%X Salah satu bagian pembelajaran dari Information Extraction yang paling sering digunakan saat ini adalah Named Entity Recognition (NER). NER berguna dalam mempermudah serta menghemat waktu dalam pencarian informasi penting dari suatu data yang besar.  Selain itu, penerapan NER membutuhkan dataset yang banyak untuk mendapatkan hasil keakuratan yang tinggi. Banyaknya dataset yang ada tentunya akan menjadi semakin sulit untuk dievaluasi dan diteliti keakuratannya. Salah satu metode yang paling sering digunakan adalah pengklasifikasian statistika dengan Naïve Bayes. Proses ekstraksi NER dimulai dengan prapemroses pada data, kemudian melalui proses ekstraksi fitur untuk setiap data yang ada, Hasil ekstraksi fitur berupa data latih kemudian dilatih dengan menggunakan model Naïve Bayes. Klasifikasi kemudian dilakukan pada data uji dengan menggunakan data training yang ada. Entitas hasil klasifikasi kemudian dievaluasi kinerjanya dengan menggunakan metrik evaluasi seperti precision, recall, accuracy dan F1-Score.  Adapun hasil dari penerapan Naïve Bayes dalam pencarian Named Entity Recognition menunjukkan hasil precision sebesar 75%, recall sebesar 78%, akurasi sebesar 87%, dan F1-Score adalah sebesar 76%.
%I Universitas Kristen Duta Wacana
%A Zanetaxina Pudihang
%K Naïve Bayes, Named Entity Recognition, Ekstraksi Informasi
%T EKSTRAKSI INFORMASI MAKANAN DAN MINUMAN TRADISIONAL INDONESIA DENGAN NAMED ENTITY RECOGNITION
%D 2023
%L katalog8586