Automated Generation of E-R Diagram from a Given Text in Natural Language

Ghosh, Saswati; Bashar, Rezaul

doi:10.1109/icmlde.2018.00026

Cited by 6 publications

(5 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Entity Relationship Diagram (ERD) merupakan sebuah model konseptual tingkat tinggi basis data untuk mendeskripsikan sebuah sistem maupun batasannya [1]. Pemodelan ERD dapat dilakukan secara manual, namun pemodelan ERD secara manual biasanya akan memakan waktu yang lama, pada tahap analisis kebutuhan [2]. Oleh karena itu dibutuhkan proses untuk membangkitkan ERD dari spesifikasi kebutuhan [1].…”

Section: Pendahuluanunclassified

“…Saat ini sudah ada sistem yang dapat membangkitkan ERD dari spesifikasi kebutuhan dengan menerapkan Natural Language Processing (NLP) yang dapat mempermudah pemodelan ERD bagi system analyst, database administrator, dan tim pengembang perangkat lunak lainya karena pembangkit ERD dapat menggambarkan ERD berdasarkan spesifikasi kebutuhan [2]. Penelitian [3] menghasilkan ERD dari spesifikasi kebutuhan menggunakan NLP pada Bahasa Inggris pelabelan kelas kata menggunakan Part of Speech (POS) Tagging, chunking dan parsing.…”

Section: Pendahuluanunclassified

“…Penelitian [3] menghasilkan ERD dari spesifikasi kebutuhan menggunakan NLP pada Bahasa Inggris pelabelan kelas kata menggunakan Part of Speech (POS) Tagging, chunking dan parsing. Penelitian [2] menghasilkan ERD dari spesifikasi pada Bahasa Inggris pada satu domain dengan melakukan tahapan pembangkitan ERD menggunakan NLP dengan tahapan text preprocessing, POS tagging, dan SVM classifier. Penelitian [4] menghasilkan ERD dari spesifikasi kebutuhan menggunakan NLP pada Bahasa Inggris menggunakan rule-based mapping untuk menghasilkan ERD berdasarkan spesifikasi kebutuhan dalam bahasa Inggris.…”

Section: Pendahuluanunclassified

See 2 more Smart Citations

Pembangkit Entity Relationship Diagram Dari Spesifikasi Kebutuhan Menggunakan Natural Language Processing Untuk Bahasa Indonesia

Togatorop¹,

Simanjuntak²,

Manurung³

et al. 2021

jicon

View full text Add to dashboard Cite

Memodelkan Entity Relationship Diagram (ERD) dapat dilakukan secara manual, namun umumnya memperoleh pemodelan ERD secara manual membutuhkan waktu yang lama. Maka, dibutuhkan pembangkit ERD dari spesifikasi kebutuhan untuk mempermudah dalam melakukan pemodelan ERD. Penelitian ini bertujuan untuk mengembangkan sebuah sistem pembangkit ERD dari spesifikasi kebutuhan dalam Bahasa Indonesia dengan menerapkan beberapa tahapan-tahapan dari Natural Language Processing (NLP) sesuai kebutuhan penelitian. Spesifikasi kebutuhan yang digunakan tim peneliti menggunakan teknik document analysis. Untuk tahapan-tahapan dari NLP yang digunakan oleh peneliti yaitu: case folding, sentence segmentation, tokenization, POS tagging, chunking dan parsing. Kemudian peneliti melakukan identifikasi terhadap kata-kata dari teks yang sudah diproses pada tahapan-tahapan dari NLP dengan metode rule-based untuk menemukan daftar kata-kata yang memenuhi dalam komponen ERD seperti: entitas, atribut, primary key dan relasi. ERD kemudian digambarkan menggunakan Graphviz berdasarkan komponen ERD yang telah diperoleh Evaluasi hasil ERD yang berhasil dibangkitkan kemudian di evaluasi menggunakan metode evaluasi expert judgement. Dari hasil evaluasi berdasarkan beberapa studi kasus diperoleh hasil rata-rata precision, recall, F1 score berturut-turut dari tiap ahli yaitu: pada ahli 1 diperoleh 91%, 90%, 90%; pada ahli 2 diperoleh 90%, 90%, 90%; pada ahli 3 diperoleh 98%, 94%, 96%; pada ahli 4 diperoleh 93%, 93%, 93%; dan pada ahli 5 diperoleh 98%, 83%, 90%.

show abstract

Section: Pendahuluanunclassified

See 1 more Smart Citation

Pembangkit Entity Relationship Diagram Dari Spesifikasi Kebutuhan Menggunakan Natural Language Processing Untuk Bahasa Indonesia

Togatorop¹,

Simanjuntak²,

Manurung³

et al. 2021

jicon

View full text Add to dashboard Cite

show abstract

“…Deep Eye is proposed in [19] to identify best visualizations from pie chart, bar chart, line chart and scatter chart for a given data pattern. A system for automated E-R diagram generation by detecting different entities from natural language text is presented in [4]. 'Text-to-Viz' is proposed in [8] that generates excellent infographics from given text.…”

Section: Automated Visualizaton Has Been Always a Very Fascinating Ar...mentioning

confidence: 99%

“…Among them a few example tasks are: document summarization [1], title or caption generation from texts, generating textual description of charts [2], named entity recognition [3], etc. There has been several attempts to generate graphs or structural elements from natural language texts or free texts [4,5,6,7]. Scientific charts (bar, line, pie, etc.)…”

Section: Introductionmentioning

confidence: 99%

Text2Chart: A Multi-Staged Chart Generator from Natural Language Text

Mahinur¹,

Kawsar²,

Huzzat³

et al. 2021

Preprint

View full text Add to dashboard Cite

Generation of scientific visualization from analytical natural language text is a challenging task. In this paper, we propose Text2Chart, a multi-staged chart generator method.Text2Chart takes natural language text as input and produce visualization as two-dimensional charts. Text2Chart approaches the problem in three stages. Firstly, it identifies the axis elements of a chart from the given text known as x and y entities. Then it finds a mapping of x-entities with its corresponding y-entities. Next, it generates a chart type suitable for the given text: bar, line or pie. Combination of these three stages is capable of generating visualization from the given analytical text. We have also constructed a dataset for this problem. Experiments show that Text2Chart achieves best performances with BERT based encodings with LSTM models in the first stage to label x and y entities, Random Forest classifier for the mapping stage and fastText embedding with LSTM for the chart type prediction. In our experiments, all the stages show satisfactory results and effectiveness considering formation of charts from analytical text, achieving a commendable overall performance.

show abstract