkan pada informasi yang relevan User Query -> Informasi yang relevan
User Query -> Teks/dokumen yang relevan
Pendekatan: keyword matching
Query generality : full
Information Extraction
Analisis Linguistic yang ditargetkan pada informasi yang relevan
User Query -> Informasi yang relevan
(NER) (NER)
Named Entity Recognition (NER) adalah salah Named Entity Recognition (NER) adalah salah satu Subtask yang sangat penting dalam IE : satu Subtask yang sangat penting dalam IE :
Menemukan Menemukan dan Mengklasifkasi nama-nama dan Mengklasifkasi nama-nama
Entitas dalam teks Entitas dalam teks
Nama Entitas apa saja? Tergantung pada Nama Entitas apa saja? Tergantung pada Aplikasinya. Aplikasinya.
People, places, organizations, times, amounts, etc. People, places, organizations, times, amounts, etc.
Names of genes and proteins (Settles 05) Names of genes and proteins (Settles 05)
(NER) (NER)
NER untuk NER untuk menemukan, contoh : menemukan , contoh : The decision by the independent MP Andrew Wilkie The decision by the independent MP Andrew Wilkie
to withdraw his support for the minority Labor to withdraw his support for the minority Labor
government sounded dramatic but it should not government sounded dramatic but it should not further threaten its stability. When, after the further threaten its stability. When, after the 2010 2010 election, Wilkie, Rob Oakeshott, Tony Windsor and election, Wilkie , Rob Oakeshott , Tony Windsor and the the Greens agreed to support Labor, they gave just Greens agreed to support Labor , they gave just two guarantees: confdence and supply. two guarantees: confdence and supply.(NER) (NER)
NER untuk NER untuk menemukan dan menemukan dan mengklasifkasi mengklasifkasi, contoh : , contoh :
The decision by the independent MP Andrew The decision by the independent MP Andrew Wilkie to withdraw his support for the Wilkie to withdraw his support for the
Person minority minority Labor government sounded Labor government sounded
Date dramatic but it should not further threaten its dramatic but it should not further threaten its
Organizatio n stability. When, after the stability. When, after the 2010 election, 2010 election, Wilkie, Rob Oakeshott, Tony Windsor and the Wilkie , Rob Oakeshott , Tony Windsor and the Greens agreed to support Labor, they gave Greens agreed to support Labor , they gave just two guarantees: confdence and supply. just two guarantees: confdence and supply.
(NER) (NER)
Manfaat: Manfaat: Melakukan Indeksi Entitas dsb. Melakukan Indeksi Entitas dsb. Sentiment bisa disematkan pada perusahaan atau Sentiment bisa disematkan pada perusahaan atau produk produk
Banyak relasi IE relations yang menjadi asosiasi Banyak relasi IE relations yang menjadi asosiasi
antar entitas antar entitas Untuk question answering, jawaban kebanyakan Untuk question answering, jawaban kebanyakan adalah entitas adalah entitas
(NER) (NER)
Tiga pendekatan Standart untuk NER Tiga pendekatan Standart untuk NER
(dan IE) (dan IE) 1.
1. Hand-written regular expressions Hand-written regular expressions
2. Using classifers
Generative: Naïve Bayes Generative: Naïve Bayes Discriminative: Maxent models Discriminative: Maxent models 3.
3. Sequence models Sequence models
HMMs HMMs CMMs/MEMMs CMMs/MEMMs
Rule Based NER Rule Based NER
Information Extraction & NER Information Extraction & NERRule Based NER Rule Based NER
- Ada 3 cara :
- Ada 3 cara :
- – Menggunakan regular expressions
- – Menggunakan regular expressions
– Membuat aturan khusus untuk urutan
tertentu- – Menggunakan context patterns
- – Membuat aturan khusus untuk urutan tertentu
- – Menggunakan context patterns
Rule Based NER (1) Rule Based NER (1)
- Membuat regular expressions untuk mengekstraksi: mengekstraksi:
- Membuat regular expressions untuk
- – – Nomor Telephone Nomor Telephone
- – – Nama yang diawali huruf Kapital
Nama yang diawali huruf Kapital
Regular expressions menyediakan cara yang
feksibel untuk mencocokkan string pada teks.
