Resolusi Identitas dari Nama dan Garis Keturunan: Normalisasi dan Penautan Rekaman

Abstrak

Nama yang berulang beserta beragam variasi ejaannya membuat pembedaan antarindividu menjadi tantangan mendasar dalam sistem silsilah. Makalah ini meninjau literatur penautan rekaman, mulai dari landasan statistik yang diletakkan oleh Fellegi dan Sunter [1], melewati pencocokan fonetik dan metrik kemiripan string [2][3], hingga tantangan khusus nama-nama Arab [4], dan berlanjut ke resolusi entitas modern [6]. Selanjutnya kami memaparkan, secara garis besar, metodologi platform Nasayeb dalam membangun sebuah "sidik jari identitas" tanpa mengungkapkan detail internalnya.

1. Permasalahan

Dalam setiap keluarga besar, satu pertanyaan selalu muncul: apakah "Muhammad bin Ahmad" ini orang yang sama dengan yang ada di cabang lain, atau orang yang berbeda yang kebetulan memiliki nama sama? Jawaban yang keliru berarti entah dua rekaman untuk satu orang (penggelembungan palsu dan kontradiksi), atau penggabungan dua orang yang berbeda (hilangnya kebenaran). Kesulitan ini diperparah oleh dua sifat nama: banyaknya cara nama dieja, dan seberapa sering nama itu berulang dalam satu keluarga.

2. Tantangan Nama

Satu nama dapat ditulis dalam berbagai bentuk tergantung pada ejaan hamzah, alif, taa marbuta, dan lainnya (Fuʾad/Fuwad, Aḥmad/Ahmad). Nama juga sering berulang untuk menghormati leluhur, sehingga dalam satu cabang Anda menemukan beberapa orang dengan nama yang sama dan nama ayah yang sama pula. Karena itu, nama saja, atau bahkan nama beserta nama ayah, tidak cukup untuk pembedaan yang andal. Ini adalah masalah yang sudah dikenal luas dalam penautan rekaman historis dan demografis secara umum [5].

3. Tinjauan Literatur

Pada tahun 1969, Fellegi dan Sunter menetapkan kerangka probabilistik klasik untuk penautan rekaman, yang didasarkan pada penimbangan probabilitas kecocokan versus ketidakcocokan di berbagai bidang [1]. Sebelum dan sesudah itu, pencocokan fonetik berkembang: algoritma Soundex dan kemudian NYSIIS mengelompokkan nama-nama yang terdengar mirip meskipun berbeda ejaan [2]. Metrik kemiripan string seperti Levenshtein dan Jaro–Winkler menambahkan ukuran kuantitatif seberapa dekat dua untai teks [3].

Nama-nama Arab, di sisi lain, menghadirkan tantangan khusus dalam normalisasi dan transliterasi, yang ditangani oleh penelitian pemrosesan bahasa alami dengan teknik untuk menyatukan varian ejaan serta menangani awalan dan imbuhan [4]. Secara lebih luas, survei-survei terbaru telah mengembangkan gagasan "resolusi entitas," yang menggeneralisasi masalah ini menjadi penautan rekaman yang merujuk pada entitas yang sama dari berbagai sumber [6], dengan kerangka praktis komprehensif dalam literatur pencocokan data [7].

Sebuah nama menunjuk kepada banyak orang; sebuah identitas menunjuk kepada satu orang.

4. Dari Nama ke Struktur

Pelajaran yang berulang dalam literatur ini adalah bahwa nama tersendiri merupakan sinyal yang lemah; ketepatan datang dari menggabungkan berbagai sinyal, dan dari menautkan sebuah entitas ke struktur di sekitarnya alih-alih memperlakukannya secara terisolasi. Dalam konteks garis keturunan, struktur di sekitar itu adalah jaringan kekerabatan itu sendiri: keturunan, pernikahan, dan posisi dalam bagan. Hal ini mengaitkan masalah identitas secara erat dengan masalah representasi kekerabatan.

5. Metodologi Nasayeb (Tingkat Lanjut)

Platform Nasayeb membangun sebuah "sidik jari identitas" yang memadukan nama, rantai keturunan, serta sinyal tambahan seperti nama pasangan, setelah melalui normalisasi linguistik yang menyatukan varian ejaan. Konvergensi sinyal-sinyal ini membuat kecocokan yang tak sengaja antara dua orang yang berbeda menjadi langka, sehingga rekaman duplikat terdeteksi dan disatukan dengan ketepatan tinggi. Parameter, bobot pencocokan, dan ambang batas yang presisi merupakan bagian dari karya kepemilikan kami, yang tidak kami ungkapkan.

Kontribusi di sini ada dua: mengadaptasi literatur pencocokan pada kekhususan nama dan garis keturunan lintas berbagai budaya, dan mengaitkan identitas dengan struktur kekerabatan itu sendiri alih-alih memproses nama secara terisolasi. Hasilnya adalah rekaman keluarga yang bersih di mana setiap orang tercatat satu kali saja, yang dapat Anda percaya dan andalkan.

6. Kesimpulan

Membedakan antarindividu dalam keluarga dengan kemiripan nama yang tinggi adalah masalah lama dengan literatur yang kaya, mulai dari pencocokan probabilistik hingga resolusi entitas. Solusi praktisnya bukanlah satu sinyal tunggal, melainkan sidik jari identitas yang memadukan nama, garis keturunan, dan konteks di sekitarnya, yang dibangun di atas normalisasi linguistik yang menghormati kekhususan bahasa. Dengan cara ini keluarga tetap menjadi rekaman yang akurat, bukan tumpukan salinan yang saling bertentangan.

Referensi

1. Fellegi, I. P., & Sunter, A. B. "A Theory for Record Linkage." Journal of the American Statistical Association, 1969.
2. Russell, R. C. / Odell, M. Soundex (US Patents, 1918/1922); Taft, R. NYSIIS, 1970.
3. Winkler, W. E. "String Comparator Metrics and Enhanced Decision Rules in the Fellegi–Sunter Model." US Census Bureau, 1990.
4. Marton, Y., & Zitouni, I. "Transliteration Normalization for Information Extraction and Machine Translation." Journal of King Saud University — Computer and Information Sciences, 2014.
5. Newcombe, H. B., et al. "Automatic Linkage of Vital Records." Science, 1959.
6. Getoor, L., & Machanavajjhala, A. "Entity Resolution: Theory, Practice & Open Challenges." Proc. VLDB, 2012.
7. Christen, P. Data Matching: Concepts and Techniques for Record Linkage. Springer, 2012.