Tidak hanya mencocokkan kata yang memiliki
karakter-karakter yang sama, tapi bisa juga
dengan menggunakan karakter, kata, atau
pola tertentu.
Regular expressions menyediakan cara yang
feksibel untuk mencocokkan string pada teks.
Tidak hanya mencocokkan kata yang memiliki
karakter-karakter yang sama, tapi bisa juga
dengan menggunakan karakter, kata, atau
pola tertentu.
Misal, kita ingin mencari sebuah kata Misal, kita ingin mencari sebuah kata yang yang
1. Diawali huruf besar “P”
1. Diawali huruf besar “P”
2. Merupakan Huruf pertama pada sebuah baris baris
2. Merupakan Huruf pertama pada sebuah
3. Huruf setelahnya menggunakan huruf kecil 4.
3. Huruf setelahnya menggunakan huruf kecil
4. Cuma terdiri dari 3 huruf Cuma terdiri dari 3 huruf 5.
5. Huruf ketiga adalah huruf vokal Huruf ketiga adalah huruf vokal
Misal, kita ingin mencari sebuah kata yang :
1. Diawali huruf besar “P”
2. Merupakan Huruf pertama pada sebuah baris
3. Huruf setelahnya menggunakan huruf kecil
4. Cuma terdiri dari 3 huruf
5. Huruf ketiga adalah huruf vokal Regular expressionnya : “^P[a-z][aeiou]” di mana :
^ - Mengindikasikan awal String [a-z] – semua huruf kecil dari a sampzi z
Misal, kita ingin mencari sebuah kata yang :
1. Diawali huruf besar “P”
2. Merupakan Huruf pertama pada sebuah baris
3. Huruf setelahnya menggunakan huruf kecil
4. Cuma terdiri dari 3 huruf
5. Huruf ketiga adalah huruf vokal Regular expressionnya : “ ^P[a-z][aeiou] ” di mana :
^ - Mengindikasikan awal String [a-z] – semua huruf kecil dari a sampzi z
Perl RegEx Perl RegEx
? For 0 or 1 occurrences
. (wildcard) anything
\s (space char) any whitespace
\d (digit char) any digit
\w (word char) any alpha-numeric
\w (word char) any alpha-numeric
$ end of string
^ beginning of string
? For 0 or 1 occurrences
$ end of string
^ beginning of string
\b word bounday
. (wildcard) anything
\s (space char) any whitespace
\d (digit char) any digit
\b word bounday
- + for 1 or more occurrences
- + for 1 or more occurrences
A{1,5} One to fve A’s.
specifc range of number of occurrences: {min,max}.
specifc range of number of occurrences: {min,max}.
A{1,5} One to fve A’s.
A{5,} Five or more A’s
A{5,} Five or more A’s
Rule Based NER (1) Rule Based NER (1)
- Membuat regular expressions untuk
- Membuat regular expressions untuk
mengekstraksi: mengekstraksi:
- – – Nomor Telephone Nomor Telephone
Contoh : 0341-551611, 0341-565420, 0857-467-45623 Contoh : 0341-551611, 0341-565420, 0857-467-45623 Nomor yang dipisah dengan Hypen (-) Nomor yang dipisah dengan Hypen (-) RegEx = (\d+\-)+\d+ RegEx = (\d+\-)+\d+
Rule Based NER (2) Rule Based NER (2)
Membuat aturan untuk mengkestrak Membuat aturan untuk mengkestrak lokasi lokasi
Kata yang diawali huruf besar + {city, center, Kata yang diawali huruf besar + {city, center,
river} menandakan lokasi river} menandakan lokasiEx. New York city Ex. New York city Hudson river Hudson river {Kota, Desa, Kecamatan, Kabupaten, Kelurahan} + {Kota, Desa, Kecamatan, Kabupaten, Kelurahan} +
Kata yang diawali huruf besar menandakan lokasi Kata yang diawali huruf besar menandakan lokasi Ex. Kota Kanor Ex. Kota Kanor
Rule Based NER (3) Rule Based NER (3)
Menggunakan context patterns Menggunakan context patterns
[PERSON] earned [MONEY] [PERSON] earned [MONEY] Ex. Frank earned $20 Ex. Frank earned $20
[PERSON] joined [ORGANIZATION] [PERSON] joined [ORGANIZATION]
Ex. Sam joined IBM Ex. Sam joined IBM
[PERSON],[JOBTITLE] [PERSON],[JOBTITLE] Ex. Mary, the teacher Ex. Mary, the teacher
Rule Based NER (3) Rule Based NER (3)
Menggunakan context patterns Menggunakan context patterns
[PERSON|ORGANIZATION|ANIMAL] fy to [LOCATION| [PERSON|ORGANIZATION|ANIMAL] fy to [LOCATION|
Ex. Jerry few to Japan Ex. Jerry few to Japan
Sarah fies to the party Sarah fies to the party Delta fies to Europe Delta fies to Europe bird fies to trees bird fies to trees bee fies to the wood bee fies to the wood
work? work? Huruf Kapital adalah indikasi yang kuat bahwa Huruf Kapital adalah indikasi yang kuat bahwa kata tersebut adalah sebuah nama, tapi kata tersebut adalah sebuah nama, tapi kadang bisa juga sangat tricky: kadang bisa juga sangat tricky:
Kata pertama dari kalimat pasti diawali huruf besar Kata pertama dari kalimat pasti diawali huruf besar
Kadang judul di website semuanya pake huruf besar Kadang judul di website semuanya pake huruf besar Ada juga yang mengandung huruf kecil Ada juga yang mengandung huruf kecil University of Southern California adalah University of Southern California adalah Organization, of diawali dengan huruf kecil Organization, of diawali dengan huruf kecil
work? work?
Entitas yang sama bisa jadi memiliki beberapa Entitas yang sama bisa jadi memiliki beberapa variasi variasi
Pak Bisri Pak Bisri prof. Bisri prof. Bisri Bisri Bisri
Ada juga ambiguitas Ada juga ambiguitas
Ahmad Yani orang vs. Ahmad Yani jalan Ahmad Yani orang vs. Ahmad Yani jalan JFK the person vs. JFK the airport JFK the person vs. JFK the airport
Naive Bayes Based Naive Bayes Based
NER NER Information Extraction & NER Information Extraction & NERNaive Bayes Based NER Naive Bayes Based NER
- D1 : Santika akan pergi ke Bali bersama
• D1 : Santika akan pergi ke Bali bersama
Supriadi Supriadi
• D2 : Hotel Santika berada di Jalan Merapi D2 : Hotel Santika berada di Jalan Merapi
• D3 : Supriadi menginap di Hotel Santika D3 : Supriadi menginap di Hotel Santika
sebelum berangkat ke Merapi Center sebelum berangkat ke Merapi Center
- D4 : Jalan Merapi macet sampai Jalan D4 : Jalan Merapi macet sampai Jalan
Supriadi Supriadi
Naive Bayes Based NER Naive Bayes Based NER
• D1 : Santika akan pergi ke Bali bersama D1 : Santika akan pergi ke Bali bersama
Supriadi Supriadi
• D2 : Hotel Santika berada di Jalan Merapi D2 : Hotel Santika berada di Jalan Merapi
• D3 : Supriadi menginap di Hotel Santika
- D3 : Supriadi menginap di Hotel Santika sebelum berangkat ke sebelum berangkat ke Merapi Center Merapi Center
- D4 : Jalan Merapi macet sampai Jalan D4 : Jalan Merapi macet sampai Jalan
Supriadi Supriadi
Naive Bayes Based NER Naive Bayes Based NER
- Supriadi Supriadi
Nama Person : Santika, Supriadi,
- Nama Person : Santika, Supriadi,
- Nama Organisasi : Santika, Santika, Nama Organisasi : Santika, Santika,
Merapi Merapi
- Nama Lokasi : Merapi, Merapi, Bali, Nama Lokasi : Merapi, Merapi, Bali,
Supriadi Supriadi
Naive Bayes Based NER Naive Bayes Based NER
• D5 : Supriadi akan menginap di Hotel D5 : Supriadi akan menginap di Hotel
Santika Santika
Multinomial Naive Bayes Multinomial Naive Bayes
- Nama Person (P) : Santika, Supriadi, Supriadi Nama Person (P) : Santika, Supriadi, Supriadi >Nama Organisasi (O) : Santika, Santika, Me
- Nama Organisasi (O) : Santika, Santika, Merapi
- Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi
D5 : Supriadi akan menginap di Hotel Santika
- >D5 : Supriadi akan menginap di Hotel Santika
- W adalah kata
- C adalah kategori C adalah kategori
• P(c I w) : Peluang kategori c dengan syarat muncul
- P(c) : Peluang munculnya kategori c
- P(c) : Peluang munculnya kategori c
- menjadi cukup : menjadi cukup :
- Karena nilai P(w) selalu sama, bisa juga dituliskan
- )
- muncul kategori c muncul kategori c
- P(w|c) : Peluang munculnya kata w dengan syarat P(w|c) : Peluang munculnya kata w dengan syarat
- P(c) : Peluang kemunculan kategori c
- P(c) : Peluang kemunculan kategori c
- Count(w,c) : jumlah kata w pada kategori c Count(w,c) : jumlah kata w pada kategori c >Count (c) : jumlah seluruh kata pada kategori c
- Count (c) : jumlah seluruh kata pada kategori c
- Nama Person (P) : Santika, Supriadi, Supriadi
- P(P)=1/3, P(O)=1/3, P(O)=1/3, P(L) = 1/3 P(L) = 1/3
- P(P)=1/3, >P(Supriadi | P) = (2)+1/(3+4) =
- P(Supriadi | P) = (2)+1/(3+4) = 3/7
- P(Supriadi | O) = (0)+1/(3+4) = 1/7 P(Supriadi | O) = (0)+1/(3+4) = 1/7 >P(Supriadi | L) = (1)+1/(4+4) =
- P(Supriadi | L) = (1)+1/(4+4) = 2/8
- Nama Person (P) : Santika, Supriadi, Supriadi
- Nama Person (P) : Santika, Supriadi, Supriadi •
- | |
- Nama Organisasi (O) : Santika, Santika, Merapi
- Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi
- Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi •
- D5 : Supriadi akan menginap di Hotel Santika
- P(P)=1/3, P(O)=1/3, P(L) = 1/3
- P(P)=1/3, P(O)=1/3, P(L) = 1/3
- Nama Person (P) : Santika, Supriadi, Supriadi
- P(akan | P) = (0)+1/(3+4) = 1/7 P(akan | P) = (0)+1/(3+4) = 1/7
- P(akan | O) = (0)+1/(3+4) = 1/7 P(akan | O) = (0)+1/(3+4) = 1/7
- P(akan | L) = (0)+1/(4+4) = 1/8 P(akan | L) = (0)+1/(4+4) = 1/8
- Nama Person (P) : Santika, Supriadi, Supriadi
- Nama Person (P) : Santika, Supriadi, Supriadi •
- Nama Organisasi (O) : Santika, Santika, Merapi
- Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi
- Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi •
- D5 : Supriadi akan menginap di Hotel Santika
P(P | akan) = P(akan | P) * P(P) = 1/7 *1/3 = 1/21
- P(P | akan) = P(akan | P) * P(P) = 1/7 *1/3 = 1/21
- P(O | akan) = P(akan | O) * P(O) = 1/7 *1/3 = 1/21
- P(L | akan) = P(akan | L) * P(L) = 1/8 *1/3 = 1/24
- Maka kata akan masuk ke Entitas Person atau
- P(O | akan) = P(akan | O) * P(O) = 1/7 *1/3 = 1/21
P(L | akan) = P(akan | L) * P(L) = 1/8 *1/3 = 1/24
- Maka kata akan masuk ke Entitas Person atau Organisasi
- Nama Person (P) : Santika, Supriadi, Supriadi
- P(Santika | P) = (1)+1/(3+4) = 2/7 P(Santika | P) = (1)+1/(3+4) = 2/7
- P(Santika | O) = (2)+1/(3+4) = 3/7 P(Santika | O) = (2)+1/(3+4) = 3/7
- P(Santika | L) = (0)+1/(4+4) = 1/8 P(Santika | L) = (0)+1/(4+4) = 1/8
- Nama Person (P) : Santika, Supriadi, Supriadi •
- Nama Person (P) : Santika, Supriadi, Supriadi
- Nama Organisasi (O) : Santika, Santika, Merapi
- Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi •
- Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi
- D5 : Supriadi akan menginap di Hotel Santika
- P(P | Santika) = P(Santika | P)*P(P) = 2/7 * 1/3 = 2/21
- P(P | Santika) = P(Santika | P)*P(P) = 2/7 * 1/3 =
P(O | Santika) = P(Santika | O)*P(O) = 3/7 * 1/3 =
3/21- P(O | Santika) = P(Santika | O)*P(O) = 3/7 * 1/3 =
- P(L | Santika) = P(Santika | L)*P(L) = 1/8 * 1/3 = 1/24
- P(L | Santika) = P(Santika | L)*P(L) = 1/8 * 1/3 =
Multinomial Naive Bayes Multinomial Naive Bayes
P w * | c P c
P c | w
P w
W adalah kata
P(c I w) : Peluang kategori c dengan syarat muncul kata w kata w
Multinomial Naive Bayes Multinomial Naive Bayes
Karena nilai P(w) selalu sama, bisa juga dituliskan
P(w | c)* P(c) P(w | c)* P(c)
Multinomial Naive Bayes Multinomial Naive Bayes
����� (� , �)
( ) � �∨� = ����� ( �)
Untuk menghindari adanya nilai 0 (nol), digunakan Untuk menghindari adanya nilai 0 (nol), digunakan add-one or Laplace smoothing add-one or Laplace smoothing
( )
1 ����� � ,�
( ) =
� �∨�
Multinomial Naive Bayes Multinomial Naive Bayes
( )
1 ����� � ,�
( ) � �∨� =
¿ ¿ ¿ ����� ( � � ∨
Multinomial Naive Bayes Multinomial Naive Bayes
P w * | c P c
P c | w
P w
Nama Person (P) : Santika, Supriadi, Supriadi
Nama Organisasi (O) : Santika, Santika, Merapi Nama Organisasi (O) : Santika, Santika, Merapi
Nama Lokasi (L) : Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi Merapi, Merapi, Bali, Supriadi
D5 : Supriadi akan menginap di Hotel Santika D5 : Supriadi akan menginap di Hotel Santika
Multinomial Naive Bayes Multinomial Naive Bayes
Nama Organisasi (O) : Santika, Santika, Merapi
D5 : Supriadi akan menginap di Hotel Santika
P w P c c w P P w c
Multinomial Naive Bayes Multinomial Naive Bayes
Terbukti bahwa Terbukti bahwa P(Supriadi) tidak perlu dihitung untuk P(Supriadi) tidak perlu dihitung untuk
mencari kelas yang memiliki peluang terbesar. mencari kelas yang memiliki peluang terbesar.Sehingga cukup memakai rumus Sehingga cukup memakai rumus
Multinomial Naive Bayes Multinomial Naive Bayes
Karena kelas P memiliki peluang terbesar, maka Karena kelas P memiliki peluang terbesar, maka
Multinomial Naive Bayes Multinomial Naive Bayes
Nama Person (P) : Santika, Supriadi, Supriadi
Nama Organisasi (O) : Santika, Santika, Merapi
Nama Organisasi (O) : Santika, Santika, Merapi
Nama Lokasi (L) : Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi Merapi, Merapi, Bali, Supriadi
D5 : Supriadi akan menginap di Hotel Santika D5 : Supriadi akan menginap di Hotel Santika
Multinomial Naive Bayes Multinomial Naive Bayes
Nama Organisasi (O) : Santika, Santika, Merapi
D5 : Supriadi akan menginap di Hotel Santika
Organisasi
Multinomial Naive Bayes Multinomial Naive Bayes
Nama Person (P) : Santika, Supriadi, Supriadi
Nama Organisasi (O) : Santika, Santika, Merapi
Nama Organisasi (O) : Santika, Santika, Merapi
Nama Lokasi (L) : Nama Lokasi (L) : Merapi, Merapi, Bali, Supriadi Merapi, Merapi, Bali, Supriadi
D5 : Supriadi akan menginap di Hotel Santika D5 : Supriadi akan menginap di Hotel Santika
Multinomial Naive Bayes Multinomial Naive Bayes
Nama Organisasi (O) : Santika, Santika, Merapi
D5 : Supriadi akan menginap di Hotel Santika
2/21
3/21
1/24